图像特征点检测方法及装置制造方法及图纸

本发明专利技术公开了一种图像特征点检测方法及装置，其中方法包括：计算图像金字塔中第Ｓ层图像中每个点的高斯拉普拉斯值；选择第一初始候选特征点；将最佳极值模板与以第一初始候选特征点为中心的邻域的点的高斯拉普拉斯值卷积，将卷积值是邻域中极值的第一初始候选特征点作为精确候选特征点；在亚象素级别剔除精确候选特征点中边缘点等不稳定点，从所述精确候选特征点中选择出所述第Ｓ层图像的特征点。本发明专利技术实施例提供的方法能够减小内存占用，准确检测到图像特征点。

【技术实现步骤摘要】

本专利技术涉及图像处理技术，尤其涉及一种图像特征点检测方法及装置。
技术介绍
图像配准(Image Registration)指的是对同一场景获取的多幅图像中两两分析 并找出相对应的区域，即在空间关系上进行匹配的一种图像分析与处理技术。当图像由不 同的传感器或者不同的时间、不同的视角获取时，通常需要进行图像配准。图像配准广泛应 用于导航与制导技术、地理图像镶嵌、图像融合、图像检索、目标识别等许多领域。图像配准中一个重要的步骤就是寻找待匹配的图像的特征信息，例如边缘特征、 区域特征和点特征，图像的边缘特征对于旋转、缩放等几何畸变的适应能力不强，图像的区 域特征的提取不易达到一致性，而图像的点特征的提取则容易达到高稳定性和高精度，所 以图像的特征点检测是获取图像特征信息的一种常用方法。现有技术中提供一种基于多尺度金字塔思想的图像特征点检测方法，首先构建多 尺度图像金字塔，图像金字塔分成多组，每组包括多层，下一组的图像由上一组图像降采样 得到，然后进行高斯差分(Difference of Gaussian，简称DOG)计算，利用已经获得的图像 金字塔，在每一组由邻近的两层相减得到该组的一个DOG金字塔数据，重复该过程，从而产 生多尺度DOG金字塔。然后确定特征点，具体为将每层图像的每个点和该点的相邻点(即 本层与该点相邻的8个点以及上层与该点相邻的9个点和下层与该点相邻的9个点)比较， 将DOG值为极大值或极小值的点作为特征点。专利技术人在实现本专利技术的过程中发现现有技术中基于多尺度金字塔思想的图像特 征点检测方法至少存在以下问题⑴占用大量内存；⑵将DOG值为极大值或极小值的点 作为特征点，检测到特征点的准确性不高。
技术实现思路
本专利技术实施例针对现有技术存在的问题，提供一种图像特征点检测方法及装置， 能够减小内存占用，提高检测到图像特征点的准确性。本专利技术实施例提供了一种图像特征点检测方法，包括对于待匹配的图像的图像金字塔中第M组图像中的第S层图像，计算第S层图像 中每个点的高斯拉普拉斯值，S、M为自然数；将每个点的高斯拉普拉斯值，与该点的η X η邻域点的高斯拉普拉斯值比较，选择 出第一初始候选特征点，以所述第一初始候选特征点为中心的ηΧη区域中，所述第一初始 候选特征点的高斯拉普拉斯值为极值，所述极值为极大值或极小值；将最佳极值模板与以所述第一初始候选特征点为中心的(η+2) X (η+2)区域的点 的高斯拉普拉斯值卷积，获取所述第一初始候选特征点的卷积值，比较每个第一初始候选 特征点的卷积值和每个第一初始候选特征点的ηΧη邻域点的卷积值，选择出精确候选特 征点，以所述精确候选特征点为中心的ηΧη区域中，所述精确候选特征点的卷积值为极值；所述最佳极值模板满足r{i/*F}^r{F}，H为最佳极值模板，Γ表示极值点的集合，F 为以所述第一初始候选特征点为中心的ηΧη区域中各点的高斯拉普拉斯值组成的ηΧη矩 阵，η为奇数，Γ {F}表示在F中的极值点；剔除所述精确候选特征点中的边缘点，从所述精确候选特征点中选择出所述第S 层图像的特征点。本专利技术实施例还提供了一种图像特征点检测装置，包括计算模块，用于计算待匹配的图像的图像金字塔中第M组图像中的第S层图像中 每个点的高斯拉普拉斯值，S、M为自然数；第一选择模块，用于将所述计算模块计算得到的所述每个点的高斯拉普拉斯值与 该点的ηΧη邻域点的高斯拉普拉斯值比较，选择出第一初始候选特征点，以所述第一初始 候选特征点为中心的ηΧη区域中，所述第一初始候选特征点的高斯拉普拉斯值为极值，所 述极值为极大值或极小值；第二选择模块，用于将最佳极值模板与以所述第一选择模块选择出的所述第一初 始候选特征点为中心的(n+幻X (η+2)区域的点的高斯拉普拉斯值卷积，获取所述第一初 始候选特征点的卷积值，比较每个第一初始候选特征点的卷积值和每个第一初始候选特征 点的ηΧη邻域点的卷积值，选择出精确候选特征点，以所述精确候选特征点为中心的ηΧη 区域中，所述精确候选特征点的卷积值为极值；所述最佳极值模板满足，Η 为最佳极值模板，Γ表示极值点的集合，F为以所述第一初始候选特征点为中心的ηΧη区 域中各点的高斯拉普拉斯值组成的ηΧη矩阵，η为奇数，Γ {F}表示在F中的极值点；第三选择模块，用于剔除所述第二选择模块选择出的所述精确候选特征点中的边 缘点，从所述精确候选特征点中选择出所述第S层图像的特征点。本专利技术实施例提供的图像特征点检测方法，首先计算出图像金字塔中各组图像中 任意一层图像中各点的LOG值，然后选择出初始候选特征点，再在初始候选特征点中选择 出精选候选特征点；在选择初始候选特征点的时候就剔除掉了一部分不可能是特征点的 点，减少了后续选择精选特征点的运算量，减小内存占用。并且，由于LOG值的极值是高斯 差分(DOG)值的极值的近似估计，将LOG值为极大值或极小值的点作为初始候选特征点，与 现有技术中将DOG值为极大值或极小值的点作为特征点的方法相比，能够提高检测到特征 点的准确性，另外，采用最佳极值模板获取初始候选特征点的卷积值，通过卷积值选取精确 候选特征点，进一步提高了检测到特征点的准确性。下面通过附图和实施例，对本专利技术的技术方案做进一步的详细描述。 附图说明图1所示为本专利技术图像特征点检测方法实施例一流程图；图2所示为本专利技术实施例中获得最佳极值模板的一种流程图；图3所示为经过步骤202之后获取的特征点、邻域点及次邻域点示意图；图4所示为本专利技术图像特征点检测装置实施例结构示意图。具体实施例方式如图1所示为本专利技术图像特征点检测方法实施例一流程图，包括步骤101、对于待匹配的图像的图像金字塔中第M组图像中的第S层图像，计算第 S层图像中每个点的高斯拉普拉斯(LOG)值，S、M为自然数。步骤102、将每个点的高斯拉普拉斯值，与该点的nXn邻域点的LOG值比较，选择 出第一初始候选特征点，以第一初始候选特征点为中心的nXn区域中，第一初始候选特征 点的LOG值为极值，极值为极大值或极小值。其中，每个点作为中心点，与其周围相邻的点 可以组成nXn区域，nXn区域中除中心点之外的点称作nXn邻域点。步骤103、将最佳极值模板与以第一初始候选特征点为中心的(η+2) X (η+2)区域 的点的LOG值卷积，获取第一初始候选特征点的卷积值，比较每个第一初始候选特征点的 卷积值和每个第一初始候选特征点的nXn邻域点的卷积值，选择出精确候选特征点，以精 确候选特征点为中心的nXn区域中，精确候选特征点的卷积值为极值；最佳极值模板满足 r{//*F}^r{F}，H为最佳极值模板，Γ表示极值点的集合，F为以第一初始候选特征点为 中心的nXn区域中各点的LOG值组成的nXn矩阵，η为奇数，Γ {F}表示在F中的极值点。步骤104、剔除精确候选特征点中不稳定的点，从精确候选特征点中选择出所述第 S层图像的特征点。其中，不稳定的点可以是精确候选特征点终端边缘点。本专利技术实施例提供的图像特征点检测方法，首先计算出图像金字塔中各组图像中 任意一层图像中各点的LOG值，然后选择出初始候选特征点，再在初始候选特征点中选择 出精选候选特征点；在选择初始候选特征点的时候就剔除掉了一部分不可能是特征点的 点，减少了后本文档来自技高网...

【技术保护点】
一种图像特征点检测方法，其特征在于，包括：对于待匹配的图像的图像金字塔中第Ｍ组图像中的第Ｓ层图像，计算第Ｓ层图像中每个点的高斯拉普拉斯值，Ｓ、Ｍ为自然数；将每个点的高斯拉普拉斯值，与该点的ｎ×ｎ邻域点的高斯拉普拉斯值比较，选择出第一初始候选特征点，以所述第一初始候选特征点为中心的ｎ×ｎ区域中，所述第一初始候选特征点的高斯拉普拉斯值为极值，所述极值为极大值或极小值；将最佳极值模板与以所述第一初始候选特征点为中心的（ｎ＋２）×（ｎ＋２）区域的点的高斯拉普拉斯值卷积，获取所述第一初始候选特征点的卷积值，比较每个第一初始候选特征点的卷积值和每个第一初始候选特征点的ｎ×ｎ邻域点的卷积值，选择出精确候选特征点，以所述精确候选特征点为中心的ｎ×ｎ区域中，所述精确候选特征点的卷积值为极值；所述最佳极值模板满足Ｈ为最佳极值模板，Γ表示极值点的集合，Ｆ为以所述第一初始候选特征点为中心的ｎ×ｎ区域中各点的高斯拉普拉斯值组成的ｎ×ｎ矩阵，ｎ为奇数，Γ｛Ｆ｝表示在Ｆ中的极值点；剔除所述精确候选特征点中不稳定的点，从所述精确候选特征点中选择出所述第Ｓ层图像的特征点。

【技术特征摘要】

【专利技术属性】
技术研发人员：史胜利，杨杰，牛彩卿，
申请(专利权)人：华为技术有限公司，
类型：发明
国别省市：94[中国|深圳]