CN106651878B - 一种用于从局部不变特征点中提取直线的方法 - Google Patents

Abstract

本发明涉及一种用于从局部不变特征点中提取直线的方法。包括如下步骤：步骤1，利用局部不变特征点提取算法提取输入图像的局部不变特征点；步骤2，循环选取特征点对，计算其欧氏距离；步骤3，构造矩形；步骤4，估计局部特征点密度；步骤5，对矩形进行k等分，得到k个等面积的方格单元，计算每个方格单元至少包含一个局部特征点的概率：步骤6，统计包含局部特征点的方格单元的数量C；步骤7，计算k个方格单元中至少有C个方格单元包含特征点的概率；步骤8，计算虚警数，输出结果。能够准确的局部不变特征点集中的直线，可以应用于包含直线边缘的目标提取。

Description

一种用于从局部不变特征点中提取直线的方法

技术领域

本发明涉及一种数字图像处理领域，具体说是一种用于从局部不变特征点中提取直线的方法。

背景技术

局部不变特征点是指对图像的各种变化，例如几何、光照、模糊、视点等变化保持不变的局部特征点，局部不变特征点通常存在着一个局部支撑区域，它与图像分割不同，可以是图像的任何子集，其边界不一定要对应图像属性(如颜色和材质)的变化，而且多个不变特征区域间可能有交叉。局部不变特征点的检测具有重要的意义，不仅可以提高处理速度，同时还是一种新的图像表述方法，使得图像不进行分割就可以描述物体或局部。利用提取的局部不变特征点难以直接用于目标的识别，需要通过将其组成一定的曲线或区域才能作为目标的主要特征，经过多年的发展，出现了一系列在局部不变特征点基础进一步提取形状的方法，但就己发表的成果来看，这些方法还存在以下问题：

（1）有效的局部特征点容易受周围异常点的干扰，导致提取的特征对目标识别的作用大大降低；

（2）提取的结果与目标实际的形状存在较大的误差。

发明内容

本发明提供了一种用于从局部不变特征点中提取直线的方法，通过对局部不变特征点进行密度估计，运用方格单元分割的方法，能够有效地去除干扰特征点的影响，方法简单易行，输出结果可靠。

为实现本发明的目标所采用的技术方案是：方法包括以下步骤：

步骤1：利用局部不变特征点提取算法提取输入图像的局部不变特征点，结果记为I ₀，局部不变特征点的数量记为M；

步骤2：从I ₀中循环选取两点P _i 和P _j ，i∈[1, M]，j∈(i, M]，计算P _i 和P _j 之间的欧氏距离D _ij ，当D _ij 小于阈值T _D 时，更新P _i 和P _j 并继续步骤2，当D _ij 大于等于阈值T _D 时，进入步骤3；

步骤3：以D _ij 为长边，W ₀为短边构造包含P _i 和P _j 的矩形R ₀；

步骤4：为了估计局部特征点密度ρ，以D _ij 为长边，W ₁为短边在矩形R ₀的两侧分别构造矩形R ₁和R ₂，且矩形R ₁和R ₂的长边分别与矩形R ₀的长边重合；

步骤5：统计矩形R ₀、R ₁和R ₂中的特征点数，分别记为M ₀、M ₁和M ₂，并对矩形R ₀周围的特征点数N _L 用以下公式进行估计：

（1）

式（1），max为求最大值函数；

步骤6：用以下公式计算局部特征点密度ρ：

（2）

式（2），S _R1和S _R2分别为矩形R ₁和R ₂的面积；

步骤7：对矩形R ₀进行k等分，得到k个等面积的方格单元，记为r _t ，t∈[1, k]，利用以下公式计算每个方格单元r _t 至少包含一个局部特征点的概率：

（3）

式（3），S _r 和S _R0分别为方格单元r _t 和矩形R ₀的面积；

步骤8：统计包含局部特征点的方格单元的数量C；

步骤9：用以下公式计算k个方格单元中至少有C个方格单元包含特征点的概率P ₀：

（4）

步骤10：用以下公式计算虚警数N _FA ：

（5）

步骤11：将虚警数N _FA 小于阈值δ的矩形R ₀包含的局部特征点判定为构成直线的特征点，更新P _i 和P _j 并继续步骤2，直到遍历所有局部特征点。

所述的步骤1中的局部不变特征点提取算法包括SIFT算法、SURF算法、Harris算法和SUSAN算法等。

所述的步骤2中的循环选取方法指的是由i∈[1, M]和j∈(i, M]构成内外双重循环，遍历所有局部不变特征点，共有M (M-1)/2组局部不变特征点对。

本发明的有益效果是：能够准确的局部不变特征点集中的直线，可以应用于包含直线边缘的目标提取。

附图说明

图1是本发明的总体处理流程图。

具体实施方式

下面结合附图详细描述本发明的具体实施方式。

在步骤101，输入待处理图像I ₀。

在步骤102，对步骤101的待处理图像I ₀利用SURF局部不变特征点提取算法提取局部不变特征点，结果记为I ₀，并将局部不变特征点的数量记为M。

在步骤103，判断收否遍历所有特征点对，如果是，则算法流程结束，进入步骤116，否则进入步骤104。

在步骤104，从M (M-1)/2组局部不变特征点对中选取两点P _i 和P _j ，i∈[1, M]，j∈(i, M]。

在步骤105，计算步骤104中的P _i 和P _j 之间的欧氏距离D _ij 。

在步骤106，判断步骤105中P _i 和P _j 之间的欧氏距离D _ij 是否大于阈值T _D 时，如果是，则进入步骤107，否则进入步骤103，为了排除短直线的干扰，将阈值T _D 设置为10个像素。

在步骤107，以D _ij 为长边，W ₀为短边构造包含P _i 和P _j 的矩形R ₀，以D _ij 为长边，W ₁为短边在矩形R ₀的两侧分别构造矩形R ₁和R ₂，且矩形R ₁和R ₂的长边分别与矩形R ₀的长边重合，为了使提取的直线与物体的实际边界保持一致，将W ₀将设置为；为了对矩形R ₀周围的特征点数做出更为准确的估计，将W ₁设置为。

在步骤108，统计矩形R ₀、R ₁和R ₂中的特征点数，分别记为M ₀、M ₁和M ₂，并对矩形R ₀周围的特征点数N _L 用以下公式进行估计：

（6）

式（6），max为求最大值函数。

在步骤109，用以下公式计算局部特征点密度ρ：

（7）

式（7），S _R1和S _R2分别为矩形R ₁和R ₂的面积。

在步骤110，对矩形R ₀进行k等分，得到k个等面积的方格单元，记为r _t ，t∈[1, k]，利用以下公式计算每个方格单元r _t 至少包含一个局部特征点的概率：

（8）

式（8），S _r 和S _R0分别为方格单元r _t 和矩形R ₀的面积。

在步骤111，统计包含局部特征点的方格单元的数量C。

在步骤112，用以下公式计算k个方格单元中至少有C个方格单元包含特征点的概率P ₀：

（9）

在步骤113，用以下公式计算虚警数N _FA ：

（10）

在步骤114，判断虚警数N _FA 是否小于阈值δ，如果是，则进入步骤115，否则进入步骤103。为了保证提取结果的准确性，将阈值δ设置为2。

在步骤115，输出局部不变特征点中直线。

在步骤116，算法结束。

Claims (3)

1.一种用于从局部不变特征点中提取直线的方法，其特征在于包括以下步骤：

步骤1：利用局部不变特征点提取算法提取输入图像的局部不变特征点，结果记为I₀，局部不变特征点的数量记为M；

步骤2：从I₀中循环选取两点P_i和P_j，i∈[1,M]，j∈(i,M]，计算P_i和P_j之间的欧氏距离D_ij，当D_ij小于阈值T_D时，更新P_i和P_j并继续步骤2，当D_ij大于等于阈值T_D时，进入步骤3；

步骤3：以D_ij为长边，W₀为短边构造包含P_i和P_j的矩形R₀；

步骤4：为了估计局部特征点密度ρ，以D_ij为长边，W₁为短边在矩形R₀的两侧分别构造矩形R₁和R₂，且矩形R₁和R₂的长边分别与矩形R₀的长边重合；

步骤5：统计矩形R₀、R₁和R₂中的特征点数，分别记为M₀、M₁和M₂，并对矩形R₀周围的特征点数N_L用以下公式进行估计：

N_L＝2max(M₁,M₂)+M₀ (1)

式(1)，max为求最大值函数；

步骤6：用以下公式计算局部特征点密度ρ：

式(2)，和分别为矩形R₁和R₂的面积；

步骤7：对矩形R₀进行k等分，得到k个等面积的方格单元，记为r_t，t∈[1,k]，利用以下公式计算每个方格单元r_t至少包含一个局部特征点的概率：

式(3)，S_r和分别为方格单元r_t和矩形R₀的面积；

步骤8：统计包含局部特征点的方格单元的数量C；

步骤9：用以下公式计算k个方格单元中至少有C个方格单元包含特征点的概率P₀：

步骤10：用以下公式计算虚警数N_FA：

步骤11：将虚警数N_FA小于阈值δ的矩形R₀包含的局部特征点判定为构成直线的特征点，更新P_i和P_j并继续步骤2，直到遍历所有局部特征点。

2.根据权利要求1所述的一种用于从局部不变特征点中提取直线的方法，其特征在于步骤1中的局部不变特征点提取算法包括SIFT算法、SURF算法、Harris算法和SUSAN算法。

3.根据权利要求1所述的一种用于从局部不变特征点中提取直线的方法，其特征在于步骤2中的循环选取方法指的是由i∈[1,M]和j∈(i,M]构成内外双重循环，遍历所有局部不变特征点，共有M(M-1)/2组局部不变特征点对。