CN106709499A - 基于Canny算子和Hillbert‑Huang变换的SIFT图像特征点提取方法 - Google Patents
基于Canny算子和Hillbert‑Huang变换的SIFT图像特征点提取方法 Download PDFInfo
- Publication number
- CN106709499A CN106709499A CN201710118809.8A CN201710118809A CN106709499A CN 106709499 A CN106709499 A CN 106709499A CN 201710118809 A CN201710118809 A CN 201710118809A CN 106709499 A CN106709499 A CN 106709499A
- Authority
- CN
- China
- Prior art keywords
- point
- image
- edge
- group
- sift
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000605 extraction Methods 0.000 title abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000004927 fusion Effects 0.000 claims abstract description 5
- 238000001514 detection method Methods 0.000 claims description 17
- 230000009977 dual effect Effects 0.000 claims description 6
- 230000015556 catabolic process Effects 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 238000003708 edge detection Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 230000000452 restraining effect Effects 0.000 claims description 3
- 238000005070 sampling Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 2
- 235000000396 iron Nutrition 0.000 abstract 1
- 238000012360 testing method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 241000282320 Panthera leo Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于Canny算子和Hillbert‑Huang变换的SIFT图像特征点提取方法,涉及图像处理领域,是基于Canny算子和Hillbert‑Huang变换,改进的SIFT图像特征点提取的方法,由于采用了Canny算子和Hillbert‑Huang变换融合的技术方案,改进了原有SIFT算法实时性不高,特征点有时较少以及对边缘光滑的目标无法准确提取特征点的缺陷,能够有效地增强了SIFT特征点的抗噪声能力,提高了算法的稳定性,为三维重建和目标定位等提供了良好的基础。
Description
技术领域
本发明涉及图像处理领域,尤其是涉及一种图像特征点匹配的方法。
背景技术
图像匹配作为工业、农业、商业以及军事领域中不可缺少的一项重要研究手段,在近年来一直被人们不断进行深入探索,在国内外主要有以下几个手段:颜色或灰度特征提取、纹理边缘特征提取、图像代数特征提取、图像变换系数特征提取,其中,SIFT(Scale-invariant feature transform)算法以其受光照强度影响小,对目标遮挡处理结果好,良好的鲁棒性以及实时高速的特点,在特征点检测中被许多学者广泛应用。
SIFT算法是由Lowe在2004年提出的一种图像特征点匹配算法,通过确定尺度空间、检测关键点位置、确定关键点位置以及对选取关键点描述几个步骤,最终实现图像匹配,然而SIFT算法也存在缺陷,SIFT算法中所利用DOG算子进行边缘检测后所得到的关键点,由于边缘响应的原因,有很多并不是真正的关键点。
在边缘检测中,Canny算子具有滤波、增强以及检测等多方面优化,受到噪声干扰性小,但是Canny算子处理步骤中,利用高斯算子对图像平滑处理时,会出现过度平滑和边缘移位的情况,二维的Hillbert-Huang变换用于图像分解中,可以将图像分解成对应的内蕴模函数,使边缘轮廓更加清晰。
发明内容
为了克服现有技术的不足,本发明提供一种基于Canny算子和Hillbert-Huang变换的改进的SIFT图像特征点提取的方法,对SIFT图像匹配算法进行改进,通过实验结果验证,图像特征点提取准确率有较大提高。
本发明解决其技术问题所采用的技术方案包括以下步骤:
步骤1:对输入的原图像I(x,y)定义尺度空间L(x,y,σ),构建高斯金字塔:
L(x,y,σ)=G(x,y,σ)*I(x,y) (1)
其中G(x,y,σ)为高斯函数,m,n为高斯模板的维度,σ为尺度空间因子;
步骤2:构建高斯差分金字塔
(1)将图像金字塔分o组,一组称为一个Octave,每组分为多层,组内总层数为S,在每一组图像的顶层用高斯模糊生成3幅图像,高斯金字塔每组则有S+3层图像;
(2)对原图像采用隔点采样法进行降采样,具体实施为:比例因子为2对原图像每隔一行一列取一点;
(3)确定高斯金字塔的层数:原图像为金字塔的底部第一层,每次降采样所得到的新图像为金字塔的上一层的一张图像,每个金字塔共n层,金字塔的层数n根据图像的原始大小和塔顶图像的大小共同决定,其计算公式如下:
n=log2{min(M,N)}-t (3)
其中,M,N为原图像的像素值,t为塔顶图像的最小维数的对数值;
(4)计算高斯金字塔组内某一层图像的尺度
其中σ0是基准层尺度,根据SIFT算法取值为1.6,o为组octave的索引,s为组内层的索引,根据SIFT算法取值为3,关键点的尺度坐标σ即关键点所在的组和组内的层,不同组相同层的组内尺度坐标相同;
(5)计算DOG算子
D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y)=L(x,y,kσ)-L(x,y,σ) (5)
其中k为组内总层数的倒数,即:
步骤3:对图像进行空间极值点的检测,具体步骤如下:
将步骤2中计算得到的DOG算子D(x,y,σ)泰勒展开,得到
其中X=(x,y,σ)T,使公式(5)的泰勒展开式求导结果值为零,得到中心偏移量
其中,代表相对插值中心的偏移量,根据SIFT算法在任何一个维度上,即x,y,σ三者中的任何一个数值超过0.5,则视为插值中心已经偏移;
步骤4:将Canny算子和Hillbert-Huang变换融合,具体步骤如下:
(1)求解固有模态函数(Intrinsic Mode Function,IMF),其中,I(x,y)为原图像,mI(x,y)表示对图像求均值曲面,mkI(x,y)表示第k次对图像mI(x,y)求均值曲面,原图像与mI(x,y)的差值为第一个IMF分量c1,得到第一个IMF分量后,将原图像与c1的差值mI(x,y)作为待处理部分继续分解,则可得到第二个IMF分量c2,以此类推可得到第n个IMF分量的分解表达式,具体公式如下:
c1=I(x,y)-mI(x,y)
c2=I(x,y)-c1-m[I(x,y)-c1]=mI(x,y)-m2I(x,y)
c3=I(x,y)-c1-c2-m[I(x,y)-c1-c2]=m2I(x,y)-m3I(x,y)
cn=mn-1I(x,y)-mnI(x,y) (9)
将式(9)中c1至cn相加,得到二维IMF:
(2)计算图像的梯度
1)确定图像I(x,y)的x方向偏微分Ex:
2)确定图像I(x,y)的y方向的偏微分Ey:
3)确定图像I(x,y)上点(i,j)的边缘梯度强度A(i,j):
4)确定图像I(x,y)上点(i,j)的梯度方向α(i,j):
(3)利用非极大抑制消除错误点并得到单像素边缘点
(4)利用双阈值二值化得到边界
具体实施步骤为:
1)预先设定检测需要的高低阈值,定义低阈值为T1,高阈值为T2,且T2=2T1,T1=12;
2)对图像进行双阈值处理,对于任意边缘像素值在T1与T2之间的,如果能通过边缘连接到一个像素大于T2而且边缘所有像素大于最小阈值T1的则保留,否则丢弃,边缘梯度强度A(i,j)大于高阈值则是边缘,边缘梯度强度A(i,j)低于低阈值则不是边缘,边缘梯度强度A(i,j)介于高阈值和低阈值之间的,判断8邻域内是否存在高于高阈值的梯度幅值,存在则是边缘,否则不是边缘;
(5)边界跟踪,得到边缘图像;
1)将边缘梯度强度A(i,j)小于T1的像素的灰度值设为0,得到图像1;
2)将边缘梯度强度A(i,j)小于T2的像素的灰度值设为0,得到图像2;
3)对图像2进行扫描,当遇到第一个非零灰度的像素p(x,y)时,以p(x,y)为开始点跟踪轮廓线,直到图像2扫描结束,轮廓线的终点为q(x,y),此时跟踪结束;
4)找出图像2中q(x,y)点在图像1中相同位置对应的点s(x,y),当s(x,y)点的8邻近区域中有非零像素s(x,y)存在,则将其包括到图像2中作为r(x,y)点,从r(x,y)开始,重复步骤1),直到图像1和图像2中均没有非零像素为止,此时完成了对包含p(x,y)的轮廓线的连结;
5)返回到步骤1),寻找下一条轮廓线,重复步骤1)、2)和3),直到图像2中找不到新轮廓线,即无非零灰度像素为止,对于Canny算子边缘检测消除边缘响应后得到关键点X=(x,y,σ)T,关键点X=(x,y,σ)T组成特征点点集R2;
步骤5:
1)使用SIFT方法得到特征点集R1,将特征点点集R1中的点和步骤4中得到的特征点点集R2所有点两两比较,判断坐标是否相等,相同则舍去R1中的点,不相同则将R1中的点与R2中对应点所在的3×3邻域内的点集R3比较,相同则舍去R1中的点,否则,将R1中的点与R2中的其他没有比较的边缘点比较,如果任何一次比较有和R1中参与比较的点坐标相同的点,则舍去R1中的该点,否则保留;
2)计算标志点f1和f2,其中f1=R1-R2,f2=size((R3-R1),1),f1和f2为标志点,f1是点集R1与R2的差集,当f1为0时,去除点集R1中的对应点,f1为1时则保留点集R1中的对应点作为候选点,当f2为8时,保留点集R1中的对应点作为候选点,f2为7时,则舍去R1中的该点;
3)将2)中确定的候选点计算其方向,具体步骤如下:
求解关键点梯度的幅值:
求解关键点梯度的方向:
θ(x,y)=tan-1((L(x,y+1)-L(x,y)-1))/(L(x+1,y)-L(x-1,y))) (16)
步骤6:
将步骤1至步骤5利用Matlab进行仿真,并利用Matlab中plot()方法在图片中标记出匹配的特征点。
本发明的有益效果是由于采用了Canny算子和Hillbert-Huang变换融合的技术方案,改进了原有SIFT算法实时性不高,特征点有时较少以及对边缘光滑的目标无法准确提取特征点的缺陷,能够有效地增强了SIFT特征点的抗噪声能力,提高了算法的稳定性,为三维重建和目标定位等提供了良好的基础。
附图说明
图1是本发明的融合算法技术路线示意图。
图2是原SIFT算法特征点、本发明特征点以及除去特征点的柱状图。
图3是测试图片一。
图4是测试图片二。
图5是测试图片三。
具体实施方式
下面结合附图和实施例对本发明进一步说明,本发明包括但不仅限于下述实施例。
针对SIFT算法存在的缺陷,SIFT算法中所利用DOG算子进行边缘检测后所得到的关键点,由于边缘响应的原因,有很多并不是真正的关键点。在边缘检测中,Canny算子具有滤波、增强以及检测等多方面优化,受到噪声干扰性小,但是Canny算子处理步骤中,利用高斯算子对图像平滑处理时,会出现过度平滑和边缘移位的情况。二维的Hillbert-Huang变换用于图像分解中,可以将图像分解成对应的内蕴模函数,使边缘轮廓更加清晰。所以将Canny和Hillbert-Huang变换进行融合,进行边缘点检测,再将得到的边缘点与SIFT算法中得到的边缘点比较,两者同时检测出的关键点,即为应该选取的特征点。
本发明的主要技术方案包括以下步骤:
步骤1:对输入的原图像I(x,y)定义尺度空间L(x,y,σ),构建高斯金字塔:
L(x,y,σ)=G(x,y,σ)*I(x,y) (1)
其中G(x,y,σ)为高斯函数,m,n为高斯模板的维度,σ为尺度空间因子,值越小表示图像被平滑的越少,相应的尺度越小;
步骤2:构建高斯差分金字塔
(1)将图像金字塔分o组,一组称为一个Octave,每组分为多层,组内总层数为S,每一组图像的首末两层无法进行极值比较,为了满足尺度变化的连续性,在每一组图像的顶层用高斯模糊生成3幅图像,高斯金字塔每组则有S+3层图像;
(2)对原图像进行降采样,采用隔点采样法,具体实施为:比例因子为2对原图像每隔一行一列取一点;
(3)确定高斯金字塔的层数:原图像为金字塔的底部第一层,每次降采样所得到的新图像为金字塔的上一层的一张图像,每个金字塔共n层,金字塔的层数n根据图像的原始大小和塔顶图像的大小共同决定,其计算公式如下:
n=log2{min(M,N)}-t (3)
其中,M,N为原图像的像素值,t为塔顶图像的最小维数的对数值;
(4)计算高斯金字塔组内某一层图像的尺度
其中σ0是基准层尺度,根据SIFT算法取值为1.6,o为组octave的索引,s为组内层的索引,根据SIFT算法取值为3,关键点的尺度坐标σ即按关键点所在的组和组内的层,不同组相同层的组内尺度坐标相同;
(5)计算DOG算子
D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y)=L(x,y,kσ)-L(x,y,σ) (5)
其中k为组内总层数的倒数,即:
步骤3:对图像进行空间极值点的检测,具体步骤如下:
(1)将步骤2中计算得到的DOG算子D(x,y,σ)泰勒展开,得到
其中X=(x,y,σ)T,使公式(5)的泰勒展开式求导结果值为零,得到中心偏移量
其中,代表相对插值中心的偏移量,根据SIFT算法在任何一个维度上,即x,y,σ三者中的任何一个数值超过0.5,则视为插值中心已经偏移;
步骤4:将Canny算子和Hillbert-Huang变换融合,具体步骤如下:
(1)求解固有模态函数(Intrinsic Mode Function,IMF),其中,I(x,y)为原图像,ml(x,y)表示对图像求均值曲面,mkI(x,y)表示第k次对图像mI(x,y)求均值曲面,原图像与mI(x,y)的差值为第一个IMF分量c1,得到第一个IMF分量后,将原图像与c1的差值mI(x,y)作为待处理部分继续分解,则可得到第二个IMF分量c2,以此类推可得到第n个IMF分量的分解表达式,具体公式如下:
c1=I(x,y)-mI(x,y)
c2=I(x,y)-c1-m[I(x,y)-c1]=mI(x,y)-m2I(x,y)
c3=I(x,y)-c1-c2-m[I(x,y)-c1-c2]=m2I(x,y)-m3I(x,y)
cn=mn-1I(x,y)-mnI(x,y) (9)
将式(9)中c1至cn相加,得到二维IMF:
(2)计算图像的梯度
1)确定图像I(x,y)的x方向偏微分Ex:
2)确定图像I(x,y)的y方向的偏微分Ey:
3)确定图像I(x,y)上点(i,j)的边缘梯度强度A(i,j):
4)确定图像I(x,y)上点(i,j)的梯度方向α(i,j):
(3)利用非极大抑制来消除错误点并得到单像素边缘点
(4)利用双阈值二值化得到边界
具体实施步骤为:
1)预先设定检测需要的高低阈值,定义低阈值为T1,高阈值为T2,且T2=2T1,T1=12;
2)对图像进行双阈值处理,对于任意边缘像素值在T1与T2之间的,如果能通过边缘连接到一个像素大于T2而且边缘所有像素大于最小阈值T1的则保留,否则丢弃,边缘梯度强度A(i,j)大于高阈值则是边缘,边缘梯度强度A(i,j)低于低阈值则不是边缘,边缘梯度强度A(i,j)介于高阈值和低阈值之间的,判断8邻域内是否存在高于高阈值的梯度幅值,存在则是边缘,否则不是边缘;
(5)边界跟踪,得到边缘图像;
1)将边缘梯度强度A(i,j)小于T1的像素的灰度值设为0,得到图像1;
2)将边缘梯度强度A(i,j)小于T2的像素的灰度值设为0,得到图像2,由于图像2的阈值较高,去除大部分噪音,但同时也损失了有用的边缘信息,而图像1的阈值较低,保留了较多的信息,以图像2为基础,以图像1为补充来连结图像的边缘;
3)对图像2进行扫描,当遇到第一个非零灰度的像素p(x,y)时,以p(x,y)为开始点跟踪轮廓线,直到图像2扫描结束,轮廓线的终点为q(x,y),此时跟踪结束;
4)找出图像2中q(x,y)点在图像1中相同位置对应的点s(x,y),当s(x,y)点的8邻近区域中有非零像素s(x,y)存在,则将其包括到图像2中作为r(x,y)点,从r(x,y)开始,重复步骤1),直到图像1和图像2中均没有非零像素为止,此时完成了对包含p(x,y)的轮廓线的连结;
5)返回到步骤1),寻找下一条轮廓线,重复步骤1)、2)和3),直到图像2中找不到新轮廓线,即无非零灰度像素为止,对于Canny算子边缘检测消除边缘响应后得到关键点X=(x,y,σ)T,关键点X=(x,y,σ)T组成特征点点集R2;
步骤5:
1)使用SIFT方法得到特征点集R1,将特征点点集R1中的点和步骤4中得到的特征点点集R2所有点两两比较,判断坐标是否相等,相同则舍去R1中的点,不相同则将R1中的点与R2中对应点所在的3×3邻域内的点集R3比较,相同则舍去R1中的点,否则,将R1中的点与R2中的其他没有比较的边缘点比较,如果任何一次比较有和R1中参与比较的点坐标相同的点,则舍去R1中的该点,否则保留;
2)计算标志点f1和f2,其中f1=R1-R2,f2=size((R3-R1),1),f1和f2为标志点,f1是点集R1与R2的差集,当f1为0时,去除点集R1中的对应点,f1为1时则保留点集R1中的对应点作为候选点,当f2为8时,保留点集R1中的对应点作为候选点,f2为7时,则舍R1中的该点;
3)将2)中确定的候选点计算其方向,具体步骤如下:
求解关键点梯度的幅值:
求解关键点梯度的方向:
θ(x,y)=tan-1((L(x,y+1)-L(x,y-1))/(L(x+1,y)-L(x-1,y))) (16)
步骤6:
将步骤1至步骤5利用Matlab进行仿真,并利用Matlab中plot()方法在图片中标记出匹配的特征点,选取图3、图4和图5的三幅图片进行实验,计算得到特征点的数量。
图2是使用三个测试图片得到的匹配特征点的三组柱状图,其中测试一为使用图3的图片的实验结果,测试二为使用图4的图片的实验结果,测试三为使用图5的图片的实验结果,每一组柱状图内的三组数据依次分别为原SIFT算法检测的特征点个数、本发明检测的特征点个数和除去的特征点的个数,所述的除去的特征点为使用本发明与原SIFT算法比较,所除去的特征点的个数,即原SIFT算法与本发明所检测特征点的差值,图2的纵坐标为特征点的个数,从图2能够明显看出本发明比原SIFT算法结果更为精确。
本发明提取的特征点的数目,其中图5的图像较为复杂,如果用原有的SIFT算法进行特征点提取,将会出现很多由于边缘响应产生的错点,本发明不仅鲁棒性增加,更提高了精确度。
Claims (1)
1.一种基于Canny算子和Hillbert-Huang变换的SIFT图像特征点提取的方法,其特征在于包括下述步骤:
步骤1:对输入的原图像I(x,y)定义尺度空间L(x,y,σ),构建高斯金字塔:
L(x,y,σ)=G(x,y,σ)*I(x,y) (1)
其中G(x,y,σ)为高斯函数,m,n为高斯模板的维度,σ为尺度空间因子;
步骤2:构建高斯差分金字塔
(1)将图像金字塔分o组,一组称为一个Octave,每组分为多层,组内总层数为S,在每一组图像的顶层用高斯模糊生成3幅图像,高斯金字塔每组则有S+3层图像;
(2)对原图像采用隔点采样法进行降采样,具体实施为:比例因子为2对原图像每隔一行一列取一点;
(3)确定高斯金字塔的层数:原图像为金字塔的底部第一层,每次降采样所得到的新图像为金字塔的上一层的一张图像,每个金字塔共n层,金字塔的层数n根据图像的原始大小和塔顶图像的大小共同决定,其计算公式如下:
n=log2{min(M,N)}-t (3)
其中,M,N为原图像的像素值,t为塔顶图像的最小维数的对数值;
(4)计算高斯金字塔组内某一层图像的尺度
其中σ0是基准层尺度,根据SIFT算法取值为1.6,o为组octave的索引,s为组内层的索引,根据SIFT算法取值为3,关键点的尺度坐标σ即关键点所在的组和组内的层,不同组相同层的组内尺度坐标相同;
(5)计算DOG算子
D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y)=L(x,y,kσ)-L(x,y,σ) (5)
其中k为组内总层数的倒数,即:
步骤3:对图像进行空间极值点的检测,具体步骤如下:
将步骤2中计算得到的DOG算子D(x,y,σ)泰勒展开,得到
其中X=(x,y,σ)T,使公式(5)的泰勒展开式求导结果值为零,得到中心偏移量
其中,代表相对插值中心的偏移量,根据SIFT算法在任何一个维度上,即x,y,σ三者中的任何一个数值超过0.5,则视为插值中心已经偏移;
步骤4:将Canny算子和Hillbert-Huang变换融合,具体步骤如下:
(1)求解固有模态函数(Intrinsic Mode Function,IMF),其中,I(x,y)为原图像,mI(x,y)表示对图像求均值曲面,mkI(x,y)表示第k次对图像mI(x,y)求均值曲面,原图像与mI(x,y)的差值为第一个IMF分量c1,得到第一个IMF分量后,将原图像与c1的差值mI(x,y)作为待处理部分继续分解,则可得到第二个IMF分量c2,以此类推可得到第n个IMF分量的分解表达式,具体公式如下:
c1=I(x,y)-mI(x,y)
c2=I(x,y)-c1-m[I(x,y)-c1]=mI(x,y)-m2I(x,y)
c3=I(x,y)-c1-c2-m[I(x,y)-c1-c2]=m2I(x,y)-m3I(x,y)
cn=mn-1I(x,y)-mnI(x,y) (9)
将式(9)中c1至cn相加,得到二维IMF:
(2)计算图像的梯度
1)确定图像I(x,y)的x方向偏微分Ex:
2)确定图像I(x,y)的y方向的偏微分Ey:
3)确定图像I(x,y)上点(i,j)的边缘梯度强度A(i,j):
4)确定图像I(x,y)上点(i,j)的梯度方向α(i,j):
(3)利用非极大抑制消除错误点并得到单像素边缘点
(4)利用双阈值二值化得到边界
具体实施步骤为:
1)预先设定检测需要的高低阈值,定义低阈值为T1,高阈值为T2,且T2=2T1,T1=12;
2)对图像进行双阈值处理,对于任意边缘像素值在T1与T2之间的,如果能通过边缘连接到一个像素大于T2而且边缘所有像素大于最小阈值T1的则保留,否则丢弃,边缘梯度强度A(i,j)大于高阈值则是边缘,边缘梯度强度A(i,j)低于低阈值则不是边缘,边缘梯度强度A(i,j)介于高阈值和低阈值之间的,判断8邻域内是否存在高于高阈值的梯度幅值,存在则是边缘,否则不是边缘;
(5)边界跟踪,得到边缘图像;
1)将边缘梯度强度A(i,j)小于T1的像素的灰度值设为0,得到图像1;
2)将边缘梯度强度A(i,j)小于T2的像素的灰度值设为0,得到图像2;
3)对图像2进行扫描,当遇到第一个非零灰度的像素p(x,y)时,以p(x,y)为开始点跟踪轮廓线,直到图像2扫描结束,轮廓线的终点为q(x,y),此时跟踪结束;
4)找出图像2中q(x,y)点在图像1中相同位置对应的点s(x,y),当s(x,y)点的8邻近区域中有非零像素s(x,y)存在,则将其包括到图像2中作为r(x,y)点,从r(x,y)开始,重复步骤1),直到图像1和图像2中均没有非零像素为止,此时完成了对包含p(x,y)的轮廓线的连结;
5)返回到步骤1),寻找下一条轮廓线,重复步骤1)、2)和3),直到图像2中找不到新轮廓线,即无非零灰度像素为止,对于Canny算子边缘检测消除边缘响应后得到关键点X=(x,y,σ)T,关键点X=(x,y,σ)T组成特征点点集R2;
步骤5:
1)使用SIFT方法得到特征点集R1,将特征点点集R1中的点和步骤4中得到的特征点点集R2所有点两两比较,判断坐标是否相等,相同则舍去R1中的点,不相同则将R1中的点与R2中对应点所在的3×3邻域内的点集R3比较,相同则舍去R1中的点,否则,将R1中的点与R2中的其他没有比较的边缘点比较,如果任何一次比较有和R1中参与比较的点坐标相同的点,则舍去R1中的该点,否则保留;
2)计算标志点f1和f2,其中f1=R1-R2,f2=size((R3-R1),1),f1和f2为标志点,f1是点集R1与R2的差集,当f1为0时,去除点集R1中的对应点,f1为1时则保留点集R1中的对应点作为候选点,当f2为8时,保留点集R1中的对应点作为候选点,f2为7时,则舍去R1中的该点;
3)将2)中确定的候选点计算其方向,具体步骤如下:
求解关键点梯度的幅值:
求解关键点梯度的方向:
θ(x,y)=tan-1((L(x,y+1)-L(x,y-1))/(L(x+1,y)-L(x-1,y))) (16)
步骤6:
将步骤1至步骤5利用Matlab进行仿真,并利用Matlab中plot()方法在图片中标记出匹配的特征点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710118809.8A CN106709499A (zh) | 2017-03-02 | 2017-03-02 | 基于Canny算子和Hillbert‑Huang变换的SIFT图像特征点提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710118809.8A CN106709499A (zh) | 2017-03-02 | 2017-03-02 | 基于Canny算子和Hillbert‑Huang变换的SIFT图像特征点提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106709499A true CN106709499A (zh) | 2017-05-24 |
Family
ID=58917473
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710118809.8A Pending CN106709499A (zh) | 2017-03-02 | 2017-03-02 | 基于Canny算子和Hillbert‑Huang变换的SIFT图像特征点提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106709499A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107276204A (zh) * | 2017-06-28 | 2017-10-20 | 苏州华商新能源有限公司 | 一种节能载物机器人 |
CN107392929A (zh) * | 2017-07-17 | 2017-11-24 | 河海大学常州校区 | 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法 |
CN107577979A (zh) * | 2017-07-26 | 2018-01-12 | 中科创达软件股份有限公司 | DataMatrix型二维码快速识别方法、装置及电子设备 |
CN109447091A (zh) * | 2018-10-19 | 2019-03-08 | 福建师范大学 | 一种具有精准坐标的图像特征点提取方法 |
CN110490815A (zh) * | 2019-07-12 | 2019-11-22 | 西安理工大学 | 一种基于***Bregman算法的区域自适应去噪方法 |
CN110706243A (zh) * | 2019-09-30 | 2020-01-17 | Oppo广东移动通信有限公司 | 特征点的检测方法、装置、存储介质及电子设备 |
CN112230345A (zh) * | 2020-11-06 | 2021-01-15 | 桂林电子科技大学 | 光纤自动耦合对准设备和方法 |
CN112541507A (zh) * | 2020-12-17 | 2021-03-23 | 中国海洋大学 | 多尺度卷积神经网络特征提取方法、***、介质及应用 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105894037A (zh) * | 2016-04-21 | 2016-08-24 | 北京航空航天大学 | 一种基于sift训练样本提取的遥感图像全监督分类方法 |
CN106204429A (zh) * | 2016-07-18 | 2016-12-07 | 合肥赑歌数据科技有限公司 | 一种基于sift特征的图像配准方法 |
-
2017
- 2017-03-02 CN CN201710118809.8A patent/CN106709499A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105894037A (zh) * | 2016-04-21 | 2016-08-24 | 北京航空航天大学 | 一种基于sift训练样本提取的遥感图像全监督分类方法 |
CN106204429A (zh) * | 2016-07-18 | 2016-12-07 | 合肥赑歌数据科技有限公司 | 一种基于sift特征的图像配准方法 |
Non-Patent Citations (4)
Title |
---|
侯鹏庆: "单CCD多光谱铸坯表面测温仪的研究", 《中国优秀硕士学位论文全文数据库 工程科技I辑》 * |
刘长春: "一种新型超精密光学元件瑕疵检测装置开发", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
郑伟涛: "多基线影像三维重建关键技术研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
黄登山 等: "基于Canny和Hillbert-Huang变换的改进的SIFT算法研究", 《西北工业大学学报》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107276204A (zh) * | 2017-06-28 | 2017-10-20 | 苏州华商新能源有限公司 | 一种节能载物机器人 |
CN107392929A (zh) * | 2017-07-17 | 2017-11-24 | 河海大学常州校区 | 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法 |
CN107392929B (zh) * | 2017-07-17 | 2020-07-10 | 河海大学常州校区 | 一种基于人眼视觉模型的智能化目标检测及尺寸测量方法 |
CN107577979A (zh) * | 2017-07-26 | 2018-01-12 | 中科创达软件股份有限公司 | DataMatrix型二维码快速识别方法、装置及电子设备 |
CN107577979B (zh) * | 2017-07-26 | 2020-07-03 | 中科创达软件股份有限公司 | DataMatrix型二维码快速识别方法、装置及电子设备 |
CN109447091A (zh) * | 2018-10-19 | 2019-03-08 | 福建师范大学 | 一种具有精准坐标的图像特征点提取方法 |
CN110490815A (zh) * | 2019-07-12 | 2019-11-22 | 西安理工大学 | 一种基于***Bregman算法的区域自适应去噪方法 |
CN110706243A (zh) * | 2019-09-30 | 2020-01-17 | Oppo广东移动通信有限公司 | 特征点的检测方法、装置、存储介质及电子设备 |
CN110706243B (zh) * | 2019-09-30 | 2022-10-21 | Oppo广东移动通信有限公司 | 特征点的检测方法、装置、存储介质及电子设备 |
CN112230345A (zh) * | 2020-11-06 | 2021-01-15 | 桂林电子科技大学 | 光纤自动耦合对准设备和方法 |
CN112541507A (zh) * | 2020-12-17 | 2021-03-23 | 中国海洋大学 | 多尺度卷积神经网络特征提取方法、***、介质及应用 |
CN112541507B (zh) * | 2020-12-17 | 2023-04-18 | 中国海洋大学 | 多尺度卷积神经网络特征提取方法、***、介质及应用 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106709499A (zh) | 基于Canny算子和Hillbert‑Huang变换的SIFT图像特征点提取方法 | |
CN104318548B (zh) | 一种基于空间稀疏度和sift特征提取的快速图像配准实现方法 | |
CN108805904B (zh) | 一种基于卫星序列图像的运动舰船检测与跟踪方法 | |
Kim et al. | Adaptive smoothness constraints for efficient stereo matching using texture and edge information | |
CN105741276B (zh) | 一种船舶水线提取方法 | |
Sharma et al. | A comparative study of edge detectors in digital image processing | |
CN107301661A (zh) | 基于边缘点特征的高分辨率遥感图像配准方法 | |
CN108319949A (zh) | 一种高分辨率遥感图像中多朝向舰船目标检测与识别方法 | |
CN102609701B (zh) | 基于最佳尺度的高分辨率合成孔径雷达遥感检测方法 | |
Rahmatullah et al. | Integration of local and global features for anatomical object detection in ultrasound | |
CN106296638A (zh) | 显著性信息取得装置以及显著性信息取得方法 | |
CN110135438B (zh) | 一种基于梯度幅值预运算的改进surf算法 | |
CN106683076A (zh) | 基于纹理特征聚类的机车轮对踏面损伤检测的方法 | |
CN108846844B (zh) | 一种基于海天线的海面目标检测方法 | |
CN102298773A (zh) | 一种形状自适应的非局部均值去噪方法 | |
CN102903111B (zh) | 基于图像分割的大面积低纹理区立体匹配算法 | |
CN111080574A (zh) | 一种基于信息熵和视觉注意机制的织物疵点检测方法 | |
CN109886989A (zh) | 一种基于Canny算子的探地雷达自动层位追踪方法 | |
CN112329764A (zh) | 一种基于tv-l1模型的红外弱小目标检测方法 | |
Zhao et al. | Analysis of image edge checking algorithms for the estimation of pear size | |
CN112163606B (zh) | 基于块对比度加权的红外小目标检测的方法 | |
CN105844643A (zh) | 图像篡改检测方法 | |
CN111105390B (zh) | 一种改进的海天线检测和评估方法 | |
CN104156956B (zh) | 一种基于高斯小波一维峰值识别的多角度边缘检测方法 | |
CN110874599A (zh) | 一种基于图像识别的舰船检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170524 |
|
WD01 | Invention patent application deemed withdrawn after publication |