CN110705568B - 一种图像特征点提取的优化方法 - Google Patents

一种图像特征点提取的优化方法 Download PDF

Info

Publication number
CN110705568B
CN110705568B CN201910882008.8A CN201910882008A CN110705568B CN 110705568 B CN110705568 B CN 110705568B CN 201910882008 A CN201910882008 A CN 201910882008A CN 110705568 B CN110705568 B CN 110705568B
Authority
CN
China
Prior art keywords
image
gradient
value
calculating
gaussian
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.)
Active
Application number
CN201910882008.8A
Other languages
English (en)
Other versions
CN110705568A (zh
Inventor
马书香
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhu Institute of Technology
Original Assignee
Wuhu Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhu Institute of Technology filed Critical Wuhu Institute of Technology
Priority to CN201910882008.8A priority Critical patent/CN110705568B/zh
Publication of CN110705568A publication Critical patent/CN110705568A/zh
Application granted granted Critical
Publication of CN110705568B publication Critical patent/CN110705568B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V10/44—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
    • 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
    • G06V10/469—Contour-based spatial representations, e.g. vector-coding
    • G06V10/473—Contour-based spatial representations, e.g. vector-coding using gradient analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图像特征点提取的优化方法，通过输入图像；进行图像梯度及二阶梯度计算；计算图像梯度因子P(m,n)，并得到P(T)区域；根据P(T)区域建立高斯尺度空间和高斯差分空间；根据P(m,n)进行极值点检测；特征点描述子生成。根据图像的梯度图像
Figure DDA0002206174420000011
以及二阶梯度图像
Figure DDA0002206174420000012
沿纵横两个方向按照一定的规则计算因子Pi.j(m,n)并得到P(T)区域，根据P(T)区域判别是否参与高斯尺度空间构造及特征点提取，省略了大量的高斯尺度空间构造及特征点提取时的运算量，而且该方法额外增加的计算量小，在特征点提取阶段优化了算法，提升了算法效率。

Description

一种图像特征点提取的优化方法
技术领域
本发明涉及图像处理技术领域，特别是指一种图像特征点提取的优化方法。
背景技术
SIFT，即尺度不变特征变换(Scale-invariant feature transform)，是用于图像处理领域的一种描述。这种描述具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子。
基于图像特征的图像配准技术在图像处理、计算机视觉、模式识别等领域有广泛的应用。SIFT算法因其在各种场景下鲁棒性强，成为基于图像特征的图像配准技术的研究热点并得到了广泛应用。
但是，本申请人发现，现有的图像特征点提取至少存在以下问题：
SIFT算法在特征点提取的时候，经过统计算法在高斯尺度空间构造的时候耗时最大，在该过程中算法会构造O*L幅图像，例如对于1920x1080的图像，构造的图像约为20幅，图像像素尺寸越大则图像越多。在该过程中对图像尺度空间中的所有的点进行高斯运算，而图像特征点的分布并不是均匀的分布在图像中，在图像中的平坦区域或像素递减区域不存在特征点。因此，SIFT算法在特征点提取的时候存在复杂度高，计算量大，实时性差的缺点。
发明内容
有鉴于此，本发明的目的在于提出一种图像特征点提取的优化方法，解决了SIFT算法在特征点提取的时候存在复杂度高，计算量大，实时性差的缺点。
基于上述目的本发明提供一种图像特征点提取的优化方法，包括：
输入图像；
进行图像梯度及二阶梯度计算；
计算图像梯度因子P(m,n)，并得到P(T)区域；
根据P(T)区域建立高斯尺度空间和高斯差分空间；
根据P(T)区域进行极值点检测；
特征点描述子生成。
所述输入图像包括对初始图像进行尺度空间第一幅图像的高斯运算，以此图像为基础进行优化方法的高斯尺度空间构造，对高斯运算后的图像进行预处理。
所述进行图像梯度及二阶梯度计算包括：
计算图像纵横两个方向的梯度值，每个像素点计算的结果为
Figure GDA0003643635550000021
Figure GDA0003643635550000022
其中，j为图像的行，i为图像j行的像素坐标位置；
计算图像纵横两个方向的二阶梯度值，每个像素点计算的结果为
Figure GDA0003643635550000023
所述计算图像梯度因子P(m,n)，并得到P(T)区域包括：
梯度因子初始值Pi,j(m,n)＝P0,0(0,0)，K＝i(对于j行起始位置的像素K＝0，其它位置的像素点K＝i)；
判断是否Pi,j(dx,)与Pi-1,j(dx,)符号一致且|Pi,j(d′x,)|或|Pi-1,j(d′x,)|小于S；
若是，则Pi,j梯度因子值m+1，并判断图像j行像素的计算情况；
否则，判断K＝0的成立情况。
所述判断K＝0的成立情况包括：
若K＝0成立，则Pi,j梯度因子值标为m,逆方向Pi,j至P0,j的m值依次减1，并判断图像j行像素的计算情况；
若K＝0不成立，则Pi-m/2,j梯度因子值标为m,Pi-m/2,j至Pi,j的m值依次减1，并判断图像j行像素的计算情况。
所述判断图像j行计算情况包括：
判断图像j行是否计算结束，若是，则继续下一行计算j＝j+1；
否则，计算Pi+1,j的梯度因子i＝i+1，并判断是否Pi,j(dx,)与Pi-1,j(dx,)符号一致且|Pi,j(d′x,)|或|Pi-1,j(d′x,)|小于S。
所述判断图像j行是否计算结束，若是，则继续下一行计算j＝j+1包括：
计算Pi,j梯度因子值n；
输出图像梯度因子Pi.j(m,n)。
所述计算图像梯度因子P(m,n)，并得到P(T)区域包括：
根据得到该阶图像的Pi.j(m,n)值，在进行尺度空间构造时，每个像素点进行高斯运算前判断m、n值，当m、n值都小于T值后，才进行高斯运算参与尺度空间的构造；
其中，T值要大于特征点描述子计算所需要的领域尺寸的一半；每阶图像只需要一个Pi.j(m,n)值即可。
所述根据P(T)区域进行极值点检测包括：高斯差分空间图像进行极值点提取时，每幅图像的极值提取区域为：该阶图像的P(T)区域。依次得到极值点。
从上面所述可以看出，本发明提供的一种图像特征点提取的优化方法，通过输入图像；进行图像梯度及二阶梯度计算；计算图像梯度因子P(m,n)，并得到P(T)区域；根据P(T)区域建立高斯尺度空间和高斯差分空间；根据P(T)区域进行极值点检测；特征点描述子生成。根据图像的梯度图像
Figure GDA0003643635550000031
Figure GDA0003643635550000032
以及二阶梯度图像
Figure GDA0003643635550000033
沿纵横两个方向按照一定的规则计算因子Pi.j(m,n)，进而按照一定的规则得到P(T)区域，以判别是否参与高斯尺度空间构造及特征点提取，省略了大量的高斯尺度空间构造及特征点提取时的运算量，而且该方法额外增加的计算量小，在特征点提取阶段优化了算法，提升了算法效率。
附图说明
图1为本发明实施例一种图像特征点提取的优化方法的流程示意框图；
图2为本发明实施例一种图像特征点提取的优化方法的图像梯度因子计算的示例性流程框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
作为本发明的其中一种具体实施方式，如图1所示，一种图像特征点提取的优化方法，所述方法包括：
步骤101，输入图像；
该步骤还可以包括：高斯滤波预处理，具体的，对初始图像进行尺度空间第一幅图像的高斯运算，以此图像为基础进行优化算法的运算。
步骤102，进行图像梯度及二阶梯度计算；
该步骤还可以包括：
步骤201，计算图像纵横两个方向的梯度值，每个像素点计算的结果为
Figure GDA0003643635550000041
图像上纵横方向i,j坐标的像素点为P(i,j)，Pi,j(dx,dy)为P(i,j)沿纵横方向的微分，dx为P(i,j)沿x方向的微分
Figure GDA0003643635550000042
dy为P(i,j)沿y方向的微分
Figure GDA0003643635550000043
计算图像纵横两个方向的二阶梯度值，每个像素点计算的结果为
Figure GDA0003643635550000044
Pi,j(d'x,d'y)为P(i,j)沿纵横方向的二阶微分，d'x,为P(i,j)沿x方向的二阶微分
Figure GDA0003643635550000045
d'y为P(i,j)沿y方向的二阶微分
Figure GDA0003643635550000046
步骤103，计算图像梯度因子P(m,n)，并得到P(T)区域；
该步骤还可包括：
步骤301，在步骤201的运算基础上，根据步骤201的运算结果沿着纵横方向按照一定的规则计算梯度因子Pi.j(m,n)，从图像的某个顶点开始对图像逐像素点进行处理得到Pi.j(m,n)，m、n的初始值标记为0，且m和n的计算方法相同。
步骤301包括：
步骤3011，从图像的第一行开始逐行扫描，Pi,j(m,)值计算方法：如果Pi,j(dx,)与Pi-1,j(dx,)正负符号没有发生变化(遇到梯度值为0也认为符号无变化)，并且Pi,j(d'x,)或Pi-1,j(d'x,)均小于S值，则Pi,j(m+1,)。
如果遇到梯度值符号发生变化或二阶梯度值大于S，则Pi,j(m,)的m值标记为0，则之前的m/2的像素点的m值发生变化，Pi-m/2,j(m,)的值标记为m，Pi-m/2,j至Pi,j的m值依次减1。
该步骤还可以包括：如果是从每行起始计算的m值时，则Pi,j梯度因子值标为m,逆方向Pi,j至P0,j的m值依次减1，并判断图像j行像素的计算情况；计算出新的m。
步骤3012，回到Pi+1.j(m,)的m值标记为0，继续步骤3011的计算，至本行像素点结束。
步骤3013，扫描图像的下一行像素点，重复步骤3011及步骤3012的运算方法进行处理；
步骤3014，根据步骤3011中Pi,j(m,)值计算方法，计算Pi,j(,n)，得到该阶图像的Pi.j(m,n)值。
其中，根据得到该阶图像的Pi.j(m,n)值，当m、n值都小于T值，这部分区域标记为P(T)，P(T)区域才进行高斯运算参与尺度空间的构造；
其中，T值要大于特征点描述符计算所需要的领域尺寸的一半；每阶图像只需要一个Pi.j(m,n)值即可。
步骤104，根据P(T)区域建立高斯尺度空间和高斯差分空间；
步骤105，根据P(T)区域进行极值点检测；
该步骤还可包括：高斯差分空间图像进行极值点提取时，每幅图像的极值提取区域为P(T)区域。依次得到极值点。
步骤106，特征点描述子生成。
将优化方法嵌入在SIFT原始算法的特征点提取阶段，在进行尺度空间构造前对初始图像进行预处理，识别出不参与尺度空间构造的像素部分，在后续的尺度空间构造时不进行高斯运算处理，在算法的特征点检测阶段时也略过这些区域，以此提升算法效率；
图2为图像梯度因子计算的示例性流程框图；
包括：步骤10，输入图像；
步骤11，高斯滤波预处理；
步骤12，图像梯度值Pi,j(dx,dy)及二阶梯度值Pi,j(d′x,d′y)计算；
步骤13，梯度因子初始值值Pi,j(m,n)＝P0,0(0,0)，K＝i，(对于j行起始位置的像素K＝0，其他位置的像素点K＝i)；
步骤14，判断是否Pi,j(dx,)与Pi-1,j(dx,)符号一致且|Pi,j(d′x,)|或|Pi-1,j(d′x,)|小于S；
步骤15，若是，则Pi,j梯度因子值m+1，并进入步骤19；
步骤16，否则，判断K＝0是否成立；
步骤17，若K＝0成立，则Pi,j梯度因子值标为m,逆方向Pi,j至P0,j的m值依次减1，并进入步骤19；
步骤18，若K＝0不成立，则Pi-m/2,j梯度因子值标为m,Pi-m/2,j至Pi,j的m值依次减1，并进入步骤19；
步骤19，判断图像j行是否计算结束；若是，则进入步骤21，否则进入步骤20；
步骤20，计算Pi+1,j的梯度因子i＝i+1，并进入步骤14；
步骤21，继续下一行计算j＝j+1；
步骤22，计算Pi,j梯度因子值n；
步骤23，输出图像梯度因子Pi.j(m,n)。
本发明增加的算法运算量不大，提升SIFT特征点提取速度。
根据图像的梯度图像
Figure GDA0003643635550000061
以及二阶梯度图像
Figure GDA0003643635550000062
沿纵横两个方向按照一定的规则计算因子Pi.j(m,n)并得到P(T)区域，根据P(T)区域判别像素点区域是否参与高斯尺度空间构造及特征点提取，省略了大量的高斯尺度空间构造及特征点提取时的运算量，而且该方法额外增加的计算量小，在特征点提取阶段优化了算法，提升了算法效率。
所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围包括权利要求)被限于这些例子；在本发明的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本发明的不同方面的许多其它变化，为了简明它们没有在细节中提供。
尽管已经结合了本发明的具体实施例对本发明进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构例如，动态RAMDRAM))可以使用所讨论的实施例。
本发明的实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本发明的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种图像特征点提取的优化方法，其特征在于：
输入图像；
进行图像梯度及二阶梯度计算；
计算图像梯度因子P(m,n)，并得到P(T)区域；
根据P(T)区域建立高斯尺度空间和高斯差分空间；
根据P(T)区域进行极值点检测；
特征点描述子生成；
所述计算图像梯度因子P(m,n)，并得到P(T)区域包括：
梯度因子初始值Pi,j(m,n)＝P0,0(0,0)，K＝i；
其中，j为图像的行，i为图像j行的像素坐标位置；
判断是否Pi,j(dx,)与Pi-1,j(dx,)符号一致且|Pi,j(d′x,)|或|Pi-1,j(d′x,)|小于S；
若是，则Pi,j梯度因子值m+1，并判断图像j行计算情况；
否则，判断K＝0的成立情况。
2.根据权利要求1所述的一种图像特征点提取的优化方法，其特征在于，所述输入图像包括对初始图像进行尺度空间第一幅图像的高斯运算，以此图像为基础进行优化算法的运算，对高斯滤波进行预处理。
3.根据权利要求1所述的一种图像特征点提取的优化方法，其特征在于，所述进行图像梯度及二阶梯度计算包括：
计算图像纵横两个方向的梯度值，每个像素点计算的结果为
Figure FDA0003622371380000011
其中，j为图像的行，i为图像j行的像素坐标位置；
计算图像纵横两个方向的二阶梯度值，每个像素点计算的结果为
Figure FDA0003622371380000012
4.根据权利要求1所述的一种图像特征点提取的优化方法，其特征在于，所述判断K＝0的成立情况包括：
若K＝0成立，则Pi,j梯度因子值标为m,逆方向Pi,j至P0,j的m值依次减1，并判断图像j行像素的计算情况；
若K＝0不成立，则Pi-m/2,j梯度因子值标为m,Pi-m/2,j至Pi,j的m值依次减1，并判断图像j行计算情况。
5.根据权利要求1或4所述的一种图像特征点提取的优化方法，其特征在于，所述判断图像j行像素计算情况包括：
判断图像j行像素是否计算结束，若是，则继续下一行计算j＝j+1；
否则，计算Pi+1,j的梯度因子i＝i+1，并判断是否Pi,j(dx,)与Pi-1,j(dx,)符号一致且|Pi,j(d′x,)|或|Pi-1,j(d′x,)|小于S。
6.根据权利要求5所述的一种图像特征点提取的优化方法，其特征在于，所述判断图像j行是否计算结束，若是，则继续下一行计算j＝j+1包括：
计算Pi,j梯度因子值n；
输出图像梯度因子Pi.j(m，n)。
7.根据权利要求1所述的一种图像特征点提取的优化方法，其特征在于，所述计算图像梯度因子P(m,n)，并得到P(T)区域包括：
根据得到图像的Pi.j(m，n)值，在进行尺度空间构造时，每个像素点进行高斯运算前判断m、n值，当m、n值都小于T值后，才进行高斯运算参与尺度空间的构造；
其中，T值要大于特征点描述符计算所需要的领域尺寸的一半；每阶图像只需要一个Pi.j(m，n)值即可。
8.根据权利要求1所述的一种图像特征点提取的优化方法，其特征在于，所述根据P(T)区域进行极值点检测包括：高斯差分空间图像进行极值点提取时，每幅图像的极值提取区域为：图像的P(T)区域，依次得到极值点。
CN201910882008.8A 2019-09-18 2019-09-18 一种图像特征点提取的优化方法 Active CN110705568B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910882008.8A CN110705568B (zh) 2019-09-18 2019-09-18 一种图像特征点提取的优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910882008.8A CN110705568B (zh) 2019-09-18 2019-09-18 一种图像特征点提取的优化方法

Publications (2)

Publication Number Publication Date
CN110705568A CN110705568A (zh) 2020-01-17
CN110705568B true CN110705568B (zh) 2022-07-26

Family

ID=69196265

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910882008.8A Active CN110705568B (zh) 2019-09-18 2019-09-18 一种图像特征点提取的优化方法

Country Status (1)

Country Link
CN (1) CN110705568B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112734290B (zh) * 2021-01-25 2022-02-11 腾讯科技（深圳）有限公司 交通工具运动状态评估方法、装置、设备以及介质
CN113298097B (zh) * 2021-07-27 2021-10-26 电子科技大学 基于卷积神经网络的特征点提取方法、设备及存储介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609562A (zh) * 2017-09-14 2018-01-19 电子科技大学 一种基于sift算法的尺度空间特征检测方法
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
CN109816674A (zh) * 2018-12-27 2019-05-28 北京航天福道高技术股份有限公司 基于Canny算子的配准图边缘提取方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8441489B2 (en) * 2008-12-31 2013-05-14 Intel Corporation System and method for SIFT implementation and optimization

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609562A (zh) * 2017-09-14 2018-01-19 电子科技大学 一种基于sift算法的尺度空间特征检测方法
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
CN109816674A (zh) * 2018-12-27 2019-05-28 北京航天福道高技术股份有限公司 基于Canny算子的配准图边缘提取方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于SIFT算法的图像特征点提取和匹配研究;王心醉 ; 董宁宁 ; 李欢利;《南京医科大学学报》;20130215(第02期);144-148 *

Also Published As

Publication number Publication date
CN110705568A (zh) 2020-01-17

Similar Documents

Publication Publication Date Title
CN108108746B (zh) 基于Caffe深度学习框架的车牌字符识别方法
CN109035276B (zh) 一种图像边缘提取方法、装置及自动驾驶***
US8401333B2 (en) Image processing method and apparatus for multi-resolution feature based image registration
CN104751142B (zh) 一种基于笔划特征的自然场景文本检测方法
CN110647795B (zh) 一种表格识别方法
US8983199B2 (en) Apparatus and method for generating image feature data
CN110599486A (zh) 一种视频抄袭的检测方法及***
CN108537782B (zh) 一种基于轮廓提取的建筑物图像匹配与融合的方法
CN114863492B (zh) 一种低质量指纹图像的修复方法及修复装置
CN102682428A (zh) 一种基于方向场的指纹图像计算机自动化修补方法
CN110705568B (zh) 一种图像特征点提取的优化方法
CN113657528B (zh) 图像特征点提取方法、装置、计算机终端及存储介质
CN111429372A (zh) 一种增强低对比度图像边缘检测效果的方法
CN111414938B (zh) 一种板式换热器内气泡的目标检测方法
CN113591831A (zh) 一种基于深度学习的字体识别方法、***及存储介质
CN110163894B (zh) 基于特征匹配的亚像素级目标跟踪方法
CN113744142B (zh) 图像修复方法、电子设备及存储介质
CN108710881B (zh) 神经网络模型、候选目标区域生成方法、模型训练方法
CN104268845A (zh) 极值温差短波红外图像的自适应双局部增强方法
CN112069924A (zh) 车道线检测方法、装置及计算机可读存储介质
CN114998186B (zh) 基于图像处理的铜始极片表面结疤缺陷检测方法及***
CN114067122B (zh) 一种两级式二值化图像处理方法
CN112837329B (zh) 一种藏文古籍文档图像二值化方法及***
CN115330637A (zh) 一种图像锐化方法、装置、计算设备及存储介质
CN112085683B (zh) 一种显著性检测中的深度图可信度检测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant