CN110895699B - 用于处理图像的特征点的方法和装置 - Google Patents
用于处理图像的特征点的方法和装置 Download PDFInfo
- Publication number
- CN110895699B CN110895699B CN201811060983.2A CN201811060983A CN110895699B CN 110895699 B CN110895699 B CN 110895699B CN 201811060983 A CN201811060983 A CN 201811060983A CN 110895699 B CN110895699 B CN 110895699B
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- weight
- target
- points
- 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
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
- G06V10/443—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 by matching or filtering
-
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/771—Feature selection, e.g. selecting representative features from a multi-dimensional feature space
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本申请实施例公开了用于处理图像的特征点的方法和装置。该方法的一具体实施方式包括:获取待处理图像;确定待处理图像的特征点的权重,得到权重集合,其中,权重包括纹理权重,纹理权重与特征点所在的、目标尺寸的图像区域中的像素点的颜色变化程度成正比;根据权重,选取目标数目个特征点作为待处理图像的目标特征点。该实施方式实现了减少图像的特征点的个数,进一步也减轻关于图像的特征点的存储压力。
Description
技术领域
本申请实施例涉及计算机技术领域,具体涉及用于处理图像的特征点的方法和装置。
背景技术
针对一幅图像,现有的各种图像的特征点提取算法提取出的图像的特征点的数目一般比较多。因此,在面对大量图像的特征点提取的场景下,会相应地具有较大的存储压力。
发明内容
本申请实施例提出了用于处理图像的特征点的方法和装置。
第一方面,本申请实施例提供了一种用于处理图像的特征点的方法,该方法包括:获取待处理图像;确定待处理图像的特征点的权重,得到权重集合,其中,权重包括纹理权重,纹理权重与特征点所在的、目标尺寸的图像区域中的像素点的颜色变化程度成正比;根据权重,选取目标数目个特征点作为待处理图像的目标特征点。
在一些实施例中,根据权重,选取目标数目个特征点作为待处理图像的目标特征点,包括:按照权重由大到小的顺序选取目标数目个特征点作为待处理图像的目标特征点。
在一些实施例中,权重还包括特征权重,特征权重包括响应权重和/或距离权重,其中,响应权重与特征点的响应强度成正比,距离权重表示特征点和图像的中心点的距离,距离权重与特征点和图像的中心点的距离成反比;以及根据权重,选取目标数目个特征点作为待处理图像的目标特征点,包括:根据纹理权重和特征权重,确定特征点的目标权重;根据目标权重,选取目标数目个特征点作为待处理图像的目标特征点。
在一些实施例中,针对权重集合中的权重,该权重包括的纹理权重通过如下步骤确定:确定该权重对应的特征点所在的目标尺寸的图像区域的累计直方图;确定累计直方图的总面积;确定累计直方图中的最小值点与最大值点的连线,以及确定连线与坐标轴围成的区域的面积作为第一面积;确定总面积与第一面积的商值;根据商值,确定该权重包括的纹理权重,其中,商值与该权重包括的纹理权重成正比。
在一些实施例中,该方法还包括:获取目标特征点的特征描述子,得到特征描述子集合;针对特征描述子集合中的特征描述子,将该特征描述子转化为整型值;针对特征描述子集合中的特征描述子,获取该特征描述子对应的特征点在待处理图像中的坐标;将坐标与该特征描述子关联存储。
第二方面,本申请实施例提供了一种用于处理图像的特征点的装置,该装置包括:获取单元,被配置成获取待处理图像;确定单元,被配置成确定待处理图像的特征点的权重,得到权重集合,其中,权重包括纹理权重,纹理权重与特征点所在的、目标尺寸的图像区域中的像素点的颜色变化程度成正比;选取单元,被配置成根据权重,选取目标数目个特征点作为待处理图像的目标特征点。
在一些实施例中,上述选取单元进一步被配置成:按照权重由大到小的顺序选取目标数目个特征点作为待处理图像的目标特征点。
在一些实施例中,权重还包括特征权重,特征权重包括响应权重和/或距离权重,其中,响应权重与特征点的响应强度成正比,距离权重表示特征点和图像的中心点的距离,距离权重与特征点和图像的中心点的距离成反比;以及上述选取单元进一步被配置成:根据纹理权重和特征权重,确定特征点的目标权重;根据目标权重,选取目标数目个特征点作为待处理图像的目标特征点。
在一些实施例中,针对权重集合中的权重,该权重包括的纹理权重通过如下步骤确定:确定该权重对应的特征点所在的目标尺寸的图像区域的累计直方图;确定累计直方图的总面积;确定累计直方图中的最小值点与最大值点的连线,以及确定连线与坐标轴围成的区域的面积作为第一面积;确定总面积与第一面积的商值;根据商值,确定该权重包括的纹理权重,其中,商值与该权重包括的纹理权重成正比。
在一些实施例中,该装置还包括存储单元,被配置成:获取目标特征点的特征描述子,得到特征描述子集合;针对特征描述子集合中的特征描述子,将该特征描述子转化为整型值;针对特征描述子集合中的特征描述子,获取该特征描述子对应的特征点在待处理图像中的坐标;将坐标与该特征描述子关联存储。
第三方面,本申请实施例提供了一种用于匹配图像的方法,该方法包括:获取第一图像和第二图像;利用如权利要求1-4之一描述的方法分别确定第一图像的目标特征点和第二图像的目标特征点;利用第一图像的目标特征点和第二图像的目标特征点进行第一图像和第二图像的匹配。
在一些实施例中,利用第一图像的目标特征点和第二图像的目标特征点进行第一图像和第二图像的匹配,包括:获取第一图像的目标特征点的特征描述子,得到第一特征描述子集合;获取第二图像的目标特征点的特征描述子,得到第二特征描述子集合;针对第一特征描述子集合中的第一特征描述子,将该第一特征描述子转化为整型数值;针对第二特征描述子集合中的第二特征描述子,将该第二特征描述子转化为整型数值;利用第一图像的目标特征点对应的整型数值和第二图像的目标特征点对应的整型数值进行第一图像和第二图像的匹配。
第四方面,本申请实施例提供了一种电子设备,该电子设备包括:一个或多个处理器;存储装置,用于存储一个或多个程序;当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面中任一实现方式描述的方法。
第五方面,本申请实施例提供了一种计算机可读介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面中任一实现方式描述的方法。
本申请实施例提供的用于处理图像的特征点的方法和装置,通过获取待处理图像,确定待处理图像的特征点的权重,得到权重集合,其中,权重包括纹理权重,纹理权重与特征点所在的、目标尺寸的图像区域中的像素点的颜色变化程度成正比;根据权重,选取目标数目个特征点作为待处理图像的目标特征点,从而实现了根据各个特征点周围的像素点的颜色变化程度确定特征点的权重,并根据权重,从图像的特征点中筛选出目标特征点,从而减少图像的特征点的个数,进一步也减轻关于图像的特征点的存储压力。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1是本申请的一个实施例可以应用于其中的示例性***架构图;
图2是根据本申请的用于处理图像的特征点的方法的一个实施例的流程图;
图3是根据本申请实施例的用于处理图像的特征点的方法的一个累计直方图的示意图;
图4是根据本申请的用于处理图像的特征点的方法的又一个实施例的流程图;
图5是根据本申请实施例的用于处理图像的特征点的方法的一个应用场景的示意图;
图6是根据本申请的用于匹配图像的方法的一个实施例的流程图;
图7是根据本申请的用于处理图像的装置的一个实施例的结构示意图;
图8是适于用来实现本申请实施例的电子设备的计算机***的结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释相关发明,而非对该发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与有关发明相关的部分。
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的用于处理图像的特征点的方法或用于处理图像的特征点的装置的实施例的示例性架构100。
如图1所示,***架构100可以包括终端设备101、102、103,网络104和服务器105。网络104用以在终端设备101、102、103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
终端设备101、102、103通过网络104与服务器105交互,以接收或发送消息等。终端设备101、102、103上可以安装有各种客户端应用,例如网页浏览器应用、购物类应用、搜索类应用、即时通信工具、社交平台软件、图像类应用等。
终端设备101、102、103可以是硬件,也可以是软件。当终端设备101、102、103为硬件时,可以是支持图像存储和图像处理的各种电子设备,包括但不限于智能手机、平板电脑、电子书阅读器、膝上型便携计算机和台式计算机等等。当终端设备101、102、103为软件时,可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务的多个软件或软件模块),也可以实现成单个软件或软件模块。在此不做具体限定。
服务器105可以是提供各种服务的服务器,例如为终端设备101、 102、103发送的待处理图像进行特征点提取的图像处理服务器。
需要说明的是,上述待处理图像也可以直接存储在服务器105的本地,服务器105可以直接提取本地所存储的待处理图像并进行处理,此时,可以不存在终端设备101、102、103和网络104。
需要说明的是,本申请实施例所提供的用于处理图像的特征点的方法一般由服务器105执行,相应地,用于处理图像的特征点的装置一般设置于服务器105中。
还需要指出的是,终端设备101、102、103中也可以安装有图像处理类应用,终端设备101、102、103也可以基于图像处理类应用对待处理图像进行处理,此时,用于处理图像的特征点的方法也可以由终端设备101、102、103执行,相应地,用于处理图像的特征点的装置也可以设置于终端设备101、102、103中。此时,示例性***架构 100可以不存在服务器105和网络104。
需要说明的是,服务器105可以是硬件,也可以是软件。当服务器105为硬件时,可以实现成多个服务器组成的分布式服务器集群,也可以实现成单个服务器。当服务器105为软件时,可以实现成多个软件或软件模块(例如用来提供分布式服务),也可以实现成单个软件或软件模块。在此不做具体限定。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
继续参考图2,其示出了根据本申请的用于处理图像的特征点的方法的一个实施例的流程200。该用于处理图像的特征点的方法包括以下步骤:
步骤201,获取待处理图像。
在本实施例中,用于处理图像的特征点的方法的执行主体(如图 1中的服务器105)可以先从给本地或其它存储设备获取待处理图像。
步骤202,确定待处理图像的特征点的权重,得到权重集合,其中,权重包括纹理权重。
在本实施例中,图像的特征点可以指图像灰度值发生剧烈变化的点或者在图像边缘上曲率较大的点(即两个边缘的交点)。图像的特征点能够反映图像本质特征,能够标识图像中目标物体。通过特征点的匹配能够完成图像的匹配。
在本实施例中,纹理权重可以用于表示特征点所在的、目标尺寸的图像区域中的像素点的颜色变化程度,且与特征点所在的、目标尺寸的图像区域中的像素点的颜色变化程度成正比。其中,目标尺寸可以是由技术人员设置的,也可以是根据待处理图像确定的(例如根据待处理图像的分辨率进行设置),还可以是根据具体的应用场景进行指定的。图像的任一特征点的纹理权重可以通过多种方法来确定。
可选地,可以按照如下的步骤确定一特征点的权重:首先,统计该特征点周围的、目标尺寸的图像区域中的各个像素点的颜色值的平均值。然后,计算该平均值与该特征点的颜色值的差值。最后,根据计算出的差值确定该特征点的权重,其中,差值越大,对应的权重也越大。
可选地,针对权重集合中的权重,该权重包括的纹理权重可以通过如下步骤确定:
步骤1)确定该权重对应特征点所在的目标尺寸的图像区域的累计直方图。
在本步骤中,可以统计该权重对应特征点所在的目标尺寸的图像区域中各个像素点的颜色信息,然后利用现有的一些制作累计直方图的应用生成对应的累计直方图。例如,可以参考图3所示的累计直方图,用以表示图像中的灰度值的累计概率分布情况。
步骤2)确定累计直方图的总面积。
在本步骤中,以图3所示的累计直方图为例,总面积即为图中区域“A”和区域“B”的面积之和。
步骤3)确定累计直方图中的最小值点与最大值点的连线,以及确定连线与坐标轴围成的区域的面积作为第一面积。
在本步骤中,以图3所示的累计直方图为例,最小值点与最大值点的连线如图中标号301所示。该连线301与坐标轴围成区域“B”,因此,图3中的区域“B”的面积即为第一面积。
步骤4)确定总面积与第一面积的商值。
步骤5)根据商值,确定该权重包括的纹理权重,其中,商值与该权重包括的纹理权重成正比。
步骤203,根据权重,选取目标数目个特征点作为待处理图像的目标特征点。
在本实施例中,目标数目可以是预先设置的,也可以根据特征点数目确定规则(例如目标数目为待处理图像的特征点的总数的十分之一等)确定的,还可以是根据实际的应用需求,由技术人员指定的。
可选地,可以根据预设的权重阈值进行筛选,例如,可以选取权重大于权重阈值的特征点作为待处理图像的目标特征点。
可选地,还可以根据各个特征点的权重分布范围选取目标数目个特征点。例如,可以预设若干个权重区间,根据各个权重在各个权重区间的分布情况,从每个权重区间分别选取特征点,组成目标数目个特征点作为待处理图像的目标特征点。
可选地,可以按照权重由大到小的顺序选取目标数目个特征点作为待处理图像的目标特征点。
本申请的上述实施例提供的方法通过待处理图像的特征点周围的像素点的颜色变化程度确定特征点的权重,并根据权重,从图像的特征点中筛选出目标特征点,从而减少图像的特征点的个数,进一步也减轻关于图像的特征点的存储压力。
进一步参考图4,其示出了用于处理图像的特征点的方法的又一个实施例的流程400。该用于处理图像的特征点的方法的流程400,包括以下步骤:
步骤401,获取待处理图像。
本步骤的具体的执行过程可参考图2对应实施例中的步骤201的相关说明,在此不再赘述。
步骤402,确定待处理图像的特征点的权重,得到权重集合,其中,权重包括纹理权重和特征权重。
在本实施例中,特征权重包括响应权重和/或距离权重,其中,响应权重与特征点的响应强度成正比,距离权重表示特征点和图像的中心点的距离,距离权重与特征点和图像的中心点的距离成反比。
其中,特征点的响应强度是特征点的属性之一,可以通过各种特征提取算法得到特征点的特征描述子,从而得到特征点的响应强度。特征描述子可以用来描述一幅 图像。具体地,特征描述子可以是特征向量或者数组。响应强度可以是特征描述子中的元素。
本步骤中的纹理特征部分的具体的执行过程可参考图2对应实施例中的步骤202的相关说明,在此不再赘述。
步骤403,根据纹理权重和特征权重,确定特征点的目标权重。
在本实施例中,可以综合考虑特征点的纹理权重和特征权重,从而确定特征点的目标权重。
可选地,可以直接将纹理权重和特征权重的和作为特征点的目标权重。
可选地,还可以将纹理权重和特征权重的加权和作为特征点的目标权重。其中,纹理权重和特征权重的权重系数可以由技术人员根据需求设置。具体地,可以对纹理权重和特征权重所包含的响应权重和距离权重分别设置权重系数,其中,三个权重系数的总和可以设置为一。
步骤404,根据目标权重,选取目标数目个特征点作为待处理图像的目标特征点。
可选地,可以根据预设的目标权重阈值进行筛选,例如,可以选取目标权重大于目标权重阈值的特征点作为待处理图像的目标特征点。
可选地,还可以根据各个特征点的目标权重的分布范围选取目标数目个特征点。例如,可以预设若干个目标权重区间,根据各个目标权重在各个目标权重区间的分布情况,从每个目标权重区间分别选取特征点,组成目标数目个特征点作为待处理图像的目标特征点。
可选地,可以按照目标权重由大到小的顺序选取目标数目个特征点作为待处理图像的目标特征点。
在本实施例的一些可选的实现方式中,在选取出目标特征点之后,还可以进一步获取目标特征点的特征描述子,得到特征描述子集合。针对特征描述子集合中的特征描述子,可以将该特征描述子转化为整型值。之后,针对特征描述子集合中的特征描述子,可以获取该特征描述子对应的特征点在待处理图像中的坐标,并将坐标与该特征点关联存储。
其中,可以利用现有的一些可以将特征描述子转化为整型值的算法来实现对特征描述子的转换。例如,PQ(Product Quantization,乘积量化)算法等。
继续参见图5,图5是根据本实施例的用于处理图像的特征点的方法的应用场景的一个示意图。在图5的应用场景中,首先可以将确定待处理图像501的特征点的权重502,其中,每个特征点的权重包括纹理权重WT和特征权重WF。例如,第一个特征点的权重包括纹理权重“WT1”和特征权重“WF1”,第二个特征点的权重包括纹理权重“WT2”和特征权重“WF2”,第N个特征点的权重包括纹理权重“WTN”和特征权重“WFN”。
之后,可以将每个特征点的纹理权重和特征权重的加权和作为各个特征点的目标权重,得到目标权重集合503。然后,可以将各个特征点的目标权重进行排序,得到排序后的目标权重集合504。
之后,可以根据预设的数目,从排序后的目标权重集合504中选取预设的数目个特征点作为待处理图像501的目标特征点(如图中标号505所示)。
从图4中可以看出,与图2对应的实施例相比,本实施例中的用于处理图像的特征点的方法的流程400突出了特征点的权重可以综合考虑纹理权重和特征权重的步骤。由此,本实施例描述的方案可以根据纹理权重和特征权重确定出特征点的目标权重,并根据目标权重筛选目标特征点,从而在减少图像的特征点的个数,减轻关于图像的特征点的存储压力的同时,保证筛选出的特征点的有效性。
进一步参考图6,其示出了用于匹配图像的方法的一个实施例的流程600。该用于匹配图像的方法的流程600,包括以下步骤:
步骤601,获取第一图像和第二图像。
在本实施例中,用于匹配图像的方法的执行主体(如图1所示的服务器105)可以先从本地或其他存储设备获取两幅图像,分别作为第一图像和第二图像。应该可以理解,也可以从本地获取一幅 图像,从存储设备获取另一幅图像。
步骤602,分别确定第一图像的目标特征点和第二图像的目标特征点。
在本实施例中,可以按照上述图2和图4对应的实施例中所描述的方法分别确定第一图像和第二图像的目标特征点。
步骤603,利用第一图像的目标特征点和第二图像的目标特征点进行第一图像和第二图像的匹配。
在本实施例中,可以基于第一图像的目标特征点和第二图像的目标特征点,利用现有的各种基于特征点的图像匹配算法完成第一图像和第二图像的匹配。
可选地,还可以先获取第一图像的目标特征点的特征描述子,得到第一特征描述子集合,以及获取第二图像的目标特征点的特征描述子,得到第二特征描述子集合。然后,针对第一特征描述子集合中的第一特征描述子,可以将该第一特征描述子转化为整型数值;针对第二特征描述子集合中的第二特征描述子,可以将该第二特征描述子转化为整型数值。之后,再利用第一图像的目标特征点对应的整型数值和第二图像的目标特征点对应的整型数值完成第一图像和第二图像的匹配。
其中,上述关于基于特征点的图像匹配是目前广泛研究和应用的公知技术,在此不再赘述。
本申请的上述实施例提供的用于匹配图像的方法通过先分别确定待匹配的两幅图像的目标特征点,然后根据目标特征点完成两幅图像的匹配,和现有技术中的基于提取出的两幅图像的所有特征点进行图像匹配相比,由于先选取了目标特征点而减少了两幅图像的特征点的个数,从而加快了后续图像匹配过程的速度。其中,在确定待匹配的两幅图像的目标特征点之后,还可以先将每幅图像的各个目标特征点的特征描述子转化为整形数值,然后利用各个特征点对应的整形数值进行图像匹配,从而进一步加快图像匹配速度,提升图像匹配的效率。
进一步参考图7,作为对上述各图所示方法的实现,本申请提供了用于处理图像的特征点的装置的一个实施例,该装置实施例与图2 所示的方法实施例相对应,该装置具体可以应用于各种电子设备中。
如图7所示,本实施例提供的用于处理图像的特征点的装置700 包括获取单元701、确定单元702和选取单元703。其中,获取单元 701被配置成获取待处理图像;确定单元702被配置成确定待处理图像的特征点的权重,得到权重集合,其中,权重包括纹理权重,纹理权重与特征点所在的、目标尺寸的图像区域中的像素点的颜色变化程度成正比;选取单元703被配置成根据权重,选取目标数目个特征点作为待处理图像的目标特征点。
在本实施例中,用于处理图像的特征点的装置700中:获取单元 701、确定单元702和选取单元703的具体处理及其所带来的技术效果可分别参考图2对应实施例中的步骤201、步骤202和步骤203的相关说明,在此不再赘述。
在本实施例的一些可选的实现方式中,上述选取单元703进一步被配置成:按照权重由大到小的顺序选取目标数目个特征点作为待处理图像的目标特征点。
在本实施例的一些可选的实现方式中,权重还包括特征权重,特征权重包括响应权重和/或距离权重,其中,响应权重与特征点的响应强度成正比,距离权重表示特征点和图像的中心点的距离,距离权重与特征点和图像的中心点的距离成反比;以及上述选取单元703进一步被配置成:根据纹理权重和特征权重,确定特征点的目标权重,选取目标数目个特征点作为待处理图像的目标特征点。
在本实施例的一些可选的实现方式中,针对权重集合中的权重,该权重包括的纹理权重通过如下步骤确定:确定该权重对应的特征点所在的目标尺寸的图像区域的累计直方图;确定累计直方图的总面积;确定累计直方图中的最小值点与最大值点的连线,以及确定连线与坐标轴围成的区域的面积作为第一面积;确定总面积与第一面积的商值;根据商值,确定该权重包括的纹理权重,其中,商值与该权重包括的纹理权重成正比。
在本实施例的一些可选的实现方式中,用于处理图像的特征点的装置700还包括存储单元(图中未示出),被配置成获取目标特征点的特征描述子,得到特征描述子集合;针对特征描述子集合中的特征描述子,将该特征描述子转化为整型值;针对特征描述子集合中的特征描述子,获取该特征描述子对应的特征点在待处理图像中的坐标;将坐标与该特征描述子关联存储。
本申请的上述实施例提供的装置,通过获取单元获取待处理图像,确定单元确定待处理图像的特征点的权重,得到权重集合,其中,权重包括纹理权重,纹理权重与特征点所在的、目标尺寸的图像区域中的像素点的颜色变化程度成正比;选取单元根据权重,选取目标数目个特征点作为待处理图像的目标特征点,从而实现了根据各个特征点周围的像素点的颜色变化程度确定特征点的权重,并根据权重,从图像的特征点中筛选出目标特征点,从而减少图像的特征点的个数,进一步也减轻关于图像的特征点的存储压力。
下面参考图8,其示出了适于用来实现本申请实施例的电子设备的计算机***800的结构示意图。图8示出的电子设备仅仅是一个示例,不应对本申请实施例的功能和使用范围带来任何限制。
如图8所示,计算机***800包括中央处理单元(CPU)801,其可以根据存储在只读存储器(ROM)802中的程序或者从存储部分808 加载到随机访问存储器(RAM)803中的程序而执行各种适当的动作和处理。在RAM 803中,还存储有***800操作所需的各种程序和数据。CPU 801、ROM 802以及RAM 803通过总线804彼此相连。输入 /输出(I/O)接口805也连接至总线804。
以下部件连接至I/O接口805:包括键盘、鼠标等的输入部分806;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分807;包括硬盘等的存储部分808;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分809。通信部分809经由诸如因特网的网络执行通信处理。驱动器810也根据需要连接至I/O接口 805。可拆卸介质811,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器810上,以便于从其上读出的计算机程序根据需要被安装入存储部分808。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信部分809从网络上被下载和安装,和/或从可拆卸介质811被安装。在该计算机程序被中央处理单元(CPU)801 执行时,执行本申请的方法中限定的上述功能。
需要说明的是,本申请的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本申请中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本申请中,计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:无线、电线、光缆、RF等等,或者上述的任意合适的组合。
附图中的流程图和框图,图示了按照本申请各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
描述于本申请实施例中所涉及到的单元可以通过软件的方式实现,也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中,例如,可以描述为:一种处理器,包括获取单元、确定单元和选取单元。其中,这些单元的名称在某种情况下并不构成对该单元本身的限定,例如,获取单元还可以被描述为“获取待处理图像的单元”。
作为另一方面,本申请还提供了一种计算机可读介质,该计算机可读介质可以是上述实施例中描述的电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:获取待处理图像;确定待处理图像的特征点的权重,得到权重集合,其中,权重包括纹理权重,纹理权重与特征点所在的、目标尺寸的图像区域中的像素点的颜色变化程度成正比;根据权重,选取目标数目个特征点作为待处理图像的目标特征点。
以上描述仅为本申请的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解,本申请中所涉及的发明范围,并不限于上述技术特征的特定组合而成的技术方案,同时也应涵盖在不脱离上述发明构思的情况下,由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本申请中公开的(但不限于) 具有类似功能的技术特征进行互相替换而形成的技术方案。
Claims (12)
1.一种用于处理图像的特征点的方法,包括:
获取待处理图像;
确定所述待处理图像的特征点的权重,得到权重集合,其中,所述权重包括纹理权重,所述纹理权重与特征点所在的、目标尺寸的图像区域中的像素点的颜色变化程度成正比;
根据所述权重,选取目标数目个特征点作为所述待处理图像的目标特征点;
针对所述权重集合中的权重,该权重包括的纹理权重通过如下步骤确定:
确定该权重对应的特征点所在的目标尺寸的图像区域的累计直方图;
确定所述累计直方图的总面积;
确定所述累计直方图中的最小值点与最大值点的连线,以及确定所述连线与坐标轴围成的区域的面积作为第一面积;
确定所述总面积与所述第一面积的商值;
根据所述商值,确定该权重包括的纹理权重,其中,所述商值与该权重包括的纹理权重成正比。
2.根据权利要求1所述的方法,其中,所述根据所述权重,选取目标数目个特征点作为所述待处理图像的目标特征点,包括:
按照所述权重由大到小的顺序选取目标数目个特征点作为所述待处理图像的目标特征点。
3.根据权利要求1所述的方法,其中,所述权重还包括特征权重,所述特征权重包括响应权重和/或距离权重,其中,响应权重与特征点的响应强度成正比,距离权重表示特征点和图像的中心点的距离,距离权重与特征点和图像的中心点的距离成反比;以及
所述根据所述权重,选取目标数目个特征点作为所述待处理图像的目标特征点,包括:
根据所述纹理权重和所述特征权重,确定特征点的目标权重;
根据所述目标权重,选取目标数目个特征点作为所述待处理图像的目标特征点。
4.根据权利要求1-3之一所述的方法,其中,所述方法还包括:
获取所述目标特征点的特征描述子,得到特征描述子集合;
针对所述特征描述子集合中的特征描述子,将该特征描述子转化为整型值;
针对所述特征描述子集合中的特征描述子,获取该特征描述子对应的特征点在所述待处理图像中的坐标;将所述坐标与该特征描述子关联存储。
5.一种用于处理图像的特征点的装置,包括:
获取单元,被配置成获取待处理图像;
确定单元,被配置成确定所述待处理图像的特征点的权重,得到权重集合,其中,所述权重包括纹理权重,所述纹理权重与特征点所在的、目标尺寸的图像区域中的像素点的颜色变化程度成正比;
选取单元,被配置成根据所述权重,选取目标数目个特征点作为所述待处理图像的目标特征点;
其中,针对所述权重集合中的权重,该权重包括的纹理权重通过如下步骤确定:
确定该权重对应的特征点所在的目标尺寸的图像区域的累计直方图;
确定所述累计直方图的总面积;
确定所述累计直方图中的最小值点与最大值点的连线,以及确定所述连线与坐标轴围成的区域的面积作为第一面积;
确定所述总面积与所述第一面积的商值;
根据所述商值,确定该权重包括的纹理权重,其中,所述商值与该权重包括的纹理权重成正比。
6.根据权利要求5所述的装置,其中,所述选取单元进一步被配置成:
按照所述权重由大到小的顺序选取目标数目个特征点作为所述待处理图像的目标特征点。
7.根据权利要求5所述的装置,其中,所述权重还包括特征权重,所述特征权重包括响应权重和/或距离权重,其中,响应权重与特征点的响应强度成正比,距离权重表示特征点和图像的中心点的距离,距离权重与特征点和图像的中心点的距离成反比;以及
所述选取单元进一步被配置成:
根据所述纹理权重和所述特征权重,确定特征点的目标权重;
根据所述目标权重,选取目标数目个特征点作为所述待处理图像的目标特征点。
8.根据权利要求5-7之一所述的装置,其中,所述装置还包括存储单元,被配置成:
获取所述目标特征点的特征描述子,得到特征描述子集合;
针对所述特征描述子集合中的特征描述子,将该特征描述子转化为整型值;
针对所述特征描述子集合中的特征描述子,获取该特征描述子对应的特征点在所述待处理图像中的坐标;将所述坐标与该特征描述子关联存储。
9.一种用于匹配图像的方法,包括:
获取第一图像和第二图像;
利用如权利要求1-4之一所述的方法分别确定所述第一图像的目标特征点和所述第二图像的目标特征点;
利用所述第一图像的目标特征点和所述第二图像的目标特征点进行所述第一图像和所述第二图像的匹配。
10.根据权利要求9所述的方法,其中,所述利用所述第一图像的目标特征点和所述第二图像的目标特征点进行所述第一图像和所述第二图像的匹配,包括:
获取所述第一图像的目标特征点的特征描述子,得到第一特征描述子集合;
获取所述第二图像的目标特征点的特征描述子,得到第二特征描述子集合;
针对所述第一特征描述子集合中的第一特征描述子,将该第一特征描述子转化为整型数值;
针对所述第二特征描述子集合中的第二特征描述子,将该第二特征描述子转化为整型数值;
利用所述第一图像的目标特征点对应的整型数值和所述第二图像的目标特征点对应的整型数值进行所述第一图像和所述第二图像的匹配。
11.一种电子设备,包括:
一个或多个处理器;
存储装置,其上存储有一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-4中任一所述的方法。
12.一种计算机可读介质,其上存储有计算机程序,其中,该程序被处理器执行时实现如权利要求1-4中任一所述的方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811060983.2A CN110895699B (zh) | 2018-09-12 | 2018-09-12 | 用于处理图像的特征点的方法和装置 |
US16/981,226 US11403835B2 (en) | 2018-09-12 | 2018-12-10 | Method and device for processing feature point of image |
PCT/CN2018/120063 WO2020052120A1 (zh) | 2018-09-12 | 2018-12-10 | 用于处理图像的特征点的方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811060983.2A CN110895699B (zh) | 2018-09-12 | 2018-09-12 | 用于处理图像的特征点的方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110895699A CN110895699A (zh) | 2020-03-20 |
CN110895699B true CN110895699B (zh) | 2022-09-13 |
Family
ID=69777408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811060983.2A Active CN110895699B (zh) | 2018-09-12 | 2018-09-12 | 用于处理图像的特征点的方法和装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11403835B2 (zh) |
CN (1) | CN110895699B (zh) |
WO (1) | WO2020052120A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476231B (zh) * | 2020-06-22 | 2024-01-12 | 努比亚技术有限公司 | 一种图像区域识别方法、设备及计算机可读存储介质 |
CN116132798B (zh) * | 2023-02-02 | 2023-06-30 | 深圳市泰迅数码有限公司 | 一种智能摄像头的自动跟拍方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2372605A2 (en) * | 2010-03-31 | 2011-10-05 | Aisin Aw Co., Ltd. | Image processing system and position measurement system |
CN103946891A (zh) * | 2011-11-18 | 2014-07-23 | 日本电气株式会社 | 局部特征量提取装置、局部特征量提取方法和程序 |
CN106778767A (zh) * | 2016-11-15 | 2017-05-31 | 电子科技大学 | 基于orb和主动视觉的视觉图像特征提取及匹配方法 |
CN108021921A (zh) * | 2017-11-23 | 2018-05-11 | 塔普翊海(上海)智能科技有限公司 | 图像特征点提取***及其应用 |
CN108170751A (zh) * | 2017-12-21 | 2018-06-15 | 百度在线网络技术(北京)有限公司 | 用于处理图像的方法和装置 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100378351B1 (ko) * | 2000-11-13 | 2003-03-29 | 삼성전자주식회사 | 색-텍스추어 거리 측정 방법 및 장치와 이를 이용한영상의 영역 구분 방법 및 장치 |
US7058209B2 (en) * | 2001-09-20 | 2006-06-06 | Eastman Kodak Company | Method and computer program product for locating facial features |
WO2011086889A1 (ja) * | 2010-01-12 | 2011-07-21 | 日本電気株式会社 | 特徴点選択システム、特徴点選択方法および特徴点選択プログラム |
US8625907B2 (en) * | 2010-06-10 | 2014-01-07 | Microsoft Corporation | Image clustering |
KR101165357B1 (ko) * | 2011-02-14 | 2012-07-18 | (주)엔써즈 | 이미지 특징 데이터 생성 장치 및 방법 |
TWI446276B (zh) * | 2011-09-14 | 2014-07-21 | Ind Tech Res Inst | 影像特徵描述處理裝置及影像特徵描述處理方法 |
WO2013073273A1 (ja) * | 2011-11-18 | 2013-05-23 | 日本電気株式会社 | 局所特徴量抽出装置、局所特徴量抽出方法、及びプログラム |
KR20130127868A (ko) * | 2012-05-15 | 2013-11-25 | 삼성전자주식회사 | 점 대응을 찾기 위한 방법, 상기 방법을 수행할 수 있는 장치, 및 이를 포함하는 시스템 |
US10796196B2 (en) * | 2015-03-05 | 2020-10-06 | Nant Holdings Ip, Llc | Large scale image recognition using global signatures and local feature information |
JP6493885B2 (ja) * | 2016-03-15 | 2019-04-03 | 富士フイルム株式会社 | 画像位置合せ装置、画像位置合せ装置の作動方法および画像位置合せプログラム |
GB2551504A (en) * | 2016-06-20 | 2017-12-27 | Snell Advanced Media Ltd | Image Processing |
WO2018090205A1 (en) * | 2016-11-15 | 2018-05-24 | SZ DJI Technology Co., Ltd. | Method and system for image-based object detection and corresponding movement adjustment maneuvers |
-
2018
- 2018-09-12 CN CN201811060983.2A patent/CN110895699B/zh active Active
- 2018-12-10 WO PCT/CN2018/120063 patent/WO2020052120A1/zh active Application Filing
- 2018-12-10 US US16/981,226 patent/US11403835B2/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2372605A2 (en) * | 2010-03-31 | 2011-10-05 | Aisin Aw Co., Ltd. | Image processing system and position measurement system |
CN103946891A (zh) * | 2011-11-18 | 2014-07-23 | 日本电气株式会社 | 局部特征量提取装置、局部特征量提取方法和程序 |
CN106778767A (zh) * | 2016-11-15 | 2017-05-31 | 电子科技大学 | 基于orb和主动视觉的视觉图像特征提取及匹配方法 |
CN108021921A (zh) * | 2017-11-23 | 2018-05-11 | 塔普翊海(上海)智能科技有限公司 | 图像特征点提取***及其应用 |
CN108170751A (zh) * | 2017-12-21 | 2018-06-15 | 百度在线网络技术(北京)有限公司 | 用于处理图像的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110895699A (zh) | 2020-03-20 |
US11403835B2 (en) | 2022-08-02 |
US20210357673A1 (en) | 2021-11-18 |
WO2020052120A1 (zh) | 2020-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109191514B (zh) | 用于生成深度检测模型的方法和装置 | |
CN108229419B (zh) | 用于聚类图像的方法和装置 | |
CN109255337B (zh) | 人脸关键点检测方法和装置 | |
CN109472264B (zh) | 用于生成物体检测模型的方法和装置 | |
CN108629823B (zh) | 多视角图像的生成方法和装置 | |
CN109344752B (zh) | 用于处理嘴部图像的方法和装置 | |
CN109377508B (zh) | 图像处理方法和装置 | |
CN109711508B (zh) | 图像处理方法和装置 | |
CN109345580B (zh) | 用于处理图像的方法和装置 | |
CN109308681A (zh) | 图像处理方法和装置 | |
US11514263B2 (en) | Method and apparatus for processing image | |
CN109118456B (zh) | 图像处理方法和装置 | |
CN110288625B (zh) | 用于处理图像的方法和装置 | |
CN112949767A (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
CN110633717A (zh) | 一种目标检测模型的训练方法和装置 | |
CN114792355B (zh) | 虚拟形象生成方法、装置、电子设备和存储介质 | |
CN110895699B (zh) | 用于处理图像的特征点的方法和装置 | |
CN109919220B (zh) | 用于生成视频的特征向量的方法和装置 | |
CN109426878B (zh) | 用于输出信息的方法和装置 | |
CN109523564B (zh) | 用于处理图像的方法和装置 | |
CN108537786B (zh) | 用于处理图像方法和装置 | |
CN113888635B (zh) | 视觉定位方法、相关装置 | |
CN109003223B (zh) | 图片处理方法和装置 | |
CN114780847A (zh) | 一种对象信息处理、信息推送方法、装置和*** | |
CN109961304B (zh) | 用于生成信息的方法和装置 |
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 |