CN115661036A - 基于纹理特征的角点检测方法、***、电子设备及介质 - Google Patents
基于纹理特征的角点检测方法、***、电子设备及介质 Download PDFInfo
- Publication number
- CN115661036A CN115661036A CN202211178236.5A CN202211178236A CN115661036A CN 115661036 A CN115661036 A CN 115661036A CN 202211178236 A CN202211178236 A CN 202211178236A CN 115661036 A CN115661036 A CN 115661036A
- Authority
- CN
- China
- Prior art keywords
- image
- texture
- corner detection
- processed
- corner
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 114
- 238000000034 method Methods 0.000 claims abstract description 35
- 238000001914 filtration Methods 0.000 claims description 43
- 238000004590 computer program Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000005316 response function Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及图像检测技术领域,提供了一种基于纹理特征的角点检测方法、***、电子设备及介质。所述方法包括:对待处理图像进行纹理特征提取,得到纹理图像;将所述纹理图像与所述待处理图像进行融合,得到融合后的图像;基于所述纹理图像,对所述融合后的图像进行角点检测。该方法将待处理图像的背景和纹理分离,得到纹理图像,并将纹理图像与待处理图像融合,得到融合后的图像,基于纹理图像对融合后的图像进行角点检测。采用本方法通过对图像的纹理特征进行角点检测,所选择的像素位置能更好的反应角点的性能,大大节省算力和耗时。
Description
技术领域
本申请涉及图像检测技术领域,特别是涉及一种基于纹理特征的角点检测方法、***、电子设备及介质。
背景技术
图像中的兴趣点(又称为关键点、特征点)是在图像中容易检测且具有代表意义的点。基于这些点,可以进行目标识别、图像匹配和缺陷检测等。角点是图像中最基本的一种兴趣点,它可定义为图像中两个边缘的交点,或目标轮廓线上曲率的局部极大点。角点特征具有计算量少,匹配简单以及旋转、平移、放缩不变性等特点,因此在图像配准与匹配、目标识别、运动分析、目标跟踪等应用领域都起着非常重要的作用。现有的图像角点检测严重依赖于检测点的顺序和角点附近的分布,很难说明所选择比较的像素位置能最好的反应角点性能;且由于遍历所有的像素点,导致耗时较多。
发明内容
鉴于现有技术中的上述缺陷或不足,期望提供一种基于纹理特征的角点检测方法、***、电子设备及介质。
第一方面,本申请实施例提供一种基于纹理特征的角点检测方法,包括:
对待处理图像进行纹理特征提取,得到纹理图像;
将所述纹理图像与所述待处理图像进行融合,得到融合后的图像;
基于所述纹理图像,对所述融合后的图像进行角点检测。
在一个实施例中,所述对待处理图像进行纹理特征提取之前还包括:
对所述待处理图像进行滤波处理,得到滤波后的图像。
在一个实施例中,所述滤波处理的方法包括至少如下一种:高斯滤波法、Gabor滤波法。
在一个实施例中,采用高斯滤波法对所述待处理图像进行滤波处理包括:
采用不同尺度因子、不同的半径的高斯核函数对待处理图像进行尺度处理,得到滤波后的图像:
I(x,y)Ri=Gaussiani(I(x,y)in);i=[1,2,…,N]
其中,i表示滤波次数,Gaussiani表示第i个尺度因子为σi、半径为Ri的高斯核函数,I(x,y)in表示待处理图像,I(x,y)Ri表示第i个滤波后的图像。
在一个实施例中,对所述滤波后的图像进行纹理特征提取,得到纹理图像,公式如下:
其中,I(x,y)Detaili表示第i个细节图像;I(x,y)Detail表示纹理图像,wi表示第i个权重值。
在一个实施例中,所述融合后的图像I(x,y)out为:
I(x,y)out=I(x,y)in+I(x,y)Detail。
在一个实施例中,所述角点检测的方法包括至少如下一种:SIFT角点检测、ORB角点检测、FAST角点检测、Harris角点检测、SURF角点检测。
第二方面,本申请实施例提供一种基于纹理特征的角点检测方法,包括:
纹理提取单元,用于对待处理图像进行纹理特征提取,得到纹理图像;
图像融合单元,用于将所述纹理图像与所述待处理图像进行融合,得到融合后的图像;
角点检测单元,用于基于所述纹理图像,对所述融合后的图像进行角点检测。
在一个实施例中,所述***还包括:
图像滤波单元,所述图像滤波单元用于对所述待处理图像进行滤波处理,得到滤波后的图像。
在一个实施例中,所述图像滤波单元,还用于采用不同尺度因子、不同的半径的高斯核函数对待处理图像进行尺度处理,得到滤波后的图像。
第三方面,本申请实施例提供了一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现本申请任意实施例所提供的基于纹理特征的角点检测方法的步骤。
第四方面,本申请实施例提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现本申请任意实施例所提供的基于纹理特征的角点检测方法的步骤。
本申请实施例所提供的基于纹理特征的角点检测方法、***、电子设备及介质,该基于纹理特征的角点检测方法中,将待处理图像的背景和纹理分离,得到纹理图像,并将纹理图像与待处理图像融合,得到融合后的图像,基于纹理图像对融合后的图像进行角点检测,通过对图像的纹理特征进行角点检测,所选择的像素位置能更好的反应角点的性能,大大节省算力和耗时。
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为本申请实施例提供的一种基于纹理特征的角点检测方法中的一种示例性流程图;
图2为本申请实施例提供的一种基于纹理特征的角点检测方法中的另一种示例性流程图;
图3为本申请实施例提供的待处理图像和融合后的图像的对比图;其中,图(a)为待处理图像;图(b)为融合后的图像;
图4为本申请实施例提供的FAST角点检测方法的示例性流程图;
图5为本申请实施例提供的一种基于纹理特征的角点检测***的一种示例性结构框图;
图6为本申请实施例提供的一种基于纹理特征的角点检测***的另一种示例性结构框图;
图7为本申请实施例提供的一种电子设备的结构示意图。
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。
参考图1所示的基于纹理特征的角点检测方法的示例性流程图,本申请实施例提供一种基于纹理特征的角点检测方法100,包括:
S120:对待处理图像进行纹理特征提取,得到纹理图像;
S130:将所述纹理图像与所述待处理图像进行融合,得到融合后的图像;
S140:基于所述纹理图像,对所述融合后的图像进行角点检测。
具体的,待处理图像为从获取的视频中提取的任意一帧图像,将该帧图像作为原始图像进行纹理特征提取,使原始图像的背景与纹理进行分离,从而得到纹理图像,并将纹理图像与待处理图像融合,得到融合后的图像,基于纹理图像对融合后的图像进行角点检测,可以大大节省算力和耗时,且后续也可以基于纹理图像进行图像的配准。
本申请实施例提供的基于纹理特征的角点检测方法,角点的检测不依赖于检测点的顺序和角点附近的分布,由于角点基本位于纹理特征处,因此,基于图像的纹理特征进行角点检测,所选择的像素位置能更好的反应角点的性能,检测时间短,检测效率和准确性高。
在一个实施例中,在步骤S120之前还包括以下步骤:
S110:对所述待处理图像进行滤波处理,得到滤波后的图像。
具体的,如图2所示,在对待处理图像进行纹理特征提取之前,先对待处理图像进行滤波处理,再对滤波后的图像进行纹理特征提取,过对待处理图像进行滤波处理可以去除图像中的噪声,避免将图像中的噪声点被误认为角点,提高角点检测的准确性。
在一个实施例中,步骤S110中,所述滤波处理的方法包括至少如下一种:高斯滤波法、Gabor滤波法。
具体的,可以采用高斯滤波法、Gabor滤波法等对待处理图像中的噪声进行去除,提高后续图像角点检测的准确性。
在一个实施例中,步骤S110中,采用高斯滤波法对所述待处理图像进行滤波处理包括:
采用不同尺度因子、不同的半径的高斯核函数对待处理图像进行尺度处理,得到滤波后的图像:
I(x,y)Ri=Gaussiani(I(x,y)in);i=[1,2,…,N]
其中,i表示滤波次数,σi表示第i个尺度因子,Ri表示第i个半径,Gaussiani表示第i个尺度因子为σi、半径为Ri的高斯核函数,I(x,y)in表示待处理图像,I(x,y)Ri表示第i个滤波后的图像。
具体的,高斯核函数是图像处理中对图像构造尺度空间的方法,是使用不同尺度因子σi、不同半径Ri的高斯核Gaussiani对图像进行卷积,已达到对图像进行尺度处理,得到不同尺度的滤波后的图像。本申请实施例中,对滤波次数i、尺度因子σi、半径Ri的具体数值不做特别限制,本领域的技术人员可以根据实际需求任意选择。
示例性的,如滤波次数i的最大值N取3,即对待处理图像进行三次高斯滤波,具体如下:
I(x,y)R1=Gaussian1(I(x,y)in),σ1=1.0,R1=r
I(x,y)R2=Gaussian2(I(x,y)in),σ2=2.0,R1=2r
I(x,y)R3=Gaussian3(I(x,y)in),σ3=4.0,R1=4r
通过采用三个不同的尺度因子σ1、σ2、σ3对待处理图像分别进行处理,得到三个不同尺度的滤波后的图像,便于后续根据不同尺度的滤波后的图像提取图像的细节信息以得到相应的纹理特征图。
在一个实施例中,步骤S120中,对所述滤波后的图像进行纹理特征提取,得到纹理图像,公式如下:
其中,I(x,y)Detaili表示第i个细节图像;I(x,y)Detail表示纹理图像,wi表示第i个权重值。
具体的,先根据待处理图像以及不同尺度的滤波后的图像得到多个细节图像,再为多个细节图像分别配置相应的权重以获取纹理图像。本申请实施例中,对权重值wi不做特别限定,本领域的技术人员可以根据实际需求任意选择设置。
示例性的,如权重值w1=0.50,w2=0.50,w3=0.25,则多个细节图像和纹理图像如下:
I(x,y)Detail1=I(x,y)in-I(x,y)R1
I(x,y)Detail2=I(x,y)R1-I(x,y)R2
I(x,y)Detail3=I(x,y)R2-I(x,y)R3
I(x,y)Detail=(1-w1×sgn(I(x,y)Detail1))×I(x,y)Detail1+w2×I(x,y)Detail2+w3×I(x,y)Detail3
在一个实施例中,步骤S130中,所述融合后的图像I(x,y)out为:
I(x,y)out=I(x,y)in+I(x,y)Detail
具体的,将待处理的图像和纹理图像相加,得到融合后的图像。图3(a)待处理的图像即原始图像,图3(b)为融合后的图像,通过对比图3(a)和图3(b)可知,融合后的图像的纹理特征更加明显,有利于角点的检测。
在一个实施例中,S140中的,所述角点检测的方法包括至少如下一种:SIFT角点检测、ORB角点检测、FAST角点检测、Harris角点检测、SURF角点检测。
具体的,本申请实施例中,基于纹理图像,可以配合多种角点检测方法进行角点检测,如SIFT(Scale-invariant feature transform,尺度不变性特征变换)角点检测、ORB(Oriented FAST and Rotated BRIEF)角点检测、FAST(Features from AcceleratedSegment Test)角点检测、Harris角点检测、SURF(Speeded Up Robust Features,加速鲁棒性特征)角点检测等任意一种角点检测方法。
其中,Harris角点检测是在邻域内的各个方向上灰度变化值足够高的点,是图像边缘曲线上曲率极大值的点,角点检测的基本思想是:使用角点检测算子,对图像的每个像素计算角点响应函数(Corner Response Function),阈值化角点响应函数,根据实际情况选择阈值,对阈值化的角点响应函数进行非极大值抑制,并获取非零点作为角点;通过一个小的滑动窗口在邻域检测角点在任意方向上移动窗口,若窗口内的灰度值都有剧烈的变化,则窗口的中心就是角点。
在一个实施例中,步骤S140中,基于所述纹理图像,采用FAST角点检测方法对所述融合后的图像进行角点检测,包括:
在所述纹理图像上确定一点P′(x,y),在所述融合后的图像上找到与点P′(x,y)对应的点P(x,y),设定点P(x,y)的像素为IP;
在所述融合后的图像中,以点P(x,y)为中心点,以r为半径画圆,圆上覆盖M个像素;
设定阈值t,若点P(x,y)周围圆上的M个像素中有连续Q个点的像素小于IP-t或者大于IP+t,则点P(x,y)为角点;M≥Q。
具体的,在纹理图像上确定一点P′(x,y),在融合后的图像中找到点P′(x,y)对应的点P(x,y),然后对融合后的图像进行角点检测,如基于FAST角点检测方法,将点P(x,y)与该点周围圆上的16个像素点进行判断,确定点P(x,y)是否为角点,即确定点P′(x,y)是否为角点,然后依次确定纹理图像中的下个点是否为角点,直至找到纹理图像上的所有角点,结束角点检测。由于所有的角点基本都处于纹理处,通过检查纹理点是否为角点,可以缩短检测时间,提高检测效率。
示例性的,如采用FAST角点检测方法进行角点检测,FAST方法是一种基于模板和机器学习的角点检测方法,不仅计算速度快,还具有较高的精确度。FAST方法主要是考虑像素点附近的圆形窗口上的16个像素,如下图4所示,p为中心像素点,而白框标示的点像素则是我们需要考虑的点。FAST角点定义为:若一个像素周围有一定数量的像素与该点像素值不同,则认为其为角点,具体角点检测包括以下步骤:
选取图像的一个点P,P点的像素表示为IP。
以r为半径画圆,覆盖P点周围的M个像素,如下图4所示:r=3,M=16。
设定阈值t,如果P点周围的16个像素点中有连续Q个点的像素小于IP-t或者大于IP+t,则该点就被认为角点。阈值t在不同场景取值有差异,若阈值t为0,则可以理解为有连续Q个点的像素大于或小于IP的灰度值,则该点为角点。本申请实施例中,Q通常取12或9,实验表明Q取12时的角点检测性能最稳定、速度更快、效果也很好,也有实验表明Q取9时的角点检测性能更佳。具体的角点检测公式如下:
其中,IP表示中心点P的像素值,Ip→x表示点P的周围圆形模板x处的像素点;当点P的周围圆形模板x处的像素点Ip→x小于IP-t,则该像素属于darker(暗些),Sp→x=d;其他两种情况分别表示brighter(亮些)和similar(相似),因此,将中心点P周围的圆形区域划分为d、s和b三种类型,统计d或b出现的次数大于Q(Q取12或9),则该点被认为是候选角点。
在一个优选实施例中,步骤S140中,基于所述纹理图像,采用改进的FAST角点检测方法对所述融合后的图像进行角点检测,包括:
在所述纹理图像上确定一点P′(x,y),在所述融合后的图像上找到与点P′(x,y)对应的点P(x,y),设定点P(x,y)的像素为IP;
在所述融合后的图像中,以点P(x,y)为中心点,以r为半径画圆,圆上覆盖M个像素;
设定阈值t,在点P(x,y)周围圆上的M个像素中选择相互垂直方向上的四个点,若四个点中的像素值有至少三个点的像素值小于IP-t或者大于IP+t,则点P(x,y)为候选角点,重复判断,直至点P(x,y)周围圆上的M个像素中有连续Q个点的像素小于IP-t或者大于IP+t,则点P(x,y)为角点;M≥Q。
具体的,在上述分割测试中,为了加快速度,无需对这些像素点进行逐一比较,可以先比较中心点P周围圆上水平方向和垂直方向上的四个点与中心点像素值的大小,如1、5、9、13处点的像素值,先判断这四个点中的像素值是否满足有3个或3个以上小于IP-t或者大于IP+t,如果不满足,则直接跳过;若果满足,则认为该点处为候选角点,并继续使用前述方法,若16个像素点中有12个点满足条件,则认为该点为角点;该角点检测方法进一步加快的角点检测速率。
应当注意,尽管在附图中以特定顺序描述了本发明方法的操作,但是,这并非要求或者暗示必须按照该特定顺序来执行这些操作,或是必须执行全部所示的操作才能实现期望的结果。相反,流程图中描绘的步骤可以改变执行顺序。
本申请实施例的第二方面,参考图5所示的基于纹理特征的角点检测***的示例性结构框图,本实施例的一种基于纹理特征的角点检测***200,包括:
纹理提取单元220,用于对待处理图像进行纹理特征提取,得到纹理图像;
图像融合单元230,用于将所述纹理图像与所述待处理图像进行融合,得到融合后的图像;
角点检测单元240,用于基于所述纹理图像,对所述融合后的图像进行角点检测。
具体的,本申请实施例提供的***,通过将待处理图像的背景与纹理进行分离,得到纹理图像,基于图像的纹理特征进行角点检测,确定纹理特征是否为角点,所选择的像素位置能更好的反应角点的性能,可以大大节省算力和耗时。
在一个实施例中,如图6所示,所述***还包括:
图像滤波单元210,所述图像滤波单元用于对所述待处理图像进行滤波处理,得到滤波后的图像。
具体的,通过图像滤波单元210对待处理图像进行滤波处理可以去除图像中的噪声,避免将图像中的噪声点被误认为角点,提高角点检测的准确性。图像滤波单元210可用于执行高斯滤波法、Gabor滤波法。
在一个实施例中,所述图像滤波单元210,还用于采用不同尺度因子、不同的半径的高斯核函数对待处理图像进行尺度处理,得到滤波后的图像。
具体的,图像滤波单元210采用高斯滤波的方法对待处理图像进行滤波处理,具体的高斯滤波方法如上所述,本申请实施例不再一一赘述。
在一个实施例中,所述纹理提取单元220,用于根据待处理图像以及不同尺度的滤波后的图像得到多个细节图像,并为多个细节图像分别配置相应的权重以获取纹理图像。
具体的,纹理提取单元220用于对待处理图像以及不同尺度的滤波后的图像进行处理,获取纹理图像,具体纹理图像的提取方法如上所述。
在一个实施例中,所述图像融合单元230,用于将所述纹理图像与所述待处理图像进行相加,得到融合后的图像。
在一个实施例中,所述角点检测单元240,用于执行如下至少一种方法:SIFT角点检测、ORB角点检测、FAST角点检测、Harris角点检测、SURF角点检测。
具体的,角点检测单元240执行的检测方法如上所述,本申请实施例不再一一赘述。
本申请实施例的第三方面,提供了一种电子设备,其内部结构图可以如图7所示。该电子设备包括通过***总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该电子设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、近场通信(NFC)或其他技术实现。该计算机程序被处理器执行时以实现一种基于纹理特征的角点检测方法。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该电子设备的输入装置可以是显示屏上覆盖的触摸层,也可以是电子设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的电子设备的限定,具体的电子设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的基于纹理特征的角点检测***200可以实现为一种计算机程序的形式,计算机程序可在如图7所示的电子设备上运行。电子设备的存储器中可存储组成该基于纹理特征的角点检测***200的各个程序模块,比如,图6所示的图像滤波单元210、纹理提取单元220、图像融合单元230、角点检测单元240等。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的基于纹理特征的角点检测方法中的步骤。
在一个实施例中,提供了一种电子设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行计算机程序时实现以下上述基于纹理特征的角点检测方法的步骤。
在一个实施例中,还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,比如静态随机存取存储器(Static Random Access Memory,SRAM)和动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于纹理特征的角点检测方法,其特征在于,包括:
对待处理图像进行纹理特征提取,得到纹理图像;
将所述纹理图像与所述待处理图像进行融合,得到融合后的图像;
基于所述纹理图像,对所述融合后的图像进行角点检测。
2.根据权利要求1所述的基于纹理特征的角点检测方法,其特征在于,所述对待处理图像进行纹理特征提取之前还包括:
对所述待处理图像进行滤波处理,得到滤波后的图像。
3.根据权利要求2所述的基于纹理特征的角点检测方法,其特征在于,所述滤波处理的方法包括至少如下一种:高斯滤波法、Gabor滤波法。
4.根据权利要求3所述的基于纹理特征的角点检测方法,其特征在于,采用高斯滤波法对所述待处理图像进行滤波处理包括:
采用不同尺度因子、不同的半径的高斯核函数对待处理图像进行尺度处理,得到滤波后的图像:
I(x,y)Ri=Gaussiani(I(x,y)in);i=[1,2,…,N]
其中,i表示滤波次数,Gaussiani表示第i个尺度因子为σi、半径为Ri的高斯核函数,I(x,y)in表示待处理图像,I(x,y)Ri表示第i个滤波后的图像。
6.根据权利要求5所述的基于纹理特征的角点检测方法,其特征在于,所述融合后的图像I(x,y)out为:
I(x,y)out=I(x,y)in+I(x,y)Detail。
7.根据权利要求1-6任一项所述的基于纹理特征的角点检测方法,其特征在于,所述角点检测的方法包括至少如下一种:SIFT角点检测、ORB角点检测、FAST角点检测、Harris角点检测、SURF角点检测。
8.一种基于纹理特征的角点检测***,其特征在于,包括:
纹理提取单元,用于对待处理图像进行纹理特征提取,得到纹理图像;
图像融合单元,用于将所述纹理图像与所述待处理图像进行融合,得到融合后的图像;
角点检测单元,用于基于所述纹理图像,对所述融合后的图像进行角点检测。
9.一种电子设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述的基于纹理特征的角点检测方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的基于纹理特征的角点检测方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211178236.5A CN115661036A (zh) | 2022-09-26 | 2022-09-26 | 基于纹理特征的角点检测方法、***、电子设备及介质 |
PCT/CN2022/141469 WO2024066090A1 (zh) | 2022-09-26 | 2022-12-23 | 基于纹理特征的角点检测方法、***、电子设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211178236.5A CN115661036A (zh) | 2022-09-26 | 2022-09-26 | 基于纹理特征的角点检测方法、***、电子设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115661036A true CN115661036A (zh) | 2023-01-31 |
Family
ID=84985341
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211178236.5A Pending CN115661036A (zh) | 2022-09-26 | 2022-09-26 | 基于纹理特征的角点检测方法、***、电子设备及介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN115661036A (zh) |
WO (1) | WO2024066090A1 (zh) |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913463B (zh) * | 2016-04-11 | 2018-12-25 | 中南大学 | 一种基于位置先验的纹理-颜色特征全局显著性检测方法 |
CN111340752A (zh) * | 2019-12-04 | 2020-06-26 | 京东方科技集团股份有限公司 | 屏幕的检测方法、装置、电子设备及计算机可读存储介质 |
AU2020100199A4 (en) * | 2020-02-08 | 2020-03-19 | Cao, Sihua MR | A medical image fusion method based on two-layer decomposition and improved spatial frequency |
CN111784642B (zh) * | 2020-06-10 | 2021-12-28 | 中铁四局集团有限公司 | 一种图像处理方法、目标识别模型训练方法和目标识别方法 |
CN114449181B (zh) * | 2020-11-05 | 2023-04-21 | 晶晨半导体(上海)股份有限公司 | 图像和视频处理方法及其***、数据处理设备、介质 |
CN114998162A (zh) * | 2022-06-23 | 2022-09-02 | 上海闻泰信息技术有限公司 | 运动物体检测方法、装置、终端设备及存储介质 |
-
2022
- 2022-09-26 CN CN202211178236.5A patent/CN115661036A/zh active Pending
- 2022-12-23 WO PCT/CN2022/141469 patent/WO2024066090A1/zh unknown
Also Published As
Publication number | Publication date |
---|---|
WO2024066090A1 (zh) | 2024-04-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414507B (zh) | 车牌识别方法、装置、计算机设备和存储介质 | |
CN108875723B (zh) | 对象检测方法、装置和***及存储介质 | |
CN107945111B (zh) | 一种基于surf特征提取结合cs-lbp描述符的图像拼接方法 | |
Huang et al. | Saliency and co-saliency detection by low-rank multiscale fusion | |
US9240038B2 (en) | Method and apparatus for acquiring weight coefficient of digital filter | |
CN114155365B (zh) | 模型训练方法、图像处理方法及相关装置 | |
CN113781406B (zh) | 电子元器件的划痕检测方法、装置及计算机设备 | |
CN111199197B (zh) | 一种人脸识别的图像提取方法及处理设备 | |
CN110503704B (zh) | 三分图的构造方法、装置和电子设备 | |
CN116580028B (zh) | 一种物体表面缺陷检测方法、装置、设备及存储介质 | |
CN114359591A (zh) | 一种融合边缘特征的自适应图像匹配算法 | |
CN111951283A (zh) | 一种基于深度学习的医学图像识别方法及*** | |
CN116030237A (zh) | 工业缺陷检测方法、装置及电子设备、存储介质 | |
CN110796250A (zh) | 应用于卷积神经网络的卷积处理方法、***及相关组件 | |
CN108960247B (zh) | 图像显著性检测方法、装置以及电子设备 | |
CN113128554A (zh) | 一种基于模板匹配的目标定位方法、***、装置及介质 | |
CN112634288A (zh) | 设备区域图像分割方法及装置 | |
CN110516731B (zh) | 一种基于深度学习的视觉里程计特征点检测方法及*** | |
CN113129298B (zh) | 文本图像的清晰度识别方法 | |
CN111382638A (zh) | 一种图像检测方法、装置、设备和存储介质 | |
CN112734747A (zh) | 一种目标检测方法、装置、电子设备和存储介质 | |
CN115661036A (zh) | 基于纹理特征的角点检测方法、***、电子设备及介质 | |
CN111753722B (zh) | 一种基于特征点类型的指纹识别方法及装置 | |
CN113793372A (zh) | 异源图像的优化配准方法及*** | |
CN109815791B (zh) | 基于血管的身份识别方法和装置 |
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 |