CN102054269B - 图像特征点检测方法及装置 - Google Patents
图像特征点检测方法及装置 Download PDFInfo
- Publication number
- CN102054269B CN102054269B CN200910207058A CN200910207058A CN102054269B CN 102054269 B CN102054269 B CN 102054269B CN 200910207058 A CN200910207058 A CN 200910207058A CN 200910207058 A CN200910207058 A CN 200910207058A CN 102054269 B CN102054269 B CN 102054269B
- Authority
- CN
- China
- Prior art keywords
- point
- value
- neighborhood
- unique point
- image
- 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.)
- Expired - Fee Related
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种图像特征点检测方法及装置,其中方法包括:计算图像金字塔中第S层图像中每个点的高斯拉普拉斯值;选择第一初始候选特征点;将最佳极值模板与以第一初始候选特征点为中心的邻域的点的高斯拉普拉斯值卷积,将卷积值是邻域中极值的第一初始候选特征点作为精确候选特征点;在亚象素级别剔除精确候选特征点中边缘点等不稳定点,从所述精确候选特征点中选择出所述第S层图像的特征点。本发明实施例提供的方法能够减小内存占用,准确检测到图像特征点。
Description
技术领域
本发明涉及图像处理技术,尤其涉及一种图像特征点检测方法及装置。
背景技术
图像配准(Image Registration)指的是对同一场景获取的多幅图像中两两分析并找出相对应的区域,即在空间关系上进行匹配的一种图像分析与处理技术。当图像由不同的传感器或者不同的时间、不同的视角获取时,通常需要进行图像配准。图像配准广泛应用于导航与制导技术、地理图像镶嵌、图像融合、图像检索、目标识别等许多领域。
图像配准中一个重要的步骤就是寻找待匹配的图像的特征信息,例如边缘特征、区域特征和点特征,图像的边缘特征对于旋转、缩放等几何畸变的适应能力不强,图像的区域特征的提取不易达到一致性,而图像的点特征的提取则容易达到高稳定性和高精度,所以图像的特征点检测是获取图像特征信息的一种常用方法。
现有技术中提供一种基于多尺度金字塔思想的图像特征点检测方法,首先构建多尺度图像金字塔,图像金字塔分成多组,每组包括多层,下一组的图像由上一组图像降采样得到,然后进行高斯差分(Difference of Gaussian,简称DOG)计算,利用已经获得的图像金字塔,在每一组由邻近的两层相减得到该组的一个DOG金字塔数据,重复该过程,从而产生多尺度DOG金字塔。然后确定特征点,具体为:将每层图像的每个点和该点的相邻点(即本层与该点相邻的8个点以及上层与该点相邻的9个点和下层与该点相邻的9个点)比较,将DOG值为极大值或极小值的点作为特征点。
发明人在实现本发明的过程中发现:现有技术中基于多尺度金字塔思想的图像特征点检测方法至少存在以下问题:(1)占用大量内存;(2)将DOG值为极大值或极小值的点作为特征点,检测到特征点的准确性不高。
发明内容
本发明实施例针对现有技术存在的问题,提供一种图像特征点检测方法及装置,能够减小内存占用,提高检测到图像特征点的准确性。
本发明实施例提供了一种图像特征点检测方法,包括:
对于待匹配的图像的图像金字塔中第M组图像中的第S层图像,计算第S层图像中每个点的高斯拉普拉斯值,S、M为自然数;
将每个点的高斯拉普拉斯值,与该点的n×n邻域点的高斯拉普拉斯值比较,选择出第一初始候选特征点,以所述第一初始候选特征点为中心的n×n区域中,所述第一初始候选特征点的高斯拉普拉斯值为极值,所述极值为极大值或极小值;
将最佳极值模板与以所述第一初始候选特征点为中心的(n+2)×(n+2)区域的点的高斯拉普拉斯值卷积,获取所述第一初始候选特征点的卷积值,比较每个第一初始候选特征点的卷积值和每个第一初始候选特征点的n×n邻域点的卷积值,选择出精确候选特征点,以所述精确候选特征点为中心的n×n区域中,所述精确候选特征点的卷积值为极值;所述最佳极值模板满足 H为最佳极值模板,Γ表示极值点的集合,F为以所述第一初始候选特征点为中心的n×n区域中各点的高斯拉普拉斯值组成的n×n矩阵,n为奇数,Γ{F}表示在F中的极值点;
剔除所述精确候选特征点中的边缘点,从所述精确候选特征点中选择出所述第S层图像的特征点。
本发明实施例还提供了一种图像特征点检测装置,包括:
计算模块,用于计算待匹配的图像的图像金字塔中第M组图像中的第S层图像中每个点的高斯拉普拉斯值,S、M为自然数;
第一选择模块,用于将所述计算模块计算得到的所述每个点的高斯拉普拉斯值与该点的n×n邻域点的高斯拉普拉斯值比较,选择出第一初始候选特征点,以所述第一初始候选特征点为中心的n×n区域中,所述第一初始候选特征点的高斯拉普拉斯值为极值,所述极值为极大值或极小值;
第二选择模块,用于将最佳极值模板与以所述第一选择模块选择出的所述第一初始候选特征点为中心的(n+2)×(n+2)区域的点的高斯拉普拉斯值卷积,获取所述第一初始候选特征点的卷积值,比较每个第一初始候选特征点的卷积值和每个第一初始候选特征点的n×n邻域点的卷积值,选择出精确候选特征点,以所述精确候选特征点为中心的n×n区域中,所述精确候选特征点的卷积值为极值;所述最佳极值模板满足 H为最佳极值模板,Γ表示极值点的集合,F为以所述第一初始候选特征点为中心的n×n区域中各点的高斯拉普拉斯值组成的n×n矩阵,n为奇数,Γ{F}表示在F中的极值点;
第三选择模块,用于剔除所述第二选择模块选择出的所述精确候选特征点中的边缘点,从所述精确候选特征点中选择出所述第S层图像的特征点。
本发明实施例提供的图像特征点检测方法,首先计算出图像金字塔中各组图像中任意一层图像中各点的LOG值,然后选择出初始候选特征点,再在初始候选特征点中选择出精选候选特征点;在选择初始候选特征点的时候就剔除掉了一部分不可能是特征点的点,减少了后续选择精选特征点的运算量,减小内存占用。并且,由于LOG值的极值是高斯差分(DOG)值的极值的近似估计,将LOG值为极大值或极小值的点作为初始候选特征点,与现有技术中将DOG值为极大值或极小值的点作为特征点的方法相比,能够提高检测到特征点的准确性,另外,采用最佳极值模板获取初始候选特征点的卷积值,通过卷积值选取精确候选特征点,进一步提高了检测到特征点的准确性。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
图1所示为本发明图像特征点检测方法实施例一流程图;
图2所示为本发明实施例中获得最佳极值模板的一种流程图;
图3所示为经过步骤202之后获取的特征点、邻域点及次邻域点示意图;
图4所示为本发明图像特征点检测装置实施例结构示意图。
具体实施方式
如图1所示为本发明图像特征点检测方法实施例一流程图,包括:
步骤101、对于待匹配的图像的图像金字塔中第M组图像中的第S层图像,计算第S层图像中每个点的高斯拉普拉斯(LOG)值,S、M为自然数。
步骤102、将每个点的高斯拉普拉斯值,与该点的n×n邻域点的LOG值比较,选择出第一初始候选特征点,以第一初始候选特征点为中心的n×n区域中,第一初始候选特征点的LOG值为极值,极值为极大值或极小值。其中,每个点作为中心点,与其周围相邻的点可以组成n×n区域,n×n区域中除中心点之外的点称作n×n邻域点。
步骤103、将最佳极值模板与以第一初始候选特征点为中心的(n+2)×(n+2)区域的点的LOG值卷积,获取第一初始候选特征点的卷积值,比较每个第一初始候选特征点的卷积值和每个第一初始候选特征点的n×n邻域点的卷积值,选择出精确候选特征点,以精确候选特征点为中心的n×n区域中,精确候选特征点的卷积值为极值;最佳极值模板满足 H为最佳极值模板,Γ表示极值点的集合,F为以第一初始候选特征点为中心的n×n区域中各点的LOG值组成的n×n矩阵,n为奇数,Γ{F}表示在F中的极值点。
步骤104、剔除精确候选特征点中不稳定的点,从精确候选特征点中选择出所述第S层图像的特征点。其中,不稳定的点可以是精确候选特征点终端边缘点。
本发明实施例提供的图像特征点检测方法,首先计算出图像金字塔中各组图像中任意一层图像中各点的LOG值,然后选择出初始候选特征点,再在初始候选特征点中选择出精选候选特征点;在选择初始候选特征点的时候就剔除掉了一部分不可能是特征点的点,减少了后续选择精选特征点的运算量,减小内存占用。并且,由于LOG值的极值是高斯差分(DOG)值的极值的近似估计,将LOG值为极大值或极小值的点作为初始候选特征点,与现有技术中将DOG值为极大值或极小值的点作为特征点的方法相比,能够提高检测到特征点的准确性,另外,采用最佳极值模板获取初始候选特征点的卷积值,通过卷积值选取精确候选特征点,进一步提高了检测到特征点的准确性。
下面详细介绍每个步骤的具体实现方式。
在进行图像特征点检测之前,可以先建立图像金字塔。具体可以是:基于Linderberg提出的多尺度图像金字塔,尺度变换可以采用公式(1):
G(x,y,σ)=g(x,y,σ)*I(x,y) (1)
公式(1)中, g(x,y,σ)为尺度可变高斯函数,I(x,y)为图像函数,将图像函数I(x,y)与g(x,y,σ)卷积可以得到一层图像,g(x,y,σ)中σ取不同的值,就可以得到一组多层图像。将一组图像降采样,可以得到下一组图像,从而得到图像金字塔。图像金字塔可以包括M组,每组可以包括S层,S、M可以是自然数。例如,图像金字塔中每组图像可以包括3层,从底层到高层依次称作S-1层、S层和S+1层。 gs 2=gs-1,gs+1 2=gs,可以取 便于层间同一位置的点的高斯变换的递归处理。
本发明实施例中以检测图像金字塔一组图像中第S层图像的特征点为例,说明图像特征点的检测方法,对于其他组图像,或者其他层图像,可以采用相同的处理方式。
步骤101具体可以是,取高斯拉普拉斯算子如下:
一层图像中每个点的高斯拉普拉斯值可以表示为: 其中,Gi j为以该点为中心的邻域中各个点的DOG值,本发明实施例中以n=3为例来介绍,即以该点为中心的邻域中包括8个邻域点为例来介绍,即该点和邻域点组成一个3×3的区域,Gi为该点的DOG值,Li为该点的LOG值。将公式(2)中的高斯拉普拉斯算子与以各点为中心的3×3区域组成的矩阵进行卷积,即可得到各点的LOG值。高斯拉普拉斯算子不限于公式(2),也可以是其他的公式,可以根据图像的特点来确定。
步骤102具体可以是:将每个点的LOG值,与以该点8个邻域点的LOG值比较,将LOG值为3×3区域中的极值的点选择为初始候选特征点。在步骤102中选择初始候选特征点时,剔除了一部分不可能是特征点的点,就能够省去与不可能是特征点的点进行卷积的步骤,减少了运算量。
步骤103中,将一个最佳极值模板H与以初始候选特征点为中心的区域组成的矩阵,例如5×5区域组成的矩阵,进行卷积,得到初始候选特征点的卷积值,比较3×3区域的中心点的卷积值和该3×3区域中其余各点的卷积值的大小,如果中心点的卷积值为该3×3区域中各点卷积值的极值,则将该中心点作为精确候选特征点。
图1所示的实施例中,最佳极值模板可以通过离线计算的方式预先获得,获得最佳极值模板的步骤如图2所示,如图2所示为本发明实施例中获得最佳极值模板的一种流程图,包括:
步骤201、选取已正确匹配的多个图像对,对于正确匹配的图像对中任意一个图像的图像金字塔中第M组图像中的第S层图像,计算第S层图像中每个点的LOG值。离线计算时,针对的是已经正确匹配的多个图像对,为了获取针对图1所示的第S层图像的最佳极值模板,在步骤201中需要计算的是已经正确匹配的图像对中任意一个图像的图像金字塔中第M组图像中的第S层图像。
步骤202、将每个点的LOG值,与以该点为中心的n×n邻域中的点的LOG值比较,选择正确匹配的图像对中任意一个图像的图像金子塔中的M组图像中的第S层图像的第二初始候选特征点,以第二初始候选特征点为中心的n×n区域中,第二初始候选特征点的LOG值为极值。步骤202中选择第二初始候选特征点的方法与步骤102中选择第一初始候选特征点的方法相同,本发明实施例中,将待匹配的图像中选择出的初始候选特征点称作第一初始候选特征点,将已经正确匹配的图像中选择出的初始候选特征点称作第二初始候选特征点。
步骤203、以第二初始候选特征点为特征点进行图像匹配,获取正确匹配的特征点对,记录所有正确匹配的特征点的LOG值、正确匹配的特征点的n×n邻域点的LOG值、正确匹配的特征点的次邻域点的LOG值以及正确匹配的特征点的极值符号。其中正确匹配的特征点的次邻域点为正确匹配的特征点的n×n邻域点的n×n邻域点。
步骤204、获取矩阵AM×N,矩阵AM×N的行元素为 p∈[1,M],q∈[1,N],M=T×(N-1),N=n×n,i为正确匹配的特征点的编号,T为正确匹配的特征点的数目,i∈[1,T],j为正确匹配的特征点的邻域点相对于正确匹配的特征点的编号,每个正确匹配的特征点的邻域点的编号均为1,2,......j,......,N-1,k为次邻域点相对于每个邻域点的编号,相对于每个邻域点,次邻域点的编号均为1,2,......k......,N-1,j∈[1,N-1],k∈[1,N-1], p=(i-1)×(N-1)+j,L0,0 i为第i个正确匹配的特征点的高斯拉普拉斯值,Lj,0 i为第i个正确匹配的特征点的第j个邻域点的高斯拉普拉斯值,Lj,k i为第j个邻域点的第k个邻域点的高斯拉普拉斯值,sig(i)为第i个正确匹配的特征点的极值符号。当第i个正确匹配的特征点的LOG值是n×n区域的极大值时,sig(i)为1,当第i个正确匹配的特征点的LOG值是n×n区域的极小值时,sig(i)为-1。
步骤205、求解N元一次不等式组AM×N×XN×1<0,结合约束条件 得到X1~XN。
步骤206、得到初始极值模板H0,初始极值模板的第a行b列元素Ha,b定义为:Ha,b=Xc,c=(a-1)*n+b,a,b∈[1,n],c∈[1,N]。
步骤207、将得到的初始极值模板H0作为最佳极值模板。
下面通过具体的例子来说明初始极值模板的获取。
如图3所示为经过步骤202之后获取的特征点、邻域点及次邻域点示意图,为了便于说明,本发明实施例中以多个特征点中的两个为例来说明,每个特征点与邻域点组成3×3区域,邻域点与自身的邻域点也组成3×3区域。图3中,A和B是两个特征点,A1、A2、A3、A4、A5、A6、A7和A8是A的3×3邻域点,A和其邻域点组成一个3×3的矩阵,邻域点均不是特征点,A的每个邻域点也有自身的邻域点,例如,A1的3×3邻域点包括A9、A10、A14、A2、A16、A4和A,A1的这些3×3邻域点可以称作A的次邻域点。A1、A2、A3、A4、A5、A6、A7和A8作为A的邻域点,可以分配编号为1、2、3、4、5、6、7、8,A9、A10、A14、A2、A16、A4和A作为A1的邻域点,相对于A1,也可以分配编号为1、2、3、4、5、6、7、8。图3中正方形中的数字即为各个点分配的编号。B1、B2、B3、B4、B5、B6、B7和B8是B的邻域点,B和其邻域点组成一个3×3的矩阵,B的各个邻域点也都有自身的邻域点,及B的次邻域点。特征点B的邻域点以及次邻域点的编号的分配法与特征点A相同。
对于图3所示的特征点排布,应用步骤204所述的方法时,A的LOG值为L0,0 1(相当于i=1),A1(i=1,j=1)、A2(i=1,j=2)、A3(i=1,j=3)、A4(i=1,j=4)、A5(i=1,j=5)、A6(i=1,j=6)、A7(i=1,j=7)和A8(i=1,j=8)对应的LOG值分别为L1,0 1、L2,0 1、L3,0 1、L4,0 1、L5,0 1、L6,0 1、L7,0 1、L8,0 1,A1的邻域点依次分别为A9(i=1,j=1,k=1)、A10(i=1,j=1,k=2)、A11(i=1,j=1,k=3)、A14(i=1,j=1,k=4)、A2(i=1,j=1,k=5)、A16(i=1,j=1,k=6)、A4(i=1,j=1,k=7)和A(i=1,j=1,k=8),A1的邻域点对应的LOG值依次分别为L1,1 1、L1,2 1……L1,8 1,类似的可以获取其它邻域点A2等的相关LOG值,不再赘述。
由于有2个特征点,每个特征点有3×3-1=8个领域点,所以M=2×8=16。
记录下图3所示的正确匹配的特征点A和B的LOG值、正确匹配的特征点的邻域点的LOG值、正确匹配的特征点的次邻域点的LOG值以及正确匹配的特征点A和B的极值符号。
获取矩阵A16×9, 是A16×9的行元素,其中p∈[1,16],q∈[1,9]。矩阵A16×9如下:
然后求解9元一次不等式组A16×9×X9×1<0,结合约束条件 得到X1-X9。
得到初始极值模板 初始极值模板H0的第a行b列元素Ha,b定义为:Ha,b=Xc,c=(a-1)*3+b,a,b∈[1,3],c∈[1,9]。
得到初始极值模板H0可以作为最佳极值模板。
计算初始极值模板H0的步骤可以离线进行,即计算初始极值模板H0的步骤可以在图1所示的方法步骤101开始之前,就预先进行,这样图1所示的方法进行时就能直接使用初始极值模板H0。将初始极值模板简化的步骤可以在进行图1所示的各个步骤时进行,例如,步骤102之后,步骤103之前,可以先将获取的初始极值模板简化,然后步骤103中就可以使用简化后的初始极值模板作为最佳极值模板来选择精确候选极值点。
实施例一中,步骤104具体可以是在亚像素级别剔除精确候选特征点中的边缘点等不稳定的点,将精确候选特征点中满足
(1)[Dx,Dy]=[0,0];
(2)DxxDyy-Dxy 2>0;和
这三个条件的点作为图像的特征点。
其中,Dx、Dy是图像中任意一个精确候选特征点的一阶偏导,Dxx、Dyy、Dyy是图像中任意一个精确候选特征点的二阶偏导, Det(H1)=Dxx+Dyy,r为固定值,r可以根据图像处理的需求确定,较佳地,可以取r=14。
通过上述步骤就可以检测出第S层图像的特征点,如果第S层图像检测到的特征点数量不够,则可以采用相同的方法检测第S-1层图像的特征点。
在检测到图像的特征点之后,计算图像的特征点的特征描述,形成该图像的特征描述子,该特征描述子可以是幅度可变特征转换(Scale InvariantFeatures Transformation,简称SIFT)描述子,将该图像的特征描述子与其他图像的特征描述子比较,将特征描述子最接近的图像作为匹配图像;或者可以采用特征点特征向量的欧式距离来确定该图像的匹配图像。
如图4所示为本发明图像特征点检测装置实施例结构示意图,该装置包括:计算模块11、第一选择模块12、第二选择模块13和第三选择模块14,第一选择模块12分别与计算模块11和第二选择模块13连接,第二选择模块13和第三选择模块14连接。其中,计算模块11用于计算待匹配的图像的图像金字塔中第M组图像中的第S层图像中每个点的高斯拉普拉斯值,S、M为自然数;第一选择模块12用于将所述计算模块11计算得到的每个点的高斯拉普拉斯值与该点的n×n邻域点的高斯拉普拉斯值比较,选择出第一初始候选特征点,以第一初始候选特征点为中心的n×n区域中,第一初始候选特征点的高斯拉普拉斯值为极值,所述极值为极大值或极小值;第二选择模块13用于将最佳极值模板与以第一选择模块12选择出的第一初始候选特征点为中心的(n+2)×(n+2)区域的点的高斯拉普拉斯值卷积,获取第一初始候选特征点的卷积值,比较每个第一初始候选特征点的卷积值和每个第一初始候选特征点的n×n邻域点的卷积值,选择出精确候选特征点,以精确候选特征点为中心的n×n区域中,精确候选特征点的卷积值为极值;最佳极值模板满足 H为最佳极值模板,Γ表示极值点的集合,F为以第一初始候选特征点为中心的n×n区域中各点的高斯拉普拉斯值组成的n×n矩阵,n为奇数,Γ{F}表示在F中的极值点;第三选择模块14用于剔除第二选择模块13选择出的精确候选特征点中不稳定的点,从精确候选特征点中选择出所述第S层图像的特征点。
其中,第三选择模块14具体用于将第二选择选择出的所述精确候选特征点中满足[Dx,Dy]=[0,0]、DxxDyy-Dxy 2>0;和 这三个条件的点作为特征点;Dx、Dy是图像中任意一个精确候选特征点的一阶偏导,Dxx、Dxy、Dyy是图像中任意一个精确候选特征点的二阶偏导, Det(H1)=Dxx+Dyy,r为固定值;将精确特征点中不满足这三个条件的剔除。
图4所示的装置还可以包括第一获取模块15,用于通过离线方式获取初始极值模板H0,具体包括:选取已正确匹配的多个图像对,对于所述正确匹配的图像对中任意一个图像的图像金字塔中第M组图像中的第S层图像,计算所述第S层图像中每个点的高斯拉普拉斯值;
将每个点的高斯拉普拉斯值,与以该点为中心的n×n邻域中的点的高斯拉普拉斯值比较,选择正确匹配的图像对中任意一个图像的图像金子塔中的M组图像中的第S层图像的第二初始候选特征点,以所述第二初始候选特征点为中心的n×n区域中,所述第二初始候选特征点的高斯拉普拉斯值为极值;
以所述第二初始候选特征点为特征点进行图像匹配,获取正确匹配的特征点对,记录所有正确匹配的特征点的高斯拉普拉斯值、所述正确匹配的特征点的n×n邻域点的高斯拉普拉斯值、所述正确匹配的特征点的次邻域点的高斯拉普拉斯值以及所述正确匹配的特征点的极值符号;所述正确匹配的特征点的次邻域点为所述正确匹配的特征点的n×n邻域点的n×n邻域点;
获取矩阵AM×N,所述矩阵AM×N的行元素为 p∈[1,M],q∈[1,N],M=T×(N-1),N=n×n,i为所述正确匹配的特征点的编号,T为所述正确匹配的特征点的数目,i∈[1,T],j为所述正确匹配的特征点的邻域点相对于所述正确匹配的特征点的编号,每个正确匹配的特征点的邻域点的编号均为1,2,......j,......,N-1,k为所述次邻域点相对于每个邻域点的编号,相对于每个邻域点,次邻域点的编号均为1,2,......k......,N-1,j∈[1,N-1],k∈[1,N-1], p=(i-1)×(N-1)+j,K0,0 i为第i个正确匹配的特征点的高斯拉普拉斯值,Lj,0 i为第i个正确匹配的特征点的第j个邻域点的高斯拉普拉斯值,Lj,k i为第j个邻域点的第k个邻域点的高斯拉普拉斯值,sig(i)为第i个正确匹配的特征点的极值符号;
求解N元一次不等式组AM×N×XN×1<0,结合约束条件 得到X1~XN;
得到所述初始极值模板H0,所述初始极值模板的第a行b列元素Ha,b定义为:Ha,b=Xc,c=(a-1)*n+b,a,b∈[1,n],c∈[1,N]。
图4所示的装置还可以包括第二获取模块16,用于接收第一获取模块15获取的初始极值模板,并将初始极值模板作为最佳极值模板发送给第二选择模块13。
最后应说明的是:以上实施例仅用以说明本发明的技术方案而非对其进行限制,尽管参照较佳实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对本发明的技术方案进行修改或者等同替换,而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。
Claims (7)
1.一种图像特征点检测方法,其特征在于,包括:
对于待匹配的图像的图像金字塔中第M组图像中的第S层图像,计算第S层图像中每个点的高斯拉普拉斯值,S、M为自然数;
将每个点的高斯拉普拉斯值,与该点的n×n邻域点的高斯拉普拉斯值比较,选择出第一初始候选特征点,以所述第一初始候选特征点为中心的n×n区域中,所述第一初始候选特征点的高斯拉普拉斯值为极值,所述极值为极大值或极小值;
将最佳极值模板与以所述第一初始候选特征点为中心的(n+2)×(n+2)区域的点的高斯拉普拉斯值卷积,获取所述第一初始候选特征点的卷积值,比较每个第一初始候选特征点的卷积值和每个第一初始候选特征点的n×n邻域点的卷积值,选择出精确候选特征点,以所述精确候选特征点为中心的n×n区域中,所述精确候选特征点的卷积值为极值;所述最佳极值模板满足H为最佳极值模板,Γ表示极值点的集合,F为以所述第一初始候选特征点为中心的n×n区域中各点的高斯拉普拉斯值组成的n×n矩阵,n为奇数,Γ{F}表示在F中的极值点;
剔除所述精确候选特征点中不稳定的点,从所述精确候选特征点中选择出所述第S层图像的特征点。
2.根据权利要求1所述的方法,其特征在于,还包括采用离线方式获取初始极值模板H0,具体包括:
选取已正确匹配的多个图像对,对于所述正确匹配的图像对中任意一个图像的图像金字塔中第M组图像中的第S层图像,计算所述第S层图像中每个点的高斯拉普拉斯值;
将每个点的高斯拉普拉斯值,与以该点为中心的n×n邻域中的点的高斯拉普拉斯值比较,选择正确匹配的图像对中任意一个图像的图像金子塔中的M组图像中的第S层图像的第二初始候选特征点,以所述第二初始候选特征点为中心的n×n区域中,所述第二初始候选特征点的高斯拉普拉斯值为极值;
以所述第二初始候选特征点为特征点进行图像匹配,获取正确匹配的特征点对,记录所有正确匹配的特征点的高斯拉普拉斯值、所述正确匹配的特征点的n×n邻域点的高斯拉普拉斯值、所述正确匹配的特征点的次邻域点的高斯拉普拉斯值以及所述正确匹配的特征点的极值符号;所述正确匹配的特征点的次邻域点为所述正确匹配的特征点的n×n邻域点的nxn邻域点;
获取矩阵AM×N,所述矩阵AM×N的行元素为 p∈[1,M],q∈[1,N],M=T×(N-1),N=n×n,i为所述正确匹配的特征点的编号,T为所述正确匹配的特征点的数目,i∈[1,T],j为所述正确匹配的特征点的邻域点相对于所述正确匹配的特征点的编号,每个正确匹配的特征点的邻域点的编号均为1,2,... ...j,... ...,N-1,k为所述次邻域点相对于每个邻域点的编号,相对于每个邻域点,次邻域点的编号均为1,2,... ...k... ...,N-1,j∈[1,N-1],k∈[1,N-1], p=(i-1)×(N-1)+j,为第i个正确匹配的特征点的高斯拉普拉斯值,为第i个正确匹配的特征点的第j个邻域点的高斯拉普拉斯值,为第j个邻域点的第k个邻域点的高斯拉普拉斯值,sig(i)为第i个正确匹配的特征点的极值符号;
得到所述初始极值模板H0,所述初始极值模板的第a行b列元素Ha,b定义为:Ha,b=Xc,c=(a-1)*n+b,a,b∈[1,n],c∈[1,N]。
3.根据权利要求2所述的方法,其特征在于,将所述初始极值模板H0作为所述最佳极值模板。
5.一种图像特征点检测装置,其特征在于,包括:
计算模块,用于计算待匹配的图像的图像金字塔中第M组图像中的第S层图像中每个点的高斯拉普拉斯值,S、M为自然数;
第一选择模块,用于将所述计算模块计算得到的所述每个点的高斯拉普拉斯值与该点的n×n邻域点的高斯拉普拉斯值比较,选择出第一初始候选特征点,以所述第一初始候选特征点为中心的n×n区域中,所述第一初始候选特征点的高斯拉普拉斯值为极值,所述极值为极大值或极小值;
第二选择模块,用于将最佳极值模板与以所述第一选择模块选择出的所述第一初始候选特征点为中心的(n+2)×(n+2)区域的点的高斯拉普拉斯值卷积,获取所述第一初始候选特征点的卷积值,比较每个第一初始候选特征点的卷积值和每个第一初始候选特征点的n×n邻域点的卷积值,选择出精确候选特征点,以所述精确候选特征点为中心的n×n区域中,所述精确候选特征点的卷积值为极值;所述最佳极值模板满足H为最佳极值模板,Γ表示极值点的集合,F为以所述第一初始候选特征点为中心的n×n区域中各点的高斯拉普拉斯值组成的n×n矩阵,n为奇数,Γ{F}表示在F中的极值点;
第三选择模块,用于剔除所述第二选择模块选择出的所述精确候选特征点中不稳定的点,从所述精确候选特征点中选择出所述第S层图像的特征点。
6.根据权利要求5所述的装置,其特征在于,还包括第一获取模块,用于通过离线方式获取初始极值模板H0,具体包括:选取已正确匹配的多个图像对,对于所述正确匹配的图像对中任意一个图像的图像金字塔中第M组图像中的第S层图像,计算所述第S层图像中每个点的高斯拉普拉斯值;
将每个点的高斯拉普拉斯值,与以该点为中心的n×n邻域中的点的高斯拉普拉斯值比较,选择正确匹配的图像对中任意一个图像的图像金子塔中的M组图像中的第S层图像的第二初始候选特征点,以所述第二初始候选特征点为中心的n×n区域中,所述第二初始候选特征点的高斯拉普拉斯值为极值;
以所述第二初始候选特征点为特征点进行图像匹配,获取正确匹配的特征点对,记录所有正确匹配的特征点的高斯拉普拉斯值、所述正确匹配的特征点的n×n邻域点的高斯拉普拉斯值、所述正确匹配的特征点的次邻域点的高斯拉普拉斯值以及所述正确匹配的特征点的极值符号;所述正确匹配的特征点的次邻域点为所述正确匹配的特征点的n×n邻域点的n×n邻域点;
获取矩阵AM×N,所述矩阵AM×N的行元素为 p∈[1,M],q∈[1,N],M=T×(N-1),N=n×n,i为所述正确匹配的特征点的编号,T为所述正确匹配的特征点的数目,i∈[1,T],j为所述正确匹配的特征点的邻域点相对于所述正确匹配的特征点的编号,每个正确匹配的特征点的邻域点的编号均为1,2,... ...j,... ...,N-1,k为所述次邻域点相对于每个邻域点的编号,相对于每个邻域点,次邻域点的编号均为1,2,... ...k... ...,N-1,j∈[1,N-1],k∈[1,N-1], p=(i-1)×(N-1)+j,为第i个正确匹配的特征点的高斯拉普拉斯值,为第i个正确匹配的特征点的第j个邻域点的高斯拉普拉斯值,为第j个邻域点的第k个邻域点的高斯拉普拉斯值,sig(i)为第i个正确匹配的特征点的极值符号;
得到所述初始极值模板H0,所述初始极值模板的第a行b列元素Ha,b定义为:Ha,b=Xc,c=(a-1)*n+b,a,b∈[1,n],c∈[1,N]。
7.根据权利要求6所述的装置,其特征在于,还包括第二获取模块,用于接收所述第一获取模块获取的初始极值模板,并将所述初始极值模板作为最佳极值模板发送给所述第二选择模块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910207058A CN102054269B (zh) | 2009-10-27 | 2009-10-27 | 图像特征点检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200910207058A CN102054269B (zh) | 2009-10-27 | 2009-10-27 | 图像特征点检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102054269A CN102054269A (zh) | 2011-05-11 |
CN102054269B true CN102054269B (zh) | 2012-09-05 |
Family
ID=43958555
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200910207058A Expired - Fee Related CN102054269B (zh) | 2009-10-27 | 2009-10-27 | 图像特征点检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102054269B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8948518B2 (en) * | 2011-07-14 | 2015-02-03 | Futurewei Technologies, Inc. | Scalable query for visual search |
CN103425981B (zh) * | 2012-05-22 | 2017-09-15 | 深圳中兴力维技术有限公司 | 一种基于聚类的团块提取装置及方法 |
CN103077396B (zh) * | 2013-01-11 | 2016-08-03 | 上海电机学院 | 一种彩色图像的向量空间特征点提取方法及装置 |
CN103217120B (zh) * | 2013-03-22 | 2016-03-09 | 浙江理工大学 | 一种激光测厚方法及装置 |
CN104318559A (zh) * | 2014-10-21 | 2015-01-28 | 天津大学 | 用于视频图像匹配的特征点快速检测方法 |
CN106056046B (zh) * | 2016-05-20 | 2019-01-18 | 北京集创北方科技股份有限公司 | 从图像中提取特征的方法和装置 |
IE87469B1 (en) | 2016-10-06 | 2024-01-03 | Google Llc | Image processing neural networks with separable convolutional layers |
CN111460941B (zh) * | 2020-03-23 | 2023-06-09 | 南京智能高端装备产业研究院有限公司 | 一种穿戴式导航装备中视觉导航特征点提取与匹配方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101271520A (zh) * | 2008-04-01 | 2008-09-24 | 北京中星微电子有限公司 | 一种确定图像中的特征点位置的方法及装置 |
CN101493891A (zh) * | 2009-02-27 | 2009-07-29 | 天津大学 | 基于sift的具有镜面翻转不变性的特征提取和描述方法 |
-
2009
- 2009-10-27 CN CN200910207058A patent/CN102054269B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101271520A (zh) * | 2008-04-01 | 2008-09-24 | 北京中星微电子有限公司 | 一种确定图像中的特征点位置的方法及装置 |
CN101493891A (zh) * | 2009-02-27 | 2009-07-29 | 天津大学 | 基于sift的具有镜面翻转不变性的特征提取和描述方法 |
Non-Patent Citations (2)
Title |
---|
唐永鹤 等.基于DOG特征点的序列图像匹配算法.《现代电子技术》.2008,(第4期),全文. * |
王彦 等.一种基于SIFT特征匹配的工件识别方法.《西安理工大学学报》.2009,第25卷(第2期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN102054269A (zh) | 2011-05-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102054269B (zh) | 图像特征点检测方法及装置 | |
CN103822616B (zh) | 一种图分割与地形起伏约束相结合的遥感影像匹配方法 | |
CN103839265A (zh) | 基于sift和归一化互信息的sar图像配准方法 | |
CN106403929B (zh) | 星敏感器星图识别和姿态解算的快速鲁棒校验方法 | |
CN102592281B (zh) | 图像匹配方法 | |
CN103679702A (zh) | 一种基于图像边缘矢量的匹配方法 | |
Liu et al. | A shallow-to-deep feature fusion network for VHR remote sensing image classification | |
CN106898019A (zh) | 基于尺度不变Harris特征的图像配准方法和装置 | |
CN113012208B (zh) | 多视角遥感图像配准方法及系统 | |
CN104933397A (zh) | 图像描述及其图像识别方法 | |
Xia et al. | Globally consistent alignment for planar mosaicking via topology analysis | |
CN105354841A (zh) | 一种快速遥感影像匹配方法及系统 | |
CN105004337A (zh) | 基于直线匹配的农用无人机自主导航方法 | |
Li et al. | A Scale Sequence Object-based Convolutional Neural Network (SS-OCNN) for crop classification from fine spatial resolution remotely sensed imagery | |
CN104992431B (zh) | 多光谱图像配准的方法及装置 | |
Liu et al. | MS-CNN: multiscale recognition of building rooftops from high spatial resolution remote sensing imagery | |
CN115331109A (zh) | 基于旋转等变卷积通道注意力增强和多尺度特征融合的遥感图像目标检测方法 | |
CN104992433B (zh) | 基于线段匹配的多光谱图像配准的方法及装置 | |
Jiang et al. | AFSNet: Attention-guided full-scale feature aggregation network for high-resolution remote sensing image change detection | |
Wang et al. | Swin transformer based pyramid pooling network for food segmentation | |
CN107221007A (zh) | 一种基于图像特征降维的无人车单目视觉定位方法 | |
Cassinis et al. | Comparative assessment of image processing algorithms for the pose estimation of uncooperative spacecraft | |
Wang et al. | Utilizing parallel networks to produce sub-pixel shifted images with multiscale spatio-spectral information for soft-then-hard sub-pixel mapping | |
Kim et al. | Geometric correction for the geostationary ocean color imager from a combination of shoreline matching and frequency matching | |
Cui et al. | Feature fusion network model based on dual attention mechanism for hyperspectral image classification |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120905 Termination date: 20191027 |
|
CF01 | Termination of patent right due to non-payment of annual fee |