CN102592277A - 基于灰度子集合划分的曲线自动匹配方法 - Google Patents
基于灰度子集合划分的曲线自动匹配方法 Download PDFInfo
- Publication number
- CN102592277A CN102592277A CN2011104319563A CN201110431956A CN102592277A CN 102592277 A CN102592277 A CN 102592277A CN 2011104319563 A CN2011104319563 A CN 2011104319563A CN 201110431956 A CN201110431956 A CN 201110431956A CN 102592277 A CN102592277 A CN 102592277A
- Authority
- CN
- China
- Prior art keywords
- curve
- vector
- supporting zone
- width
- matching
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于灰度子集合划分的曲线自动匹配方法,包括:采集图像并输入计算机,提取图像中的曲线段,确定曲线支撑区域,对曲线支撑区域进行子集合划分,计算支撑区域内各点的特征向量,计算子区域均值描述向量与标准差描述向量,计算曲线匹配描述子,进行曲线匹配。本发明提供的方法能够克服已有方法对图像形变敏感的问题,具有更好的匹配性能。
Description
技术领域
本发明涉及计算机视觉中的图像特征自动匹配领域,特别是数字图像中曲线自动匹配方法。
背景技术
特征匹配技术在图像检索、物体识别、视频跟踪以及增强现实等领域有重要应用。目前已有的曲线匹配方法主要有如下两类,第一类是基于曲线形状的匹配方法,该方法主要利用曲线自身的曲率变化等形状信息进行曲线匹配,常见思路是对曲线形状信息进行频域变换后利用频域变换系数进行特征匹配,该类方法的主要问题是曲线形状包含的信息较少导致匹配准确性不高;第二类方法是基于图像内容的匹配方法,该类方法利用曲线附近的图像纹理结构信息构造匹配描述子进行曲线匹配,相对于第一类方法匹配性能更好。第二类方法研究较少,主要代表是基于均值标准差曲线描述子的方法(文献MSLD:A Robust Descriptor for Line Matching.Pattern Recognition.2009,42(5):941-945提出了基于均值标准差描述子的直线匹配方法,文中将该方法进行推广获得了均值标准差曲线描述子),该方法将曲线邻域划分为一系列正方形子区域,然后将每个子区域的结构信息表述为向量形式,最后构建描述矩阵并计算矩阵各列向量的均值与标准差来构造曲线匹配描述子并进行曲线匹配。在图像局部形变较小条件下,该方法能够获得较好的匹配效果,在局部形变较大时,该方法使用的规则形状子区域划分将会造成较大的边界误差,导致匹配效果不佳。
发明内容
本发明针对已有均值标准差曲线描述子进行固定形状子区域划分导致对图像局部形变敏感的问题,目的是提供一种对图像局部形变具有更强稳定性的曲线自动匹配方法。为了实现本目的,本发明提供的基于灰度子集合划分的曲线自动匹配方法,包括以下步骤:
步骤S1:从不同角度拍摄同一场景两幅不同图像并输入计算机;
步骤S2:利用Canny边缘检测算子分别对两幅图像进行曲线段检测;
步骤S3:通过确定曲线上各点的支撑区域来确定曲线的支撑区域;
步骤S4:根据曲线支撑区域内各像素点的灰度排序将支撑区域内包含的像素点划分为若干子集合;
步骤S5:构造曲线匹配描述子;
步骤S51:根据邻域点与中心点灰度值的偏差计算曲线支撑区域内各点的8维描述向量;
步骤S52:通过计算各像素8维描述向量的均值与标准差获得各子集合均值描述向量与标准差描述向量;
步骤S53:分别将各子集合的均值描述向量与标准差描述向量组成曲线支撑区域的均值描述向量与标准差描述向量,经过归一化处理后获得曲线匹配描述子;
步骤S6:利用欧氏距离度量匹配描述子之间的相似性并基于双向匹配原则进行曲线匹配。
本发明提供的基于灰度子集合划分的曲线自动匹配方法主要利用图像中曲线邻域内结构信息构造匹配描述子进行曲线匹配,与已有方法在构造匹配描述子时根据几何位置对曲线支撑区域进行固定形状子区域划分不同,本发明提供的方法利用区域内各像素灰度的排序进行子集合划分,由于图像形变主要影响像素的几何位置造成固定形状子区域划分产生边界误差,而对像素的灰度排序几乎没有影响,使得本发明提供的方法能够克服已有方法在图像形变存在下性能不稳定的问题,因而具有更优的性能。
附图说明
图1所示为本发明基于灰度子集合划分的曲线自动匹配方法的流程图。
具体实施方式
如图1所示为本发明基于灰度子集合划分的曲线自动匹配方法的流程图,包括:采集图像并输入计算机,提取图像中的曲线段,确定曲线支撑区域,对曲线支撑区域进行子集合划分,计算支撑区域内各点的特征向量,计算子区域均值描述向量与标准差描述向量,计算曲线匹配描述子,进行曲线匹配。各步骤的具体实施细节如下:
步骤S1:从不同角度拍摄同一场景两幅不同图像并输入计算机;
步骤S2:利用Canny边缘检测算子分别对两幅图像进行曲线段检测;
步骤S3:对于两幅图像中任一条曲线C,按照下述方式确定其支撑区域:记曲线C由m个点组成,对组成曲线C的任一点Pi,i=1,2,...,m,将Pi为圆心,R为半径的圆形区域定义为点Pi的支撑区域,记为G(Pi);曲线C上所有点的支撑区域覆盖的区域定义为曲线C的支撑区域,记为G(C)=G(P1)∪G(P2)∪...∪G(Pm);
步骤S4:对于两幅图像中任一条曲线C,按照下述方式对其支撑区域进行子集合划分:假设曲线C的支撑区域G(C)包含n个像素,各像素点的灰度值进行升序排列,根据灰度大小将区域G(C)中包含的n个像素点划分为N个子集合:Gk={xj:tk-1≤I(xj)≤tk},1≤k≤N,I表示像素灰度值,阈值tk的确定原则是保证每个子集合包含的像素点个数相等;
步骤S5:对于两幅图像中任一条曲线C,按照下述步骤为其构造曲线匹配描述子:
步骤S51:对于曲线支撑区域内任一点P0,顺时针考虑P0的8个邻域点P1,P2,...,P8,其中P1为8个邻域点中灰度值最大的点,按下述方式计算点P0的8维描述向量:V=[V1,V2,...,V8],其中表示Pi处的灰度值,阈值T取0.01-0.15;
步骤S52:将曲线的支撑区域G(C)中包含的像素点按步骤S4所述方式划分为子集合Gk,k=1,2,...,N后,对其中任一子集合Gk,记步骤S51获得的曲线支撑区域G(C)中各点的8维描述向量分别为V1,V2,...,Vn/N,分别计算各描述向量的均值描述向量Mk=Mean{V1,V2,...,Vn/N}与标准差描述向量Sk=Std{V1,V2,...,Vn/N},其中Mean表示计算各描述向量的均值,Std表示计算各描述向量的标准差;
步骤S53:将步骤S52获得的各子集合的均值描述向量M1,M1,...,MN与标准差描述向量S1,S1,...,SN分别组成一个向量,获得区域G(C)的均值描述向量M=[M1,M1,...,MN]与标准差描述向量S=[S1,S1,...,SN];分别对均值描述向量M与标准差描述向量S进行归一化,获得曲线C的均值标准差描述向量MS=[M/||M||,S/||S||],对MS进行归一化获得曲线匹配描述子Des(C)=MS/||MS||;
步骤S6:利用步骤S53获得的曲线匹配描述子并基于双向匹配原则进行曲线匹配,具体方式如下:对于第1幅图像中的一条曲线C,如果在第2幅图像所有曲线中C′是与C的描述子之间欧式距离最小的曲线,同时在第1幅图像所有曲线中C是与C′的描述子之间欧式距离最小的曲线,则C,C′确定为一对匹配曲线。
本发明提供的基于灰度子集合划分的曲线自动匹配方法主要利用图像中曲线邻域内结构信息构造匹配描述子进行曲线匹配,与已有方法在构造匹配描述子时根据几何位置对曲线支撑区域进行固定形状子区域划分不同,本发明提供的方法利用区域内各像素灰度的排序进行子集合划分,由于图像形变主要影响像素的几何位置造成固定形状子区域划分产生边界误差,而对像素的灰度排序几乎没有影响,使得本发明提供的方法能够克服已有方法在图像形变存在下性能不稳定的问题,因而具有更优的性能。
Claims (1)
1.一种基于灰度子集合划分的曲线自动匹配方法,其特征在于,包括步骤:
步骤S1:从不同角度拍摄同一场景两幅不同图像并输入计算机;
步骤S2:利用Canny边缘检测算子分别对两幅图像进行曲线段检测;
步骤S3:对于两幅图像中任一条曲线C,按照下述方式确定其支撑区域:记曲线C由m个点组成,对组成曲线C的任一点Pi,i=1,2,...,m,将Pi为圆心,R为半径的圆形区域定义为点Pi的支撑区域,记为G(Pi);曲线C上所有点的支撑区域覆盖的区域定义为曲线C的支撑区域,记为G(C)=G(P1)∪G(P2)∪...∪G(Pm);
步骤S4:对于两幅图像中任一条曲线C,按照下述方式对其支撑区域进行子集合划分:假设曲线C的支撑区域G(C)包含n个像素,各像素点的灰度值进行升序排列,根据灰度大小将区域G(C)中包含的n个像素点划分为N个子集合:Gk={xj:tk-1≤I(xj)≤tk},1≤k≤N,I表示像素灰度值,阈值tk的确定原则是保证每个子集合包含的像素点个数相等;
步骤S5:对于两幅图像中任一条曲线C,按照下述步骤为其构造曲线匹配描述子:
步骤S51:对于曲线支撑区域内任一点P0,顺时针考虑P0的8个邻域点P1,P2,...,P8,其中P1为8个邻域点中灰度值最大的点,按下述方式计算点P0的8维描述向量:V=[V1,V2,...,V8],其中 其中I(Pi)表示Pi处的灰度值,阈值T取0.01-0.15;
步骤S52:将曲线的支撑区域G(C)中包含的像素点按步骤S4所述方式划分为子集合Gk,k=1,2,...,N后,对其中任一子集合Gk,记步骤S51获得的曲线支撑区域G(C)中各点的8维描述向量分别为V1,V2,...,Vn/N,分别计算各描述向量的均值描述向量Mk=Mean{V1,V2,...,Vn/N}与标准差描述向量Sk=Std{V1,V2,...,Vn/N},其中Mean表示计算各描述向量的均值,Std表示计算各描述向量的标准差;
步骤S53:将步骤S52获得的各子集合的均值描述向量M1,M1,...,MN与标准差描述向量S1,S1,...,SN分别组成一个向量,获得区域G(C)的均值描述向量M=[M1,M1,...,MN]与标准差描述向量S=[S1,S1,...,SN];分别对均值描述向量M与标准差描述向量S进行归一化,获得曲线C的均值标准差描述向量MS=[M/||M||,S/||S||],对MS进行归一化获得曲线匹配描述子Des(C)=MS/||MS||;
步骤S6:利用步骤S53获得的曲线匹配描述子并基于双向匹配原则进行曲线匹配,具体方式如下:对于第1幅图像中的一条曲线C,如果在第2幅图像所有曲线中C′是与C的描述子之间欧式距离最小的曲线,同时在第1幅图像所有曲线中C是与C′的描述子之间欧式距离最小的曲线,则C,C′确定为一对匹配曲线。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011104319563A CN102592277A (zh) | 2011-12-12 | 2011-12-12 | 基于灰度子集合划分的曲线自动匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011104319563A CN102592277A (zh) | 2011-12-12 | 2011-12-12 | 基于灰度子集合划分的曲线自动匹配方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102592277A true CN102592277A (zh) | 2012-07-18 |
Family
ID=46480867
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011104319563A Pending CN102592277A (zh) | 2011-12-12 | 2011-12-12 | 基于灰度子集合划分的曲线自动匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102592277A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473763A (zh) * | 2013-08-31 | 2013-12-25 | 哈尔滨理工大学 | 基于启发式概率Hough变换的道路边缘检测方法 |
CN106485264A (zh) * | 2016-09-20 | 2017-03-08 | 河南理工大学 | 基于梯度序划分及映射策略的曲线描述及匹配方法 |
CN107248143A (zh) * | 2017-04-26 | 2017-10-13 | 中山大学 | 一种基于图像分割的深度图像修复方法 |
CN108960252A (zh) * | 2018-06-01 | 2018-12-07 | 广西大学 | 一种二维图像中任意曲线的圆弧表示及检测方法 |
CN110688936A (zh) * | 2019-09-24 | 2020-01-14 | 深圳市银星智能科技股份有限公司 | 一种环境图像的特征表示方法、机器和存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101488223A (zh) * | 2008-01-16 | 2009-07-22 | 中国科学院自动化研究所 | 基于曲线均值标准差描述子的图像曲线特征匹配方法 |
-
2011
- 2011-12-12 CN CN2011104319563A patent/CN102592277A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101488223A (zh) * | 2008-01-16 | 2009-07-22 | 中国科学院自动化研究所 | 基于曲线均值标准差描述子的图像曲线特征匹配方法 |
Non-Patent Citations (2)
Title |
---|
FAN BIN等: "Aggregating Gradient Distribution into Intensity Orders: A Novel Local Image Descriptor", 《2011 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION》, 25 June 2011 (2011-06-25), pages 2377 - 2384 * |
WANG ZHENHUA等: "Local Intensity Order Pattern for Feature Description", 《2011 IEEE INTERNATIONAL CONFERENCE ON COMPUTER VISION》, 13 November 2011 (2011-11-13) * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103473763A (zh) * | 2013-08-31 | 2013-12-25 | 哈尔滨理工大学 | 基于启发式概率Hough变换的道路边缘检测方法 |
CN103473763B (zh) * | 2013-08-31 | 2017-06-20 | 哈尔滨理工大学 | 基于启发式概率Hough变换的道路边缘检测方法 |
CN106485264A (zh) * | 2016-09-20 | 2017-03-08 | 河南理工大学 | 基于梯度序划分及映射策略的曲线描述及匹配方法 |
CN107248143A (zh) * | 2017-04-26 | 2017-10-13 | 中山大学 | 一种基于图像分割的深度图像修复方法 |
CN107248143B (zh) * | 2017-04-26 | 2020-12-25 | 中山大学 | 一种基于图像分割的深度图像修复方法 |
CN108960252A (zh) * | 2018-06-01 | 2018-12-07 | 广西大学 | 一种二维图像中任意曲线的圆弧表示及检测方法 |
CN108960252B (zh) * | 2018-06-01 | 2022-04-01 | 广西大学 | 一种二维图像中任意曲线的圆弧表示及检测方法 |
CN110688936A (zh) * | 2019-09-24 | 2020-01-14 | 深圳市银星智能科技股份有限公司 | 一种环境图像的特征表示方法、机器和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102006425B (zh) | 一种基于多摄像机的视频实时拼接方法 | |
US9070042B2 (en) | Image processing apparatus, image processing method, and program thereof | |
CN109146963B (zh) | 一种基于快速特征匹配的图像位置偏移检测方法 | |
JP5385105B2 (ja) | 画像検索方法およびシステム | |
CN103473537B (zh) | 一种目标图像轮廓特征表示方法及装置 | |
CN101833767B (zh) | 数字图像中基于梯度与颜色特征的直线自动匹配方法 | |
CN107895375B (zh) | 基于视觉多特征的复杂道路线提取方法 | |
CN108986152B (zh) | 一种基于差分图像的异物检测方法及装置 | |
CN101488223B (zh) | 基于曲线均值标准差描述子的图像曲线特征匹配方法 | |
CN102592277A (zh) | 基于灰度子集合划分的曲线自动匹配方法 | |
CN105389774A (zh) | 对齐图像的方法和装置 | |
US20160259990A1 (en) | Region-of-interest detection apparatus, region-of-interest detection method, and recording medium | |
CN102663733B (zh) | 基于特征组对的特征点匹配方法 | |
CN111178193A (zh) | 一种车道线的检测方法、检测装置及计算机可读存储介质 | |
CN103136752A (zh) | 基于边缘提取的图像放大方法 | |
CN103295014A (zh) | 基于像素位置排列直方图的图像局部特征描述方法 | |
CN111598088B (zh) | 目标检测方法、装置、计算机设备及可读存储介质 | |
CN105678720A (zh) | 一种全景拼接判断图像匹配方法及装置 | |
CN102855642A (zh) | 图像处理装置及其物体轮廓的提取方法 | |
CN104616035B (zh) | 基于图像全局特征及SURF算法的Visual Map快速匹配方法 | |
CN107369179B (zh) | 一种高精度图像定位方法 | |
CN101819636B (zh) | 数字图像中不规则区域自动匹配方法 | |
CN106485264B (zh) | 基于梯度序划分及映射策略的曲线描述及匹配方法 | |
CN109118493B (zh) | 一种深度图像中的显著区域检测方法 | |
CN106056575A (zh) | 一种基于似物性推荐算法的图像匹配方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20120718 |