CN102842133A - 一种局部特征描述方法 - Google Patents
一种局部特征描述方法 Download PDFInfo
- Publication number
- CN102842133A CN102842133A CN201210243989XA CN201210243989A CN102842133A CN 102842133 A CN102842133 A CN 102842133A CN 201210243989X A CN201210243989X A CN 201210243989XA CN 201210243989 A CN201210243989 A CN 201210243989A CN 102842133 A CN102842133 A CN 102842133A
- Authority
- CN
- China
- Prior art keywords
- local feature
- dct
- lattice
- matrix
- value
- 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.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明提供一种局部特征描述方法,首先对获得的局部兴趣区域归一化,然后利用极坐标采样网格划分局部块,对局部块进行量化采样,将其映射为2维矩阵并提取2维DCT频域特征,再按zigzag顺序扫描DCT系数矩阵,重排和筛选DCT特征,形成最终的局部描述符。本发明使用极坐标采样结构,不仅保留了局部块的原始空域信息,而且能够容忍一定的形变,增强描述符的鲁棒性。2维DCT特征计算简单,高效,且具紧致性,筛选后的DCT特征进一步去除了光照影响。
Description
技术领域
本发明设计数字图像处理技术,特别涉及图像的局部特征处理技术。
背景技术
相对于全局特征,图像的局部特征能够在物体发生形变,或者遮挡的情况下获得可靠的匹配,因此在图像处理和计算机视觉领域备受关注。局部特征已在宽基线匹配、物体识别、纹理分类、图像检索等领域得到了广泛应用。
一般而言,局部特征涉及三个步骤:局部特征检测,局部特征描述和局部特征匹配。首先用特征检测器检测图像的兴趣点(或者兴趣区域),然后在定位的兴趣点的周围支撑区域上计算图像描述符,最后用合适的匹配函数测度描述符之间的距离,用于建立特征点之间的对应。常见的特征检测器包括Harris角点、差分高斯(DoG)、Harris/Hessian仿射、最大稳定极值检测器(MSER)等。一个优良的局部图像描述符应该具备很高的判决能力并表现出一定的鲁棒性,前者用于区分物理上不同的兴趣点,后者用来克服图像的几何和成像形变,如旋转、尺度、模糊、噪声、JPEG压缩和光照变化等。为使描述符具有尺度和旋转不变性,通常的做法是利用检测器获得兴趣点的仿射不变区域,并且估计特征点的主方向。实际应用中也可利用设备的重力传感器获得方向信息。
常用的局部描述符包括尺度不变特征变换(SIFT)、梯度位置方向直方图(GLOH)、形状上下文(SC)等。这些描述符利用直方图统计图像的局部特性,尽管能够获得比较稳定的性能,但是维数过高(如SIFT为128维),构建过程复杂(如GLOH利用PCA技术将维数从272降至128),不利于实时匹配。另外,利用直方图构建描述符号时往往损失空间信息,导致匹配精度下降。
紧致性是设计描述符时应考虑的另外一个重要特性。当成千上万个兴趣点需要表达和匹配时,这将给实时应用系统和低功耗的移动终端带来很大挑战。因此,设计一种能够快速构建、快速匹配并且保持鲁棒性的描述符,已成为视觉应用实时处理中的迫切要求。代表性的工作是SURF和BRIEF。SURF通过积分图等技术提高运算速度,BRIEF通过简单的灰度差分测试取其二值符号串作为特征描述符,以节约计算资源。近两年来,更多快速检测和描述的方法被提出,如ORB,BRISK,CARD和FREAK等。现有的这些方法大多以牺牲匹配质量为代价换取匹配速度的提升。
发明内容
本发明所要解决的技术问题是,提供一种紧致的能够快速构建、快速匹配同时保持优良匹配性能的局部图像描述符的局部特征描述方法。
本发明为解决上述技术问题所采用的技术方案是,一种局部特征描述方法,包括步骤:
预处理步骤:将检测出的图像局部特征区域映射到大小为d×d的局部块;
极网格采样和映射步骤:以所述局部块中心为原点,在径向上采用分格数N,角度方向分格数M得到分格数为M×N的极坐标网格;分别对获得的极坐标网格的每个分格进行采样,并映射到2维的M×N矩阵上,在角度方向的分格数为θ的分格的采样值对应矩阵的第θ行,在径向上的分格数为ρ的分格的采样值对应矩阵的第ρ列;其中,θ∈{0,…,M-1},ρ∈{0,…,N-1};
离散余弦变换DCT系数计算和扫描步骤:对2维的M×N矩阵计算其2维的DCT系数,按照z字形扫描方式对计算的DCT系数矩阵从左上角依次扫描至右下角形成1维特征向量;
描述符生成步骤:取1维特征向量中除第1个系数之外的前T个系数作为当前图像局部特征区域的描述符。
本发明首先对获得的局部兴趣区域归一化,然后利用极坐标采样网格划分局部块,对局部块进行量化采样,将其映射为2维矩阵并提取2维DCT频域特征,再按zigzag(z字形扫描)顺序扫描DCT系数矩阵,重排和筛选DCT特征,形成最终的局部描述符。本发明使用极坐标采样结构,不仅保留了局部块的原始空域信息,而且能够容忍一定的形变,增强描述符的鲁棒性。2维DCT特征计算简单,高效,且具紧致性,筛选后的DCT特征(除第1个系数之外的前T个系数)则进一步去除了光照影响。
具体的,预处理步骤中为获得仿射不变支撑区域,采用Hessian仿射检测器检测得到图像局部特征区域。
进一步的,预处理步骤中为了去除仿射得到的局部块中的噪声干扰,对局部块进行高斯滤波。
进一步的,预处理步骤中为了去除光照变换的影响,用局部块灰度值的均值μ和标准差σ对局部块每个像素的灰度值xi进行归一化处理得到yi,用于后续处理。yi=(xi-μ)/σ。
进一步的,极网格采样和映射步骤中对每个分格进行采样为对每个分格求灰度均值。以灰度均值作为采样值,计算简单,不仅保留了图像的局部结构信息,而且增强了抗噪能力。
本发明的有益效果是,从DCT频域特征来描述图像局部特征区域。由于利用了DCT优良的去相关性、能量紧致性和可分离性,得到的描述符能够满足紧致性和实时性要求,有利于传输和存储,而且精细设计的采样网格结构使其保持了很高的匹配性能。本发明将在图像处理和视觉计算的实时匹配和识别等领域具有很高的应用价值。
附图说明
图1:预处理后局部块示意图;
图2:极网格采样示意图;
图3:极网格映射示意图;
图4:zigzag扫描示意图。
具体实施方式
如图1-4所示,本发明包括预处理,极网格采样,映射,DCT计算,zigzag扫描和描述符形成几个步骤。详述如下。
步骤一、预处理:特征检测和归一化。
第1步:利用特征检测器检测出图像的局部特征区域,并将其映射到大小为d×d的局部块(d=41)。局部特征区域检测采用Hessian仿射检测器。
第2步:用高斯滤波去除仿射归一化带来的内插噪声,高斯滤波使用的高斯核大小5×5,标准差为1。
第3步:用第2步得到的局部块灰度值的均值μ和标准差σ再次归一化块的每一个像素xi,去除光照变化影响得到归一化后的局部块灰度值yi,得到如图1所示的预处理后的局部块。yi=(xi-μ)/σ。
步骤二、极网格采样和映射。
第1步:极网格定位。以步骤一得到的格中心为原点,采用径向8bins和角度方向16bins的极坐标定位网格,得到128bins的空间划分网格,如图2所示。
第2步:对128bins的每个网格内的像素求取灰度均值,作为该bin的采样值。此操作能够对噪声干扰有很好的抑制作用。
第3步:将128bins采样映射到2-D(2维)M×N的矩阵,如图3,其中N=8,M=16。这里的ρ和θ分别对应128bins径向和角度方向采样的位置,θ∈{0,…,M-1},ρ∈{0,…,N-1}。
步骤三、DCT计算和zigzag扫描。对获得的映射矩阵计算2-D DCT系数,然后按照zigzag扫描方式重排系数,即从左上角依次扫描到右下角形成1-D特征向量,如图4所示。对于从图像f(x,y)获得的M×N的采样块,其DCT计算方式为:
其中,
步骤四、描述符形成。
经zigzag扫描得到的DCT特征向量代表了不同的频率信息。DC系数C(0,0)代表直流分量,即整个块的灰度平均值,其它系数(AC系数)代表更高的频率信息。由于AC系数的高频分量较小,将其丢失掉后对人类的视觉影响不大。为去除光照影响,最终的描述符进一步剔除了DC系数。我们将最终的描述符称之为局部极DCT特征(LPDF)。特定地,LPDF-T是指按zigzag扫描的DCT系数中的前T个AC系数(M=1,2,...,127)。
按此方式形成的LPDF有利于快速匹配:(1)实验表明,当T=63时仍能够获得与T=127相当的性能;(2)在后续的特征匹配应用中,可以由粗到细的匹配,即对于固定的T,给定两个待匹配的特征点,先计算它们的LPDF粗糙部分(低频信息)的特征距离,如果计算的距离小于某个阈值,则继续比较精细部分(高频信息)的特征距离。否则,认为这两个特征点不是对应点。根据实际需要可调整阈值范围,以加速匹配过程。
本发明所提出的基于极采样DCT特征的局部图像描述符,具有构造简单、匹配迅速、匹配率高等特点。利用极网格采样结构保持足够的空域信息,同时利用DCT获得紧致的、有足够判别力的局部特征。相比于以往的直方图统计方法,该方法简单而且高效。
Claims (7)
1.一种局部特征描述方法,其特征在于,包括步骤:
预处理步骤:将检测出的图像局部特征区域映射到到大小为d×d的局部块;
极网格采样和映射步骤:以局部块中心为原点,在径向上采用分格数N,角度方向分格数M得到分格数为M×N的极坐标网格;分别对获得的极坐标网格的每个分格进行采样,并映射到2维的M×N矩阵上,在角度方向的分格数为θ的分格的采样值对应矩阵的第θ行,在径向上的分格数为ρ的分格的采样值对应矩阵的第ρ列;其中,θ∈{0,…,M-1},ρ∈{0,…,N-1};
离散余弦变换DCT系数计算和扫描步骤:对2维的M×N矩阵计算其2维的DCT系数,按照z字形扫描方式对计算的DCT系数矩阵从左上角依次扫描至右下角形成1维特征向量;
描述符生成步骤:取1维特征向量中除第1个系数之外的前T个系数作为当前图像局部特征区域的描述符。
2.如权利要求1所述一种局部特征描述方法,其特征在于,预处理步骤中图像局部特征区域由Hessian仿射检测器检测得到。
3.如权利要求1所述一种局部特征描述方法,其特征在于,预处理步骤中还包括:在仿射得到对局部块后,对局部块进行高斯滤波。
4.如权利要求3所述一种局部特征描述方法,其特征在于,预处理步骤中还包括:利用高斯滤波后的局部块的灰度值的均值和方差对局部块进行归一化处理。
5.如权利要求1所述一种局部特征描述方法,其特征在于,极网格采样和映射步骤中对每个分格进行采样为对每个分格求灰度均值。
6.如权利要求1所述一种局部特征描述方法,其特征在于,对2维的M×N矩阵计算其2维的DCT系数C(u,v)的具体方法是:
其中,f(x,y)为M×N矩阵对应的图像的各像素值,α(u)、α(v)为变换系数:
7.如权利要求1所述一种局部特征描述方法,其特征在于,d取值为41;M取值为16,N取值为8,T取值为63。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210243989.XA CN102842133B (zh) | 2012-07-13 | 2012-07-13 | 一种局部特征描述方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210243989.XA CN102842133B (zh) | 2012-07-13 | 2012-07-13 | 一种局部特征描述方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102842133A true CN102842133A (zh) | 2012-12-26 |
CN102842133B CN102842133B (zh) | 2019-05-14 |
Family
ID=47369454
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210243989.XA Active CN102842133B (zh) | 2012-07-13 | 2012-07-13 | 一种局部特征描述方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102842133B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616300A (zh) * | 2015-02-03 | 2015-05-13 | 清华大学 | 基于采样模式分离的图像匹配方法及装置 |
CN104851095A (zh) * | 2015-05-14 | 2015-08-19 | 江南大学 | 基于改进型形状上下文的工件图像稀疏立体匹配方法 |
CN106485196A (zh) * | 2015-08-28 | 2017-03-08 | 意法半导体股份有限公司 | 视觉搜索方法、对应的系统、设备和计算机程序产品 |
CN107169507A (zh) * | 2017-01-06 | 2017-09-15 | 华南理工大学 | 一种基于网格特征提取的证件照曝光方向检测算法 |
CN110070096A (zh) * | 2019-05-31 | 2019-07-30 | 中国科学院自动化研究所 | 针对非刚性形状匹配的局部频域描述子生成方法及装置 |
CN113536017A (zh) * | 2021-07-09 | 2021-10-22 | 北京数美时代科技有限公司 | 一种图像检索方法和系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101388075A (zh) * | 2008-10-11 | 2009-03-18 | 大连大学 | 基于独立特征融合的人脸识别方法 |
CN101470808A (zh) * | 2007-12-24 | 2009-07-01 | 北大方正集团有限公司 | 一种平面几何形状的特征描述方法 |
JP2012043436A (ja) * | 2010-08-17 | 2012-03-01 | Fujitsu Ltd | 対象検出装置、対象検出方法、分類器作成装置及び分類器作成方法 |
-
2012
- 2012-07-13 CN CN201210243989.XA patent/CN102842133B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101470808A (zh) * | 2007-12-24 | 2009-07-01 | 北大方正集团有限公司 | 一种平面几何形状的特征描述方法 |
CN101388075A (zh) * | 2008-10-11 | 2009-03-18 | 大连大学 | 基于独立特征融合的人脸识别方法 |
JP2012043436A (ja) * | 2010-08-17 | 2012-03-01 | Fujitsu Ltd | 対象検出装置、対象検出方法、分類器作成装置及び分類器作成方法 |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104616300A (zh) * | 2015-02-03 | 2015-05-13 | 清华大学 | 基于采样模式分离的图像匹配方法及装置 |
CN104616300B (zh) * | 2015-02-03 | 2017-07-28 | 清华大学 | 基于采样模式分离的图像匹配方法及装置 |
CN104851095A (zh) * | 2015-05-14 | 2015-08-19 | 江南大学 | 基于改进型形状上下文的工件图像稀疏立体匹配方法 |
CN104851095B (zh) * | 2015-05-14 | 2017-12-26 | 江南大学 | 基于改进型形状上下文的工件图像稀疏立体匹配方法 |
CN106485196A (zh) * | 2015-08-28 | 2017-03-08 | 意法半导体股份有限公司 | 视觉搜索方法、对应的系统、设备和计算机程序产品 |
US10585937B2 (en) | 2015-08-28 | 2020-03-10 | Stmicroelectronics S.R.L. | Method for visual search, corresponding system, apparatus and computer program product |
CN107169507A (zh) * | 2017-01-06 | 2017-09-15 | 华南理工大学 | 一种基于网格特征提取的证件照曝光方向检测算法 |
CN110070096A (zh) * | 2019-05-31 | 2019-07-30 | 中国科学院自动化研究所 | 针对非刚性形状匹配的局部频域描述子生成方法及装置 |
CN113536017A (zh) * | 2021-07-09 | 2021-10-22 | 北京数美时代科技有限公司 | 一种图像检索方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN102842133B (zh) | 2019-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109029381B (zh) | 一种隧道裂缝的检测方法、系统及终端设备 | |
CN102693409B (zh) | 一种快速的图像中二维码码制类型识别方法 | |
TWI590197B (zh) | 影像物體特徵描述方法及影像處理裝置 | |
CN102842133A (zh) | 一种局部特征描述方法 | |
He et al. | Rotation invariant texture descriptor using local shearlet-based energy histograms | |
CN102332084A (zh) | 基于掌纹和人脸特征提取的身份识别方法 | |
CN108710862B (zh) | 一种高分辨率遥感影像水体提取方法 | |
Dikmen et al. | A data driven method for feature transformation | |
CN105184804A (zh) | 基于机载红外相机航拍图像的海面小目标检测方法 | |
CN108133211B (zh) | 一种基于移动终端视觉图像的检测配电柜的方法 | |
Khaleefah et al. | Review of local binary pattern operators in image feature extraction | |
CN103093243A (zh) | 高分辨率全色遥感图像云判方法 | |
CN116703895B (zh) | 基于生成对抗网络的小样本3d视觉检测方法及其系统 | |
OUYANG et al. | Edge detection in pavement crack image with beamlet transform | |
Wang et al. | Target automatic recognition based on ISAR image with wavelet transform and MBLBP | |
US10115195B2 (en) | Method and apparatus for processing block to be processed of urine sediment image | |
CN101551858B (zh) | 基于差分码及差分码模式的目标识别方法 | |
CN103455798A (zh) | 基于最大几何流向直方图的人体检测方法 | |
CN107871110B (zh) | 一种基于多尺度结构相关性的行人目标识别方法 | |
CN109598205A (zh) | 基于Gabor变换的指纹特征提取与压缩编码的方法 | |
Gautam et al. | A GUI for automatic extraction of signature from image document | |
CN108154107A (zh) | 一种确定遥感图像归属的场景类别的方法 | |
Ilamathi et al. | Shape based image classification using geometric-properties | |
Wu et al. | A palmprint recognition algorithm based on binary horizontal gradient orientation and local information intensity | |
Li et al. | Texture-based urban detection using contourlet coefficient on remote sensing imagery |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |