CN102902973B - 一种具有旋转不变性的图像特征的提取方法 - Google Patents

Abstract

本发明公开了一种具有旋转不变性的图像特征的提取方法，该方法包括以下步骤：以图像关键特征点为中心选取一圆形局部区域，对其进行二值化分割；以中心点为圆心，将经过二值化分割的圆形局部区域的半径等分为多份，以一指定角度为划分间隔，将圆形局部区域均匀划分为若干个子区域；将子区域图像以中心点为轴旋转多次，直至旋转一周；计算每次旋转后的图像与原图像的自相似度；统计每次旋转后每个子区域内各点的自相似度值，旋转一周后得到该圆形局部区域的自相似直方图；对自相似直方图的方向进行归一化，得到特征描述矩阵。本方法提取的具有旋转不变性的特征可以很好地描述图像局部，可广泛用于图像配准、识别和检索等领域。

Description

一种具有旋转不变性的图像特征的提取方法

技术领域

本发明涉及图像处理领域，具体来说涉及一种具有旋转不变性的图像特征的提取方法，可应用于图像配准和图像识别等领域。

背景技术

图像特征提取是图像配准与识别的关键步骤，图像特征提取的效果直接决定着图像配准与识别的效果。如何从原始图像中提取具有较强表示能力的图像特征是智能图像处理的一个研究热点。

在图像特征提取方面，国内外研究者和技术人员也进行了一定的探讨和研究，并提出了很多特征描述方法，其中应用较多的是SIFT、DoG、Harris等方法，但这些方法不仅计算量较大，而且微分特性决定这类方法易受局部噪声干扰从而降低稳定性。

在众多的局部描述子中，EliShechtman的自相似描述子SSD(Self-SimilaritiesDescriptor)具有积分特性，对局部形状特征有着良好的描述能力。自相似描述子利用自相关函数衡量相似度，采用差平方和(SumofSquareDifferences)算法。虽然自相似描述子可以得到较好的局部描述效果，但其偏移的方向只有垂直与水平，因此这样的描述子并不具有旋转不变性，而在实际的图像配准与识别的任务中，图像中目标的姿态与方向是未知的，因此实用性较差。另外，采用SSD的方式不仅计算量大，对噪声也比较敏感。

发明内容

为了克服自相似描述子不具有旋转不变性的不足，本发明提出一种具有旋转不变性的基于自相似描述子的图像特征的提取方法，不仅保证描述子具有旋转不变性，该方法还具有计算复杂度低，对噪声鲁棒的品质。

本发明所提出的一种具有旋转不变性的图像特征的提取方法，其特征在于，该方法包括以下步骤：

步骤S1，以图像关键特征点为中心，选取该点周围图像中的一圆形局部区域，并对该圆形局部区域进行二值化分割；

步骤S2，以经过二值化分割的所述圆形局部区域的中心点为圆心，将所述圆形局部区域的半径等分为多份，并以一指定角度为划分间隔，将所述圆形局部区域均匀划分为若干个子区域；

步骤S3，将所述步骤S2得到的二值化分割子区域图像以中心点为轴旋转多次，每次旋转一个角度划分间隔，直至旋转一周；

步骤S4，计算每次旋转后的二值化分割图像与原二值化分割图像的自相似度；

步骤S5，统计每次旋转后每个子区域内各点的自相似度值，待旋转一周后得到该圆形局部区域的自相似直方图；

步骤S6，对所述自相似直方图的方向进行归一化处理，得到特征描述矩阵。

本发明公开的一种具有旋转不变性的图像特征提取方法，提取得到的特征保留了自相似描述子稳定的局部描述能力，同时弥补了自相似描述子不具有旋转不变性的不足。

附图说明

图1是本发明具有旋转不变性的图像特征的提取方法流程图。

图2是根据本发明一实施例的局部二值化分割效果图。

图3是根据本发明一实施例的子区域划分与旋转方式示意图。

图4是根据本发明一实施例的旋转每个角度后计算得到的相似度结果图。

图5是根据本发明一实施例相似度直方图统计示意图。

图6是本发明方向归一化流程图。

图7是根据本发明一实施例直方图方向归一化示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

本发明使用的方法既可以在个人计算机、工控机及服务器上以软件的形式安装并执行，也可将方法做成嵌入式芯片以硬件的形式来体现。

图1是本发明具有旋转不变性的图像特征的提取方法流程图。如图1所示，该方法包括以下步骤：

步骤S1，以图像关键特征点为中心，选取该点周围图像中的一圆形局部区域，并对该圆形局部区域进行二值化分割；

所述图像关键特征点为梯度极值点、曲率极值点等特征点。

所述圆形局部区域的大小可根据实际应用的需要，即根据目标尺度大小来选择，比如圆形局部区域的半径可为5-20像素。

所述二值化分割进一步为：以该圆形局部区域中心点的灰度作为阈值，对该局部区域内的原始图像进行灰度二值分割。若原始图像表示为I₀(x，y)，二值化分割后得到的图像表示为I_s(x，y)，则：

$I_s(x,y)=\left\{\begin{array}{cc}255& I_0(x,y)>T\\ 0& I_0(x,y)\≤T\end{array}\right.,$

其中，阈值T＝I₀(x₀，y₀)，I₀(x₀，y₀)为该圆形局部区域中心点的灰度值。图2给出了根据本发明一实施例的局部二值化分割结果，其中，左图为原始图像，右图为经二值化分割后得到的结果图像。

步骤S2，以经过二值化分割的所述圆形局部区域的中心点为圆心，将所述圆形局部区域的半径等分为多份，并以一指定角度为划分间隔，将所述圆形局部区域均匀划分为若干个子区域；

图3给出了根据本发明一实施例的子区域划分与旋转方式示意图。图3以圆形局部区域的中心点为圆心，将半径等分为3份，并以30度为划分间隔，将该圆形局部区域划分为36个子区域，这36个子区域的排列方式如图3所示。

步骤S3，将所述步骤S2得到的二值化分割子区域图像以中心点为轴旋转多次，每次旋转一个角度划分间隔，直至旋转一周；

对于图3所示的局部区域图像，旋转时，以该局部区域的中心点为轴，每次顺时针旋转30度，如图3所示。

步骤S4，计算每次旋转后的二值化分割图像与原二值化分割图像的自相似度；

所述自相似度的计算方式可采用图像相与的方式来提高速度；设局部区域中每一点的极坐标为(ρ，θ)，局部区域旋转角度Δθ后，与原图像相与的结果图像c(ρcosθ，ρsinθ；Δθ)可计算为：

c(ρcosθ，ρsinθ；Δθ)＝I_s(ρcos(θ+Δθ)，ρsin(θ+Δθ))＆I_s(ρcos(θ)，ρsin(θ))，其中，&表示逻辑“与”计算。

图4显示了图2中的局部区域二值化图像经过旋转各个角度后得到相与的图像。

步骤S5，统计每次旋转后每个子区域内各点的自相似度值，待旋转一周后得到该圆形局部区域的自相似直方图，直方图统计方法如图5所示；

所述自相似直方图用二维直方图h[k，r]表示，其计算方法为：

$h[k,r]=\frac{{\∫}_{\mathrm{r\Δ\ρ}}^{(r+1)\mathrm{\Δ\ρ}}{\∫}_{\mathrm{k\Δ\ρ}}^{(k+1)\mathrm{\Δ\θ}}\mathrm{\δ}(c(\mathrm{\ρ}\cos \mathrm{\θ},\mathrm{\ρ}\sin \mathrm{\θ})-1)\mathrm{d\ρd\θ}}{S}$

$S={\∫}_{\mathrm{\ρ}}^{\mathrm{\ρ}+\mathrm{\Δ\ρ}}{\∫}_{\mathrm{\θ}}^{\mathrm{\θ}+\mathrm{\Δ\θ}}\mathrm{d\ρd\θ}$

其中，k为径向坐标，k∈[0，N)，N为径向分段数，r为角度坐标，r∈[0，360/Δθ)，Δθ为角度间隔，Δρ为径向间隔。

步骤S6，对所述自相似直方图的方向进行归一化处理，得到特征描述矩阵。

如图6所示，所述方向归一化处理包括如下步骤：

步骤S61，分别计算所述自相似直方图每列值的和，将和值最大的那一列作为主方向；

步骤S62，根据所述主方向的位置重排自相似直方图中每列数据的顺序，即沿水平方向顺序移动自相似直方图的每一列，使主方向对应的那一列移动到所述自相似直方图的中心位置。

如图7所示，值10、22、34组成的列的和值最大，则该列作为主方向，之后沿水平方向顺序移动自相似直方图的每一列，使主方向对应的那一列移动到自相似直方图的中心位置。图7中，上面的图表示重排前直方图每一列的顺序，下面的图表示重排后直方图每一列的顺序。

经过上述归一化，即水平移动后得到的直方图即为本发明所提取得到的处理图像的特征描述矩阵。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种具有旋转不变性的图像特征的提取方法，其特征在于，该方法包括以下步骤：

步骤S1，以图像关键特征点为中心，选取该点周围图像中的一圆形局部区域，并对该圆形局部区域进行二值化分割；

步骤S2，以经过二值化分割的所述圆形局部区域的中心点为圆心，将所述圆形局部区域的半径等分为多份，并以一指定角度为划分间隔，将所述圆形局部区域均匀划分为若干个子区域；

步骤S3，将所述步骤S2得到的二值化分割子区域图像以中心点为轴旋转多次，每次旋转一个角度划分间隔，直至旋转一周；

步骤S4，计算每次旋转后的二值化分割图像与原二值化分割图像的自相似度；

步骤S5，统计每次旋转后每个子区域内各点的自相似度值，待旋转一周后得到该圆形局部区域的自相似直方图；

步骤S6，对所述自相似直方图的方向进行归一化处理，得到特征描述矩阵；

所述步骤S6中，方向归一化处理进一步包括如下步骤：

步骤S61，分别计算所述自相似直方图每列值的和，将和值最大的那一列作为主方向；

步骤S62，根据所述主方向的位置重排自相似直方图中每列数据的顺序，即沿水平方向顺序移动自相似直方图的每一列，使主方向对应的那一列移动到所述自相似直方图的中心位置。

2.根据权利要求1所述的方法，其特征在于，所述图像关键特征点为梯度极值点或曲率极值点。

3.根据权利要求1所述的方法，其特征在于，所述圆形局部区域的大小根据目标尺度大小来选择。

4.根据权利要求1所述的方法，其特征在于，所述二值化分割进一步为：以该圆形局部区域中心点的灰度作为阈值，对该局部区域内的原始图像进行灰度二值分割。

5.根据权利要求4所述的方法，其特征在于，若原始图像表示为I₀(x,y)，则二值化分割后得到的图像I_s(x,y)根据下式得到：

$I_s(x,y)=\left\{\begin{array}{cc}255& I_0(x,y)>T\\ 0& I_0(x,y)\≤T\end{array}\right.,$

其中，阈值T＝I₀(x₀,y₀)，I₀(x₀,y₀)为该圆形局部区域中心点的灰度值。

6.根据权利要求5所述的方法，其特征在于，所述步骤S4中，采用图像相与的方式来计算所述自相似度。

7.根据权利要求6所述的方法，其特征在于，设局部区域中每一点的极坐标为(ρ,θ)，局部区域旋转角度Δθ后，与原图像相与的结果图像c(ρcosθ,ρsinθ；Δθ)可计算为：

c(ρcosθ，ρsinθ；Δθ)＝I_s(ρcos(θ+Δθ)，ρsin(θ+Δθ))&I_s(ρcos(θ)，ρsin(θ))，

其中，&表示逻辑“与”计算。

8.根据权利要求7所述的方法，其特征在于，所述自相似直方图用二维直方图h[k,r]表示，其计算方法为：

$h\[k,r\]=\frac{{\∫}_{r\mathrm{\Δ}\mathrm{\ρ}}^{(r+1)\mathrm{\Δ}\mathrm{\ρ}}{\∫}_{k\mathrm{\Δ}\mathrm{\θ}}^{(k+1)\mathrm{\Δ}\mathrm{\θ}}\mathrm{\δ}(c\left(\mathrm{\ρ}cos\mathrm{\θ},\mathrm{\ρ}sin\mathrm{\θ}\right)-1)d\mathrm{\ρ}d\mathrm{\θ}}{S}$

$S={\∫}_{\mathrm{\ρ}}^{\mathrm{\ρ}+A\mathrm{\ρ}}{\∫}_{\mathrm{\θ}}^{\mathrm{\θ}+\mathrm{\Δ}\mathrm{\θ}}d\mathrm{\ρ}d\mathrm{\θ},$

其中，k为径向坐标，k∈[0,N)，N为径向分段数，r为角度坐标，r∈[0,360/Δθ)，Δθ为角度间隔，Δρ为径向间隔。

9.根据权利要求1所述的方法，其特征在于，水平移动后得到的直方图即为所述特征描述矩阵。