CN103093226A - 一种用于图像特征处理的ratmic描述子的构造方法 - Google Patents

Abstract

本发明提供了一种用于图像特征处理的RATMIC描述子的构造方法，包括：用仿射不变性检测子提取特征点、兴趣区域归一化、动态划分子区域、构造子区域描述子、构造RATMIC描述子。具有抗仿射变换、能很好地应对单应性亮度变化、高可重复率和准确率、高效的优点。

Description

一种用于图像特征处理的RATMIC描述子的构造方法

技术领域

本发明涉及图像处理领域，特别涉及一种用于图像特征处理的描述子的构造方法。

背景技术

长久以来，机器视觉认知一直是人们研究的热点，它是研究使用机器或计算机智能的认知周围物体的科学。然而，即使是一个非常简单的物体，要使用机器或计算机去识别它都是一件十分不容易的事。其中，最为关键的莫过于是物体特征的表示或描述，也就是说，究竟提取何种特征以及如何提取这些特征才能有效的区分不同物体。局部不变性特征的出现，为解决这一问题的提供了希望，它作为一种十分有效的手段已被成功地应用到广泛的领域和系统中，包括宽基线匹配、物体检测和识别、纹理识别、场景分类、机器人漫游和视觉数据挖掘等。

在图像不变性特征的提取中，Harris角点检测子通过计算二次矩矩阵的特征值来判断曲线的曲率，进而检测角点。Hessian检测子利用Hessian矩阵提取图像特征，主要响应角点和很强的纹理区域。然而Harris角点检测子和Hessian检测子不具备仿射不变性。因此，Krystian Mikolajczyk等人在自动尺度选择理论和二阶矩开方运算的基础上实现了带仿射不变性的Harris角点检测子和Hessian检测子。MSER(Maximally Stable Extremal Region)利用最大稳定极值区域的概念实现了具备仿射不变性的斑点区域检测。FAST(Features from AcceleratedSegment Test)在AST标准的基础上，通过机器学习的方法建立判定树，从而进行角点检测，还可以通过在源图像上建立图像金字塔使其具备尺度不变性。然而，FAST角点检测子只能同时有效应对某一类场景的角点检测。为了使FAST角点检测子更具普遍性，Elmar Mair等人通过建立两棵头尾相连的判定树使AST标准能更有效地应对不同场景的角点检测，即AGAST(Adaptive and GenericAccelerated Segment Test)。

在图像不变性特征提取和描述的研究领域中，SIFT算法作为经典的算法。它不仅具备了尺度不变性，并且对仿射变换、亮度变换和图像投影变换具有鲁棒性，而且是后续多种不变性特征提取和描述算法的前期基础，思路源泉和对比依据。但是SIFT算法存在下述的三点不足：

一、构造时间消耗大

在Intel Core 2 Duo CPU 2.10GHz实验环境下利用SIFT算法对大小为680×850的图像进行9596个兴趣点的提取与描述的时间消耗比例图，整个过程耗时9298毫秒；最耗时的过程一个是主方向的估计，另一个是描述子的构造，这两个过程总共占了75%以上的时间；时间主要消耗在对兴趣区域内所有像素点进行梯度大小和方向的计算；确定主方向时，需要对兴趣区域进行旋转，其中涉及多次双线性插值计算，而SIFT描述子的构造在计算梯度时又必须与高斯概率密度函数相乘，增加了SIFT算法的计算量；通过上述分析，可以看出SIFT描述子的构造是非常耗时的，不适用于实时性设备；

二、只能有效应对均匀线性亮度变化

SIFT算法依赖着兴趣区域内采样点的梯度计算，当图像发生相同增量的亮度变化时，即原图像所有像素点的像素值从I(x,y)变成I(x,y)+Δ时，由于增量Δ相同，在计算梯度时，刚好相互抵消，因此SIFT算法对等增量亮度变化具有不变性；SIFT算法为了应对缩放亮度变化，即像素值从I(x,y)变成k*I(x,y)，SIFT算法通过将描述子向量进行欧氏距离单位化，实现亮度缩放变化不变性，由于以上两种亮度变化合成了均匀线性亮度变化，即图像所有像素点同时发生相同的线性亮度变化，因此，SIFT算法能够有效地应对线性亮度变化，即像素值从I(x，y)变成k*I(x，y)+Δ；但是当图像发生非均匀亮度变化f(x,y)*I(x,y)+Δ(x,y)时，梯度计算无法抵消非均匀亮度变化，从而影响到SIFT描述子的构造，从而进一步影响SIFT算法的性能；而这种非均匀亮度变化又是不同角度拍摄物体时经常发生的，所以SIFT算法对于亮度变化的鲁棒性具有一定局限性，不适用于非均匀亮度变化情况下的图像匹配；

三、固定地划分子区域降低了准确率

SIFT描述子在构造时，为了充分利用空间信息，把兴趣区域划分成固定子区域，最后将各个子区域的描述子向量串联起来形成SIFT描述子；SIFT算法为了具备旋转不变性，在划分子区域前，将兴趣区域旋转至兴趣区域的主方向；而SIFT算法又是通过统计兴趣区域内所有点的梯度方向确定兴趣区域的主方向，这种方法在Bin Fan等人的文献中被证明是不稳定的，同时也是描述子误差的主要来源；因此这种固定划分子区域方法降低了准确率。

SURF算法用积分图像和哈尔小波变换近似SIFT，从而比SIFT更具有高效性，但是在性能上逊于SIFT算法。ORB算法综合了FAST检测子和BRIEF描述子，获得了比SIFT快2个数量级，比SURF快1个数量级的速度。由于ORB算法通过计算图像中心矩获得图像旋转鲁棒性，这种方法计算量小，减少ORB算法消耗的时间，但是在图像旋转角度较大以及视角不同的图像对中性能较差。DAISY描述子通过建立梯度方向和位置的直方图获得了较好的性能，但由于建立在梯度计算的基础上，只能有效处理线性亮度变化，以及DAISY描述子向量维度较大，增加了它的时间、空间消耗。RIFF(Rotation-Invariant Fast Feature)描述子通过将梯度计算的x,y坐标转化为半径方向r和切线方向t具备了真正的旋转不变性，但其计算量较大。CARD(Compact And Real-time Descriptors)描述子通过建立查询表极大地压缩了SIFT算法的构造时间，但性能上仍然不如SIFT算法。为了应对复杂的亮度变换，LBP(Local Binary Pattern)描述子利用了采样点的亮度排序信息，但由于LBP描述子维度较高，Heikkila结合了SIFT算法和LBP描述子建立了中心对称的LBP描述子，即CS-LBP(Center Symmetric LocalBinary Patterns)描述子。在CS-LBP描述子的基础上，Raj Gupta等人提出了CS-LTP(Center Symmetric Local Ternary Patterns)描述子，在像素亮度值对比时设置一个“死区”，更好地应对噪声引起的像素值波动。

发明内容

本发明的目的在于克服现有技术的不足，提供一种抗仿射变换、能很好地应对单应性亮度变化、高可重复率和准确率、高效的用于图像特征处理的RATMIC描述子的构造方法。

为了达到上述目的，本发明采用如下的技术方案：一种用于图像特征处理的RATMIC描述子的构造方法，其特征在于，包括下述步骤：

第一步，采用带仿射不变性的检测子进行检测，获得兴趣点P(x,y)和兴趣点P(x,y)所在椭圆的三个参数a、b、c，以兴趣点P(x，y)为中心、并由参数a、b、c根据椭圆公式ax²+2bxy+cy²=1确定一个椭圆，将所述椭圆内的每个像素点作为初始采样点X(x_R，x_L)；

第二步，将椭圆通过归一化函数映射到半径为R的圆形的兴趣区域，即通过归一化函数将椭圆内初始采样点X(x_R,x_L)变成兴趣区域内的采样点C(x′_R,x′_L)；

其中，归一化函数为 $\left\{\begin{array}{c}{x}_R^{\′}=M_R^{1/2}{x}_R,x_L^{\′}=M_L^{1/2}{x}_L\\ M=\left(\begin{array}{cc}a& b\\ b& c\end{array}\right)\end{array}\right.;$

第三步，将兴趣区域内所有采样点按照亮度值大小进行非递减排序形成采样点序列，然后将采样点序列平均分成k个区间，不同区间按照亮度值排序结果对应着不同子区域，每个区间的采样点映射到一个子区域，从而把兴趣区域划分成k个子区域；

第四步，以采样点C为中心，在兴趣点P和采样点C连成的射线PC上截取长为2l的线段作为对角线，来组成一个四个顶点为C₁、C₂、C₃、C₄的正方形；该正方形在射线PC上有顶点为C₁和C₃，C₁～C₄逆时针排列；

将C₁～C₄的亮度值按照逆时针方向两两依次比较；或者将C₁～C₄按逆时针方向两两依次比较，比较时将前一个点的亮度值和后一点的亮度值与阈值T的和进行比较，得出大则为1，小则为0的比较结果Q₁～Q₄；

令I⁴＝{(I₁,I₂,I₃,I₄),I_i∈R}表示采样点C四个邻近点C_i(i=1,...,4)亮度组成的四维向量，Q⁴={(Q₁,Q₂,Q₃,Q₄),Q_i∈{0,1}}表示比较后形成的0、1序列；映射η：I⁴→Q⁴；

映射γ:Q⁴→N，N=Q₁×2⁰+Q₂×2¹+Q₃×2²+Q₄×2³；

映射φ: $R^1\→{\left\{\mathrm{0,1}\right\}}^{2^p-1},$ $\mathrm{\φ}\left(N\right)=(0,...,0,\underset{N}{1},0,...,0);$

构造子区域描述子函数 $\mathrm{RATMIC}\left(x\right)=\mathrm{\φ}\left(N\right)=(0,...,\underset{\mathrm{\γ}\left(\mathrm{\η}\left(x\right)\right)}{1},...,0);$

第五步，通过RATMIC描述子构造函数，构造RATMIC描述子；RATMIC描述子构造函数为 $\left\{\begin{array}{c}\mathrm{RATMIC}\_\mathrm{descriptor}=(\mathrm{desc}\left(1\right),\mathrm{desc}\left(2\right),...,\mathrm{desc}\left(k\right))\\ \mathrm{desc}\left(j\right)=\underset{x\∈\mathrm{Sub\; Re\; gion}\left(j\right)}{\mathrm{\Σ}}\mathrm{RATMIC}\left(x\right)\end{array}\right..$

进一步的方案是：所述第四步的正方形上的四个顶点为C₁、C₂、C₃、C₄的排列顺序是：射线PC上的远离兴趣点P的顶点为C₁，并将正方形上的其它顶点逆时针依次为C₂~C₄。这样设置的好处是：在采样点周围取点的方法是具有旋转不变性的。

在所述第一步与第二步之间，进行高斯滤波。在图像进行处理之前进行高斯滤波，RATMIC描述子性能更佳。

在所述第二步与第三步之间，进行高斯滤波。在兴趣区域归一化后进行滤波，可以剔除区域归一化带来的噪声。

优选的方案是：所述呈圆形的兴趣区域的半径R为R=20.5个采样点。

所述第三步中子区域的划分个数k为k=6或k=8。

所述第四步中正方形的对角线长2l为2l=6个采样点或2l=10个采样点。

所述的映射φ:中p为p=4。

本发明相对于现有技术具备如下的突出优点和效果：

1、本发明的RATMIC描述子构造方法通过具备仿射不变性的检测子将仿射变换转变成旋转变换，然后利用动态子区域划分方法和兴趣区域采样点的邻近点信息使RATMIC描述子具备了旋转不变性，从而使RATMIC描述子具备了仿射不变性；

2、本发明的RATMIC描述子构造方法通过对采样点的邻近点的亮度大小关系进行比较，很好地应对单应性亮度变化；

3、本发明的RATMIC描述子构造方法具有高可重复率和准确率、高效的优点。

附图说明

图1是本发明的RATMIC描述子构造方法的流程图；

图2是本发明的RATMIC描述子构造方法中第二步兴趣区域归一化的示例；

图3（A）～图3（I）是本发明的RATMIC描述子构造方法中第三步动态划分子区域的示例；

图4是本发明的RATMIC描述子构造方法中第四步中采样点周围的信息图；

图5是阈值T为4时RATMIC(x)的构造过程；

图6（A）～图6（E）是RATMIC描述子参数选择的试验曲线；

图7是实验图像；

图8（A）～图8（B）是图7的图像集的实验曲线；

图9（A）～图9（C）是对图像进行亮度平方变换的实验示例；

图10（A）～图10（C）是对图像进行亮度开方变换的实验示例。

具体实施方式

下面结合实施例对本发明作进一步详细的描述，但本发明的实施方式不限于此。

实施例

为了提高描述子的可重复性、准确性和减少时耗，本发明提出了一种新的描述子—RATMIC（Resistant to Affine Transform and Monotonic Intensity ChangeDescriptor）描述子，应用于图像特征处理领域。RATMIC描述子具有抗仿射变换和单应性亮度变化的特性。RATMIC描述子构造方法的流程如图1所示：

第一步，采用检测子提取兴趣点P

为了RATMIC描述子具备仿射不变性，本发明的检测子采用了带仿射不变性的检测子，例如Hessian-Affine检测子，带仿射不变性的检测子检测兴趣点P的空间位置、尺度空间位置和图像视角；带仿射不变性的检测子获得兴趣点P(x，y)和兴趣点P(x，y)所在椭圆的三个参数a、b、c，以兴趣点P(x，y)为中心、根据参数a、b、c，由椭圆公式ax²+2bxy+cy²=1确定一个椭圆，将椭圆内的每个像素点作为初始采样点X(x_R，x_L)；

第二步，归一化兴趣区域

由于a、b、c这三个参数不相同，导致不同兴趣点P的椭圆的长短半径不同、倾斜角度不同；如果直接使用这些椭圆作为兴趣区域，不仅不利于各个兴趣点P描述子的构造，更重要的是无法实现仿射不变性；

因此需要将兴趣点P所在包含了尺度空间位置等信息并且大小、形状各异的椭圆，通过归一化函数，映射到一个半径为R的圆形的兴趣区域，如图2所示；即通过归一化函数将椭圆内初始采样点的X(x_R,x_L)变成兴趣区域内的采样点C（x′_R，x′_L）；

归一化函数为 $\left\{\begin{array}{c}{x}_R^{\′}=M_R^{1/2}{x}_R,x_L^{\′}=M_L^{1/2}{x}_L\\ M=\left(\begin{array}{cc}a& b\\ b& c\end{array}\right)\end{array}\right.;$

其中，M是椭圆区域的二阶矩阵；由于椭圆区域与兴趣区域存在着仿射变化对应关系，即x_R＝Ax_L（A代表一般的仿射变化）时，因此只需要将x_R和x_L通过归一化函数变成x′_R和x′_L，那么x_R和x_L之间的仿射关系就可以归一化为只存在单纯旋转变换的x′_R和x′_L；

第三步，动态划分子区域

为了更好地利用兴趣区域的空间信息，本发明的构造方法对兴趣区域进行划分，同时为了避免指定兴趣区域的主方向而引入误差，本发明的构造方法采用一种动态划分子区域的方法；

子区域按如下方法进行动态划分：首先将兴趣区域内所有采样点按照亮度值大小进行非递减排序形成采样点序列，然后将采样点序列平均分成k个区间，不同区间按照亮度值排序结果对应着不同子区域，每个区间的采样点映射到相应的子区域，从而把兴趣区域划分成k个子区域；通过这种方法将空间上的某个采样点映射到对应的子区域上；如图3（A）～图3（I）所示，将图3（A）的兴趣区域进行k=8的动态子区域划分，得到图3（B）～图3（I）的子区域；

这种子区域动态划分方法与其他子区域固定划分方法的区别在于，它并不直接依据采样点的空间信息把采样点归入某一子区域，而是先将采样点从空间域映射到亮度域，然后根据亮度大小关系进行子区域划分；即使旋转兴趣区域，只要保证兴趣区域内采样点的亮度大小关系不变，那么子区域的划分结果也不会改变，因此这种子区域划分方法在不需要指定兴趣区域的主方向和旋转兴趣区域的基础上，具备了旋转不变性；

第四步，构造子区域描述子

RATMIC描述子不仅要实现仿射不变性，而且还要具备单应性亮度变化不变性；由于本发明的构造方法采用了带仿射不变性的检测子，并且将区域归一化，已经将如何实现仿射不变性问题转化为如何实现旋转不变性问题，而RATMIC描述子正是利用了各个子区域采样点的局部信息实现旋转不变性；为了实现单应性亮度变化不变性，RATMIC描述子选择了比较采样点四个邻近点的亮度大小关系；

如图4中，点P是兴趣点，点C是兴趣区域内的采样点，以采样点C为中心，在兴趣点P和采样点C连成的射线PC上截取长为2l的线段作为对角线，来组成一个四个顶点为C₁、C₂、C₃、C₄的正方形。这四个点确定的顺序如下：将射线PC上的两个顶点中远离兴趣点P的那个点确定为C₁，并将正方形上的其它顶点逆时针依次命名为C₂~C₄；将射线PC旋转θ角，再根据以上方法进行采样，得到采样点C'和四个顶点C’₁、C’₂、C’₃、C’₄；从图4中可以发现，即使旋转了θ角，但采样点和顶点们的相对位置没有改变，也就是说这种在采样点周围取点的方法是具有旋转不变性的；

为了应对复杂的亮度变化，RATMIC描述子不采用梯度计算，而是利用C₁~C₄的亮度值相对大小关系；具体如下：将C₁～C₄的亮度值按照逆时针方向两两依次比较，大则为1，小则为0，得出比较结果为Q₁～Q₄；例如：点C₁和C₂作比较，如果亮度I(C₁)≥I(C₂)，则Q₁为1，否则Q₁为0；为了提高RATMIC描述子的抗干扰性，还可以在亮度值的比较过程中添加了一个阈值T，即将C₁～C₄按逆时针方向两两依次比较，比较时将前一个点的亮度值和后一点的亮度值与阈值T的和进行比较；例如：当I(C₁)>=I(C₂)+T时，结果Q₁为1，否则Q₁为0；

定义映射η，具体方法如下：令I⁴＝{(I₁,I₂,I₃,I₄),I_i∈R}表示采样点C四个邻近点C_i(i=1,...,4)亮度组成的四维向量，Q⁴={(Q₁,Q₂,Q₃,Q₄),Q_i∈{0,1}}表示比较后形成的0、1序列；映射η：I⁴→Q⁴，基于采样点的四个邻近点C_i(i＝1,...,4)亮度比较将亮度值组成的四维向量映射成由0、1序列组成四维向量；

完成映射η后，将该0、1序列结果Q⁴={(Q₁,Q₂,Q₃,Q₄),Q_i∈{0,1}}再映射为数值N，即映射γ:Q⁴→N，N=Q₁×2⁰+Q₂×2¹+Q₃×2²+Q₄×2³；

完成映射γ后，定义映射φ: $R^1\→{\left\{\mathrm{0,1}\right\}}^{2^p-1},$ $\mathrm{\φ}\left(N\right)=(0,...,0,\underset{N}{1},0,...,0);$ 其中，R为实数域；

在本发明中p=4；在兴趣区域内任一采样点x，定义了该采样点的子区域描述子函数RATMIC(x）， $\mathrm{RATMIC}\left(x\right)=(0,...,\underset{\mathrm{\γ}\left(\mathrm{\η}\left(x\right)\right)}{1},...,0);$

图5展示了阈值T为4时，RATMIC(x)的构造过程；

第五步，构造RATMIC描述子

通过RATMIC描述子构造函数，将子区域按采样点排序顺序串联起来构造RATMIC描述子，

RATMIC描述子构造函数为 $\left\{\begin{array}{c}\mathrm{RATMIC}\_\mathrm{descriptor}=(\mathrm{desc}\left(1\right),\mathrm{desc}\left(2\right),...,\mathrm{desc}\left(k\right))\\ \mathrm{desc}\left(j\right)=\underset{x\∈\mathrm{Sub\; Re\; gion}\left(j\right)}{\mathrm{\Σ}}\mathrm{RATMIC}\left(x\right)\end{array}\right.;$

为了使RATMIC描述子能够更好地应对图像亮度变化，RATMIC描述子像SIFT算法一样将向量进行欧式距离单位化；

值得注意的是，四个采样点进行亮度值比较有2⁴种结果，但由于不存在亮度值都大于下一顶点亮度值的情况，所以每个子区域有2⁴-1＝15维向量，因此RATMIC描述子向量总共有15*k维。

为了使RATMIC描述子性能更佳，本发明在图像进行处理之前，即在第一步与第二步之间进行高斯滤波；为了剔除区域归一化带来的噪声，在归一化后，即在第二步与第三步之间再次进行高斯滤波。

本发明RATMIC描述子的构造方法，总共有三个参数需要选择，第一个是归一化的呈圆形的兴趣区域的固定半径R，第二个是以采样点为中心的正方形的对角线长度2l，第三个是子区域的划分个数k。

本发明RATMIC描述子的兴趣区域固定半径R优选采用20.5个采样点；

本发明l在3或5个采样点中选择，而k在6或8中选择。本发明通过选择不同参数进行RATMIC描述子的构造，然后将不同的结果在牛津图像数据集Oxford Datasets的bikes图像进行匹配，并画出“重复率-错误率”曲线如图6（A）～图6（E）。本发明从实验曲线中选取最佳参数，如表1。在接下来与其他描述子进行性能对比时，本发明直接使用表1的最佳参数。

表1RATMIC描述子的参数选择

根据所选择的参数，RATMIC描述子向量维数为（2⁴-1）*6=90。

对RATMIC描述子的性能评估是在Oxford Datasets上将RATMIC、SIFT、SURF、ORB、DAISY、CS-LTP描述子一起放在“重复率—错误率”曲线上进行性能评估。为了兼顾公平性，RATMIC、SIFT、SURF、DAISY、CS-LTP描述子都是基于Hessian Affine检测子，而为了体现ORB算法的快速性，它仍然使用的是FAST检测子和BRIEF描述子。由于标准数据集图像数量较多，而本实施例只能列举其中一部分性能曲线。

对图7的图像进行旋转和尺度变换。从图8（A）～图8（B）我们可以发现，RATMIC描述子的性能优于其他算法。

为了凸显RATMIC描述子比其他描述子算法能更好地应对单应性亮度变化，本文还使用了两对只有亮度变化的图像对进行对比试验，如图9（A）～图9（C）和图10～图10（C），图9（A）和图10（A）为原图像，图9（B）是对原图像进行亮度值的平方计算，图10（B）是对原图像进行开方计算，都属于单应性非线性亮度变化。图9（C）和图10（C）是对这两组图像亮度变化的评估曲线。从曲线中可以发现，在应对图像的非线性亮度变化时，RATMIC描述子的性能明显优于SIFT、SURF、ORB算法，体现出更好的鲁棒性。

本发明立足于图像不变性特征特征描述的研究。通过对前人提出的算法进行总结，发现现实中的图像变换主要集中在图像的仿射变换和亮度变化，也就是说如果图像特征的描述能很好地应对这两种变换，就能满足大部分的现实需求。RATMIC描述子就是以这两者为突破口提出的。

针对仿射变换，RATMIC描述子通过具备仿射不变性的检测子将仿射变换转变成旋转变换，然后利用动态子区域划分方法和兴趣区域采样点的局部信息使RATMIC描述子具备了旋转不变性，从而使RATMIC描述子具备了仿射不变性。

针对亮度变化，由于在现实生活中，只要光源或者摄像头改变位置，图像发生的亮度变化很多都不是线性亮度变化，为了使描述方法能应对单应性亮度变化，RATMIC描述子不采用梯度计算，而是利用采样点间的亮度大小关系，这更加有利于将RATMIC描述子应用到现实生活中。

完成了RATMIC描述子的构造后，对RATMIC描述子进行了性能和时耗上的评估，并与SIFT、SURF、ORB、DAISY和CS-LTP算法进行对比。从实验数据看，RATMIC描述子的性能在大部分的情况下优于SIFT、SURF、ORB、DAISY和CS-LTP算法。而在时耗上，RATMIC描述子的速度比SIFT、SURF、DAISY和CS-LTP算法快得多，比以速度著称的ORB算法略慢一点。从实验结果发现，RATMIC描述子既具有高效性又具有高性能，比其他算法更适用于实时设备。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (8)

1.一种用于图像特征处理的RATMIC描述子的构造方法，其特征在于，包括下述步骤：

第一步，采用带仿射不变性的检测子进行检测，获得兴趣点P(x，y)和参数a、b、c，以兴趣点P(x，y)为中心、由椭圆公式ax²+2bxy+cy²=1确定一个椭圆，将所述椭圆内的每个像素点作为初始采样点X(x_R，x_L)；

第二步，将椭圆通过归一化函数映射到半径为R的圆形的兴趣区域，即通过归一化函数将椭圆内初始采样点X(x_R,x_L)变成兴趣区域内的采样点C(x′_R,x′_L)；

其中，归一化函数为 $\left\{\begin{array}{c}{x}_R^{\′}=M_R^{1/2}{x}_R,x_L^{\′}=M_L^{1/2}{x}_L\\ M=\left(\begin{array}{cc}a& b\\ b& c\end{array}\right)\end{array}\right.;$

第三步，将兴趣区域内所有采样点按照亮度值大小进行非递减排序形成采样点序列，然后将采样点序列平均分成k个区间，不同区间按照亮度值排序结果对应着不同子区域，每个区间的采样点映射到相应的子区域，从而把兴趣区域划分成k个子区域；

第四步，以采样点C为中心，在兴趣点P和采样点C连成的射线PC上截取长为2l的线段作为对角线，来组成一个四个顶点为C₁、C₂、C₃、C₄的正方形；该正方形在射线PC上有顶点为C₁和C₃，C₁～C₄逆时针排列；

将C₁～C₄的亮度值按照逆时针方向两两依次比较；或者将C₁～C₄按逆时针方向两两依次比较，比较时将前一个点的亮度值和后一点的亮度值与阈值T的和进行比较，得出大则为1，小则为0的比较结果Q₁～Q₄；

令I⁴＝{(I₁,I₂,I₃,I₄),I_i∈R}表示采样点C四个邻近点C_i(i=1,...,4)亮度组成的四维向量，Q⁴={(Q₁,Q₂,Q₃,Q₄),Q_i∈{0,1}}表示比较后形成的0、1序列；映射η：I⁴→Q⁴；

映射γ:Q⁴→N，N=Q₁×2⁰+Q₂×2¹+Q₃×2²+Q₄×2³；

映射φ: $R^1\→{\left\{\mathrm{0,1}\right\}}^{2^p-1},$ $\mathrm{\φ}\left(N\right)=(0,...,0,\underset{N}{1},0,...,0);$

构造子区域描述子函数 $\mathrm{RATMIC}\left(x\right)=\mathrm{\φ}\left(N\right)=(0,...,\underset{\mathrm{\γ}\left(\mathrm{\η}\left(x\right)\right)}{1},...,0);$

第五步，通过RATMIC描述子构造函数，构造RATMIC描述子；

RATMIC描述子构造函数为 $\left\{\begin{array}{c}\mathrm{RATMIC}\_\mathrm{descriptor}=(\mathrm{desc}\left(1\right),\mathrm{desc}\left(2\right),...,\mathrm{desc}\left(k\right))\\ \mathrm{desc}\left(j\right)=\underset{x\∈\mathrm{Sub\; Re\; gion}\left(j\right)}{\mathrm{\Σ}}\mathrm{RATMIC}\left(x\right)\end{array}\right..$

2.根据权利要求1所述的用于图像特征处理的RATMIC描述子的构造方法，其特征在于，所述第四步的正方形上的四个顶点为C₁、C₂、C₃、C₄的排列顺序是：射线PC上的远离兴趣点P的顶点为C₁，并将正方形上的其它顶点逆时针依次为C₂~C₄。

3.根据权利要求2所述的用于图像特征处理的RATMIC描述子的构造方法，其特征在于，在所述第一步与第二步之间，进行高斯滤波。

4.根据权利要求3所述的用于图像特征处理的RATMIC描述子的构造方法，其特征在于，在所述第二步与第三步之间，进行高斯滤波。

5.根据权利要求1-4中任一项所述的用于图像特征处理的RATMIC描述子的构造方法，其特征在于，所述呈圆形的兴趣区域的半径R=20.5个采样点。

6.根据权利要求1-4中任一项所述的用于图像特征处理的RATMIC描述子的构造方法，其特征在于，所述第三步中子区域的划分个数k为k=6或k=8。

7.根据权利要求1-4中任一项所述的用于图像特征处理的RATMIC描述子的构造方法，其特征在于，所述第四步中正方形的对角线长2l为2l=6个采样点或2l=10个采样点。

8.根据权利要求1-4中任一项所述的用于图像特征处理的RATMIC描述子的构造方法，其特征在于，所述的映射φ:

中p为p=4。

Images