CN104123554B - 基于mmtd的sift图像特征提取方法 - Google Patents
基于mmtd的sift图像特征提取方法 Download PDFInfo
- Publication number
- CN104123554B CN104123554B CN201310141022.5A CN201310141022A CN104123554B CN 104123554 B CN104123554 B CN 104123554B CN 201310141022 A CN201310141022 A CN 201310141022A CN 104123554 B CN104123554 B CN 104123554B
- Authority
- CN
- China
- Prior art keywords
- image
- point
- value
- threshold value
- characteristic point
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 238000000605 extraction Methods 0.000 abstract description 12
- 238000007689 inspection Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 239000000284 extract Substances 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 3
- 238000003709 image segmentation Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 abstract 1
- 230000011218 segmentation Effects 0.000 abstract 1
- 238000001514 detection method Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- FNMKZDDKPDBYJM-UHFFFAOYSA-N 3-(1,3-benzodioxol-5-yl)-7-(3-methylbut-2-enoxy)chromen-4-one Chemical compound C1=C2OCOC2=CC(C2=COC=3C(C2=O)=CC=C(C=3)OCC=C(C)C)=C1 FNMKZDDKPDBYJM-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000205 computational method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 210000004872 soft tissue Anatomy 0.000 description 1
- 238000002187 spin decoupling employing ultra-broadband-inversion sequences generated via simulated annealing Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于MMTD的SIFT图像特征提取方法,该方法提高了图像特征点提取准确率,属于图像处理中的特征提取的研究领域。传统的采用固定阈值筛选特征点的SIFT算法,很容易造成漏检或者错检特征点,导致后续图像分割和图像识别的精度较差。针对这样的问题,本发明的方法根据图像灰度化后的矩阵,运用MMTD求出每个候选特征点8邻域内的距离比例函数,利用迭代化的方法自适应地确定阈值,以此对特征点进行筛选,减少特征点漏检或者错检的情况,最终达到提高后续图像分割、图像识别精度的效果。
Description
技术领域
本发明涉及图像特征提取的技术领域,特别涉及一种基于MMTD的SIFT图像特征提取方法。
背景技术
图像特征包括像素灰度特征、色彩特征、区域特征、纹理特征、轮廓特征、边缘特征及角点特征等。特征提取是使用计算机提取图像信息,决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点根据不同的特征分为不同的子集,这些子集往往属于孤立的点、连续的曲线或者连续的区域。图像特征提取的性能直接决定了后期图像分割、图像识别效率和精度,是图像处理研究领域的重要研究内容。其中角点特征是图像中最常用的特征,角点检测方法主要有Moravec算子、Harris算子、SUSAN算子等,角点检测方法计算量较小,但是对背景、视角、光照、大小和几何畸变较敏感。
SIFT特征提取算法具有良好的尺度、旋转、光照等不变特性,甚至对视角变化、几何畸变和成像噪声也有较高的容忍性,因而成为了目前图像特征提取方法的研究热点。但是传统的SIFT特征提取算法采用固定灰度差阈值来提取特征点,灰度差阈值T决定了能够得到的特征点的数量。T越大,检测到的极值点就越多,就有可能会误检一些极值点;T越小,检测到极值点就越少,有可能会漏检。因此对于灰度细节比较丰富的图像,灰度差阈值T要根据具体情况来,对整幅图像使用固定的T,检测到的极值点的效果可能不理想,影响后期的图像分割和识别的精度。
综上所述,传统的基于SIFT的特征提取算法采用固定阈值T,对不同的图像要选择合适的阈值,比较繁琐,而且配准率不高,所以传统的特征提取方法不能应用在不同的图像中,需要对固定阈值T进行了改进,使其对细节丰富的图像具有自适应性,提高传统SIFT特征匹配的准确率。而本发明能很好地解决上述问题。
发明内容
本发明目的在于提供一种基于MMTD(中介真值程度)的SIFT特征提取方法,解决图像SIFT特征提取中采用固定的T没有考虑到不同图像的差异,匹配效果并不是很好的问题。所以针对不同的图像,如何选取合适的阈值从而提高后期图像匹配准确率是图像特征点提取的重点问题。
本发明解决其技术问题所采用的技术方案是:本方法是一种策略性的方法,通过MMTD改进阈值的方法和策略,改进传统SIFT特征提取算法,使其减少因固定阈值可能导致的误检或者漏检特征点的问题。
目前的SIFT特征提取方法是,用固定的阈值来筛选掉DOG尺度空间检测到的候选特征点中存在的低对比度点和不稳定的边缘响应点。但这种方式存在很多的缺点,在一些特殊的图像,如医学图像,医生诊断所关注的焦点是对比度比较低的软组织部分,传统的方法对任何图像都采用固定的灰度差阈值T,这样就会把需要的低对比度的部分过滤掉,大大降低了后面的匹配精度。为了提高图像配准的精度,保留低对比度的点,我们要减小阈值来提取更多的特征点;但是阈值太小会引入噪声,采用固定的T没有考虑到不同图像的差异,匹配效果并不是很好。为了解决这些问题,本发明提出了根据每幅图像不同的灰度特性,利用MMTD的方法迭代计算出灰度差阈值T,提高了传统SIFT特征匹配的准确率。
方法流程:
如图1所示,本发明提出一种基于MMTD的SIFT特征提取方法,其包括如下步骤:
1、尺度空间极值点检测
(1)
(2)
(3)
其中公式(1)为可变尺度的二维高斯函数G(x ,y ,σ)的计算方法,公式(2)中L(x,y ,σ)为图像函数的尺度空间, I (x ,y)为原始图像。公式(3)建立DOG尺度空间金字塔模型。把DOG尺度空间每个点与相邻尺度和相邻位置的点逐个进行比较,得到的局部极值点的就是特征点。
2、精确确定极值点位置
使用Taylor级数将尺度空间函数D(x ,y ,σ) 在局部极值点A(x ,y, σ)处展开(最高到2次项):
(4)
其中X是距离局部极值点A(x ,y, σ)的偏移量,式(4)对X求偏导数,令其为零,得到兴趣点精确的位置,如下式:
(5)
将公式(5)代回公式(4)中,得:
(6)
所有极值点都可求出,如果该值小于某个阈值T,视为对比度太低,则将对应的极值点剔除,这样就可以去除低对比度点。传统的SIFT算法根据经验采用固定阈值T就可能导致有些匹配点无法检测出来或有些匹配点被错检。
为了解决上述问题,本发明采用基于MMTD的方法来确定阈值,针对不同的图像,由公式计算出合适的阈值,解决了固定阈值的缺点。所谓特征点就是能很好的描述一幅图像,用阈值来筛选特征点,则阈值需要考虑到候选(像素)点与其某个邻域内像素点灰度值的相似性,这样选取出的特征点才能更具有连贯性,同时也避免了人工需要大量选取图片进行实验,综合考虑一个恰当阈值的繁琐。可以采用像素点间的灰度差值来衡量两个像素点间的相似程度,也可以采用像素点间灰度的比值来衡量。本发明的方法采用距离比率函数来计算像素点间的差值,即用中介真值程度来度量这种像素点间的相似性。
设I是图像灰度值的非空集合,对图像中任意两点的灰度值a和b(a ,bI),有唯一实数d(a,b)与之对应,其中d为两像素点灰度值之差的绝对值。由于图像中任意两点的灰度值之差的绝对值d(a,b)定义为a与b之间的欧式距离,在一维的情形下,d(a,b)=|a-b|,所以灰度值的变化程度可以利用距离比率函数来考察。
假设:图像中有两个像素点:x和y,把x看作待考察点,它的灰度值可能是0~255之间的任一值。通过距离比例函数h,可以计算出x和y的相似程度,即它们的真值程度。
记谓词P(x,y) 表示待考察点x与y相似,╕P (x,y)表示x,y相异,~P(x,y)表示x和y介于相似相异之间,谓词相异与图像灰度数值区间的对应关系如图2所示。可以通过计算距离比率函数h得到x和y的相似程度,当x>y时,其对应的数值区域如图2左边部分所示;当x<y时如图2右边部分所示。
由图2可以得出:
(7)
h(x,y)值(真值程度)的大小反映了像素点x和y的相似程度,h(x,y)的值越大,表示x和y的相似性就越大;当h(x,y)=1时,表示x和y完全相同;h(x,y)的值越小,表示x和y的相似性就越小;当h(x,y)=0时,表示x和y完全相异。
对一些特殊的细节比较丰富的图像,或者要求低对比度的医学图像,传统的SIFT特征提取算法对所有图像均采用固定的阈值T来筛选特征点,所以在应用于这些特殊图像时要通过不断的实验来获取合适的阈值,效率较低。为了提高检测到的极值点的适应性,本发明利用距离比率函数 h(x,y)来计算出针对不同图像的阈值T,使筛选特征点的阈值具有自适应性。如图3所示,主要方法如下:
通过中介真值程度计算距离比例函数 h(x,y),来确定像素点间灰度值的相似性。通过公式(7)提出的距离比率函数的公式计算出3*3邻域的八个像素与中心像素center的相似性(距离),将距离最大最小值和的一半作为初始阈值,然后使用迭代化的方法,计算出最后的阈值作为高斯模板的灰度差阈值T,以此来筛选特征点。
设x(i,j)为图像I中待考察的任一像素点,其中i,j表示图像某个像素点所在的坐标,x(i,j)的3*3邻域(如图4所示)内选取所示的8个方向的相邻点。
用改进的阈值T去除低对比度的极值点和不稳定的边缘响应点,得到精确的特征点,具体步骤如下:
步骤1)如图4所示,根据公式(7)距离比例函数h(x, y)的公式,计算中心像素点center=x(i,j)与其周围8个像素点,左下x(i-1,j-1),左x(i-1,j),下x(i,j-1),右下x(i+1,j-1),右x(i+1,j),上x(i,j+1),左上x(i-1,j+1),右上x(i+1,j+1)的相似性距离,结果分别为d1,d2,d3,d4,d5,d6,d7,d8 ;
步骤2)利用步骤1的方法循环计算每个候选特征点x(i,j)与其八个邻域点相似性距离,组成D;
for(i=2;i<=size(I)-1;i++)
for(j=2;j<=size(I)-1;j++)
{
d1=h(x(i-1,j-1)-center);d2=h(x(i-1,j)-center);
d3=h(x(i,j-1)-center);d4=h(x(i+1,j-1)-center);
d5=h(x(i+1,j)-center);d6=h(x(i,j+1)-center);
d7=h(x(i-1,j+1)-center);d8=h(x(i+1,j+1)-center);
D=[d1,d2,d3,d4,d5,d6,d7,d8];
}
步骤3)确定初始阈值T=(max(D)+min(D))/2;
步骤4)根据初始阈值分割成两部分,大于阈值T的T1,小于阈值T的T2;
步骤5)分别计算T1,T2的均值P1,P2;
步骤6)计算新阈值TT=(P1+P2)/2;
步骤7)重复步骤4、步骤5和步骤6,直到两部分阈值差d=T-TT,小于允许的值allow
即while((d=(T-TT))>=allow), 用新阈值TT取代原来阈值T,然后重复步骤4、步骤5和步骤6;
步骤8)采用公式(6)计算出每个精确的特征点对应的,若<T,视为对比度低,把该特征点过滤掉;否则,保留下来。
3、关键点方向分配
利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数,使算子具备旋转不变性。
(8)
(9)
用公式(8)计算关键点(x ,y)处梯度的模值,用公式(9)计算关键点处梯度的方向。其中L为每个关键点各自所在的尺度。
任意尺度L内,本发明以关键点为中心的邻域内采样,并形成邻域像素的梯度方向直方图。直方图的峰值则代表了该关键点处邻域梯度的主方向,即作为该关键点的主方向。
4、特征点描述子生成
将每个关键点用一组向量(包括位置、尺度、方向等信息)描述出来,形成描述子。描述子采用4×4×8=128维向量表征,即最终形成128维的SIFT特征向量 ,即特征描述符。
有益效果
本发明将MMTD应用于迭代计算阈值的过程中,针对图像的灰度特征计算出合适的阈值T,使得特征提取中可能的漏检和误检现象减少,提高了图像特征点提取的准确率。
附图说明
图1 基于MMTD的SIFT特征提取方法流程图。
图2 谓词相异与图像灰度数值区间的对应关系。
图3 采用MMTD确定阈值T精确确定极值点位置流程图。
图4 基于特征的距离匹配的方向示意图。
具体实施方式
本发明提出了一种基于MMTD的SIFT特征提取方法,具体实施步骤如下:
1、根据公式(1)-(3),建立DOG尺度空间金字塔模型,并计算出极值点。
2、根据公式(6),对每个极值点求出,用改进的基于MMTD的方法确定阈值T,去除低对比度的极值点和不稳定的边缘响应点,得到精确的特征点,具体步骤如下:
如图2所示,根据公式(7)距离比例函数h(x, y)的公式,计算中心像素点center=x(i,j)与其周围8个像素点,左下x(i-1,j-1),左x(i-1,j),下x(i,j-1),右下x(i+1,j-1),右x(i+1,j),上x(i,j+1),左上x(i-1,j+1),右上x(i+1,j+1)的相似性距离,结果分别为d1,d2,d3,d4,d5,d6,d7,d8 ;
利用的方法循环计算每个候选特征点x(i,j)与其八个邻域点相似性距离,组成D;
for(i=2;i<=size(I)-1;i++)
for(j=2;j<=size(I)-1;j++)
{
d1=h(x(i-1,j-1)-center);d2=h(x(i-1,j)-center);
d3=h(x(i,j-1)-center);d4=h(x(i+1,j-1)-center);
d5=h(x(i+1,j)-center);d6=h(x(i,j+1)-center);
d7=h(x(i-1,j+1)-center);d8=h(x(i+1,j+1)-center);
D=[d1,d2,d3,d4,d5,d6,d7,d8];
}
③确定初始阈值T=(max(D)+min(D))/2;
④根据初始阈值分割成两部分,大于阈值T的T1,小于阈值T的T2;
⑤分别计算T1,T2的均值P1,P2;
⑥计算新阈值TT=(P1+P2)/2,;
⑦重复④~⑥步,直到两部分阈值差d=T-TT,小于允许的值allow
即while((d=(T-TT))>=allow), 用新阈值TT取代原来阈值T,然后重复步骤④~⑥;
⑧采用公式(6)计算出每个精确的特征点对应的,若<T,视为对比度低,把该特征点过滤掉;否则,保留下来。
3、用公式(8)计算关键点(x ,y)处梯度的模值,用公式(9)计算关键点处梯度的方向。其中L为每个关键点各自所在的尺度。任意尺度L内,以关键点为中心的邻域内采样,并形成邻域像素的梯度方向直方图。以直方图的峰值确定该关键点处邻域梯度的主方向。
4、对上一步(步骤3)保留下来的每个特征点,生成一组描述包括位置、尺度、方向等信息的128维的SIFT特征向量。
Claims (1)
1.一种基于中介真值程度MMTD的SIFT特征提取的方法,其特征在于,包括:
步骤1)根据距离比率函数h(x,y)的计算公式(1),得到两个像素点x和y之间的相似性距离;
其中a是像素点x的灰度值,b是像素点y的灰度值,d(a,b)表示为灰度值a,b之差的绝对值;
步骤2)利用步骤1)的方法,计算每个候选特征点x(i,j)与其8个邻域点的相似性距离D,其中D是候选特征点x(i,j)与其8个邻域点的相似性距离构成的长度为8的一维向量;
步骤3)确定初始阈值T=(max(D)+min(D))/2;
步骤4)根据初始阈值分割成两部分,大于阈值T的T1,小于阈值T的T2;
步骤5)分别计算T1,T2的均值P1,P2;
步骤6)计算新阈值TT=(P1+P2)/2;
步骤7)用新阈值TT取代原来阈值T,重复步骤4)、步骤5)和步骤6),直到两部分阈值差d=T-TT,小于允许的值allow时停止循环;
步骤8)采用公式(2)计算出每个特征点对应的,若视为对比度低,把该特征点过滤掉;否则,保留下来,其中表示尺度空间函数D(x,y,σ)Taylor级数展开,在极值点处的取值,最高到2次项,所述的公式(2)为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310141022.5A CN104123554B (zh) | 2013-04-23 | 2013-04-23 | 基于mmtd的sift图像特征提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310141022.5A CN104123554B (zh) | 2013-04-23 | 2013-04-23 | 基于mmtd的sift图像特征提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104123554A CN104123554A (zh) | 2014-10-29 |
CN104123554B true CN104123554B (zh) | 2017-09-29 |
Family
ID=51768959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310141022.5A Expired - Fee Related CN104123554B (zh) | 2013-04-23 | 2013-04-23 | 基于mmtd的sift图像特征提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104123554B (zh) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105279522A (zh) * | 2015-09-30 | 2016-01-27 | 华南理工大学 | 一种基于sift的场景物体实时配准方法 |
CN105447876B (zh) * | 2015-12-10 | 2017-02-15 | 北京中科紫鑫科技有限责任公司 | 一种dna测序的图像的磁珠提取方法及装置 |
CN107274377B (zh) * | 2017-07-11 | 2020-05-22 | 北京奇艺世纪科技有限公司 | 一种图像非本地滤波的方法及装置 |
CN108230340B (zh) * | 2018-02-05 | 2021-11-26 | 南京邮电大学 | 一种基于mmtd的slic超像素提取权值确定方法及超像素提取方法 |
CN109635200B (zh) * | 2018-12-18 | 2022-02-01 | 南京邮电大学 | 一种基于中介真值程度度量和用户的协同过滤推荐方法 |
CN109949220A (zh) * | 2019-01-29 | 2019-06-28 | 国网河南省电力公司郑州供电公司 | 全景无人机图像拼接方法 |
CN110008964A (zh) * | 2019-03-28 | 2019-07-12 | 上海交通大学 | 异源图像的角点特征提取与描述方法 |
CN110706262B (zh) * | 2019-10-09 | 2023-06-02 | 上海思岚科技有限公司 | 图像处理方法、装置、设备及存储介质 |
CN111598883B (zh) * | 2020-05-20 | 2023-05-26 | 重庆工程职业技术学院 | 获取云数据医学影像的标定标签设备和工作方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102043960A (zh) * | 2010-12-03 | 2011-05-04 | 杭州淘淘搜科技有限公司 | 一种结合图像灰度与梯度的改进sift特征提取方法 |
-
2013
- 2013-04-23 CN CN201310141022.5A patent/CN104123554B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102043960A (zh) * | 2010-12-03 | 2011-05-04 | 杭州淘淘搜科技有限公司 | 一种结合图像灰度与梯度的改进sift特征提取方法 |
Non-Patent Citations (5)
Title |
---|
中介相似性量度的图像匹配;周宁宁 等;《中国图象图形学报》;20120930;第17卷(第9期);全文 * |
基于SIFT 特征的遥感图像配准方法研究与实现;李晓静 等;《电脑编程技巧与维护》;20120831;第106-107,151页 * |
基于中介真值程度度量处理图像的应用理论研究;周宁宁 等;《南京邮电大学学报( 自然科学版)》;20100630;第30卷(第3期);全文 * |
基于改进SIFT特征的双目图像匹配算法;王民 等;《计算机工程与应用》;20130115;第49卷(第2期);第203-206页 * |
融合全局特性的SIFT特征在图像检索中的应用;李金 等;《黑龙江大学工程学报》;20111130;第1卷(第1期);第91-96页 * |
Also Published As
Publication number | Publication date |
---|---|
CN104123554A (zh) | 2014-10-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104123554B (zh) | 基于mmtd的sift图像特征提取方法 | |
Fan et al. | A hierarchical image matting model for blood vessel segmentation in fundus images | |
Gao et al. | Automatic change detection in synthetic aperture radar images based on PCANet | |
CN104658011B (zh) | 一种智能交通运动目标检测跟踪方法 | |
CN105574527B (zh) | 一种基于局部特征学习的快速物体检测方法 | |
CN103886589B (zh) | 面向目标的自动化高精度边缘提取方法 | |
Li et al. | Rank-SIFT: Learning to rank repeatable local interest points | |
CN104715251B (zh) | 一种基于直方图线性拟合的显著目标检测方法 | |
CN103679187B (zh) | 图像识别方法和系统 | |
CN105335725A (zh) | 一种基于特征融合的步态识别身份认证方法 | |
CN104933434A (zh) | 一种结合LBP特征提取和surf特征提取方法的图像匹配方法 | |
CN104036284A (zh) | 基于Adaboost算法的多尺度行人检测方法 | |
Valliammal et al. | Automatic recognition system using preferential image segmentation for leaf and flower images | |
CN110334762A (zh) | 一种基于四叉树结合orb和sift的特征匹配方法 | |
CN108734200B (zh) | 基于bing特征的人体目标视觉检测方法和装置 | |
CN105787481A (zh) | 一种基于目标性潜在区域分析的目标检测算法及其应用 | |
CN107016680B (zh) | 一种基于显著性检测的害虫图像背景去除方法 | |
CN102446356A (zh) | 一种获取均匀分布匹配点的遥感影像并行自适应匹配方法 | |
CN105405138A (zh) | 基于显著性检测的水面目标跟踪方法 | |
CN105354547A (zh) | 一种结合纹理和彩色特征的行人检测方法 | |
CN105631860B (zh) | 基于局部排序方向直方图描述子的图像同名点提取方法 | |
CN104376312A (zh) | 基于词袋压缩感知特征提取的人脸识别方法 | |
CN104392209B (zh) | 一种目标与背景的图像复杂度评价方法 | |
Varga et al. | Person re-identification based on deep multi-instance learning | |
Schulz et al. | Object-class segmentation using deep convolutional neural networks |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170929 |