CN104318239A - 基于纹理分析的快速图像特征提取方法 - Google Patents

Abstract

本发明提供了一种基于纹理分析的快速图像特征提取方法。该方法先将模板图像灰度化后提取其边缘，然后再进行数学形态学处理，得到一幅含有多个白色斑块的二值图像，然后比较这几个白色斑块所在区域的纹理度量平均熵并提取平均熵最大的区域。同理，在待测图像中也将纹理变化最为剧烈的区域即图像显著区域提取出来，然后利用图像显著区域代替原始图像进行匹配运算。该方法缩小了特征点搜索范围，降低了计算量，达到了节省时间的目的。

Description

基于纹理分析的快速图像特征提取方法

技术领域

本发明属于图像分析及模式识别技术领域，具体地说，属于一种基于纹理分析的快速图像特征提取方法。

背景技术

在工业在线生产中，由于机械振动或者其它一些不可避免的原因可能会导致待测产品在传送带上相对于模板图像发生了平移或者旋转，这样摄像机获取的待测图像在形状上就与模板图像有了一些差别。为了更好的检测缺陷，需将待测图像校正，然后再与模板图像进行差分运算。而为了将待测图像校正，需要对待测图像和模板图像进行匹配运算，得到它们之间的变换矩阵，利用变换矩阵将待测图像校正。

局部特征提取算法所提取的图像特征对图像发生旋转、平移、尺度变化和亮度变化时都具有较高的鲁棒性，故常常被用在两幅图像有旋转、平移、尺度变化和亮度变化关系时的图像匹配问题。但是由于图像中特征点数量过多，并且其特征描述符维数过高，致使特征匹配计算量大和效率不高。针对该问题，本发明采取一种提取图像纹理变化剧烈的区域即图像中最为粗糙的部分来代替整幅图像进行配准运算的方法。由于提取的图像块是原图像的部分区域，检测范围便会缩小，从而节省了算法时间，并且该图像块是图像中最为粗糙的区域，纹理变化比较大，能够检测到大量稳定的局部特征点。而这些大量稳定的局部特征点能够保证匹配算法的精度。

发明内容

本发明的目的在于利用灰度图像的纹理度量平均熵来提取一幅图像中纹理变化最为剧烈的区域，利用该区域来代替整幅图像进行匹配运算，由于它缩小了算法的搜索范围，减少了计算量，从而达到了节省时间的目的。

为实现上述目的，本发明提供了一种基于纹理分析的快速图像特征提取方法，其包括以下部分：

S01、图像预处理：将原始输入图像进行灰度化，得到灰度图像，然后对进行边缘提取，得到边缘图像；

S02、斑点分析：对边缘图像进行二值形态学处理，得到多块斑点，对各斑点进行斑点分析，去除边缘斑点和小斑点；

S03、显著区域选取：计算各斑点区域图像的纹理特征，选取平均熵最大的图像块作为显著区域B_opt；

S04、基于显著区域的特征提取：在显著区域B_opt中提取局部特征点。

作为本发明的进一步改进，所述步骤S02具体为：

(1)对边缘图像A₁进行闭运算，使A₁中的邻近边缘点聚集起来成为一个个的白色小斑块，得到图像A₂；

(2)对A₂进行开运算，去除一些面积较小的白色斑块，得到图像A₃；

(3)求得图像A₃中每个斑点的质心坐标c_i,i＝1,2,...,n，其中n为图像A₃中斑点的个数；

(4)计算每个斑点的质心坐标c_i到图像边缘的距离dx_i＝min(|x|,|N-x|),dy_i＝max(|y|,|M-y|)，其中M为图像的宽度，N为图像的长度；

(5)若dx_i<5或者dy_i<5，则此质心所代表的斑点i予以移除；

(6)计算每个斑点的面积s_i，若s_i<20，将该斑点i予以删除；

(7)得到斑点分析后的图像A₄；

作为本发明的进一步改进，所述步骤S03具体为：

(1)求取斑点分析后的图像A₄中每个斑点的质心坐标c_k,k＝1,2,...,m，m为A₄中斑点的个数；

(2)以c_k,k＝1,2,...,m为中心，在图像A中分别截取m个100×100的图像块B_k；

(3)计算图像块B_k的平均熵其中p(z)为灰度z在图像块B_k中出现的概率，L为图像块B_k中像素的个数；

(4)提取平均熵最大的图像块作为特征提取图像，即显著区域图像B_opt。。

与现有技术相比，本发明的有益效果是：本发明通过边缘提取与二值形态学快速提取图像中的块区域，通过纹理分析获取图像显著区域，以该显著区域图像代替全图进行局部特征提取，极大提高算法速度，为目标检测与识别提供可靠的技术支持，在基于机器视觉的工业产品检测等领域有广泛的应用前景。

附图说明

图1为本发明一种基于纹理分析的快速图像特征提取方法具体实施方式中的流程示意图。

具体实施方式

下面结合附图所示的各实施方式对本发明进行详细说明，但应当说明的是，这些实施方式并非对本发明的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本发明的保护范围之内。

请参图1所示，图1为本发明一种基于纹理分析的快速图像特征提取方法具体实施方式中的流程示意图。在本实施方式中，一种基于纹理分析的快速图像特征提取方法，其包括以下部分：

S01、图像预处理：将原始输入图像进行灰度化，得到灰度图像A，然后对A进行边缘提取，得到边缘图像A₁；

S02、斑点分析：对边缘图像进行二值形态学处理，得到多块斑点，对各斑点进行斑点分析，去除边缘斑点和小斑点；

所述步骤S02具体为：

(1)对边缘图像A₁进行闭运算，使A₁中的邻近边缘点聚集起来成为一个个的白色小斑块，得到图像A₂；

(2)对A₂进行开运算，去除一些面积较小的白色斑块，得到图像A₃；

(3)求得图像A₃中每个斑点的质心坐标c_i,i＝1,2,...,n，其中n为图像A₃中斑点的个数；

(4)计算每个斑点的质心坐标c_i到图像边缘的距离dx_i＝min(|x|,|N-x|),dy_i＝max(|y|,|M-y|)，其中M为图像的宽度，N为图像的长度；

(5)若dx_i<5或者dy_i<5，则此质心所代表的斑点i予以移除；

(6)计算每个斑点的面积s_i，若s_i<20，将该斑点i予以删除；

(7)得到斑点分析后的图像A₄；

S03、显著区域选取：计算各斑点区域图像的纹理特征，选取平均熵最大的图像块作为显著区域B_opt；

所述步骤S03具体为：

(1)求取斑点分析后的图像A₄中每个斑点的质心坐标c_k,k＝1,2,...,m，m为A₄中斑点的个数；

(2)以c_k,k＝1,2,...,m为中心，在图像A中分别截取m个100×100的图像块B_k；

(3)计算图像块B_k的平均熵其中p(z)为灰度z在图像块B_k中出现的次数，L为图像块B_k中像素的个数；

(4)提取平均熵最大的图像块作为特征提取图像，即显著区域图像B_opt。

S04、基于显著区域的特征提取：在显著区域B_opt中提取局部特征点。

上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (3)

1.一种基于纹理分析的快速图像特征提取方法，其特征在于，其包括以下步骤： 

S01、图像预处理：将原始输入图像进行灰度化，得到灰度图像A，然后对A进行边缘提取，得到边缘图像A₁； 

S02、斑点分析：对边缘图像进行二值形态学处理，得到多块斑点，对各斑点进行斑点分析，去除边缘斑点和小斑点； 

S03、显著区域选取：计算各斑点区域图像的纹理特征，选取平均熵最大的图像块作为显著区域B_opt； 

S04、基于显著区域的特征提取：在显著区域B_opt中提取局部特征点。 

2.根据权利要求1所述的基于纹理分析的快速图像特征提取方法，所述步骤S02具体为： 

(1)对边缘图像A₁进行闭运算，使A₁中的邻近边缘点聚集起来成为一个个的白色小斑块，得到图像A₂； 

(2)对A₂进行开运算，去除一些面积较小的白色斑块，得到图像A₃； 

(3)求得图像A₃中每个斑点的质心坐标c_i,i＝1,2,...,n，其中n为图像A₃中斑点的个数； 

(4)计算每个斑点的质心坐标c_i到图像边缘的距离dx_i＝min(|x|,|N-x|),dy_i＝max(|y|,|M-y)，其中M为图像的宽度，N为图像的长度； 

(5)若dx_i<5或者dy_i<5，则此质心所代表的斑点i予以移除； 

(6)计算每个斑点的面积s_i，若s_i<20，将该斑点i予以删除； 

(7)得到斑点分析后的图像A₄。 

3.根据权利要求1所述的基于纹理分析的快速图像特征提取方法，所述步骤S03具体为： 

(1)求取斑点分析后的图像A₄中每个斑点的质心坐标c_k,k＝1,2,...,m，m为A₄中斑点的个数； 

(2)以c_k,k＝1,2,...,m为中心，在图像A中分别截取m个100×100的图像块B_k； 

(3)计算图像块B_k的平均熵其中p(z)为灰度z在图像块B_k中出现的次数，L为图像块B_k中像素的个数； 

(4)提取平均熵最大的图像块作为特征提取图像，即显著区域图像B_opt。