CN105373795B - 二进制图像特征提取方法及系统 - Google Patents
二进制图像特征提取方法及系统 Download PDFInfo
- Publication number
- CN105373795B CN105373795B CN201510599915.3A CN201510599915A CN105373795B CN 105373795 B CN105373795 B CN 105373795B CN 201510599915 A CN201510599915 A CN 201510599915A CN 105373795 B CN105373795 B CN 105373795B
- Authority
- CN
- China
- Prior art keywords
- point
- binary
- comparison
- binary system
- column
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明适用于图像检索技术领域,提供了一种二进制图像特征提取方法,所述方法包括:根据预设规则获取特征点的位置;选取若干像素点作为二进制比较点;以每个二进制比较点为中心,对所述二进制比较点进行高斯模糊处理;从所述二进制比较点所构成的所有二进制比较对中,选择若干对区分度最大且相关性最小的比较对;将选取的若干对二进制比较对,进行像素属性比较,生成二进制描述子;按预设规则,将所述二进制描述子转换为整数。本发明还提供了一种实现上述方法的二进制图像特征提取系统。借此,本发明参照人眼视网膜的成像原理,使后续图片匹配检索算法的效率大大提高。
Description
技术领域
本发明涉及图像检索技术领域,尤其涉及一种二进制图像特征提取方法及系统。
背景技术
互联网图像等视觉信息的迅速增长,给信息的组织与管理带来了巨大挑战,对海量图像进行内容分析与检测的需求越来越大,图像拷贝检测、图像索引和基于内容的图像搜索引擎等技术应运而生。目前这些技术中通常使用局部特征点(Local feature point)特征作为图像内容的特征。局部特征顾名思义,就是图片中一些局部才会出现的特征,在物体不发生完全遮挡的情况下,这些局部特征能稳定的存在,且具有良好的可区分性,从而用这些局部特征作为整幅图像的特征。
局部特征点特征的提取主要分为两个步骤,首先是局部特征点的提取,包括特征点在图像中的位置,特征点主方向,特征点尺度信息等。接着是局部特征点描述子的提取,就是依据特征点周围的像素信息,提取的一种对旋转、光照、尺度变化鲁棒的特征,能有效的描述特征点,通常以向量表示。
常见的局部特征点提取方法主要有SIFT,SURF,FAST,AGIST等,其中SIFT由于对图像的大小旋转无关,对光线、噪声以及微小的视角变换容忍度也相当高,所以广泛的应用在图像检索领域中,然后其计算量相当大,不适合在CPU中实时计算,SURF是对其的改进,但依然消耗大量的计算资源。FAST和AGIST虽然效果不及前两者,但是其计算速度极快,适合对计算速度要求较高的嵌入式平台以及实时监控平台。
常见的局部特征点描述子提取方法主要分为两种,实数描述子和二进制描述子。实数描述子的代表主要有SIFT,SURF等,实数描述子的每个特征分量都是一个实数,所以描述范围广,区分度高,但是其计算量大,且在后续的特征匹配时计算复杂,算法难度高,不适合实时计算领域。二进制描述子的代表主要有ORB,BRIEF,BRISK,FREAK等,二进制描述子由于每个特征分量都是简单的01二进制,虽然单个描述分量的区分力不大,但是由于其计算简单且占用的存储空间小,可以计算多组特征分量,从而提高描述力,但是特征分量的个数会影响后续的特征匹配算法的效率,因此如何权衡特征区分力和算法效率是局部特征点描述子提取算法的难点,此外,随着图像库中的图像数量增加,无论是实数描述子还是二进制描述子,其匹配速度都会明显下降,如何使下降的幅度尽量小,依然是局部特征点描述子提取算法的难点。
综上可知,现有技术在实际使用上显然存在不便与缺陷,所以有必要加以改进。
发明内容
针对上述的缺陷,本发明的目的在于提供一种二进制图像特征提取方法及系统,其不仅可以提高提取速度,还使后续图片匹配检索算法的效率大大提高。
为了实现上述目的,本发明提供一种二进制图像特征提取方法,所述方法包括:
A、根据预设规则获取特征点的位置;
B、选取若干像素点作为二进制比较点;
C、以每个二进制比较点为中心,对所述二进制比较点进行高斯模糊处理;
D、从所述二进制比较点所构成的所有二进制比较对中,选择若干对区分度最大且相关性最小的比较对;
E、将选取的若干对二进制比较对,进行像素属性比较,生成二进制描述子;
F、按预设规则,将所述二进制描述子转换为整数。
根据本发明的二进制图像特征提取方法,步骤A中的预设规则具体为:
如果某个像素点周围的像素点,有大于预设百分比的像素点的像素属性小于或者大于这个点,则确定此点为特征点,并记录该特征点的位置坐标。
根据本发明的二进制图像特征提取方法,步骤B包括:
按照所述特征点的径向由内向外的方向,按照选取密度由小到大,再由大到小的规则选取若干层像素点作为二进制比较点。
根据本发明的二进制图像特征提取方法,步骤C包括:
对同一层的二进制比较点使用相同的高斯半径模糊处理,每层的二进制比较点使用不同的高斯半径,且沿径向由内向外,每层高斯半径逐渐增大。
根据本发明的二进制图像特征提取方法,步骤D包括:
D1、选取一个领域相关的包括P张图片的图像数据集,每张图片提取X个特征点,对应每个特征点选取N个二进制比较点,对所有的二进制比较点进行像素属性比较,对应每个特征点生成一个长度为的特征描述子,把所有的P×X个特征点的特征描述子放在一起,组成一个矩阵M;
D2、计算矩阵M每列的平均值,获取到个平均值后,查找平均值最接近0.5的列,记为列L;
D3、将矩阵M除去所述列L后的列组成向量集合C,将集合中每个列所构成的向量与列L所构成的向量进行求向量夹角运算θ,选取向量夹角最接近90度的若干列,与列L构成最后的比较列,对应的二进制比较点组成最后的二进制比较对。
根据本发明的二进制图像特征提取方法,步骤F包括:
将所述二进制描述子对应的二进制数转换为十进制数。
根据本发明的二进制图像特征提取方法,所述预设百分比为75%。
根据本发明的二进制图像特征提取方法,步骤A还包括:根据图像质心计算出所述特征点的主方向。
本发明还相应的提供一种二进制图像特征提取系统,包括:
特征点获取模块,用于根据预设规则获取特征点的位置;
比较点选取模块,用于选取若干像素点作为二进制比较点;
模糊处理模块,用于以每个二进制比较点为中心,对所述二进制比较点进行高斯模糊处理;
比较对选择模块,用于从所述二进制比较点所构成的所有二进制比较对中,选择若干对区分度最大且相关性最小的比较对;
描述子生成模块,用于将选取的若干对二进制比较对,进行像素属性比较,生成二进制描述子;
描述子转换模块,用于按预设规则,将所述二进制描述子转换为整数。
根据本发明的二进制图像特征提取系统,所述比较对选择模块包括:
获取子模块,用于选取一个领域相关的包括P张图片的图像数据集,每张图片提取X个特征点,对应每个特征点选取N个二进制比较点,对所有的二进制比较点进行像素属性比较,对应每个特征点生成一个长度为的特征描述子,把所有的P×X个特征点的特征描述子放在一起,组成一个矩阵M;
第一计算子模块,用于计算矩阵M每列的平均值,获取到个平均值后,查找平均值最接近0.5的列,记为列L;
第二计算子模块,用于将矩阵M除去所述列L后的列组成向量集合C,将集合中每个列所构成的向量与列L所构成的向量进行求向量夹角运算θ,选取夹角最接近90度的若干列,与列L构成最后的比较列,对应的二进制比较点组成最后的二进制比较对。
本发明通过在特征点位置提取阶段,使用二进制比较方法,在保证精度召回率的情况下,大大提高了提取速度。在特征点描述子生成阶段,参照了人眼视网膜的成像原理,合理的选择二进制比较点,并选出了区分度最大的若干对二进制比较对,使一个特征点描述子可以表示为若干个(个数可根据计算平台自行定义)01字符串,从而使后续图片匹配检索算法的效率大大提高。在现在主流的CPU(酷睿i74770)平台上,包括局部特征点提取,局部特征点描述子提取两个图像特征提取步骤,本发明的算法速度达到每秒单核单线程约60张图片,非常适应于实时图片监控平台使用。
附图说明
图1是本发明的二进制图像特征提取方法流程图;
图2是本发明的选择比较对的方法流程图;
图3A是本发明的二进制点选取示意图;
图3B是图3A所示实施例对二进制点的模糊处理示意图;
图3C是图3A所示实施例对比较对的相关度计算处理示意图;
图4本发明一实施例的特征点选取示意图;
图5A是人眼视网膜原理的示意图;
图5B是人眼视网膜原理的另一示意图;
图6是本发明的预测特征点位置示意图;
图7是本发明的特征点的主方向获取示意图;
图8是本发明的二进制图像特征提取系统结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参见图1,本发明提供了一种二进制图像特征提取方法,该方法是基于人眼视网膜原理,其包括如下步骤:
步骤S101,根据预设规则获取特征点的位置。
该步骤中,如果某个像素点周围的N个像素,有大于预设百分比(比如75%)的像素点的像素属性小于或者大于这个点,则确定此点为特征点,并记录其位置坐标。在本发明的一实施例中,如图6所示,p点周围16个像素点,编号为(12,13,14,15,16,1,2,3,4,5,6,7)的像素点的像素值都小于p点的像素值,且他们连续,则认为p点是特征点,记录其位置。
记录位置后再确定特征点的主方向。我们首先在特征点的领域内计算图像的质心C,如图7所示,计算方法如下:
其中I(x,y)表示图像的像素属性,在一个实施例中,表示图像的像素值。x,y的取值范围是特征点的领域,在一个实施例中,x∈[-3,3],y∈[-3,3]。假设计算结果C点的坐标为C(-2,-1),如图6所示,则特征点p的主方向即为图中表示的夹角θ,计算方法如下:
θ=atan2(m01,m10)
步骤S102,选取若干像素点作为二进制比较点。
该步骤借鉴人眼视网膜视锥细胞的分布,选取若干像素点作为二进制比较点。如图5A所示,该图是其人眼视网膜视锥细胞的分布图,纵轴表示视锥细胞(用来感知光线)的密度,越高表示密度越高。从图中可以看出,视网膜中间的视锥细胞细胞密度并不是很高,处于比较低的水平,而径向向外扩展一些后,密度急剧上升,再向外扩展,密度缓慢下降,因此视锥细胞的密度分布,从径向由内到外的角度看,满足密度低-密度高-密度低的分布。图5B是其俯视图,图示由径向向外分成了四个部分。有鉴于此,本发明设置若干二进制比较点,如图3A所示,最中间的点表示步骤S101中检测到的特征点,周围每个小方格表示其领域的像素点,其它黑色点表示一个实施例中选中的二进制比较点,共分四层。离中心最近的一层只有4个比较点,第二层20个比较点,第三层16个比较点,第四层12个比较点,一共52个比较点,其分布满足密度低-密度高-密度低的分布,与人眼视网膜视锥细胞分布相似。当然,本发明的其它实施例可以根据应用的需要选择更多/更少的层,每层上选取更多/更少的比较点,只要满足密度低-密度高-密度低的分布即可。
步骤S103,以每个二进制比较点为中心,对所述二进制比较点进行高斯模糊处理。
该步骤中,对同一层的二进制比较点使用相同的高斯半径模糊处理,每层的二进制比较点使用不同的高斯半径,且沿径向由内向外,每层高斯半径逐渐增大。参见图3B所示的实施例中,分别采用了3、5、7和9的半径进行高斯模糊处理。
步骤S104,从所述二进制比较点所构成的所有二进制比较对中,选择若干对区分度最大且相关性最小的比较对。
本发明从二进制比较点所构成的所有二进制比较对中,利用机器学习的方法,选择若干对区分度最大且相关性最小比较对。假设在步骤S102中,在所有层中,我们一共选择了N个二进制比较点,那么这些比较点进行两两像素属性比较,一共有种比较结果,我们依据如图2所示的流程算法选取出了最有效的比较对:
步骤S1041,选取一个领域相关的包括P张图片的图像数据集,每张图片提取X个特征点,对应每个特征点选取N个二进制比较点,对所有的二进制比较点进行像素属性比较,对应每个特征点生成一个长度为的特征描述子,把所有的P×X个特征点的特征描述子放在一起,组成一个矩阵M,此矩阵一共有P×X行,列;
步骤S1042,计算矩阵M每列的平均值,获取到个平均值后,查找平均值最接近0.5的列,记为列L。矩阵M的每一列表示一个比较对在数据集上的所有分布,计算矩阵M每列的平均值,这样一共有个平均值,找出平均值离0.5最近的那个列,假设此列为L,L列所表示的比较对与其他比较对相比因为其最接近0.5,所以可以认为拥有最大的区分度,因此比较对加入最终选取的比较对的集合。
步骤S1043,将矩阵M除去所述列L后的列组成向量集合C,将集合中每个列所构成的向量与列L所构成的向量进行求向量夹角运算θ。选取向量夹角最接近90度的若干列,与列L构成最后的比较列,对应的二进制比较点组成最后的二进制比较对。矩阵M的每一列可以看成一个长度为P×X的向量,除子步骤S1042选出的列L外,还有列组成向量集合C,集合中每个列所构成的向量与列L所构成的向量进行求向量夹角运算θ,即两向量的内积除以它们模的乘积:
其中ai属于向量集合C
向量夹角越接近90度,表示相关性越低,因此,可以依据|θi-90|的大小来选取剩下的比较对:对|θi-90|进行排序,从小到大开始选取足够的最终比较对。至此,最终的二进制比较对选取结束,以后有同领域的图片的特征点需要提取描述子,按照选取的二进制比较对直接进行比较即可。
在本发明的一优选实施例中,如图4所示,选取800张领域相关的图片,每张图片提取500个特征点,一共有40万个特征点,每个特征点选取52个二进制比较点,这样52个比较点两两比较一共有对比较对,每对比较对进行像素值(灰度值)的比较,如果离中心特征点近的比较点的像素值大于离中心远的比较点,则比较结果为1,否则为0,这样一个特征点可以生成一个1326位长的01描述子。所有40万个描述子构成一个大矩阵。接着求每一列的平均值,如图4的下部分所示,选取最接近0.5的列,该处是最后一列,而最后一列所对应的比较对为图3C中C1和C2所示的比较对,因此,比较对在这个数据集中的区分度最大,加入最终的比较对集合。对于剩下的1325列,每个列构成的向量与最后一列做向量夹角运算,选取最接近90度的19列加入最终的比较对集合。借此选出20对区分度高相关性小的二进制比较对,如图3C所示。这个过程是运行在线下的,同一个领域的二进制比较对选取只需要一次,后续相同领域的图片直接用选取的二进制对比较即可计算出描述子。
步骤S105,将选取的若干对二进制比较对,进行像素属性比较,生成二进制描述子。
本发明的一优选实施例中,选取20对二进制比较对,因此生成一个长度为20位的01(二进制)描述子。不同领域的图片可以选取不同个数的比较对,比如细节丰富领域的图片,可以适当增加二进制比较对的数量,一些纹理比较简单的领域的图片,可以减少二进制比较对的数量。
步骤S106,按预设规则,将所述二进制描述子转换为整数。转换为整数,便于后续对图片的检索匹配操作。当然,二进制描述子转换的方法可以根据不同计算方式预设规则,在本发明的一个实施例中,按照以下方式进行转换:把01描述子看做一个二进制数,这个二进制数所表示的十进制数就是转换后的结果。
通过上述方法可以看出,本发明首先提取特征点,获取了特征点的位置、主方向信息,然后提取特征点的描述子,获取了一串01字符串,并且可以转换成一个整数。借此使一幅图片的特征可以用若干特征点位置、特征主方向、特征描述子整数表示,大大简化了特征的表示,从而有利于后续的特征匹配检索操作。
参见图8本发明还相应的提供一种二进制图像特征提取系统,该系统100包括:
特征点获取模块10,用于根据预设规则获取特征点的位置。
比较点选取模块20,用于选取若干像素点作为二进制比较点。
模糊处理模块30,用于以每个二进制比较点为中心,对所述二进制比较点进行高斯模糊处理。
比较对选择模块40,用于从所述二进制比较点所构成的所有二进制比较对中,选择若干对区分度最大且相关性最小的比较对;
描述子生成模块50,用于将选取的若干对二进制比较对,进行像素属性比较,生成二进制描述子。
描述子转换模块60,用于按预设规则,将所述二进制描述子转换为整数。
本发明的一优选实施例中,比较对选择模块包括:
获取子模块41,用于选取一个领域相关的包括P张图片的图像数据集,每张图片提取X个特征点,对应每个特征点选取N个二进制比较点,对所有的二进制比较点进行像素属性比较,对应每个特征点生成一个长度为的特征描述子,把所有的P×X个特征点的特征描述子放在一起,组成一个矩阵M;
第一计算子模块42,用于计算矩阵M每列的平均值,获取到个平均值后,查找平均值最接近0.5的列,记为列L;
第二计算子模块43,用于将矩阵M除去所述列L后的列组成向量集合C,将集合中每个列所构成的向量与列L所构成的向量进行求向量夹角运算θ。选取夹角最接近90度的若干列,与列L构成最后的比较列,对应的二进制比较点组成最后的二进制比较对。
本发明的系统各模块可以由软件单元、硬件单元或软硬件结合单元实现,其不仅可以对后台图片库中的图片进行提取,也可以对线上待检测的图片进行提取,提高后续检索效率。
综上所述,本发明通过在特征点位置提取阶段,使用二进制比较方法,在保证精度召回率的情况下,大大提高了提取速度。在特征点描述子生成阶段,参照了人眼视网膜的成像原理,合理的选择二进制比较点,并选出了区分度最大的若干对二进制比较对,使一个特征点描述子可以表示为若干个(个数可根据计算平台自行定义)01字符串,从而使后续图片匹配检索算法的效率大大提高。在现在主流的CPU(酷睿i74770)平台上,包括局部特征点提取,局部特征点描述子提取两个图像特征提取步骤,本发明的算法速度达到每秒单核单线程约60张图片,非常适应于实时图片监控平台使用。
当然,本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (7)
1.一种二进制图像特征提取方法,其特征在于,所述方法包括:
A、选取一个领域相关的包括P张图片的图像数据集,根据预设规则从每张图片提取X个特征点,并获取所述特征点的位置;
B、按照所述特征点的径向由内向外的方向,按照选取密度由小到大,再由大到小的规则选取N个像素点作为二进制比较点;
C、以每个二进制比较点为中心,对所述二进制比较点进行高斯模糊处理;
D、将所述二进制比较点构成的所有二进制比较对进行像素属性比较,若该二进制比较对中离该特征点近的二进制比较点的像素值大于离该特征点远的二进制比较点的像素值,则比较结果为1,反之为0,遍历该特征点的所有该二进制比较对,将所有比较结果生成所述特征点的长度为的特征描述子;将P×X个特征点的特征描述子组成矩阵M,计算所述矩阵M每列的平均值,获取到个平均值后,查找平均值最接近0.5的列,记为列L;将所述矩阵M除去列L后的列组成向量集合C,将集合中每个列所构成的向量与列L所构成的向量进行求向量夹角运算θ,选取向量夹角最接近90度的若干列,与列L构成比较列,以所述比较列对应的二进制比较点组成最终二进制比较对;
E、将所述最终二进制比较对进行像素属性比较,若该最终二进制比较对中离该特征点近的二进制比较点的像素值大于离该特征点远的二进制比较点的像素值,则比较结果为1,反之为0,遍历该特征点的所有该最终二进制比较对,将所有比较结果生成二进制描述子;
F、按预设规则,将所述二进制描述子转换为整数。
2.根据权利要求1所述的二进制图像特征提取方法,其特征在于,步骤A中的预设规则具体为:
如果某个像素点周围的像素点,有大于预设百分比的像素点的像素属性小于或者大于这个点,则确定此点为特征点,并记录该特征点的位置坐标。
3.根据权利要求1所述的二进制图像特征提取方法,其特征在于,步骤C包括:
对同一层的二进制比较点使用相同的高斯半径模糊处理,每层的二进制比较点使用不同的高斯半径,且沿径向由内向外,每层高斯半径逐渐增大。
4.根据权利要求1所述的二进制图像特征提取方法,其特征在于,步骤F包括:将所述二进制描述子对应的二进制数转换为十进制数。
5.根据权利要求2所述的二进制图像特征提取方法,其特征在于,所述预设百分比为75%。
6.根据权利要求1所述的二进制图像特征提取方法,其特征在于,步骤A还包括:根据图像质心计算出所述特征点的主方向。
7.一种二进制图像特征提取系统,其特征在于,包括:
特征点获取模块,用于选取一个领域相关的包括P张图片的图像数据集,根据预设规则从每张图片提取X个特征点,并获取所述特征点的位置;
比较点选取模块,用于按照所述特征点的径向由内向外的方向,按照选取密度由小到大,再由大到小的规则选取N个像素点作为二进制比较点;
模糊处理模块,用于以每个二进制比较点为中心,对所述二进制比较点进行高斯模糊处理;
比较对选择模块,用于将所述二进制比较点构成的所有二进制比较对进行像素属性比较,若该二进制比较对中离该特征点近的二进制比较点的像素值大于离该特征点远的二进制比较点的像素值,则比较结果为1,反之为0,遍历该特征点的所有该二进制比较对,将所有比较结果生成所述特征点的长度为的特征描述子;将P×X个特征点的特征描述子组成矩阵M,计算所述矩阵M每列的平均值,获取到个平均值后,查找平均值最接近0.5的列,记为列L;将所述矩阵M除去列L后的列组成向量集合C,将集合中每个列所构成的向量与列L所构成的向量进行求向量夹角运算θ,选取向量夹角最接近90度的若干列,与列L构成比较列,以所述比较列对应的二进制比较点组成最终二进制比较对;
描述子生成模块,用于将所述最终二进制比较对进行像素属性比较,若该最终二进制比较对中离该特征点近的二进制比较点的像素值大于离该特征点远的二进制比较点的像素值,则比较结果为1,反之为0,遍历该特征点的所有该最终二进制比较对,将所有比较结果生成二进制描述子;
描述子转换模块,用于按预设规则,将所述二进制描述子转换为整数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510599915.3A CN105373795B (zh) | 2015-09-18 | 2015-09-18 | 二进制图像特征提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510599915.3A CN105373795B (zh) | 2015-09-18 | 2015-09-18 | 二进制图像特征提取方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105373795A CN105373795A (zh) | 2016-03-02 |
CN105373795B true CN105373795B (zh) | 2018-12-04 |
Family
ID=55375977
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510599915.3A Active CN105373795B (zh) | 2015-09-18 | 2015-09-18 | 二进制图像特征提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105373795B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106384127B (zh) * | 2016-09-08 | 2019-04-02 | 中国科学院计算技术研究所 | 为图像特征点确定比较点对及二进制描述子的方法及系统 |
CN109840525B (zh) * | 2017-11-27 | 2022-09-20 | 中国科学院沈阳计算技术研究所有限公司 | 圆周二进制特征的提取与匹配搜索方法 |
CN113869322A (zh) * | 2020-06-30 | 2021-12-31 | 索尼公司 | 图像特征提取方法和设备 |
CN113869600A (zh) * | 2021-10-18 | 2021-12-31 | 国网江苏省电力有限公司营销服务中心 | 基于随机森林与二次修正的峰谷差中长期预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000231602A (ja) * | 1999-02-12 | 2000-08-22 | Oki Electric Ind Co Ltd | 特徴抽出装置 |
CN102289816A (zh) * | 2011-06-29 | 2011-12-21 | 西安电子科技大学 | 基于模糊概念格的视频运动特征提取方法 |
CN104346833A (zh) * | 2014-10-28 | 2015-02-11 | 燕山大学 | 一种基于单目视觉的车辆重构算法 |
-
2015
- 2015-09-18 CN CN201510599915.3A patent/CN105373795B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000231602A (ja) * | 1999-02-12 | 2000-08-22 | Oki Electric Ind Co Ltd | 特徴抽出装置 |
CN102289816A (zh) * | 2011-06-29 | 2011-12-21 | 西安电子科技大学 | 基于模糊概念格的视频运动特征提取方法 |
CN104346833A (zh) * | 2014-10-28 | 2015-02-11 | 燕山大学 | 一种基于单目视觉的车辆重构算法 |
Non-Patent Citations (1)
Title |
---|
随机亮度差量化的二进制特征描述;庄东哗、张冬明、张勇东、李锦涛;《中国国象图像学报》;20140430;第19卷(第4期);第0630-0636页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105373795A (zh) | 2016-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lin et al. | MARTA GANs: Unsupervised representation learning for remote sensing image classification | |
Baldassarre et al. | Deep koalarization: Image colorization using cnns and inception-resnet-v2 | |
Zhang et al. | Three-dimensional densely connected convolutional network for hyperspectral remote sensing image classification | |
CN105373795B (zh) | 二进制图像特征提取方法及系统 | |
Moustafa et al. | Hyperspectral change detection based on modification of UNet neural networks | |
CN104809731B (zh) | 一种基于梯度二值化的旋转尺度不变场景匹配方法 | |
CN104751172B (zh) | 基于去噪自动编码的极化sar图像的分类方法 | |
CN114419413A (zh) | 感受野自适应的变电站绝缘子缺陷检测神经网络构建方法 | |
Wei et al. | Universal deep network for steganalysis of color image based on channel representation | |
Al-Amaren et al. | RHN: A residual holistic neural network for edge detection | |
Narag et al. | Identifying the painter using texture features and machine learning algorithms | |
Wu et al. | SRCANet: Stacked residual coordinate attention network for infrared ship detection | |
CN108564116A (zh) | 一种摄像头场景图像的成分智能分析方法 | |
Jia et al. | Exploring hard samples in multi-view for few-shot remote sensing scene classification | |
Qian et al. | GOMT: Multispectral video tracking based on genetic optimization and multi‐features integration | |
Xu et al. | HCF-Net: Hierarchical Context Fusion Network for Infrared Small Object Detection | |
Liu et al. | Ground-based visible-light cloud image classification based on a convolutional neural network | |
Wei et al. | Topology-preserving transfer learning for weakly-supervised anomaly detection and segmentation | |
Saeed | Visual similarity-based phishing detection using deep learning | |
CN106384127B (zh) | 为图像特征点确定比较点对及二进制描述子的方法及系统 | |
Kalluvilayil Venugopalan et al. | Keypoint-based detection and region growing-based localization of copy-move forgery in digital images | |
Xiong et al. | Image Aesthetics Assessment Via Learnable Queries | |
Zhong et al. | Handwritten character recognition based on 13-point feature of skeleton and self-organizing competition network | |
Fan et al. | Recognition and analysis of fabric texture by double-sided fusion of transmission and reflection images under compound light source | |
Ding et al. | Improving GAN-based feature extraction for hyperspectral images classification |
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 |