CN105574533A - 一种图像特征提取方法和装置 - Google Patents

一种图像特征提取方法和装置 Download PDF

Info

Publication number
CN105574533A
CN105574533A CN201510937686.1A CN201510937686A CN105574533A CN 105574533 A CN105574533 A CN 105574533A CN 201510937686 A CN201510937686 A CN 201510937686A CN 105574533 A CN105574533 A CN 105574533A
Authority
CN
China
Prior art keywords
outline
pixel
axis
relative
image
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.)
Granted
Application number
CN201510937686.1A
Other languages
English (en)
Other versions
CN105574533B (zh
Inventor
徐庆
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201510937686.1A priority Critical patent/CN105574533B/zh
Publication of CN105574533A publication Critical patent/CN105574533A/zh
Application granted granted Critical
Publication of CN105574533B publication Critical patent/CN105574533B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图像特征提取方法，包括：对输入图像提取图像像素的轮廓特征线；在坐标系中对轮廓特征线进行方向与提取方形的定位，其中，所述坐标系是以图像的单个像素为x轴和y轴的计量单位而构建的坐标系；在所述坐标系中提取轮廓特征线中像素点的坐标值Gn(xn,yn)，其中，角标n代表第n个像素点；按预设的规则将坐标值Gn(xn,yn)以相对数表示，从而获得相对坐标值Sn(xn,yn)，其中Sn的xn和yn的值以相对数(百分数)表示；按变形公差参数和取整规则对相对坐标值Sn(xn,yn)进行取整，从而得到取整相对坐标值Zn(xn,yn)。利用本发明丰富了图像特征信息的描述，有效解决了图像原始像素的不变形识别问题，能使图像在变形公差范围内获得精准识别。

Description

一种图像特征提取方法和装置
技术领域
本发明涉及图像识别技术领域，具体涉及一种图像特征提取方法和装置。
背景技术
图像的轮廓是图像最基本的特征之一，往往携带着一幅图像的大部分信息。图像的轮廓既存在于图像的不规则结构和不稳定的边缘，也存在于数据的突变点处，这些点给出了图像轮廓的位置，这些轮廓常常是我们在进行图像识别时所需要的非常重要的特征条件。经典的轮廓提取技术大都基于微分运算，首先通过平滑来滤除图像中的噪声，然后进行一阶微分或二阶微分运算，求得梯度最大值或二阶导数的过零点，最后选取适当的阈值提取边界。按照该理论已形成了多种轮廓检测算法。
在某些应用中，图像识别的主要目的是找出与样本图像相同或近似度高的比对图像。在这些应用中，由于待检图像与样本图像在比对时，往往难以形成统一的图像大小、角度与位置，虽然可以通过缩放、旋转解决图像的可比性问题，但其同时造成了图像原始像素的变形，导致偏离图像原始特征的情况，因此，现有的轮廓处理技术常常不能得到满意的比对结果，一旦样本图像与待检图像的大小、形状、角度或位置等有变形或差异时，就难以找出相同或近似度比较高的比对图像。
发明内容
有鉴于此，本发明提出一种图像特征提取方法和装置，通过对图像轮廓特征线上像素点的一系列处理，获得轮廓特征线像素点的相对坐标值和取整相对坐标值，这一图像特征的描述的新方案，丰富了图像特征的描述，有效解决了图像原始像素的不变形识别问题，能使图像在变形公差范围内获得精准识别。
一方面，本发明提供一种图像特征提取方法，包括：S101，对输入图像提取图像像素的轮廓特征线；S102，在坐标系中对轮廓特征线进行方向与提取方形的定位，其中，所述坐标系是以图像的单个像素为x轴和y轴的计量单位而构建的坐标系；S103，在所述坐标系中提取轮廓特征线中像素点的坐标值Gn(xn,yn)，其中，角标n代表第n个像素点；S104，按预设的规则将坐标值Gn(xn,yn)以相对数表示，从而获得相对坐标值Sn(xn,yn)，其中Sn的xn和yn的值以相对数(百分数)表示，Gn的xn和yn的值以绝对数表示；S105，按变形公差参数和取整规则对相对坐标值Sn(xn,yn)进行取整，从而得到取整相对坐标值Zn(xn,yn)。
优选地，在步骤S101之前，所述方法还包括：对所述输入图像进行预处理，所述预处理包括以下各项中的至少一项：灰度化处理、二值化处理、去噪处理。
优选地，在步骤S105之后，所述方法还包括：对获取的相对坐标值Sn(xn,yn)和取整相对坐标值Zn(xn,yn)进行输出。
优选地，其中所述轮廓特征线包括：输入图像的边缘像素的集合、外轮廓线像素的集合和内轮廓线像素的集合。
优选地，其中方向与提取方形的定位包括：将步骤S101所提取的轮廓特征线在不改变旋转方向的条件下平移至轮廓特征线上像素点的x轴坐标最小值为0，且轮廓特征线上像素点的y轴坐标最小值为0的位置；其中，所述提取方形是轮廓特征线的外接方形。
优选地，其中方向定位包括：找出轮廓特征线上最长的直线，以最小的旋转度角将轮廓特征线旋转至使轮廓特征线上最长的直线与x轴或y轴平行，再平移至轮廓特征线上像素点的x轴坐标最小值为0，轮廓特征线在提取方形内向y轴对齐并居中位置。
优选地，其中提取方形定位包括：以步骤S102定位后的轮廓特征线上最大的x轴或y轴坐标值为边长所构成的方形，所述方形的一条边线与x轴重合，另一条边线与y轴重合。
优选地，其中所述相对坐标值Sn(xn,yn)按如下公式计算取得：
相对坐标值Sn(xn,yn)＝Gn(xn/h，yn/h)，
其中，xn表示第n个像素点在所述坐标系中的x轴坐标值，yn表示第n个像素点在所述坐标系中的y轴坐标值，h表示所述提取方形的最大直线边长，其中，Sn的xn和yn的值以相对数(百分数)表示，Gn的xn和yn的值以绝对数表示。
优选地，其中所述取整相对坐标值Zn(xn,yn)是由相对坐标值Sn(xn,yn)按变形公差参数和取整规则的换算取得，其中，Zn的xn和yn的值以相对数(百分数)表示。
优选地，其中所述变形公差参数的取值介于0.5％至10％之间。
优选地，其中所述取整规则为“未过半舍过半入”规则。
另一方面，本发明还提供一种图像特征提取装置，包括：轮廓特征线提取模块，用于对输入图像提取图像像素的轮廓特征线；轮廓特征线定位模块，用于在坐标系中对轮廓特征线进行方向与提取方形的定位，其中，所述坐标系是以图像的单个像素为x轴和y轴的计量单位而构建的坐标系；像素点坐标值提取模块，用于在所述坐标系中提取轮廓特征线中像素点的坐标值Gn(xn,yn)，其中，角标n代表第n个像素点；相对坐标值获取模块，用于按预设的规则将坐标值Gn(xn,yn)以相对数表示，从而获得相对坐标值Sn(xn,yn)，其中Sn的xn和yn的值以相对数(百分数)表示，Gn的xn和yn的值以绝对数表示；取整相对坐标值获取模块，用于按变形公差参数和取整规则对相对坐标值Sn(xn,yn)进行取整，从而得到取整相对坐标值Zn(xn,yn)。
利用本发明实施例的相对坐标值和整相对坐标值可以有效解决图像原始像素的不变形问题，使目标图形不受图形的缩放、放置角度、位置的影响，使图像在变形公差范围内获得精准识别。利用本发明的实施例能够对不规则不稳定的图像通过轮廓特征线的方向定位、提取方形定位等标准化处理而获取图像各像素点唯一的坐标值Gn(xn,yn)、相对坐标值Sn(xn,yn)及取整相对坐标值Zn(xn,yn)，使不同的比对图形之间具备可比性。利用本发明的实施例能够对复杂图像进行关键轮廓特征线的像素点的处理，包括提取每个像素点的坐标值Gn(xn,yn)、计算其相对坐标值Sn(xn,yn)、确定相对坐标值Sn(xn,yn)的变形公差、按变形公差参数和“未过半舍，过半入”的取整规则进行取整以获取经变形公差精确后的像素点的取整相对坐标值Zn(xn,yn)等处理，丰富了对复杂图像特征信息的描述，利用本发明所输出的经变形公差精确取整后的像素点的取整相对坐标值Zn(xn,yn)在不同图像间的匹配，能够有效提高相同或近似图像的匹配效果。
附图说明
图1是本发明一个实施例的图像特征提取方法流程图。
图2是本发明另一实施例的图像特征提取方法流程图。
图3是本发明实施例的示例性图像原图。
图4是本发明实施例的示例性轮廓特征线图。
图5是本发明实施例的自然基准定位的方向定位图。
图6是本发明实施例的自然基准定位的提取方形定位图。
图7是本发明一个实施例的基准直线定位的方向定位图。
图8是本发明另一实施例的基准直线定位的方向定位图。
图9是本发明实施例的基准直线定位的提取方形定位图。
图10是本发明实施例的图像特征提取装置的结构框图。
具体实施方式
以下结合附图以及具体实施例，对本发明的技术方案进行详细描述。
图1示出了本发明实施例的图像特征提取方法流程图，包括：
S101，对输入图像提取图像像素的轮廓特征线；
S102，在坐标系中对轮廓特征线进行方向与提取方形的定位，其中，所述坐标系是以图像的单个像素为x轴和y轴的计量单位而构建的坐标系；
S103，在所述坐标系中提取轮廓特征线中像素点的坐标值Gn(xn,yn)，其中，角标n代表第n个像素点；
S104，按预设的规则将坐标值Gn(xn,yn)以相对数表示，从而获得相对坐标值Sn(xn,yn)，其中Sn的xn和yn的值以相对数(百分数)表示，Gn的xn和yn的值以绝对数表示；
S105，按变形公差参数和取整规则对相对坐标值Sn(xn,yn)进行取整，从而得到取整相对坐标值Zn(xn,yn)。
在实际应用中，上述流程还可包括预处理步骤、确定变形公差参数和结果输出等步骤，可采用如图2所示的方法流程图，包括：
S201，获取输入图像；
S202，对输入图像进行灰度化、二值化和/或去噪处理；
S203，对输入图像提取图像像素的轮廓特征线；
S204，在坐标系中对轮廓特征线进行方向与提取方形的定位，其中，所述坐标系是以图像的单个像素为x轴和y轴的计量单位而构建的坐标系；
S205，在所述坐标系中提取轮廓特征线中像素点的坐标值Gn(xn,yn)，其中，角标n代表第n个像素点；
S206，按预设的规则将坐标值Gn(xn,yn)以相对数表示，从而获得相对坐标值Sn(xn,yn)，其中Sn的xn和yn的值以相对数(百分数)表示，Gn的xn和yn的值以绝对数表示；
S207，根据图像分析需求确定相对坐标值Sn(xn,yn)的变形公差参数；
S208，按变形公差参数和“未过半舍，过半入”的取整规则对相对坐标值Sn(xn,yn)进行取整，以获取经变形公差精确取整后的像素点的取整相对坐标值Zn(xn,yn)；
S209，将精确取整后的像素点的取整相对坐标值Zn(xn,yn)输出。
以下基于具体实施例对上述处理步骤进行具体说明。
第一，获取输入图像。
在实际应用中，可以利用常见的终端设备获取输入图像的原图数据，例如使用电脑下载输入图像，使用相机、摄像头或集合有摄像头的手机等拍摄输入图像，作为待处理的对象。图3随机给出若干图像，这些图像的原图可能带有色彩，可能有无意义的背景，也可能是不规则的形状，等等，均可作为本发明实施例的处理对象。
第二，对输入图像进行灰度化、二值化、去噪等预处理。
在本发明的实施例中，在提取输入图像的轮廓特征线之前，可先对输入图像进行预处理，例如对输入图像进行灰度化、二值化和/或去噪处理。
其中，灰度数字图像是每个像素只有一个采样颜色的图像，这类图像通常显示为从最暗黑色到最亮的白色的灰度，尽管理论上这个采样可以任何颜色的不同深浅，甚至可以是不同亮度上的不同颜色。灰度图像与黑白图像不同，在计算机图像领域中黑白图像只有黑白两种颜色，灰度图像在黑色与白色之间还有许多级的颜色深度。
其中，图像二值化就是将图像上的像素点的灰度值设置为0或255，也就是将整个图像呈现出明显的黑白效果。
其中，噪点主要是指电荷耦合元件CCD(CMOS)将光线作为接收信号并输出的过程中所产生的图像中的粗糙部分，也指图像中不该出现的外来像素，通常由电子干扰产生。看起来就像图像被弄脏了，布满一些细小的糙点。我们平时所拍摄的数码照片如果用个人电脑将拍摄到的高画质图像缩小以后再看的话，也许就注意不到。不过，如果将原图像放大，那么就会出现本来没有的颜色(假色)，这种假色就是图像噪音，可通过技术手段将这些噪点去除。
第三，对输入图像提取图像像素的轮廓特征线。
在本发明的实施例中，可利用多边形逼近法中的Teh-Chin检测算法提取输入图像的关键像素点特征，即轮廓特征线，轮廓特征线就是轮廓线上像素点的集合，可生成输入图像轮廓特征线上的像素点序列图像。图4示出了若干图像的轮廓特征线，可以看到，轮廓特征线包括外轮廓线上的像素点和内轮廓线上的像素点。像素点是该图像中固有的原始特征。
其中，对于多边形逼近法，是一种已知的算法，利用该算法可提取轮廓上蕴含物体形状的重要信息的像素点的集合，即是轮廓曲线的关键点检测方法。该算法主要可以分为直线段逼近法和角点检测法。角点检测法又可以分为Rosenfeld-Johnston检测算法、Freeman-Davis检测算法、Sankar-Shama检测算法、Anderson-Bezdek检测算法、Teh-Chin检测算法。本发明的实施例采用了其中的Teh-Chin检测算法。
第四，在坐标系中对轮廓特征线进行方向与提取方形的定位。
对轮廓特征线进行方向与提取方形的定位就是将轮廓特征线的放置位置采用一定的方法进行方向和提取方形的唯一性定位。
在实际应用中，方向定位的具体目的是：为了实现不同比对图像轮廓特征线上像素点在方向上的可比性，需要将输入图像置于统一的方向定位位置上，解决图像的方向、角度等有变形或差异时的可比性和唯一性问题。这样才能在坐标系里准确提取其坐标值，实现相同或近似图像坐标值的可比性。
在实际应用中，提取方形定位的具体目的是：为了实现不同比对图像轮廓特征线上像素点在提取方形内的可比性，需要将输入图像置于提取方形内，解决图像识别范围的完整性和图像的大小、形状、位置等有变形或差异时的可比性和唯一性问题。这样才能在坐标系里准确提取其完整的坐标值，实现相同或近似图像坐标值在完整性上的可比性。
具体地，本发明实施例采用基准定位的方式实现上述目的，基准定位包括：自然基准定位和基准直线定位。在同一处理体系中只能选定一种定位标准，否则会破坏其可比性。
图5示出了自然基准定位的方向定位要点，图6示出了自然基准定位的提取方形为外接矩形的定位要点。自然基准定位是将输入图像轮廓特征线在不改变旋转方向的条件下平移至输入图像轮廓特征线上像素点的x轴坐标最小值为0，且y轴坐标最小值为0的坐标系中。采用自然基准定位具有简单易快速定位的优点。
图7和图8示出了基准直线定位的方向定位要点，图9示出了基准直线定位的提取方形为外接正方形的定位要点。基准直线定位是在输入图像轮廓特征线上找出定位直线，将输入图像轮廓特征线以最小的旋转和平移至定位直线与x轴或y轴平行(本实施例为与x轴平行)，且输入图像轮廓特征线上像素点的x轴坐标最小值为0，输入图像轮廓特征线在提取方形内向y轴对齐并居中。采用基准直线定位的优点是定位精确，对放置不同角度的图像或不规则的图像具有较好的唯一性定位基准。
以下描述不同情况下基准直线定位的处理过程：
1、采用基准直线定位进行方向定位。首先，检测输入图像轮廓特征线上像素点的排列是否存在直线特征，如果有直线特征，找出外轮廓线上的最长的直线，然后，旋转输入图像轮廓特征线，以最小的旋转度角使该外轮廓线上最长的直线与x轴或y轴平行，即可确定轮廓特征线在方向上进行了定位。图7实施例采用外轮廓线上最长直线实施方向定位。
方向定位时如果出现外轮廓线上最长的直线有两条或两条以上时，选取实现最小的旋转度角使该外轮廓线上最长的直线与x轴或y轴平行的直线作为基准直线。
方向定位时如果出现输入图像轮廓特征线上像素点的排列不存在直线特征时，检测并计算轮廓特征线上距离最大的两个像素点，将轮廓特征线旋转和平移至该距离最大的两个像素点之间的虚拟直线与x轴平行，且图像轮廓特征线上像素点的x轴坐标最小值为0。图8实施例采用距离最大的两个像素点之间的虚拟直线实施方向定位。
方向定位时如果出现输入图像轮廓特征线上距离最大的像素点超过两个时，取实现以最小的旋转度角使距离最大的两个像素点之间的虚拟直线与x轴或y轴平行时所对应的该虚拟直线作为基准直线，实施方向定位。
2、采用基准直线进行提取方形定位。首先，检测输入图像轮廓特征线上像素点在坐标系中x轴或y轴最大值，取该最大值为边长做正方形，并使输入图像轮廓特征线在正方形向y轴对齐并居中，然后平移该正方形使其一条边线与x轴重合，另一条边线与y轴重合，如图9实施例所示。
经过上述定位处理，使不同的图形特征信息之间具备可比性，使不同的图像拥有共同的参照标准和统一的比对环境。
此外，在本发明其他实施例中，对输入图像轮廓特征线进行定位还可采取与上述不同的定位策略，例如利用输入图像轮廓特征线的外接圆法，使该外接圆与x轴和y轴相切；也可采用输入图像轮廓特征线的外接其他几何图形法，使该几何图形与x轴和y轴相切。
第五，在坐标系中提取轮廓特征线中像素点的坐标值Gn(xn,yn)。
输入图像轮廓特征线经方向定位和提取方形定位后，以单个像素点为一个坐标刻度在坐标系内提取轮廓特征线上全部像素点的坐标值Gn(xn,yn),其中角标n代表第n个像素点，所提取的像素点包括外轮廓线和内轮廓线上的所有像素点。同时可统计轮廓特征线上的像素点总数。
需要注意的是，提取输入图像轮廓特征线上每个像素点的坐标值Gn(xn,yn)时，应基于同一方向定位和提取方形定位标准，否则会破坏其可比性。
第六，按预设的规则将坐标值Gn(xn,yn)以相对数表示，获得相对坐标值Sn(xn,yn)。
对于视觉上相同的多个图像，因不同图像的大小存在差异，所以即使经过图像的方向定位和提取方形定位后，也很难保证其轮廓线上全部像素点的坐标值相同，这为图像的坐标匹配带来困难。为解决这个问题，对轮廓线上像素点的坐标值进行相对数转换，得到每个像素点的相对坐标值，可以有效解决图像在大小存在差异情况下的坐标匹配问题。以相对数方式表达像素点的坐标值，可称为相对坐标值，记为Sn(xn,yn)，具体地，轮廓特征线上像素点的坐标值转换为相对坐标值的计算公式如下：
相对坐标值Sn(xn,yn)＝Gn(xn/h，yn/h)，
其中，xn为第n个像素点在所述坐标系中的x轴坐标值，
yn为第n个像素点在坐标系中的y轴坐标值，
h为提取方形的最大直线边长，
其中，Sn的xn和yn的值以相对数(百分数)表示，Gn的xn和yn的值以绝对数表示。
在本发明的实施例中，相对数坐标是指通过将相对于坐标原点的绝对坐标值转换为以绝对坐标值与图像提取方形的最大直线边长的比率反映的坐标。
采用相对坐标值表示轮廓特征线上的像素点特征，可以消除由尺寸差异导致的坐标值差异，使得即使两个图像的尺寸比例差别巨大，也可以识别出实质相同的图像。
第七，根据图像分析需求确定相对坐标值Sn(xn,yn)的变形公差参数。
在实际应用中需要注意：转换相对坐标值的过程中应合理确定转换变形公差范围。变形公差是指当像素点在任意方向上偏移至变形公差参数范围内时，该像素点的相对坐标值保持不变。本发明的实施例根据图像分析需要确定相对坐标值Sn(xn,yn)的变形公差i。轮廓特征线上像素点的坐标值Gn(xn,yn)转换为相对坐标值Sn(xn,yn)后，能根据相对坐标值微小的差异区分输入图像的唯一性，但坐标匹配时则可能很难找到相匹配的图像，采用变形公差可以解决图像在变形公差范围内的坐称匹配问题。变形公差具体的取值应根据图像分析的需求确定。变形公差参数一般取百分数，如1％，2％等等。在本发明的实施例中，变形公差参数i取0.5％至10％的范围。
第八，按变形公差参数和“未过半舍，过半入”的取整规则对相对坐标值Sn(xn,yn)进行取整，以获取经变形公差精确取整后的像素点的取整相对坐标值Zn(xn,yn)。
当变形公差参数取1％时，像素点相对坐标值的x轴和y轴坐标应平均划分为100个基准相对坐标，凡不落入基准相对坐标的相对坐标值须按取整规则取整，以落入基准坐标。
本实施例的取整规则：根据变形公差参数对像素点的相对坐标值Sn(xn,yn)按“未过半舍，过半入”的取整规则进行取整，以获取经变形公差精确后的像素点的取整相对坐标值Zn(xn,yn)。
结合本发明的如下实施例说明取整的具体处理过程：
实施例一：假如获得的某一输入图像轮廓特征线上一组像素点的相对坐标值Sn(xn,yn)如下：
S1(0％，52.321％)，S2(0.891％，51.567％)，S3(2.189％，50.463％)，S4(3.986％，49.646％)，S5(4.895％，47.347％)，S6(6.263％，45.396％)，S7(8.231％，43.373％)，S8(9.172％，41.502％)，S9(11.265％，38.674％)。
以变形公差参数i取2％为例，按“未过半舍，过半入”的取整规则进行取整，获取以上像素点经变形公差精确后的取整相对坐标值Zn(xn,yn)如下：
Z1(0％，52％)，Z2(0％，52％)，Z3(2％，50％)，Z4(4％，50％)，Z5(4％，48％)，Z6(6％，46％)，Z7(8％，44％)，Z8(10％，42％)，Z9(12％，38％)。
第九，将经精确取整后的像素点的取整相对坐标值Zn(xn,yn)输出。
在本发明的实施例中，在计算得到输入图像轮廓特征线上像素点的取整相对坐标值Zn(xn,yn)之后，可将计算结果输出。前述计算出的输入图像轮廓特征线上所有像素点的取整相对坐标值Zn(xn,yn)，以数据形式输出并保存在样本图像数据库，可用于与其他图像的取整相对坐标值Zn(xn,yn)进行识别、匹配、比较、分析，通过像素点的取整相对坐标值Zn(xn,yn)的重合程度反映不同图像的相似度。
与以上处理过程相对应地，本发明实施例还提供一种图像特征提取装置100，如图10，包括：
轮廓特征线提取模块12，用于对输入图像提取图像像素的轮廓特征线；
轮廓特征线定位模块14，用于在坐标系中对轮廓特征线进行方向与提取方形的定位，其中，所述坐标系是以图像的单个像素为x轴和y轴的计量单位而构建的坐标系；
像素点坐标值提取模块16，用于在所述坐标系中提取轮廓特征线中像素点的坐标值Gn(xn,yn)，其中，角标n代表第n个像素点；
相对坐标值获取模块18，用于按预设的规则将坐标值Gn(xn,yn)以相对数表示，从而获得相对坐标值Sn(xn,yn)，其中，Sn的xn和yn的值以相对数(百分数)表示，Gn的xn和yn的值以绝对数表示；
取整相对坐标值获取模块20，用于按变形公差参数和取整规则对相对坐标值Sn(xn,yn)进行取整，从而得到取整相对坐标值Zn(xn,yn)。
在本发明的实施例中，装置100还可包括图像获取模块，用于获取目标图像的原图数据；装置100还可包括结果输出模块，用于以预定形式输出像素点取整相对坐标值Zn(xn,yn)。
以上，结合具体实施例对本发明的技术方案进行了详细介绍，所描述的具体实施例用于帮助理解本发明的思想。本领域技术人员在本发明具体实施例的基础上做出的推导和变型也属于本发明保护范围之内。

Claims (12)

1.一种图像特征提取方法，其特征在于，包括：
S101，对输入图像提取图像像素的轮廓特征线；
S102，在坐标系中对轮廓特征线进行方向与提取方形的定位，其中，所述坐标系是以图像的单个像素为x轴和y轴的计量单位而构建的坐标系；
S103，在所述坐标系中提取轮廓特征线中像素点的坐标值Gn(xn,yn)，其中，角标n代表第n个像素点；
S104，按预设的规则将坐标值Gn(xn,yn)以相对数表示，从而获得相对坐标值Sn(xn,yn)，其中Sn的xn和yn的值以相对数(百分数)表示，Gn的xn和yn的值以绝对数表示；
S105，按变形公差参数和取整规则对相对坐标值Sn(xn,yn)进行取整，从而得到取整相对坐标值Zn(xn,yn)。
2.如权利要求1所述的方法，其特征在于，在步骤S101之前，所述方法还包括：对所述输入图像进行预处理，所述预处理包括以下各项中的至少一项：灰度化处理、二值化处理、去噪处理。
3.如权利要求1所述的方法，其特征在于，在步骤S105之后，所述方法还包括：对获取的相对坐标值Sn(xn,yn)和取整相对坐标值Zn(xn,yn)进行输出。
4.如权利要求1所述的方法，其特征在于，其中所述轮廓特征线包括：输入图像的边缘像素的集合、外轮廓线像素的集合和内轮廓线像素的集合。
5.如权利要求1-4中任一项所述的方法，其特征在于，其中方向与提取方形的定位包括：将步骤S101所提取的轮廓特征线在不改变旋转方向的条件下平移至轮廓特征线上像素点的x轴坐标最小值为0，且轮廓特征线上像素点的y轴坐标最小值为0的位置；其中，所述提取方形是轮廓特征线的外接方形。
6.如权利要求1-4中任一项所述的方法，其特征在于，其中方向定位包括：找出轮廓特征线上最长的直线，以最小的旋转度角将轮廓特征线旋转至使轮廓特征线上最长的直线与x轴或y轴平行，再平移至轮廓特征线上像素点的x轴坐标最小值为0，轮廓特征线在提取方形内向y轴对齐并居中位置。
7.如权利要求1-4中任一项所述的方法，其特征在于，其中提取方形定位包括：以步骤S102定位后的轮廓特征线上最大的x轴或y轴坐标值为边长所构成的方形，所述方形的一条边线与x轴重合，另一条边线与y轴重合。
8.如权利要求1-4中任一项所述的方法，其特征在于，其中所述相对坐标值Sn(xn,yn)按如下公式计算取得：
相对坐标值Sn(xn,yn)＝Gn(xn/h，yn/h)，
其中，xn表示第n个像素点在所述坐标系中的x轴坐标值，yn表示第n个像素点在所述坐标系中的y轴坐标值，h表示所述提取方形的最大直线边长，其中，Sn的xn和yn的值以相对数(百分数)表示，Gn的xn和yn的值以绝对数表示。
9.如权利要求1-4中任一项所述的方法，其特征在于，其中所述取整相对坐标值Zn(xn,yn)是由相对坐标值Sn(xn,yn)按变形公差参数和取整规则的换算取得，其中，Zn的xn和yn的值以相对数(百分数)表示。
10.如权利要求9所述的方法，其特征在于，其中所述变形公差参数的取值介于0.5％至10％之间。
11.如权利要求9所述的方法，其特征在于，其中所述取整规则为“未过半舍过半入”规则。
12.一种图像特征提取装置，其特征在于，包括：
轮廓特征线提取模块，用于对输入图像提取图像像素的轮廓特征线；
轮廓特征线定位模块，用于在坐标系中对轮廓特征线进行方向与提取方形的定位，其中，所述坐标系是以图像的单个像素为x轴和y轴的计量单位而构建的坐标系；
像素点坐标值提取模块，用于在所述坐标系中提取轮廓特征线中像素点的坐标值Gn(xn,yn)，其中，角标n代表第n个像素点；
相对坐标值获取模块，用于按预设的规则将坐标值Gn(xn,yn)以相对数表示，从而获得相对坐标值Sn(xn,yn)，其中，Sn的xn和yn的坐标值以相对数(百分数)表示，Gn的xn和yn的值以绝对数表示；
取整相对坐标值获取模块，用于按变形公差参数和取整规则对相对坐标值Sn(xn,yn)进行取整，从而得到取整相对坐标值Zn(xn,yn)。
CN201510937686.1A 2015-12-15 2015-12-15 一种图像特征提取方法和装置 Active CN105574533B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510937686.1A CN105574533B (zh) 2015-12-15 2015-12-15 一种图像特征提取方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510937686.1A CN105574533B (zh) 2015-12-15 2015-12-15 一种图像特征提取方法和装置

Publications (2)

Publication Number Publication Date
CN105574533A true CN105574533A (zh) 2016-05-11
CN105574533B CN105574533B (zh) 2018-01-12

Family

ID=55884640

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510937686.1A Active CN105574533B (zh) 2015-12-15 2015-12-15 一种图像特征提取方法和装置

Country Status (1)

Country Link
CN (1) CN105574533B (zh)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107330438A (zh) * 2016-12-30 2017-11-07 徐庆 一种图像轮廓线描述符的获取方法、装置
CN109063197A (zh) * 2018-09-06 2018-12-21 徐庆 图像检索方法、装置、计算机设备和存储介质
CN109387880A (zh) * 2017-08-10 2019-02-26 哈尔滨工业大学 用于物品识别的方法、装置、设备和安检系统
CN109993741A (zh) * 2019-04-03 2019-07-09 南昌航空大学 一种基于k均值聚类的钢轨焊缝轮廓自动定位方法
CN110166830A (zh) * 2019-05-27 2019-08-23 航美传媒集团有限公司 广告机电子屏幕的监控系统
CN110717874A (zh) * 2019-10-10 2020-01-21 徐庆 一种图像轮廓线平滑处理方法
CN110929084A (zh) * 2019-12-17 2020-03-27 徐庆 一种图像形状特征描述符的获取方法及装置
CN113095396A (zh) * 2021-04-07 2021-07-09 南京了如指掌软件科技有限公司 一种将图片特征数字化并进行快速比对的方法
CN116912102A (zh) * 2023-05-11 2023-10-20 上海宇勘科技有限公司 一种基于非局部均值的保边图像去噪方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130077870A1 (en) * 2000-09-04 2013-03-28 Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. Evaluation of edge direction information
CN103914827A (zh) * 2013-09-06 2014-07-09 贵州大学 汽车密封条轮廓缺陷的视觉检测方法
CN104680393A (zh) * 2013-12-02 2015-06-03 章文贤 一种基于图像内容及匹配的交互广告方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130077870A1 (en) * 2000-09-04 2013-03-28 Fraunhofer-Gesellschaft Zur Foerderung Der Angewandten Forschung E.V. Evaluation of edge direction information
CN103914827A (zh) * 2013-09-06 2014-07-09 贵州大学 汽车密封条轮廓缺陷的视觉检测方法
CN104680393A (zh) * 2013-12-02 2015-06-03 章文贤 一种基于图像内容及匹配的交互广告方法

Cited By (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107330438B (zh) * 2016-12-30 2018-04-17 徐庆 一种图像轮廓线描述符的获取方法、装置
CN107330438A (zh) * 2016-12-30 2017-11-07 徐庆 一种图像轮廓线描述符的获取方法、装置
CN109387880A (zh) * 2017-08-10 2019-02-26 哈尔滨工业大学 用于物品识别的方法、装置、设备和安检系统
CN109063197B (zh) * 2018-09-06 2021-07-02 徐庆 图像检索方法、装置、计算机设备和存储介质
CN109063197A (zh) * 2018-09-06 2018-12-21 徐庆 图像检索方法、装置、计算机设备和存储介质
CN109993741A (zh) * 2019-04-03 2019-07-09 南昌航空大学 一种基于k均值聚类的钢轨焊缝轮廓自动定位方法
CN110166830A (zh) * 2019-05-27 2019-08-23 航美传媒集团有限公司 广告机电子屏幕的监控系统
CN110717874A (zh) * 2019-10-10 2020-01-21 徐庆 一种图像轮廓线平滑处理方法
CN110717874B (zh) * 2019-10-10 2022-11-04 徐庆 一种图像轮廓线平滑处理方法
CN110929084A (zh) * 2019-12-17 2020-03-27 徐庆 一种图像形状特征描述符的获取方法及装置
CN110929084B (zh) * 2019-12-17 2023-04-11 徐庆 一种图像形状特征描述符的获取方法及装置
CN113095396A (zh) * 2021-04-07 2021-07-09 南京了如指掌软件科技有限公司 一种将图片特征数字化并进行快速比对的方法
CN116912102A (zh) * 2023-05-11 2023-10-20 上海宇勘科技有限公司 一种基于非局部均值的保边图像去噪方法和系统
CN116912102B (zh) * 2023-05-11 2024-04-09 上海宇勘科技有限公司 一种基于非局部均值的保边图像去噪方法和系统

Also Published As

Publication number Publication date
CN105574533B (zh) 2018-01-12

Similar Documents

Publication Publication Date Title
CN105574533A (zh) 一种图像特征提取方法和装置
CN106651752B (zh) 三维点云数据配准方法及拼接方法
CN108121991B (zh) 一种基于边缘候选区域提取的深度学习舰船目标检测方法
Wang et al. Comparison analysis on present image-based crack detection methods in concrete structures
Kuo et al. 3D object detection and pose estimation from depth image for robotic bin picking
CN105740872A (zh) 图像特征提取方法及其装置
Song et al. DOE-based structured-light method for accurate 3D sensing
CN105574161A (zh) 一种商标图形要素识别方法、装置和系统
CN105096298A (zh) 一种基于快速直线提取的网格特征点提取方法
CN113971669A (zh) 应用于管道损伤识别的三维检测系统
CN108010076B (zh) 一种面向密集工业棒材图像检测的端面外观建模方法
CN111429437A (zh) 面向目标检测的图像无参考清晰度质量检测方法
CN103955929A (zh) 图像局部边缘模式与非边缘模式判断方法及判断装置
CN110751631B (zh) 一种快速高精度的矩形检测方法
Lu et al. Automated bullet identification based on striation feature using 3D laser color scanner
CN113724329A (zh) 融合平面与立体信息的目标姿态估计方法、系统和介质
CN105814608B (zh) 图像处理装置和特定图形检测方法
Raheja et al. Pellet size distribution using circular Hough transform in Simulink
CN110910379A (zh) 一种残缺检测方法及装置
CN113592829B (zh) 基于分割重组的深度学习泥沙颗粒识别方法及装置
CN110517301B (zh) 一种快速相机运动下有效匹配特征的方法
Singh et al. Multi-level threshold based edge detector using logical operations
Yi et al. A pattern-based directional element extraction method for vehicle license plate detection in complex background
Jing-zhong et al. A real-time detection of vehicle's speed based on vision principle and differential detection
Zhang et al. A novel monocular visual odometer method based on Kinect and improved SURF algorithm

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