CN106340010B - 一种基于二阶轮廓差分的角点检测方法 - Google Patents
一种基于二阶轮廓差分的角点检测方法 Download PDFInfo
- Publication number
- CN106340010B CN106340010B CN201610703605.6A CN201610703605A CN106340010B CN 106340010 B CN106340010 B CN 106340010B CN 201610703605 A CN201610703605 A CN 201610703605A CN 106340010 B CN106340010 B CN 106340010B
- Authority
- CN
- China
- Prior art keywords
- profile
- point
- angle point
- angle
- response
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
Landscapes
- Image Analysis (AREA)
Abstract
本发明属于计算机视觉技术和图像处理领域，具体涉及一种基于二阶轮廓差分的角点检测方法。本发明通过：二阶轮廓差分来计算角点响应函数，极大的降低计算复杂度，提高角点检测效率；利用点在轮廓多尺度空间中的角点响应值的乘积作为点的最终角点响应值，有效的提高检测精度，增强角点检测算法对噪声的鲁棒性。最终本发明实现了高效地、鲁棒地和稳定的检测出二维图像中的角点。
Description
技术领域
本发明属于计算机视觉、图像处理技术领域，具体涉及一种基于二阶轮廓差分的角点检测方法。
背景技术
作为图像中最为重要的局部特征之一，角点被广泛地应用于诸如场景分析、三维重建、图像注册和摄像机标定等各种应用之中。在过去的几十年中，出现了大量的角点检测算法。这些算法大致可以分为三类，基于灰度图像、基于模板和基于轮廓的角点检测算法。相对于基于灰度图像和基于模板的角点检测方法，基于轮廓的角点检测方法因其具有较低的检测错误率而得到更为广泛的应用。
对于基于轮廓的角点检测方法而言，角点通常定义为在轮廓中具有曲率局部极大值的点或者是两条轮廓的交点。其中最为著名的基于轮廓的角点检测算法为CSS(F.Mokhtarian and R.Suomela,“Robust image corner detection through curvaturescale space,”IEEE Transactions on Pattern Analysis and Machine Intelligence,vol.20,no.12,pp.1376–1381,1998.)角点检测算法。Mokhtarian提出利用曲率尺度空间(Curvature Scale Space，CSS)的思想来进行角点检测，该算法为该领域内最为经典的算法。基于该算法，出现了很多衍生的算法，如ECSS，ACSS，ARCSS，MSCP和DCSS等。但是这类算法都以曲率来计算角点响应值，计算复杂度很高。
Awrangjeb提出使用点到弦的累加距离(Chord-to-Point DistanceAccumulation，CPDA)技术代替曲率来计算角点响应值，由此提出CPDA和FAST-CPDA两种角点算法。Teng(S.W.Teng,R.M.N.Sadat,and G.J.Lu,“Effective and efficient contour-based corner detectors,”Pattern Recognition,vol.48,no.7,pp.2185–2197,2015.)提出使用简单三角形理论和两点之间弧长与弦长的比值来计算角点响应值。这几种算法相对于基于CSS的算法而言，不用计算曲率。但是，这些算法都需要进行欧式距离计算，其涉及到平方根操作，导致其计算复杂度也不低。
对于一些实时性需求较强的应用或者是针对一些芯片处理能力较弱的设备，如移动设备，已有的算法不能很好的适应这些情形。
发明内容
针对上述存在的问题或不足，为能够更高效地、鲁棒地和稳定地检测出二维图像中的角点，本发明提供了一种基于二阶轮廓差分的角点检测方法。该方法能够在性能与最先进的角点检测算法相当的情况下，极大地降低计算复杂度。
具体技术方案如下：
步骤1、利用Canny算子从二维图像中提取边缘，并从边缘中抽取轮廓，找到T型角点：
利用Canny算子从图像中提取边缘，剔除长度小于阈值t的边缘，t的计算方法为其中w为图像宽度，h为图像高度，α为权衡因子。如果两条边缘的端点之间的欧式距离≤5像素，则填补两个端点之间的空缺，使两条边缘形成一条长的轮廓。
对每一条轮廓，判断该轮廓是“线性”轮廓还是“环状型”轮廓。
如果一条轮廓的首尾端点之间的欧式距离≤5像素，则记该轮廓为“环状型”轮廓，否则记为“线型”轮廓。
如果一条轮廓的端点靠近另外一条轮廓的中间部分，则把该端点记为T型角点。
步骤2、对抽取的轮廓进行高斯尺度演化，构成其多尺度表示：
使用一维高斯函数对轮廓进行平滑，构成轮廓的多尺度表示。高斯核方差σ控制着轮廓的平滑程度，σ越大，轮廓被平滑的越厉害。
步骤3、利用二阶差分计算角点响应函数：
对于轮廓尺度空间中的每一条轮廓，计算其二阶差分。记含有n个点的轮廓Γ(x,y)为Γ1-＞n，则其一阶差分记为：D＝Γk-＞n-Γ1-＞n-k，二阶差分为：D2＝Dk-＞n-k-D1-＞n-2×k，其中k为步长。角点响应函数为轮廓的二阶轮廓差分D2中横纵坐标的绝对值之和。令ρi为轮廓中任意一点在尺度i下的角点函数响应值，ρ为该点的最终角点响应函数值，则：
其中ρi＝|D2(x)|+|D2(y)|。
步骤4、根据角点响应值函数，得到最终的角点：
得到轮廓上每一个点的角点响应值之后，选取轮廓上具有角点响应局部极大值的点作为角点候选集。剔除角点候选集中角点响应值小于等于60的点。对于T型角点集合中的任意一点，如果该点周围没有检测到的角点。则把该T型角点也添加到最终的角点的集合之中。
本发明通过：1、利用二阶轮廓差分来计算角点响应函数，可以极大的降低计算复杂度，提高角点检测效率；2、利用点在轮廓多尺度空间中的角点响应值的乘积作为点的最终角点响应值，可以有效的提高检测精度，增强角点检测算法对噪声的鲁棒性。
综上所述，相对现有的角点检测方法，本发明的方法能高效地、鲁棒地和稳定地检测出图像中的角点。
附图说明
图1为本发明中角点检测方法的流程图；
图2(a)为实施例的测试图片，(b)为从实施例测试图像中选取的一条轮廓，(c)为实施例测试图片中的检测结果；
图3(a)为实施例测试图像中的一条轮廓，图3(b)为该轮廓的一阶差分，图3(c)为该轮廓的二阶差分；
图4(a)为图2(b)中的轮廓在尺度1，3，5下的角点响应值分布，图4(b)为该轮廓的最终角点响应值分布。
具体实施方式
下面结合附图和具体实例对本发明方法作进一步的详细说明，实例的目标是通过二维图像角点检测结果验证本发明所述方法的有效性。在实施过程中，我们以图2(a)中的图片为测试图片，该图片大小为512×512。
步骤1、利用Canny算子从二维图像中提取边缘，并从边缘中抽取轮廓、找到T型角点：
利用Canny算子检测边缘，Canny检测阈值设置为l＝0.2，h＝0.7。设置权衡因子α＝25。如果两条边缘的端点之间距离小于2像素，则填补两条轮廓之间的空白形成一条长的轮廓。如果一条轮廓的首尾端点之间的距离小于5像素，则记该轮廓为“环状型轮廓”，否则记该轮廓为“直线型”轮廓。图2(b)展示了获取的一条直线型轮廓。
如果一条轮廓的端点靠近另外一条轮廓的中间部分的2像素以内，则把该端点记为T型角点。
步骤2、对抽取的轮廓进行高斯尺度演化，构成其多尺度表示：
对于图像中的任意一条轮廓Γ，使用高斯核σ＝{1,3,5}三种不同的尺度分别其进行演化，得到轮廓尺度空间中相应的三条轮廓，记为Γ1，Γ3，Γ5。
步骤3、利用二阶差分的计算角点响应函数：
对于轮廓尺度空间中的每一条轮廓，利用如下公式
D2＝Dk-＞n-k-D1-＞n-2×k
D＝Γ1-＞n-k-Γk-＞n
计算其相应的二阶差分。图3展示了一条轮廓及其相应的一阶差分、二阶差分示意图。k＝8。
则角点响应函数为
ρi＝|D2(x)|+|D2(y)|
图4(a)展示了轮廓在尺度空间中的角点响应值ρ1，ρ3和ρ5的分布，图4(b)展示了该轮廓的最终角点响应值ρ的分布。
步骤4、根据角点响应函数，得到最终角点：
选取轮廓上具有角点响应局部极大值的点作为候选角点集，对每一个点，比较当前点的前五个和后五个点的角点响应值，如果当前点的角点响应值为最大，并且当前角点的响应值大于阈值60，则该点为角点。对于T型角点中的每一个点而言，如果在该点周围5像素以内，没有其他的角点，则该T型角点也需要加入到最终的角点的集合中。
为进一步验证本发明方法的优越性，比较了本发明方法同其余9中先进的角点检测算法。其评价指标为可重复性和定位精度，试验数据集为CPDA数据集(M.Awrangjeb andG.J.Lu,“Robust image corner detection based on the chord-to-point distanceaccumulation technique,”IEEE Transactions on Multimedia,vol.10,no.6,pp.1059–1072,2008.)。实验结果如下表所示。可以看出本文提出的算法不仅在计算效率上有极大的提高，在实现性能上面也有相应的提升。
Claims (1)
1.一种基于二阶轮廓差分的角点检测方法，具体包括以下步骤：
步骤1、利用Canny算子从二维图像中提取边缘，并从边缘中抽取轮廓，找到T型角点：
利用Canny算子从图像中提取边缘，剔除长度小于阈值t的边缘，t的计算方法为其中w为图像宽度，h为图像高度，α为权衡因子；
如果两条边缘的端点之间的欧式距离≤5像素，则填补两个端点之间的空缺，使两条边缘形成一条长的轮廓；
如果一条轮廓的首尾端点之间的欧式距离≤5像素，则记该轮廓为环状型轮廓，否则记为线型轮廓；
如果一条轮廓的端点靠近另外一条轮廓的中间部分2像素以内，则把该端点记为T型角点；
步骤2、对抽取的轮廓进行高斯尺度演化，构成其多尺度表示：
使用一维高斯函数对轮廓进行平滑，构成轮廓的多尺度表示，高斯核方差σ控制着轮廓的平滑程度，σ越大，轮廓被平滑的越厉害；
步骤3、利用二阶差分计算角点响应函数：
对于轮廓尺度空间中的每一条轮廓，计算其二阶差分；
记含有n个点的轮廓Γ(x,y)为Γ1-＞n，则其一阶差分记为：D＝Γk-＞n-Γ1-＞n-k，二阶差分为：D2＝Dk-＞n-k-D1-＞n-2×k，其中k为步长；
角点响应函数为轮廓的二阶轮廓差分D2中横纵坐标的绝对值之和，令ρi为轮廓中任意一点在尺度i下的角点函数响应值，ρ为该点的最终角点响应函数值，则：
其中ρi＝|D2(x)|+|D2(y)|；
步骤4、根据角点响应值函数，得到最终的角点：
得到轮廓上每一个点的角点响应值之后，选取轮廓上具有角点响应局部极大值的点作为角点候选集，剔除角点候选集中角点响应值小于等于60的点；对于T型角点集合中的任意一点，如果该点周围5像素以内没有检测到的角点，则把该T型角点也添加到最终的角点的集合之中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610703605.6A CN106340010B (zh) | 2016-08-22 | 2016-08-22 | 一种基于二阶轮廓差分的角点检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610703605.6A CN106340010B (zh) | 2016-08-22 | 2016-08-22 | 一种基于二阶轮廓差分的角点检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106340010A CN106340010A (zh) | 2017-01-18 |
| CN106340010B true CN106340010B (zh) | 2019-02-15 |
Family
ID=57824287
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610703605.6A Active CN106340010B (zh) | 2016-08-22 | 2016-08-22 | 一种基于二阶轮廓差分的角点检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106340010B (zh) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107680168B (zh) * | 2017-09-15 | 2020-03-27 | 电子科技大学 | 三维重建中基于平面拟合的网格简化方法 |
| CN109205327B (zh) * | 2018-06-11 | 2020-08-28 | 杭州灵西机器人智能科技有限公司 | 一种基于多尺度轮廓直角检测的拆垛方法 |
| CN109272521B (zh) * | 2018-10-11 | 2022-08-12 | 北京理工大学 | 一种基于曲率分析的图像特征快速分割方法 |
| CN109447091A (zh) * | 2018-10-19 | 2019-03-08 | 福建师范大学 | 一种具有精准坐标的图像特征点提取方法 |
| CN109785348A (zh) * | 2018-12-14 | 2019-05-21 | 中国科学院长春光学精密机械与物理研究所 | 基于图像边界近似曲率变化的新型角点检测方法及系统 |
| CN109509200B (zh) * | 2018-12-26 | 2023-09-29 | 深圳市繁维医疗科技有限公司 | 基于轮廓提取的棋盘格角点检测方法以及计算机可读存储介质 |
| CN112348864B (zh) * | 2020-11-11 | 2022-10-11 | 湖南大学 | 一种融合线激光轮廓特征的三维点云自动配准方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5345547A (en) * | 1991-06-27 | 1994-09-06 | Matsushita Electric Industrial Co., Ltd. | Contour line characteristic point detecting apparatus |
| CN105139412A (zh) * | 2015-09-25 | 2015-12-09 | 深圳大学 | 一种高光谱图像角点检测方法与系统 |
-
2016
- 2016-08-22 CN CN201610703605.6A patent/CN106340010B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5345547A (en) * | 1991-06-27 | 1994-09-06 | Matsushita Electric Industrial Co., Ltd. | Contour line characteristic point detecting apparatus |
| CN105139412A (zh) * | 2015-09-25 | 2015-12-09 | 深圳大学 | 一种高光谱图像角点检测方法与系统 |
Non-Patent Citations (2)
| Title |
|---|
| Effective and efficient contour-based corner detectors;Shyh Wei Teng 等;《Pattern Recognition》;20150129(第48期);第2185-2197页 * |
| 基于B-样条轮廓方向变化率多尺度表示的角点检测;洪明坚 等;《计算机应用》;20090331;第29卷(第3期);第725-728页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106340010A (zh) | 2017-01-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106340010B (zh) | 一种基于二阶轮廓差分的角点检测方法 | |
| CN107145829B (zh) | 一种融合纹理特征和尺度不变特征的掌静脉识别方法 | |
| US9619733B2 (en) | Method for generating a hierarchical structured pattern based descriptor and method and device for recognizing object using the same | |
| CN108830888B (zh) | 基于改进的多尺度协方差矩阵特征描述子的粗匹配方法 | |
| CN109376744A (zh) | 一种surf和orb相结合的图像特征匹配方法及装置 | |
| CN104408711A (zh) | 一种基于多尺度区域融合的显著区域检测方法 | |
| WO2018072333A1 (zh) | 一种元件错件检测方法和装置 | |
| Hussain et al. | A comparative analysis of edge detection techniques used in flame image processing | |
| CN108229500A (zh) | 一种基于函数拟合的sift误匹配点剔除法 | |
| CN104123554A (zh) | 基于mmtd的sift图像特征提取方法 | |
| CN108182705A (zh) | 一种基于机器视觉的三维坐标定位方法 | |
| CN103218809A (zh) | 一种珍珠长度参数的图像测量方法 | |
| CN112861870A (zh) | 指针式仪表图像矫正方法、系统及存储介质 | |
| CN103077528A (zh) | 基于DCCD-Laplace和SIFT描述符的快速影像匹配方法 | |
| CN104282001A (zh) | 增强图像特征二值描述子性能的方法 | |
| CN117870659A (zh) | 基于点线特征的视觉惯性组合导航算法 | |
| KR101528757B1 (ko) | 이분된 로컬 영역을 가지는 윤곽선 분할 기반 특징을 이용한 물체 인식 방법 | |
| CN111292346B (zh) | 一种噪声环境下浇铸箱体轮廓的检测方法 | |
| CN106802149B (zh) | 基于高维组合特征的快速序列图像匹配导航方法 | |
| CN110765993B (zh) | 基于ai算法的sem图形量测方法 | |
| Liu et al. | A comparative study of different corner detection methods | |
| Liu et al. | Fingerprint reference point detection based on local axial symmetry | |
| CN105814608B (zh) | 图像处理装置和特定图形检测方法 | |
| Peiqin et al. | Finger vein recognition algorithm based on optimized GHT | |
| Rao et al. | A real-time auto-recognition method for pointer-meter under uneven illumination |
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 |