CN106557772A - 用于提取局部特征子的方法、装置及图像处理方法 - Google Patents
用于提取局部特征子的方法、装置及图像处理方法 Download PDFInfo
- Publication number
- CN106557772A CN106557772A CN201611051278.7A CN201611051278A CN106557772A CN 106557772 A CN106557772 A CN 106557772A CN 201611051278 A CN201611051278 A CN 201611051278A CN 106557772 A CN106557772 A CN 106557772A
- Authority
- CN
- China
- Prior art keywords
- resolution
- image
- pyramid model
- local feature
- input picture
- 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
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
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本申请公开一种用于提取局部特征子的方法、装置及图像处理方法。该方法包括:构建输入图像的多分辨率金字塔模型,所述多分辨率金字塔模型包括不同分辨率的多个图像层;确定所述多分辨率金字塔模型的目标函数;获取所述目标函数的极值点;以及确定所述极值点对应的所述输入图像的分辨率。本申请公开的方法,能够在图像处理时,提高图像的局部特征子对光照变化的辨识性和尺度变化的鲁棒性。
Description
技术领域
本发明涉及图像处理领域,具体而言,涉及一种用于提取局部特征子的方法、装置及图像处理方法。
背景技术
基于内容的图像特征描述方法是当前图像处理和图像内容理解的主要方法,由于图像内容具有高度不确定的特性,因此,图像特征的鲁棒性尤为重要。图像的局部特征子具有尺度、旋转、仿射、光照等多种鲁棒特性,其中尺度不变性是图像的局部特征子能被广泛应用在图像处理领域的主要因素。图像的局部特征子实现鲁棒性的主要方法是:在尺度空间中通过构建多尺度图像金字塔的方法,让图像的局部特征子能够覆盖到尽可能多的尺度,从而实现对图像尺寸和相机焦距变化的鲁棒。
一种多尺度空间图像变换方法通过高斯卷积后图像的二分之一亚采样,构建图像连续多尺度空间。然后基于此空间,在尺度和图像平面组成的三维空间中,计算特征点。基于提取的特征点构建局部特征子。该方法只考虑了尺度空间与局部特征子的关系,并没有考虑其它可能会对局部特征子有影响的因素。
一种基于目标区域的图像分辨率确定方法利用目标区域的分辨率来决定图像的整体分辨率,避免目标区域清晰而整体区域模糊时,造成的图像模糊错误诊断。该方法只考虑了图像分辨率对局部特征子的影响,没有对图像在尺度空间进行综合分析。而且,该方法对图像分辨率研究的细粒度只定位在图像的局部区域。在图像处理的时候,即没有达到图像整体,又没有深入到图像中的特征点。
因此,需要一种新的用于提取局部特征子的方法、装置及图像处理方法。
在所述背景技术部分公开的上述信息仅用于加强对本发明的背景的理解,因此它可以包括不构成对本领域普通技术人员已知的现有技术的信息。
发明内容
有鉴于此,本发明提供一种用于提取局部特征子的方法、装置及图像处理方法,能够在图像处理时,提高图像的局部特征子的精度。
本发明的其他特性和优点将通过下面的详细描述变得显然,或部分地通过本发明的实践而习得。
根据本发明的一方面,提供一种用于提取局部特征子的方法,包括:构建输入图像的多分辨率金字塔模型,所述多分辨率金字塔模型包括不同分辨率的多个图像层;确定所述多分辨率金字塔模型的目标函数;获取所述目标函数的极值点;以及确定所述极值点对应的所述输入图像的分辨率。
在本公开的一种示例性实施例中,还包括:根据所述极值点对应的所述图像的分辨率,输出图像;以及通过所述输出图像以及多尺度金字塔模型,获得图像的局部特征子。
在本公开的一种示例性实施例中,构建输入图像的多分辨率金字塔模型,包括:利用线性插值算法,构建所述图像的所述多分辨率金字塔模型;以及利用高斯卷积采样算法,构建所述图像的所述多分辨率金字塔模型。
在本公开的一种示例性实施例中,还包括:利用所述图像的局部特征子进行图像匹配。
在本公开的一种示例性实施例中,确定所述多分辨率金字塔模型的目标函数,包括:确定所述输入图像的描述方法。
在本公开的一种示例性实施例中,确定所述输入图像的描述方法,包括:梯度幅值累加直方图描述方法;以及梯度投票累加直方图描述方法。
在本公开的一种示例性实施例中,确定所述多分辨率金字塔模型的目标函数,包括:对所述多分辨率金字塔模型的各层求取梯度直方图;获取所述梯度直方图的均匀度变化曲线。
在本公开的一种示例性实施例中,确定所述多分辨率金字塔模型的目标函数,包括:获取所述均匀度在分辨率方向上的梯度变化;以及通过所述均匀度在分辨率方向上的梯度变化,确定目标函数。
在本公开的一种示例性实施例中,还包括:判断所述输出图像尺寸;如果所述输出图像尺寸小于预定数值,则将所述输出图像尺寸进行拉伸处理。
在本公开的一种示例性实施例中,所述输入图像,包括:JPG格式图像、bmp格式图像、png格式图像、灰度格式图像。
根据本发明的一方面,提供一种用于提取局部特征子的装置,包括:构建模型模块,用于构建输入图像的多分辨率金字塔模型,所述多分辨率金字塔模型包括不同分辨率的多个图像层;目标函数模块,用于确定所述多分辨率金字塔模型的目标函数;极值计算模块,用于获取所述目标函数的极值点;以及确定分辨率模块,用于确定所述极值点对应的所述输入图像的分辨率。
在本公开的一种示例性实施例中,还包括:输出图像模块,用于根据所述极值点对应的所述图像的分辨率,输出图像;特征子模块,用于通过所述输出图像以及多尺度金字塔模型,获得图像的局部特征子;图像匹配模块,用于利用所述图像的局部特征子进行图像匹配;以及尺寸判断模块,用于判断所述输出图像尺寸,如果所述输出图像尺寸小于预定数值,则将所述输出图像尺寸进行拉伸处理。
根据本发明的一方面,提供一种图像处理方法,其中提取局部特征子的方法包括:构建输入图像的多分辨率金字塔模型,所述多分辨率金字塔模型包括不同分辨率的多个图像层;确定所述多分辨率金字塔模型的目标函数;获取所述目标函数的极值点;以及确定所述极值点对应的所述输入图像的分辨率。
根据本发明的用于提取局部特征子的方法,能够在图像处理时,通梯度直方图对图像进行描述,建立目标函数,求取目标函数的极值,能够得到输入图像的最优分辨率。
根据一些实施例,利用多分辨率金字塔模型获取最优分辨率的图像,将最优分辨率的图像作为多尺度金字塔模型的输入图像,通过多分辨率金字塔模型和多尺度金字塔模型相结合的图像处理方法,提取图像的局部特征子,能够提升图像的局部特征子对光照变化的辨识性和尺度变化的鲁棒性。
根据另一些实施例,通过对不同分辨率图像在各自尺度空间中均匀度曲线的分析,能够得到一种最优分辨率图像寻优方法。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本发明。
附图说明
通过参照附图详细描述其示例实施例,本发明的上述和其它目标、特征及优点将变得更加显而易见。下面描述的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性来动的前提下,还可以根据这些附图获得其他的附图。
图1是根据一示例性实施例示出的一种用于提取局部特征子的方法的流程图。
图2是根据另一示例性实施例示出的一种用于提取局部特征子的方法示意图。
图3是根据一示例性实施例示出的一种多分辨率金字塔模型的示意图。
图4是根据另一示例性实施例示出的一种用于提取局部特征子的方法的流程图。
图5是根据另一示例性实施例示出的一种用于提取局部特征子的方法的示意图。
图6是根据另一示例性实施例示出的一种用于提取局部特征子的方法的示意图。
图7A是根据现有技术示出的一种提取局部特征子的方法的效果示意图。
图7B是根据一示例性实施例示出的一种用于提取局部特征子的方法的效果示意图。
图8是根据一示例性实施例示出的一种用于提取局部特征子的装置的框图。
图9是根据另一示例性实施例示出的一种用于提取局部特征子的装置的框图。
具体实施例
现在将参考附图更全面地描述示例实施例。然而,示例实施例能够以多种形式实施,且不应被理解为限于在此阐述的实施例;相反,提供这些实施例使得本发明将全面和完整,并将示例实施例的构思全面地传达给本领域的技术人员。在图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。
此外,所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中,提供许多具体细节从而给出对本发明的实施例的充分理解。然而,本领域技术人员将意识到,可以实践本发明的技术方案而没有特定细节中的一个或更多,或者可以采用其它的方法、组元、装置、步骤等。在其它情况下,不详细示出或描述公知方法、装置、实现或者操作以避免模糊本发明的各方面。
附图中所示的方框图仅仅是功能实体,不一定必须与物理上独立的实体相对应。即,可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明,不是必须包括所有的内容和操作/步骤,也不是必须按所描述的顺序执行。例如,有的操作/步骤还可以分解,而有的操作/步骤可以合并或部分合并,因此实际执行的顺序有可能根据实际情况改变。
应理解,虽然本文中可能使用术语第一、第二、第三等来描述各种组件,但这些组件不应受这些术语限制。这些术语乃用以区分一组件与另一组件。因此,下文论述的第一组件可称为第二组件而不偏离本公开概念的教示。如本文中所使用,术语「及/或」包括相关联的列出项目中的任一个及一或多者的所有组合。
本领域技术人员可以理解,附图只是示例实施例的示意图,附图中的模块或流程并不一定是实施本发明所必须的,因此不能用于限制本发明的保护范围。
图1是根据一示例性实施例示出的一种用于提取局部特征子的方法的流程图。
如图所示,在S102中,构建输入图像的多分辨率金字塔模型,所述多分辨率金字塔模型包括不同分辨率的多个图像层。
本发明实施例中,对分辨率的定义是单位图像尺寸内描述物体的有效像素点数目。通过输入的图像,构建输入图像的多分辨率金字塔模型。可例如,通过线性插值、二次线性插值、三次线性插值等算法。对输入的图像进行处理。例如,尺寸超过800*800的输入图像可以作为金字塔下采样的基图;400*400左右的输入图像可以作为金字塔中间层。还可例如,通过经验值设定多分辨率金字塔的基图和层数,在本实施例中,金字塔的层数推荐5-7层。通过本发明实施例的方法构建的多分辨率金字塔模型示意图如图2所示。
在S104中,确定所述多分辨率金字塔模型的目标函数。
在图像处理中,经过图像分割后,得到了图像中若干区域和边界。通常把图像中感兴趣的部分叫目标,其余的部分叫背景,图像处理的最终目的是要让计算机来识别这些目标。为了有效地识别目标,必须要有描述这些目标的方法,即提供图像中的有用信息和他们之间的相互关系。目前常用的图像描述方法为图像的梯度直方图描述方法。梯度直方图是一种对图像局部重叠区域的密集型描述符,它通过计算局部区域的梯度方向直方图来构成特征。通过计算局部区域上的梯度直方图,能够很好地描述物体的边缘,图像的直方图描述方法对光照变化和小量的偏移不敏感。在本发明的实施例中,可例如,用梯度直方图描述输入的图像的信息,通过直方图描述的图像信息,建立描述多分辨率金字塔描述的目标函数。
在S106中,获取所述目标函数的极值点。如上文所述,可例如,用梯度直方图描述输入的图像的信息,建立描述多分辨率金字塔描述的目标函数。在目标函数中,可例如,设定对图像分辨率描述的因子,求取图像分辨率描述的因子的极值信息。
在S108中,确定所述极值点对应的所述输入图像的分辨率。通过极值点对应的数据,获取极值点对应的输入图像的分辨率。可例如,认定此分辨率的图像,为输入图像的最优分辨率。
根据本实施例的用于提取局部特征子的方法,能够在图像处理时,通梯度直方图对图像进行描述,建立目标函数,求取目标函数的极值,能够得到输入图像的最优分辨率。
应清楚地理解,本发明描述了如何形成和使用特定示例,但本发明的原理不限于这些示例的任何细节。相反,基于本发明公开的内容的教导,这些原理能够应用于许多其它实施例。
在本公开的一种示例性实施例中,还包括:根据所述极值点对应的所述图像的分辨率,输出图像;以及通过所述输出图像以及多尺度金字塔模型(Multi-scale Pyramid),获得图像的局部特征子。
通过上文中得到的输入图像的最优分辨率的图像,将此最优分辨率的图像作为多尺度图像金字塔模型的输入图像,构建多尺度图像金字塔模型。多分辨率金字塔模型的示意图可如图3所示。可例如,获取将最优分辨率的图像,将最优分辨率的图像尺寸放大两倍作为多尺度金字塔基图,多尺度金字塔中每一层级图像进行五次高斯尺度变换,然后基于每层中的多幅不同尺度的图像计算特征点和图像的局部特征子。多尺度金字塔和图像的局部特征子构建的过程可参考现有技术中的描述,本文在此不再赘述。
根据本实施例的用于提取局部特征子的方法,利用多分辨率金字塔模型获取最优分辨率的图像,将最优分辨率的图像作为多尺度金字塔模型的输入图像,通过多分辨率金字塔模型和多尺度金字塔模型相结合的图像处理方法,提取图像的局部特征子,能够提升图像的局部特征子对光照变化的辨识性和尺度变化的鲁棒性。
在本公开的一种示例性实施例中,构建输入图像的多分辨率金字塔模型,包括:利用线性插值算法,构建所述图像的所述多分辨率金字塔模型;以及利用高斯卷积采样算法,构建所述图像的所述多分辨率金字塔模型。
在本发明实施例中,可例如,基于图像尺寸大小,分别对图像进行向上线性插值拉伸、向下高斯卷积亚采样缩小,拉伸和缩小后的图像组,共同构成图像多分辨率金字塔,并分别位于多分辨率金字底部和上部。
图4是根据另一示例性实施例示出的一种用于提取局部特征子的方法的流程图。图4中的方法是对图1中S104的示例性描述,但本发明不限于此。
如图4所示,在S402中,对所述多分辨率金字塔模型的各层求取梯度直方图
如上文所述梯度直方图是图像处理中,图像内容描述方法之一。在本发明实施例中,可例如,选用梯度幅值累加直方图和梯度投票累加直方图描述输入图像,梯度幅值累加直方图用Hist表示,梯度投票累加直方图用Vote表示。
梯度幅值累加直方图计算表达式,如下:
Hist(bins)={∑V(1),∑V(2),...,∑V(bins)}
其中,bins表示直方图的维度,V(i)表示梯度幅值在直方图第i个维度的投影,计算公式为:
V(bin)=Mod(||G(f(x,y,r))||2,bins)
其中,G表示求梯度操作,f(x,y,r)表示对应分辨率r的图像f(x,y)。
梯度投票累加直方图计算表达式,如下:
Vote(bins)={V(1)++,V(2)++,...,V(bins)++}
其中,V(bins)++表示自累加操作。
在应对脉冲噪声、幅值偏差干扰等方面,梯度投票累加方法相比梯度幅值累加方法更加稳定;在图像内容细节描述方面,梯度幅值累加方法更加细致;在实际使用过程中,可例如,根据图像处理时,需要处理的图像目标,选择梯度幅值累加直方图或者梯度投票累加直方图对输入的图像进行描述。
在S404中,求取所述梯度直方图的均匀度。
在本发明的实施例中,可例如,使用图像梯度分布沿分辨率方向的偏导数描述图像梯度直方图的变化,可例如,使用Vote-8对输入的图像进行描述,Vote-8相比Hist-8和Hist-16具有更好的抗噪声效果,其中,8和16分别表示直方图的维度。
图5展示了不同分辨率下不同直方图描述方法的变化曲线,其中θ表示梯度方向沿分辨率r维度的变化,公式表示如下:
在本实施例中,定义图像的均匀度为:
U(r)=D(Hist(f(x,y,r))
其中D是方差函数。
在S406中,获取所述均匀度在分辨率方向上的梯度变化。
在本实施例中,在分辨率维度上,定义均匀度梯度变化公式为
▽θ(r)=θ(U(r+1)-U(r))-θ(U(r)-U(r-1))。
在S408中,通过所述均匀度在分辨率方向上的梯度变化,确定目标函数。
通过上文中均匀度梯度变化公式,本实施例中,定义最优分辨率输入图像目标函数为:
图6为图像分辨率与均匀度关系曲线。通过最优分辨率的图像目标函数,计算出目标函数的极值点,可例如认为,该极值点对应的输入图像的分辨率为该图像的最优分辨率。
根据本实施例的用于提取局部特征子的方法,通过对不同分辨率图像在各自尺度空间中均匀度曲线的分析,能够得到一种最优分辨率图像寻优方法。
在本公开的一种示例性实施例中,还包括:利用所述图像的局部特征子进行图像匹配。确定极值点所对应的分辨率,输出该分辨率对应的图像层的图像,作为多尺度金字塔的输入图像,进而求取图像的局部特征子。图像的局部特征子匹配是诸多业务应用的基础,例如图像检索、图像拼接、虚拟现实、人脸识别等,
本实施例中,以图像匹配应用为例,对未使用和使用本实施例中方法的结果进行了对比,图7A为未使用多分辨率金字塔模型处理图像,利用局部特征子直接进行图像局部特征匹配的匹配结果;图7B为使用多分辨率金字塔模型处理图像,通过处理后的图像得到局部特征子,再进行图像局部特征匹配的匹配结果。结果显示本发明实施例提供的方法,在图像处理时,寻找最优分辨率和抗光照颜色变化方面效果明显。
在本公开的一种示例性实施例中,还包括:判断所述输出图像尺寸;如果所述输出图像尺寸小于预定数值,则将所述输出图像尺寸进行拉伸处理。可例如,设定预定图像尺寸为600*600,即为,如果通过多分辨率金字塔模型计算出的最优分辨率图像的尺寸没有超过600*600,那么,为提高特征点提取的精度,将最优分辨率图像拉伸扩大一倍,然后再作为多尺度金字塔的底层,并以此底图像为基础,进行高斯亚采样,分别得到多尺度金字塔的其它图像层。
在本公开的一种示例性实施例中,所述输入图像,包括:JPG格式图像、bmp格式图像、png格式图像、灰度格式图像。
本领域技术人员可以理解实现上述实施例的全部或部分步骤被实现为由CPU执行的计算机程序。在该计算机程序被CPU执行时,执行本发明提供的上述方法所限定的上述功能。所述的程序可以存储于一种计算机可读存储介质中,该存储介质可以是只读存储器,磁盘或光盘等。
此外,需要注意的是,上述附图仅是根据本发明示例性实施例的方法所包括的处理的示意性说明,而不是限制目的。易于理解,上述附图所示的处理并不表明或限制这些处理的时间顺序。另外,也易于理解,这些处理可以是例如在多个模块中同步或异步执行的。
下述为本发明装置实施例,可以用于执行本发明方法实施例。对于本发明装置实施例中未披露的细节,请参照本发明方法实施例。
图8是根据一示例性实施例示出的一种用于提取局部特征子的装置的框图。如图8所示,用于提取局部特征子的装置80包括:构建模型模块802、目标函数模块804、极值计算模块806,以及确定分辨率模块808。
构建模型模块802用于构建输入图像的多分辨率金字塔模型,所述多分辨率金字塔模型包括不同分辨率的多个图像层。
目标函数模块804用于确定所述多分辨率金字塔模型的目标函数。
极值计算模块806用于获取所述目标函数的极值点。
确定分辨率模块808用于确定所述极值点对应的所述输入图像的分辨率。
图9是根据另一示例性实施例示出的一种用于提取局部特征子的装置的框图。如图9所示,用于提取局部特征子的装置90包括:输出图像模块902、特征子模块904、图像匹配模块906,以及尺寸判断模块908。
输出图像模块902用于根据所述极值点对应的所述图像的分辨率,输出图像。
特征子模块904用于通过所述输出图像以及多尺度金字塔模型,获得图像的局部特征子。
图像匹配模块906用于利用所述图像的局部特征子进行图像匹配。
尺寸判断模块908用于判断所述输出图像尺寸,如果所述输出图像尺寸小于预定数值,则将所述输出图像尺寸进行拉伸处理。
根据本发明的一方面,提供一种图像处理方法,其中提取局部特征子的方法包括:构建输入图像的多分辨率金字塔模型,所述多分辨率金字塔模型包括不同分辨率的多个图像层;确定所述多分辨率金字塔模型的目标函数;获取所述目标函数的极值点;以及确定所述极值点对应的所述输入图像的分辨率。
本领域技术人员可以理解上述各模块可以按照实施例的描述分布于装置中,也可以进行相应变化唯一不同于本实施例的一个或多个装置中。上述实施例的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
通过以上的实施例的描述,本领域的技术人员易于理解,这里描述的示例实施例可以通过软件实现,也可以通过软件结合必要的硬件的方式来实现。因此,根据本发明实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中或网络上,包括若干指令以使得一台计算设备(可以是个人计算机、服务器、移动终端、或者网络设备等)执行根据本发明实施例的方法。
通过以上的详细描述,本领域的技术人员易于理解,根据本发明实施例的用于提取局部特征子的方法、装置及图像处理方法有以下优点中的一个或多个。
根据本实施例的用于提取局部特征子的方法,能够在图像处理时,通梯度直方图对图像进行描述,建立目标函数,求取目标函数的极值,能够得到输入图像的最优分辨率。
根据一些实施例的用于提取局部特征子的方法,利用多分辨率金字塔模型获取最优分辨率的图像,将最优分辨率的图像作为多尺度金字塔模型的输入图像,通过多分辨率金字塔模型和多尺度金字塔模型相结合的图像处理方法,提取局部特征子,能够提高图像的局部特征子对光照变化的辨识性和尺度变化的鲁棒性。
根据另一些实施例的用于提取局部特征子的方法,通过对不同分辨率图像在各自尺度空间中均匀度曲线的分析,能够得到一种最优分辨率图像寻优方法。
以上具体地示出和描述了本发明的示例性实施例。应可理解的是,本发明不限于这里描述的详细结构、设置方式或实现方法;相反,本发明意图涵盖包含在所附权利要求的精神和范围内的各种修改和等效设置。
此外,本说明书说明书附图所示出的结构、比例、大小等,均仅用以配合说明书所公开的内容,以供本领域技术人员了解与阅读,并非用以限定本公开可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本公开所能产生的技术效果及所能实现的目的下,均应仍落在本公开所公开的技术内容得能涵盖的范围内。同时,本说明书中所引用的如「上」、「第一」、「第二」及「一」等的用语,也仅为便于叙述的明了,而非用以限定本公开可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当也视为本发明可实施的范畴。
Claims (13)
1.一种用于提取局部特征子的方法,其特征在于,包括:
构建输入图像的多分辨率金字塔模型,所述多分辨率金字塔模型包括不同分辨率的多个图像层;
确定所述多分辨率金字塔模型的目标函数;
获取所述目标函数的极值点;以及
确定所述极值点对应的所述输入图像的分辨率。
2.如权利要求1所述的方法,其特征在于,还包括:
根据所述极值点对应的所述图像的分辨率,输出图像;以及
通过所述输出图像以及多尺度金字塔模型,获得图像的局部特征子。
3.如权利要求1所述的方法,其特征在于,构建输入图像的多分辨率金字塔模型,包括:
利用线性插值算法,构建所述图像的所述多分辨率金字塔模型;以及
利用高斯卷积采样算法,构建所述图像的所述多分辨率金字塔模型。
4.如权利要求2所述的方法,其特征在于,还包括:
利用所述图像的局部特征子进行图像匹配。
5.如权利要求1所述的方法,其特征在于,确定所述多分辨率金字塔模型的目标函数,包括:
确定所述输入图像的描述方法。
6.如权利要求5所述的方法,其特征在于,确定所述输入图像的描述方法,包括:
梯度幅值累加直方图描述方法;以及
梯度投票累加直方图描述方法。
7.如权利要求1或6所述的方法,其特征在于,确定所述多分辨率金字塔模型的目标函数,包括:
对所述多分辨率金字塔模型的各层求取梯度直方图;以及
获取所述梯度直方图的均匀度变化曲线。
8.如权利要求1或6所述的方法,其特征在于,确定所述多分辨率金字塔模型的目标函数,包括:
获取所述均匀度在分辨率方向上的梯度变化;以及
通过所述均匀度在分辨率方向上的梯度变化,确定所述目标函数。
9.如权利要求2所述的方法,其特征在于,还包括:
判断所述输出图像尺寸;
如果所述输出图像尺寸小于预定数值,则将所述输出图像尺寸进行拉伸处理。
10.如权利要求1所述的方法,其特征在于,所述输入图像,包括:JPG格式图像、bmp格式图像、png格式图像、灰度格式图像。
11.一种用于提取局部特征子的装置,其特征在于,包括:
构建模型模块,用于构建输入图像的多分辨率金字塔模型,所述多分辨率金字塔模型包括不同分辨率的多个图像层;
目标函数模块,用于确定所述多分辨率金字塔模型的目标函数;
极值计算模块,用于获取所述目标函数的极值点;以及
确定分辨率模块,用于确定所述极值点对应的所述输入图像的分辨率。
12.如权利要求11所述的装置,其特征在于,还包括:
输出图像模块,用于根据所述极值点对应的所述图像的分辨率,输出图像;
特征子模块,用于通过所述输出图像以及多尺度金字塔模型,获得图像的局部特征子;
图像匹配模块,用于利用所述图像的局部特征子进行图像匹配;以及
尺寸判断模块,用于判断所述输出图像尺寸;如果所述输出图像尺寸小于预定数值,则将所述输出图像尺寸进行拉伸处理。
13.一种图像处理方法,其特征在于,包括如权利要求1-10所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611051278.7A CN106557772B (zh) | 2016-11-24 | 2016-11-24 | 用于提取局部特征子的方法、装置及图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611051278.7A CN106557772B (zh) | 2016-11-24 | 2016-11-24 | 用于提取局部特征子的方法、装置及图像处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106557772A true CN106557772A (zh) | 2017-04-05 |
CN106557772B CN106557772B (zh) | 2020-01-10 |
Family
ID=58443832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611051278.7A Active CN106557772B (zh) | 2016-11-24 | 2016-11-24 | 用于提取局部特征子的方法、装置及图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106557772B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109481248A (zh) * | 2018-12-26 | 2019-03-19 | 浙江师范大学 | 一种智能导盲眼镜 |
CN111815652A (zh) * | 2020-07-09 | 2020-10-23 | 深圳先进技术研究院 | 一种多尺度局部阈值分割图像的方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496158A (zh) * | 2011-11-24 | 2012-06-13 | 中兴通讯股份有限公司 | 一种图像信息处理方法及装置 |
CN102834844A (zh) * | 2010-04-05 | 2012-12-19 | 微软公司 | 多分辨率图像金字塔的生成 |
CN103164856A (zh) * | 2013-03-07 | 2013-06-19 | 南京工业大学 | 一种基于稠密sift流的视频复制粘贴盲检测方法 |
CN103456022A (zh) * | 2013-09-24 | 2013-12-18 | 中国科学院自动化研究所 | 一种高分辨率遥感图像特征匹配方法 |
CN104933434A (zh) * | 2015-06-16 | 2015-09-23 | 同济大学 | 一种结合LBP特征提取和surf特征提取方法的图像匹配方法 |
-
2016
- 2016-11-24 CN CN201611051278.7A patent/CN106557772B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102834844A (zh) * | 2010-04-05 | 2012-12-19 | 微软公司 | 多分辨率图像金字塔的生成 |
CN102496158A (zh) * | 2011-11-24 | 2012-06-13 | 中兴通讯股份有限公司 | 一种图像信息处理方法及装置 |
CN103164856A (zh) * | 2013-03-07 | 2013-06-19 | 南京工业大学 | 一种基于稠密sift流的视频复制粘贴盲检测方法 |
CN103456022A (zh) * | 2013-09-24 | 2013-12-18 | 中国科学院自动化研究所 | 一种高分辨率遥感图像特征匹配方法 |
CN104933434A (zh) * | 2015-06-16 | 2015-09-23 | 同济大学 | 一种结合LBP特征提取和surf特征提取方法的图像匹配方法 |
Non-Patent Citations (2)
Title |
---|
帅通等: "高分遥感舰船目标 SIFT 特征的提取与匹配", 《无线电工程》 * |
程德志等: "基于改进 SIFT 算法的图像匹配方法", 《计算机仿真》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109481248A (zh) * | 2018-12-26 | 2019-03-19 | 浙江师范大学 | 一种智能导盲眼镜 |
CN111815652A (zh) * | 2020-07-09 | 2020-10-23 | 深圳先进技术研究院 | 一种多尺度局部阈值分割图像的方法和装置 |
CN111815652B (zh) * | 2020-07-09 | 2024-04-12 | 深圳先进技术研究院 | 一种多尺度局部阈值分割图像的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN106557772B (zh) | 2020-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108427924B (zh) | 一种基于旋转敏感特征的文本回归检测方法 | |
Montazer et al. | An improved radial basis function neural network for object image retrieval | |
CN107358260B (zh) | 一种基于表面波cnn的多光谱图像分类方法 | |
CN111160269A (zh) | 一种人脸关键点检测方法及装置 | |
CN110738207A (zh) | 一种融合文字图像中文字区域边缘信息的文字检测方法 | |
CN109583483A (zh) | 一种基于卷积神经网络的目标检测方法和系统 | |
CN104866862A (zh) | 一种带钢表面面积型缺陷识别分类的方法 | |
CN108197644A (zh) | 一种图像识别方法和装置 | |
CN111652273B (zh) | 一种基于深度学习的rgb-d图像分类方法 | |
Shang et al. | Facilitating efficient mars terrain image classification with fuzzy-rough feature selection | |
Pham | The semi-variogram and spectral distortion measures for image texture retrieval | |
CN104282008A (zh) | 对图像进行纹理分割的方法和装置 | |
CN109213886B (zh) | 基于图像分割和模糊模式识别的图像检索方法及系统 | |
Liu et al. | An MRF model-based approach to the detection of rectangular shape objects in color images | |
CN102713974B (zh) | 学习装置、识别装置、学习识别系统和学习识别装置 | |
CN108960246B (zh) | 一种用于图像识别的二值化处理装置及方法 | |
CN106557772A (zh) | 用于提取局部特征子的方法、装置及图像处理方法 | |
Sathya Narayanan et al. | RETRACTED ARTICLE: An efficient recognition system for preserving ancient historical documents of English characters | |
CN112070116B (zh) | 一种基于支持向量机的艺术画作自动分类系统及方法 | |
CN117611830A (zh) | 一种基于少样本标注的任意类别目标定位与计数方法 | |
CN106056575B (zh) | 一种基于似物性推荐算法的图像匹配方法 | |
CN111985575A (zh) | 一种基于卷积神经网络的高光谱图像分类方法 | |
US20230029163A1 (en) | Wafer map analysis system using neural network and method of analyzing wafer map using the same | |
CN105844299A (zh) | 一种基于词袋模型的图像分类方法 | |
Singh et al. | A comprehensive survey on Bangla handwritten numeral recognition |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |