CN106920239A - 一种基于改进sift算法的图像关键点检测方法 - Google Patents
一种基于改进sift算法的图像关键点检测方法 Download PDFInfo
- Publication number
- CN106920239A CN106920239A CN201710133580.5A CN201710133580A CN106920239A CN 106920239 A CN106920239 A CN 106920239A CN 201710133580 A CN201710133580 A CN 201710133580A CN 106920239 A CN106920239 A CN 106920239A
- Authority
- CN
- China
- Prior art keywords
- layers
- point
- extreme point
- value
- extreme
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于改进SIFT算法的图像关键点检测方法，其包括以下步骤：步骤1：从图像上任取位于DOG金字塔的第s层的一个采样点；步骤2：将采样点跟s层的8个相邻比较点逐一比较分别获得s层的8个比较结果；步骤3：基于s层的8个比较结果得到s层的极值点；步骤4：将s层的极值点跟s+1层的9个相邻比较点逐一比较分别获得s+1层的9个比较结果；步骤5：基于s+1层的9个比较结果得到s+1层的极值点；步骤6：将s+1层的极值点跟s‑1层的9个相邻比较点逐一比较分别获得s‑1层的9个比较结果；步骤7：基于s‑1层的9个比较结果得到该s‑1层的极值点；步骤8：s‑1层、s层和s+1层的极值点进一步比较得到最终极值点作为图像的局部关键点。本发明计算量小，保证图像配准精确度的同时图像配准速率高。
Description
技术领域
本发明涉及一种基于改进SIFT算法的图像关键点检测方法。
背景技术
目前在基于改进SIFT算法的图像拼接相关技术中，主要缺点表现为：步骤较多，计算复杂且计算量较大，计算速率低，导致图像配准效率低；其他相关技术中，在计算量上降低了，相对提高了配准速率，但是在配准精确度上也降低了，现实要求中得不到满足。
发明内容
本发明的目的在于克服现有技术中图像配准速率跟图像配准精确度不能并存的不足，提供一种基于改进SIFT算法的图像关键点检测方法。
本发明采用的技术方案是：
一种基于改进SIFT算法的图像关键点检测方法，其包括以下步骤：
步骤1：首先从图像上任取一个采样点（x1,y1,s）,(x1,y1)表示采样点的坐标，s表示采样点位于DOG金字塔的第s层；
步骤2：将此采样点跟该s层的8个相邻比较点进行逐一比较；分别获得s层的8个比较结果；
步骤3：基于s层的8个比较结果判断得到该s层的极值点；
步骤4：将s层的极值点跟该s+1层的9个相邻比较点进行逐一比较；分别获得s+1层的9个比较结果；
步骤5：基于s+1层的9个比较结果判断得到该s+1层的极值点；
步骤6：将s+1层的极值点跟该s-1层的9个相邻比较点进行逐一比较；分别获得s-1层的9个比较结果；
步骤7：基于s-1层的9个比较结果判断得到该s-1层的极值点；
步骤8：所述s-1层、s层和s+1层的极值点进一步比较得到最终极值点作为图像的局部关键点。
进一步地，所述步骤2中8个比较结果依次记为Δd1—Δd8，其中Δd带正负号，正值表示采样点大于比较点，负值表示采样点小于比较点。
进一步地，所述步骤3判断极值点的方法为：当Δd1—Δd8的值都为正数时，则采样点是该s层的极大值，并将该s层的极大值的作为s层的极值点；当Δd1—Δd8的值都为负数时，则采样点是该s层的极小值，并将该s层的极小值的作为s层的极值点；当Δd1—Δd8的值既有正数又有负数时，则选择Δd1—Δd8绝对值最大的比较点作为s层的极值点。
进一步地，所述步骤4中9个比较结果依次记为Δd9—Δd17，其中Δd带正负号，正值表示s层的极值点大于比较点，负值表示s层的极值点小于比较点。
进一步地，所述步骤5判断极值点的方法为：当Δd9—Δd17的值都为正数时，则s层的极值点是该s+1层的极大值，并将该s+1层的极大值的作为s+1层的极值点；当Δd9—Δd17的值都为负数时，则s层的极值点是该s+1层的极小值，并将该s+1层的极小值的作为s+1层的极值点；当Δd9—Δd17的值既有正数又有负数时，则选择Δd9—Δd17绝对值最大的比较点作为s+1层的极值点极值点。
进一步地，所述步骤6中9个比较结果依次记为Δd18—Δd26，其中Δd带正负号，正值表示s+1层的极值点大于比较点，负值表示s+1层的极值点小于比较点。
进一步地，所述步骤7判断极值点的方法为：当Δd18—Δd26的值都为正数时，则s+1层的极值点是该s-1层的极大值，并将该s-1层的极大值的作为s-1层的极值点；当Δd18—Δd26的值都为负数时，则s+1层的极值点是该s-1层的极小值，并将该s-1层的极小值的作为s-1层的极值点；当Δd18—Δd26的值既有正数又有负数时，则选择Δd18—Δd26绝对值最大的比较点作为极值点。
本发明采用以上技术方案，在极值点检测过程中采用局部检测的方法可以有效的弥补这些缺陷。采用单层搜索极值点，减少了全局搜索极值点的计算开销；单层间的采样点与相邻比较点进行逐一比较并实时将当前得到的极值点替换为当前的采样点，提高了极值点的检测精确度且不会丢失极值点。
附图说明
以下结合附图和具体实施方式对本发明做进一步详细说明；
图1为本发明一种基于改进SIFT算法的图像关键点检测方法的流程示意图。
具体实施方式
如图1所示，本发明公开一种基于改进SIFT算法的图像关键点检测方法，其包括以下步骤：
步骤1：首先从图像上任取一个采样点（x1,y1,s）,(x1,y1)表示采样点的坐标，s表示采样点位于DOG金字塔的第s层；
步骤2：将此采样点跟该s层的8个相邻比较点进行逐一比较；分别获得s层的8个比较结果；
步骤3：基于s层的8个比较结果判断得到该s层的极值点；
步骤4：将s层的极值点跟该s+1层的9个相邻比较点进行逐一比较；分别获得s+1层的9个比较结果；
步骤5：基于s+1层的9个比较结果判断得到该s+1层的极值点；
步骤6：将s+1层的极值点跟该s-1层的9个相邻比较点进行逐一比较；分别获得s-1层的9个比较结果；
步骤7：基于s-1层的9个比较结果判断得到该s-1层的极值点；
步骤8：所述s-1层、s层和s+1层的极值点进一步比较得到最终极值点作为图像的局部关键点。
进一步地，所述步骤2中8个比较结果依次记为Δd1—Δd8，其中Δd带正负号，正值表示采样点大于比较点，负值表示采样点小于比较点。
进一步地，所述步骤3判断极值点的方法为：当Δd1—Δd8的值都为正数时，则采样点是该s层的极大值，并将该s层的极大值的作为s层的极值点；当Δd1—Δd8的值都为负数时，则采样点是该s层的极小值，并将该s层的极小值的作为s层的极值点；当Δd1—Δd8的值既有正数又有负数时，则选择Δd1—Δd8绝对值最大的比较点作为s层的极值点。
进一步地，所述步骤4中9个比较结果依次记为Δd9—Δd17，其中Δd带正负号，正值表示s层的极值点大于比较点，负值表示s层的极值点小于比较点。
进一步地，所述步骤5判断极值点的方法为：当Δd9—Δd17的值都为正数时，则s层的极值点是该s+1层的极大值，并将该s+1层的极大值的作为s+1层的极值点；当Δd9—Δd17的值都为负数时，则s层的极值点是该s+1层的极小值，并将该s+1层的极小值的作为s+1层的极值点；当Δd9—Δd17的值既有正数又有负数时，则选择Δd9—Δd17绝对值最大的比较点作为s+1层的极值点极值点。
进一步地，所述步骤6中9个比较结果依次记为Δd18—Δd26，其中Δd带正负号，正值表示s+1层的极值点大于比较点，负值表示s+1层的极值点小于比较点。
进一步地，所述步骤7判断极值点的方法为：当Δd18—Δd26的值都为正数时，则s+1层的极值点是该s-1层的极大值，并将该s-1层的极大值的作为s-1层的极值点；当Δd18—Δd26的值都为负数时，则s+1层的极值点是该s-1层的极小值，并将该s-1层的极小值的作为s-1层的极值点；当Δd18—Δd26的值既有正数又有负数时，则选择Δd18—Δd26绝对值最大的比较点作为极值点。
本发明采用以上技术方案，相对的，在极值点检测过程中采用局部检测的方法可以有效的弥补这些缺陷。采用单层搜索极值点，减少了全局搜索极值点的计算开销；单层间的采样点与相邻比较点进行逐一比较并实时将当前得到的极值点替换为当前的采样点，提高了极值点的检测精确度且不会丢失极值点。
Claims (7)
1.一种基于改进SIFT算法的图像关键点检测方法，其特征在于：其包括以下步骤：
步骤1：从图像上任取位于DOG金字塔的第s层的一个采样点；
步骤2：将此采样点跟该s层的8个相邻比较点进行逐一比较；分别获得s层的8个比较结果；
步骤3：基于s层的8个比较结果判断得到该s层的极值点；
步骤4：将s层的极值点跟该s+1层的9个相邻比较点进行逐一比较；分别获得s+1层的9个比较结果；
步骤5：基于s+1层的9个比较结果判断得到该s+1层的极值点；
步骤6：将s+1层的极值点跟该s-1层的9个相邻比较点进行逐一比较；分别获得s-1层的9个比较结果；
步骤7：基于s-1层的9个比较结果判断得到该s-1层的极值点；
步骤8：所述s-1层、s层和s+1层的极值点进一步比较得到最终极值点作为图像的局部关键点。
2.根据权利要求1所述一种基于改进SIFT算法的图像关键点检测方法，其特征在于：所述步骤2中8个比较结果依次记为Δd1—Δd8，其中Δd带正负号，正值表示采样点大于比较点，负值表示采样点小于比较点。
3.根据权利要求2所述一种基于改进SIFT算法的图像关键点检测方法，其特征在于：所述步骤3判断极值点的方法为：当Δd1—Δd8的值都为正数时，则采样点是该s层的极大值，并将该s层的极大值的作为s层的极值点；当Δd1—Δd8的值都为负数时，则采样点是该s层的极小值，并将该s层的极小值的作为s层的极值点；当Δd1—Δd8的值既有正数又有负数时，则选择Δd1—Δd8绝对值最大的比较点作为s层的极值点。
4.根据权利要求3所述一种基于改进SIFT算法的图像关键点检测方法，其特征在于：所述步骤4中9个比较结果依次记为Δd9—Δd17，其中Δd带正负号，正值表示s层的极值点大于比较点，负值表示s层的极值点小于比较点。
5.根据权利要求4所述一种基于改进SIFT算法的图像关键点检测方法，其特征在于：所述步骤5判断极值点的方法为：当Δd9—Δd17的值都为正数时，则s层的极值点是该s+1层的极大值，并将该s+1层的极大值的作为s+1层的极值点；当Δd9—Δd17的值都为负数时，则s层的极值点是该s+1层的极小值，并将该s+1层的极小值的作为s+1层的极值点；当Δd9—Δd17的值既有正数又有负数时，则选择Δd9—Δd17绝对值最大的比较点作为s+1层的极值点极值点。
6.根据权利要求5所述一种基于改进SIFT算法的图像关键点检测方法，其特征在于：所述步骤6中9个比较结果依次记为Δd18—Δd26，其中Δd带正负号，正值表示s+1层的极值点大于比较点，负值表示s+1层的极值点小于比较点。
7.根据权利要求6所述一种基于改进SIFT算法的图像关键点检测方法，其特征在于：所述步骤7判断极值点的方法为：当Δd18—Δd26的值都为正数时，则s+1层的极值点是该s-1层的极大值，并将该s-1层的极大值的作为s-1层的极值点；当Δd18—Δd26的值都为负数时，则s+1层的极值点是该s-1层的极小值，并将该s-1层的极小值的作为s-1层的极值点；当Δd18—Δd26的值既有正数又有负数时，则选择Δd18—Δd26绝对值最大的比较点作为极值点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710133580.5A CN106920239B (zh) | 2017-03-08 | 2017-03-08 | 一种基于改进sift算法的图像关键点检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710133580.5A CN106920239B (zh) | 2017-03-08 | 2017-03-08 | 一种基于改进sift算法的图像关键点检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106920239A true CN106920239A (zh) | 2017-07-04 |
| CN106920239B CN106920239B (zh) | 2019-10-18 |
Family
ID=59461569
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710133580.5A Active CN106920239B (zh) | 2017-03-08 | 2017-03-08 | 一种基于改进sift算法的图像关键点检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106920239B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090258070A1 (en) * | 2008-04-15 | 2009-10-15 | John Burnier | Topical LFA-1 antagonists for use in localized treatment of immune related disorders |
| CN103136751A (zh) * | 2013-02-05 | 2013-06-05 | 电子科技大学 | 一种改进型sift图像特征匹配算法 |
| CN103218787A (zh) * | 2013-04-23 | 2013-07-24 | 国家测绘地理信息局卫星测绘应用中心 | 多源异构遥感影像控制点自动采集方法 |
| CN103593850A (zh) * | 2013-11-26 | 2014-02-19 | 北京航空航天大学深圳研究院 | 一种在cuda平台上基于递归高斯滤波的sift并行化系统及方法 |
| CN107609562A (zh) * | 2017-09-14 | 2018-01-19 | 电子科技大学 | 一种基于sift算法的尺度空间特征检测方法 |
-
2017
- 2017-03-08 CN CN201710133580.5A patent/CN106920239B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20090258070A1 (en) * | 2008-04-15 | 2009-10-15 | John Burnier | Topical LFA-1 antagonists for use in localized treatment of immune related disorders |
| CN103136751A (zh) * | 2013-02-05 | 2013-06-05 | 电子科技大学 | 一种改进型sift图像特征匹配算法 |
| CN103218787A (zh) * | 2013-04-23 | 2013-07-24 | 国家测绘地理信息局卫星测绘应用中心 | 多源异构遥感影像控制点自动采集方法 |
| CN103593850A (zh) * | 2013-11-26 | 2014-02-19 | 北京航空航天大学深圳研究院 | 一种在cuda平台上基于递归高斯滤波的sift并行化系统及方法 |
| CN107609562A (zh) * | 2017-09-14 | 2018-01-19 | 电子科技大学 | 一种基于sift算法的尺度空间特征检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 胡伊日格其: "基于改进图像配准算法的图像拼接实现", 《中国优秀硕士学位论文全文数据库 信息科学辑》 * |
| 金士玲: "无人机可见光图像拼接算法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
| 高健 等: "一种简化的SIFT图像特征点提取算法", 《计算机应用研究》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106920239B (zh) | 2019-10-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tang et al. | Fast vehicle detection in UAV images | |
| CN108346154B (zh) | 基于Mask-RCNN神经网络的肺结节分割装置的建立方法 | |
| WO2023216721A1 (zh) | 一种混凝土大坝缺陷时序图像智能识别方法 | |
| Tang et al. | Multi-task enhanced dam crack image detection based on faster R-CNN | |
| WO2021098831A1 (zh) | 一种适用于嵌入式设备的目标检测系统 | |
| CN110363798B (zh) | 一种遥感影像解译样本集的生成方法 | |
| CN112595322B (zh) | 一种融合orb闭环检测的激光slam方法 | |
| CN114581782B (zh) | 一种基于由粗到精检测策略的细微缺陷检测方法 | |
| CN109708658B (zh) | 一种基于卷积神经网络的视觉里程计方法 | |
| Li et al. | Application of multi-scale feature fusion and deep learning in detection of steel strip surface defect | |
| CN110796679A (zh) | 一种面向航拍影像的目标跟踪方法 | |
| CN104517289A (zh) | 一种基于混合摄像机的室内场景定位方法 | |
| CN110197113B (zh) | 一种高精度锚点匹配策略的人脸检测方法 | |
| CN111220619B (zh) | 一种绝缘子自爆检测方法 | |
| CN112711981A (zh) | 一种高精度输电线路缺陷识别方法 | |
| CN113902792A (zh) | 基于改进RetinaNet网络的建筑物高度检测方法、系统和电子设备 | |
| CN109034237A (zh) | 基于卷积神经元网络路标和序列搜索的回环检测方法 | |
| CN107871315A (zh) | 一种视频图像运动检测方法和装置 | |
| Cao et al. | Small object detection algorithm for railway scene | |
| CN106920239A (zh) | 一种基于改进sift算法的图像关键点检测方法 | |
| CN116403007A (zh) | 基于目标向量的遥感影像变化检测方法 | |
| Wu et al. | A non-local attention feature fusion network for multiscale object detection | |
| CN113379794B (zh) | 基于注意力-关键点预测模型的单目标跟踪系统及方法 | |
| CN112906677B (zh) | 基于改进型ssd网络的行人目标检测与重识别方法 | |
| Huang et al. | Multi-scale feature pair based R-CNN method for defect detection |
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 |