CN106920239B - 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 PDF

Info

Publication number
CN106920239B
CN106920239B CN201710133580.5A CN201710133580A CN106920239B CN 106920239 B CN106920239 B CN 106920239B CN 201710133580 A CN201710133580 A CN 201710133580A CN 106920239 B CN106920239 B CN 106920239B
Authority
CN
China
Prior art keywords
layers
point
extreme point
comparison
value
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
Application number
CN201710133580.5A
Other languages
English (en)
Other versions
CN106920239A (zh
Inventor
金彪
黄小梅
沙晋明
熊金波
林劼
李璇
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.)
Fujian Normal University
Original Assignee
Fujian Normal University
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 Fujian Normal University filed Critical Fujian Normal University
Priority to CN201710133580.5A priority Critical patent/CN106920239B/zh
Publication of CN106920239A publication Critical patent/CN106920239A/zh
Application granted granted Critical
Publication of CN106920239B publication Critical patent/CN106920239B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

一种基于改进SIFT算法的图像关键点检测方法
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 (1)

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2中8个比较结果依次记为Δd1—Δd8，其中Δdi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；
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；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；
步骤4：将s层的极值点跟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4中9个比较结果依次记为Δd9—Δd17，其中Δdi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；
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；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；
步骤6：将s+1层的极值点跟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6中9个比较结果依次记为Δd18—Δd26，其中Δdi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；
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；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。
CN201710133580.5A 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 Active CN106920239B (zh)

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 CN106920239A (zh) 2017-07-04
CN106920239B true 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 (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
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

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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 (2)

* Cited by examiner, † Cited by third party
Title
一种简化的SIFT图像特征点提取算法;高健 等;《计算机应用研究》;20081231(第07期);全文 *
无人机可见光图像拼接算法的研究;金士玲;《中国优秀硕士学位论文全文数据库 信息科技辑》;20130315;全文 *

Also Published As

Publication number Publication date
CN106920239A (zh) 2017-07-04

Similar Documents

Publication Publication Date Title
CN108038853B (zh) 一种基于卷积神经网络和主动学习的瓷砖表面缺陷识别方法
CN107481270B (zh) 乒乓球目标跟踪和轨迹预测方法、装置、存储介质和计算机设备
CN106290388B (zh) 一种绝缘子故障自动检测方法
WO2020108358A1 (zh) 图像修复方法、装置、计算机设备和存储介质
CN103324937B (zh) 标注目标的方法和装置
Gao et al. Recognition of insulator explosion based on deep learning
CN107742093A (zh) 一种红外图像电力设备部件实时检测方法、服务器及系统
CN110176001A (zh) 一种基于Grad-CAM算法的高铁接触网绝缘子破损精确定位方法
CN106157332A (zh) 一种基于ViBe算法的运动检测优化方法
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
CN105469397B (zh) 一种基于系数矩阵分析的目标遮挡检测方法
CN113255837A (zh) 工业环境下基于改进的CenterNet网络目标检测方法
CN111079773A (zh) 一种基于Mask R-CNN网络的砾石参数获取方法、装置、设备及存储介质
Zhang et al. Multi-scale defect detection of printed circuit board based on feature pyramid network
CN104504698A (zh) 基于局部像素分类的彩色图像分割方法
CN111220619B (zh) 一种绝缘子自爆检测方法
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
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
CN107871315A (zh) 一种视频图像运动检测方法和装置
CN106920239B (zh) 一种基于改进sift算法的图像关键点检测方法
CN110296705A (zh) 一种基于距离度量学习的视觉slam回环检测方法
Wu et al. A non-local attention feature fusion network for multiscale object detection
CN105069461B (zh) 基于图像特征点共线与等距约束的绝缘子串自动定位方法
Guo et al. Supernova detection based on multi-scale fusion faster RCNN

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