CN107292869A - 基于各向异性高斯核和梯度搜索的图像斑点检测方法 - Google Patents
基于各向异性高斯核和梯度搜索的图像斑点检测方法 Download PDFInfo
- Publication number
- CN107292869A CN107292869A CN201710422336.0A CN201710422336A CN107292869A CN 107292869 A CN107292869 A CN 107292869A CN 201710422336 A CN201710422336 A CN 201710422336A CN 107292869 A CN107292869 A CN 107292869A
- Authority
- CN
- China
- Prior art keywords
- spot
- image
- initial
- detection
- mrow
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了基于各向异性高斯核和梯度搜索的图像斑点检测方法。本发明解决了现有方法估计斑点形状不准确且计算复杂的缺陷,其实现步骤为:利用MATLAB将输入图像转化为灰度图像;用高斯拉普拉斯斑点检测得到候选斑点;根据斑点重叠率筛选候选斑点,得到初始斑点;对每个初始斑点选择局部图像;利用MATLAB产生归一化的各向异性高斯拉普拉斯滤波器,并对局部图像滤波,得到响应,并把中心位置的响应作为目标函数;利用梯度搜索法寻找目标函数最大值对应参数作为最终斑点检测结果;利用MATLAB显示并比较斑点检测结果。本发明检测精确度高且计算复杂度低,可用于图像特征检测,图像配准和图像识别中。
Description
技术领域
本发明属于图像特征检测技术领域,涉及一种斑点检测方法,具体是一种基于各向异性高斯核和梯度搜索的图像斑点检测方法,可用于灰度图像中的斑点检测。
背景技术
斑点检测是图像特征检测技术领域的重要组成部分。斑点检测方法的目的在于检测图像中比周围区域较亮或较暗的具有一定几何形状的区域,这些区域就被称为斑点。斑点检测是区域检测的一种特例,是许多特征生成、目标识别等方法的重要预处理环节。与其他图像特征相比,斑点提供了边缘,轮廓和角点所不能提供的区域信息,因此斑点检测在图像配准和立体视觉中扮演了非常重要的角色。相比单纯的角点,它的稳定性更好,抗噪声能力更强,因此可以用于图像中的目标识别和跟踪,纹理分析和纹理识别等多个领域。
利用图像的尺度空间表示,两维的图像信号被映射到三维的尺度空间中,斑点检测就等价于发现图像尺度空间表示的局部极大值或局部极小值点,其中,极大值对应于暗斑,极小值对应于亮斑。目前,斑点检测方法主要有基于函数对位置梯度的微分方法和基于查找函数局部极值的分水岭算法。常见的微分方法有高斯拉普拉斯算法,高斯尺度差分算法和Hessian行列式算法等,这些算法均采用各向同性高斯核,因此对于图像的平移,旋转和坐标尺度变换具有不变性或协变性,但是只能检测圆形斑点。在实际的计算机视觉系统中,输入图像常常遭受仿射变换,斑点的形状也多种多样,上述方法均不能很好地检测斑点。对此学者们提出了仿射自适应的微分斑点检测方法和基于广义高斯拉普拉斯算子的斑点检测算法,这两种算法均能同时检测圆形和椭圆形斑点,并且能较好地描述斑点,但是前者需要不断迭代,后者计算复杂度高,而且由于二者均是在离散空间中进行参数搜索,故检测的精确度都会受到参数离散化精细程度的影响。
发明内容
本发明的目的在于克服已有技术的不足,提出一种精度更高,复杂度降低的基于各向异性高斯核和梯度搜索的斑点检测方法,在连续空间中对斑点的位置和形状参数进行搜索,以提高斑点定位和形状估计精度,同时降低了计算复杂度。
为实现上述技术目的,本发明的技术方案如下:
本发明是一种基于各向异性高斯核和梯度搜索的图像斑点检测方法,其特征在于,包括有如下步骤:
(1)转化输入图像为灰度图像:利用MATLAB软件读取要检测的图像,如果图像是彩色图像则将其转化为灰度图像;
(2)检测候选斑点:利用高斯拉普拉斯斑点检测方法得到候选斑点Bi=(xi,yi,σi,δi),其中,(xi,yi)表示第i个斑点的初始位置估计,σi表示第i个斑点的初始尺度估计,δi表示第i个斑点的极性,δi=1时表示亮斑,δi=-1时表示暗斑;
(3)筛选候选斑点得到初始斑点:利用斑点的初始位置和尺度估计(xi,yi,σi)计算每个候选斑点Bi和其他候选斑点Bj的重叠面积Aij,以及重叠面积Aij与较小斑点面积min(Ai,Aj)的比值rij,j≠i,选定门限Tr,保留尺度较大的斑点,把剩下的不重叠的斑点作为初始斑点Cj=(xj,yj,σj),其中Ai表示第i个斑点的面积,min表示取二者中较小的值;
(4)选取局部图像:根据初始斑点的位置和尺度估计(xj,yj,σj),对每一个初始斑点Cj选择一幅局部图像Pj(x,y);
(5)产生各向异性高斯拉普拉斯滤波器:利用MATLAB软件产生归一化的各向异性高斯拉普拉斯滤波器其初始化参数根据初始斑点Cj=(xj,yj,σj)选取;
(6)对局部图像滤波得到目标函数:利用各向异性高斯拉普拉斯滤波器对局部图像Pj(x,y)进行滤波,得到Pj(x,y)的尺度归一化的各向异性高斯拉普拉斯响应Rj(x,y),并把Rc=Rj(xc,yc)作为目标函数;
(7)梯度搜索函数的最大值:利用梯度搜索法,对目标函数Rc=Rj(xc,yc),在连续参数空间中搜索目标函数的最大值,则最大值对应的各参数即为该斑点的位置和形状的最终检测结果:
Cj=(uj,vj,σj,ρj,θj)=arg max{Rc(u,v;σ,ρ,θ)},
其中,Cj即为第j个斑点的最终检测结果,(xc,yc)表示Rj中心点的坐标,arg max表示求函数的最大值对应的参数;
(8)显示并比较检测结果:利用以上方法对图像中所有的初始斑点进行检测,并利用MATLAB软件把所有的斑点检测结果显示出来,并比较本方法与现有的广义高斯拉普拉斯方法的检测精确度及计算复杂度。
本发明与现有技术比较具有以下优点:
1)本发明利用各向异性高斯拉普拉斯算子生成尺度空间,由于各向异性高斯核较各向同性高斯核多了各向异性因子和方向参数,因此不仅可以检测圆形斑点,也可以检测椭圆形斑点,并且由于本方法利用连续参数空间搜索取代了传统方法中的离散参数空间搜索,因此检测的精确度更高并且不受参数离散化精细程度的影响,解决了现有方法对斑点形状估计不准确的问题,使斑点检测的应用范围更加广泛。
2)本发明利用梯度搜索法求解目标函数的最大值,由于本发明将斑点形状估计的参数搜索问题简化为求解目标函数最大值对应参数的问题,并利用梯度搜索法降低了求解目标函数的计算复杂度,在保证较高检测精确度的同时提高了运算效率,因此解决了现有的高斯拉普拉斯方法计算复杂度高和计算复杂度受检测精度影响的问题。
附图说明
图1是本发明的实现流程图;
图2是对向日葵图像的斑点筛选对比图,其中图2(a)表示利用高斯拉普拉斯方法检测出的候选斑点,图2(b)表示筛选候选斑点得到的初始斑点;
图3是对向日葵图像的斑点检测对比图,其中图3(a)表示利用广义高斯拉普拉斯方法检测的结果,图3(b)表示本发明方法检测的结果;
图4是对医学图像的面积重叠率对比图,其中图4(a)表示原始医学图像及选定的斑点,图4(b)表示广义高斯拉普拉斯方法和本发明方法的面积重叠率的对比图。
图5是对广义高斯拉普拉斯方法和本发明方法的检测时间对比图。
具体实施方式
下面结合附图对本发明作详细说明:
实施例1
斑点检测是图像特征检测技术领域的重要组成部分,是区域检测的一种特例,是许多特征生成、目标识别等方法的重要预处理环节。与其他图像特征相比,斑点提供了边缘,轮廓和角点所不能提供的区域信息,相比单纯的角点,它的稳定性更好,抗噪声能力更强,因此可以用于图像中的目标识别和跟踪,纹理分析和纹理识别等多个领域。而现有的高斯拉普拉斯算法只能检测圆形斑点,仿射自适应的微分斑点检测方法和广义高斯拉普拉斯算法虽然能同时检测圆形和椭圆形斑点,并且能较好地描述斑点,但是前者需要不断迭代,后者计算复杂度高,而且由于二者均是在离散空间中进行参数搜索,故检测的精确度都会受到参数离散化精细程度的影响。
针对上述现状,本发明展开了研究,提出一种基于各向异性高斯核和梯度搜索的图像斑点检测方法,参见图1,包括有如下步骤:
(1)转化输入图像为灰度图像:利用MATLAB软件读取要检测的图像,如果图像是灰度图像则不需要处理,如果图像是彩色图像则将其转化为灰度图像。
(2)检测候选斑点:利用现有的高斯拉普拉斯斑点检测方法计算得到高斯拉普拉斯响应,寻找尺度空间的局部极值作为候选斑点Bi=(xi,yi,σi,δi),其中,尺度空间极值分为极大值和极小值,其中,极大值是指在三维尺度空间中,得到的高斯拉普拉斯响应值大于自身26邻域的响应值,此时对应的斑点是暗斑;极小值是指在三维尺度空间中,得到的高斯拉普拉斯响应值小于自身26邻域的响应值,此时对应的斑点是亮斑,(xi,yi)表示第i个斑点的初始位置估计,σi表示第i个斑点的初始尺度估计,δi表示第i个斑点的极性,δi=1时表示亮斑,δi=-1时表示暗斑。
(3)筛选候选斑点得到初始斑点:利用斑点的初始位置和尺度估计(xi,yi,σi)计算每个候选斑点Bi和其他候选斑点Bj的重叠面积Aij,以及重叠面积Aij与较小斑点面积min(Ai,Aj)的比值作为斑点面积的重叠率rij,j≠i,选定重叠率门限Tr,如果rij>Tr,则说明这两个斑点重叠面积过大,需要删去尺度较小的斑点,保留尺度较大的斑点;根据上述筛选流程对所有候选斑点进行筛选,把筛选后的满足重叠率门限限制的斑点作为初始斑点Cj=(xj,yj,σj),其中Ai表示第i个斑点的面积,min表示取二者中较小的值。
(4)选取局部图像:根据初始斑点的位置和尺度估计(xj,yj,σj),对每一个初始斑点Cj选择一幅局部图像Pj(x,y),该局部图像的选取方法具体是,在原始图像上以初始斑点的位置估计(xj,yj)为中心,选取大小为(6σj+1)×(6σj+1)的图像块作为选取的局部图像。
(5)产生各向异性高斯拉普拉斯滤波器:利用MATLAB软件产生归一化的各向异性高斯拉普拉斯滤波器其初始化参数根据初始斑点Cj=(xj,yj,σj)选取,其中有五个参数需要初始化,分别是相对位置参数x=[x-u,y-v]T,尺度参数σ,各向异性因子ρ和方向参数θ,本例中分别初始化为x=[0,0]T,σ0=σj,ρ0=1,θ0=0。
(6)对局部图像滤波得到目标函数:利用各向异性高斯拉普拉斯滤波器对局部图像Pj(x,y)进行滤波,得到Pj(x,y)的尺度归一化的各向异性高斯拉普拉斯响应Rj(x,y),并把其中心点(xc,yc)处的响应Rc=Rj(xc,yc)作为目标函数。
(7)梯度搜索函数的最大值:利用梯度搜索法,在连续参数空间中搜索目标函数Rc=Rj(xc,yc)的最大值,则最大值对应的各参数即为该斑点的位置和形状的最终检测结果:
Cj=(uj,vj,σj,ρj,θj)=arg max{Rc(u,v;σ,ρ,θ)},
其中,Cj为第j个斑点的最终检测结果,(xc,yc)表示Rj中心点的坐标,arg max表示求函数的最大值对应的参数。
(8)显示并比较检测结果:利用以上方法对图像中所有的初始斑点进行检测,并利用MATLAB软件把所有的斑点检测结果显示出来,比较本发明方法与现有的广义高斯拉普拉斯方法的检测精确度及计算复杂度,并给出结果。
本发明利用各向异性高斯拉普拉斯算子生成尺度空间,由于各向异性高斯核较各向同性高斯核多了各向异性因子和方向参数,因此不仅可以检测圆形斑点,也可以检测椭圆形斑点,并且由于本方法利用连续参数空间搜索取代了传统方法中的离散参数空间搜索,因此检测的精确度更高并且不受参数离散化精细程度的影响,解决了现有方法对斑点形状估计不准确的问题,使斑点检测的应用范围更加广泛。本发明利用梯度搜索法求解目标函数的最大值,由于本发明将斑点形状估计的参数搜索问题简化为求解目标函数最大值对应参数的问题,并利用梯度搜索降低了求解目标函数的计算复杂度,在保证较高检测精确度的同时提高了运算效率,因此解决了现有的高斯拉普拉斯方法计算复杂度高和计算复杂度受检测精度影响的问题。
实施例2
基于各向异性高斯核和梯度搜索的图像斑点检测方法同实施例1,本发明步骤(3)中的筛选候选斑点得到初始斑点,具体是,斑点筛选过程是根据初始斑点的尺度和位置估计进行的,对于位置接近且重叠率较高的两个斑点,比较它们的尺度估计,保留尺度估计较大的斑点,删去尺度估计较小的斑点,因为尺度较大的斑点包含的信息更多,因此也更稳定;利用上述筛选流程对所有候选斑点进行筛选,得到的结果就是初始斑点。
实施例3
基于各向异性高斯核和梯度搜索的图像斑点检测方法同实施例1-2,本发明步骤(5)中的各向异性高斯拉普拉斯滤波器,其形式如下:
其中,表示拉普拉斯算子,det表示取矩阵的行列式运算,g(x;Σ)表示各向异性高斯核,(x,y)表示二维平面坐标,(u,v)表示各向异性滤波器的中心坐标,Σ表示协方差矩阵,ρ表示各向异性因子,σ表示各向异性高斯核的尺度参数,上标T表示转置,这种滤波器的形式,其优点在于,中心坐标(u,v)控制滤波器的位置,从而控制滤波器中心和局部图像中心的相对位置,各向异性因子ρ控制滤波器的形状,尺度参数σ控制滤波器的大小,这几个参数是分别作用于滤波器的,更有利于参数估计。
实施例4
基于各向异性高斯核和梯度搜索的图像斑点检测方法同实施例1-3,本发明步骤(6)中的目标函数Rc是局部图像Pj(x,y)中心位置的响应,其形式如下:
Rc=Rj(xc,yc),
其中(xc,yc)表示Rj中心点的坐标,Rj(x,y)表示局部图像Pj(x,y)的归一化高斯拉普拉斯响应,是利用各向异性高斯拉普拉斯滤波器对局部图像Pj(x,y)进行滤波的结果,其形式如下:
其中,δj表示斑点的极性,表示各向异性高斯拉普拉斯滤波器,Pj(x,y)表示第j个初始斑点的局部图像,*表示二维离散卷积运算。
本发明方法将斑点检测的位置和形状选择问题简化为求解目标函数最大值对应参数的问题,更利于软件实现,而且选取局部图像进行处理,减少了需要处理的数据,从而降低了计算复杂度。
实施例5
基于各向异性高斯核和梯度搜索的图像斑点检测方法同实施例1-4,本发明步骤(7)中的梯度搜索法是以局部图像中心的高斯拉普拉斯响应为目标函数,在连续的5维参数空间中搜索斑点的位置和形状参数,这5个参数分别是位置中心坐标(u,v),尺度参数σ,各向异性因子ρ和方向参数θ。
本发明方法是在连续空间中进行参数搜索的,相比于传统方法中的离散参数搜索,不需要进行参数离散化操作,因此检测结果的精确度不受参数离散化精细程度的影响;采用梯度搜索法可以在保证检测结果的精确度的同时降低计算复杂度。
实施例6
基于各向异性高斯核和梯度搜索的图像斑点检测方法同实施例1-5,本发明步骤(8)中的计算检测精确度及计算复杂度,具体是对本发明方法和广义高斯拉普拉斯方法进行比较,分别是检测结果的精确度和计算复杂度,检测结果的精确度是通过计算检测结果与实际斑点的平均重叠面积得到的,重叠面积越大则检测的精确度越高;计算复杂度是通过比较在相似精度下的计算时间得到的,计算时间越短则计算复杂度越低。
下面给出一个融合为一体,更加详尽的例子对本发明进一步说明:
实施例7
基于各向异性高斯核和梯度搜索的图像斑点检测方法同实施例1-6,
参照图1,本发明的实现步骤如下:
步骤1,转化输入图像为灰度图像:利用MATLAB软件读取要检测的图像,如果图像是彩色图像则将其转化为灰度图像。
因为本发明方法是用于灰度图像处理的,所以如果输入图像是灰度图像,则不需要进一步处理,如果输入图像是彩色图像,则需要把输入图像转化为灰度图像。
步骤2,检测候选斑点:利用现有的高斯拉普拉斯斑点检测方法得到候选斑点Bi=(xi,yi,σi,δi),其中,(xi,yi)表示第i个斑点的初始位置估计,σi表示第i个斑点的初始尺度估计,δi表示第i个斑点的极性,δi=1时表示亮斑,δi=-1时表示暗斑。
现有的高斯拉普拉斯斑点检测方法首先计算输入图像f(x,y)的归一化拉普拉斯响应之后通过查找响应在三维参数空间上的局部极值得到候选斑点Bi=(xi,yi,σi,δi),局部极值对应的参数即为候选斑点的位置(xi,yi)和尺度σi和极性δi。虽然高斯拉普拉斯斑点检测方法只能检测圆形斑点,但是候选斑点只是为了提供斑点位置和尺度的粗略估计,以便后续更精确的检测,因此尽可能采用简单的方法进行候选斑点检测,这种方法也可以换为其他经典的检测方法,如高斯尺度差分算法和Hessian行列式算法等。归一化拉普拉斯响应其形式如下,
其中,arg max(min)local(x,y;σ)表示在(x,y;σ)这三维参数空间上取局部极大值(极小值)时对应的参数,极大值对应亮斑,极小值对应暗斑,g(x,y;σ)表示各向同性高斯核,
其中,(x,y)是二维平面坐标,σ是高斯核的标准差。
步骤3,筛选候选斑点得到初始斑点:利用斑点的初始位置和尺度估计(xi,yi,σi)计算每个候选斑点Bi和其他候选斑点Bj的重叠面积Aij,以及重叠面积Aij与较小斑点面积min(Ai,Aj)的比值作为斑点面积的重叠率rij,j≠i,选定重叠率门限Tr,如果rij>Tr,则说明这两个斑点重叠面积过大,需要删去尺度较小的斑点,保留尺度较大的斑点;根据上述筛选流程对所有候选斑点进行筛选,把筛选后的满足重叠率门限限制的斑点作为初始斑点Cj=(xj,yj,σj),其中Ai表示第i个斑点的面积,min表示取二者中较小的值。对于斑点Cp和Cq,其斑点面积的重叠率rpq计算如下,
其中area表示求区域的面积,∩表示求两区域的相交部分,min表示求最小值,重叠率门限Tr一般根据实际需求设置,本发明经过试验给出其取值在0.3到0.5之间,本例中取0.4。
步骤4,选取局部图像:根据初始斑点的位置和尺度估计(xj,yj,σj),对每一个初始斑点Cj选择一幅局部图像Pj(x,y)。
根据初始斑点的位置和尺度估计(xj,yj,σj),对每一个初始斑点Cj选择一幅局部图像Pj(x,y),该局部图像的选取方法具体是,在原始图像上以初始斑点的位置估计(xj,yj)为中心,选取大小为(6σj+1)×(6σj+1)的图像块作为选取的局部图像,这里局部图像大小的选择基于高斯核的3σ准则,具体是指高斯核仅在半径为3σ的圆内的取值有意义,超过这个范围的取值由于近似认为是零所以可以忽略不计,因此一般取(6σ+1)×(6σ+1)大小的滤波器对图像进行处理,相应的图像大小也选为(6σj+1)×(6σj+1)。
步骤5,产生各向异性高斯拉普拉斯滤波器:利用MATLAB软件产生归一化的各向异性高斯拉普拉斯滤波器本发明方法中采用的形式为,
其中,表示拉普拉斯算子,det表示取矩阵的行列式运算,g(x;Σ)表示各向异性高斯核,(x,y)表示二维平面坐标,(u,v)表示各向异性高斯核的中心坐标,Σ表示协方差矩阵,ρ表示各向异性因子,σ表示各向异性高斯核的尺度参数,上标T表示转置;其初始化参数根据初始斑点Cj=(xj,yj,σj)选取,其中有五个参数需要初始化,分别是相对位置参数x=[x-u,y-v]T,表示滤波器中心和待检测局部图像中心的相对位移,尺度参数σ,各向异性因子ρ和方向参数θ,本例中分别初始化为x=[0,0]T,σ0=σj,ρ0=1,θ0=0;本发明采用这种滤波器的形式,其优点在于,每个参数分别控制滤波器的特性,更有利于参数估计,而且采用各向异性滤波器可以同时检测圆形和椭圆形斑点,因此斑点检测的应用范围更广。
步骤6,对局部图像滤波得到目标函数:利用各向异性高斯拉普拉斯滤波器对局部图像Pj(x,y)进行滤波,得到Pj(x,y)的尺度归一化的各向异性高斯拉普拉斯响应Rj(x,y),并把其中心位置处的响应Rc作为目标函数,其形式如下:
Rc=Rj(xc,yc),
其中(xc,yc)表示Rj中心点的坐标,Rj(x,y)表示局部图像Pj(x,y)的归一化高斯拉普拉斯响应,是利用各向异性高斯拉普拉斯滤波器对局部图像Pj(x,y)进行滤波的结果,其形式如下:
其中,δj表示斑点的极性,表示各向异性高斯拉普拉斯滤波器,Pj(x,y)表示第j个初始斑点的局部图像,*表示二维离散卷积运算。
本发明中构造的响应函数中有斑点极性,是因为对于暗斑和亮斑,斑点的形状参数分别是在滤波器和图像卷积结果的最小值和最大值处取得,因此根据斑点极性调整响应函数的形式就可以在软件实现中采用相同的流程对暗斑和亮斑进行检测,便于软件实现;同时由于选取局部图像进行处理,减少了需要处理的数据,从而降低了计算复杂度。
步骤7,梯度搜索函数的最大值:利用梯度搜索法,对目标函数Rc=Rj(xc,yc),在连续参数空间中搜索目标函数的最大值,则最大值对应的各参数即为该斑点的位置和形状的最终检测结果:
Cj=(uj,vj,σj,ρj,θj)=arg max{Rc(u,v;σ,ρ,θ)},
其中,Cj即为第j个斑点的最终检测结果,(xc,yc)表示Rj中心点的坐标,arg max表示求函数的最大值对应的参数。
由于求解的是目标函数的最大值,因此本发明采用的梯度搜索法具体为梯度上升法,具体实现过程为,利用迭代公式以初始点P1 i=(x0,y0,σ0,1,0)进行迭代,当满足终止条件时迭代终止,此时的即为所求的最优解(xi,yi,σi,ρi,θi)。其中,初始点P1 i中的(x0,y0,σ0)由步骤2求得,其余两个参数是各向异性因子和方向,本发明中分别设为1和0,||·||表示取模值运算,ε表示误差限,影响检测结果的精确度,具体可根据实际需求设置,本例中设为0.0001。
步骤8,显示并比较检测结果:利用以上方法对图像中所有的初始斑点进行检测,并利用MATLAB软件把所有的斑点检测结果显示出来,比较本发明方法与现有的广义高斯拉普拉斯方法的检测精确度及计算复杂度,并给出结果。
由于本发明是对广义高斯拉普拉斯方法的改进,因此分别从检测精确度和计算复杂度两方面对两种方法进行比较,检测结果的精确度是通过计算检测结果与实际斑点的平均重叠面积得到的,重叠面积越大则检测的精确度越高;计算复杂度是通过比较在相似精度下的计算时间得到的,计算时间越短则计算复杂度越低。
基于步骤1到步骤8,实现了基于各向异性高斯核和梯度搜索的图像斑点检测方法。
本发明首先利用经典的高斯拉普拉斯算法检测出候选斑点,并根据斑点的面积重复率和斑点的尺度因子对候选斑点进行筛选得到初始斑点,根据初始斑点选择局部图像,并根据初始斑点产生各向异性高斯拉普拉斯滤波器,用滤波器对局部图像进行处理得到归一化各向异性高斯拉普拉斯响应,将局部图像中心处的响应作为目标函数,利用梯度搜索法在连续参数空间中寻找目标函数的最大值,则最大值对应的参数即为斑点检测的结果。本发明方法是一种斑点检测方法,属于基本的图像特征检测方法,可以在灰度图像中提取出许多斑点,并给出斑点的简单描述,可以用于自然图像和医学图像的斑点检测,提取出的斑点特征可以用于目标识别,图像配准等多种领域。由于本发明方法是在连续空间进行参数估计,所以斑点检测的精度较高且不受参数离散化网格精细程度的限制;由于本发明方法采用梯度搜索法进行参数搜索,因此在保证检测结果精确度的情况下降低了计算复杂度。
下面通过仿真及其结果对本发明的技术效果再做说明:
实施例8
基于各向异性高斯核和梯度搜索的图像斑点检测方法同实施例1-7,
仿真参数
仿真实验中采用的数据为自然图像和医学图像。自然图像:是1幅向日葵图像,编号为1,其中的向日葵可以看成是许多斑点,包括许多大小和形状各异的圆形和椭圆形斑点。医学图像:是1幅光学显微镜下的细胞图像及其经过尺度变换后的15幅图像,共计16幅图像,依次编号为2-17,其中的细胞可以看成是许多大小和形状各异的圆形和椭圆形斑点。
仿真实验内容
仿真实验中采用自然图像验证本发明的检测的有效性,采用医学图像验证本发明的准确性。
仿真实验1
对自然图像,利用本发明方法进行斑点检测,并与现有的广义高斯拉普拉斯算法比较,检测结果如图2和图3所示,其中图2(a)表示本发明利用高斯拉普拉斯方法检测出的候选斑点,图2(b)表示本发明通过筛选候选斑点得到的初始斑点,图3(a)表示利用广义高斯拉普拉斯方法检测的结果,图3(b)表示本发明方法检测的结果。
图2(a)中有87个候选暗斑和94个候选亮斑,经过步骤3的斑点筛选流程得到图2(b),图2(b)是筛选得到的71个初始暗斑和64个初始亮斑,比较图2(a)和图2(b)可以看出,本发明能有效地去除高斯拉普拉斯方法检测出的重叠的斑点,为后续的图像处理提供了较为准确的初始斑点,且处理过程计算简单。图3(a)是广义高斯拉普拉斯方法对斑点的检测结果,图3(b)是本发明方法的斑点检测结果,比较图3(a)和图3(b),本发明方法基本对所有斑点都能正确检测并估计形状,而广义高斯拉普拉斯算法在某些斑点的检测上会出现错误,仅以两处对比说明,如图3最下方的向日葵以及其右边的向日葵,广义高斯拉普拉斯方法检测的暗斑中心错误,导致形状估计出现严重错误,而本发明方法对这两个向日葵的检测无论是位置还是形状都很准确;广义高斯拉普拉斯方法还存在漏检比较明显的斑点,如图3右上方的两个连着的向日葵中心的暗斑,广义高斯拉普拉斯方法没有检测出来,而本发明方法正确检测出了这两个暗斑,从图3中整体可以看出,本发明方法可以有效检测出图像中的斑点,并且比现有的广义高斯拉普拉斯算法更准确。
实施例9
基于各向异性高斯核和梯度搜索的图像斑点检测方法同实施例1-7,仿真参数和内容同实施例8,
仿真实验2
参见图4,对1幅光学显微镜下的细胞图像及其经过尺度变换后的15幅图像,共计16幅图像,分别利用本发明方法进行检测,并计算其中选中斑点的平均面积重叠率,其中尺度变换是通过对原始图像按尺度变换因子进行缩放得到的,图4(a)表示原始医学图像及选定的斑点,其中白色“+”标注的即为选中的99个斑点。图4(b)表示广义高斯拉普拉斯方法和本发明方法的面积重叠率的对比图。从图4可以看出,本发明方法的面积重叠率,对于16幅医学图像中的14幅图像都高于广义高斯拉普拉斯方法,且重叠率曲线较广义高斯拉普拉斯方法更平稳,说明本发明方法的精确度较广义高斯拉普拉斯方法高,且更稳定,因此本发明方法对实际的医学图像可以有效地检测出斑点,并能比较准确地估计斑点的形状。
仿真实验3
统计广义高斯拉普拉斯方法和本发明方法对实验采用的17幅图像的检测时间,如图5所示。图5中横轴表示图像编号,纵轴表示计算时间,计算时间越短说明计算复杂度越低,方法越高效,由图5可以看出,本发明方法的计算时间对17幅图像均低于广义高斯拉普拉斯方法,说明本发明方法更高效。结合图3,图4和图5可以看出,本发明方法在保证较高精确度的情况下可以更高效地检测斑点。
综上所述,本发明提出的基于各向异性高斯核和梯度上升法的图像斑点检测方法,能有效地检测出灰度图像中的斑点,并且能比较准确地估计出斑点的形状。
本发明公开的基于各向异性高斯核和梯度搜索的图像斑点检测方法。其实现步骤为:1利用MATLAB软件将输入图像转化为灰度图像;2利用现有的高斯拉普拉斯斑点检测方法得到候选斑点Bi=(xi,yi,σi,δi);3根据斑点重叠率筛选候选斑点,得到初始斑点Cj=(xj,yj,σj);4对每个初始斑点Cj选择局部图像Pj(x,y);5利用MATLAB软件产生归一化的各向异性高斯拉普拉斯滤波器6利用各向异性高斯拉普拉斯滤波器对局部图像Pj(x,y)进行滤波,得到响应Rj(x,y),并把中心位置的响应Rc=Rj(xc,yc)作为目标函数;7利用梯度搜索法寻找目标函数最大值对应的参数,作为最终的斑点检测结果;8利用MATLAB软件显示并比较斑点检测结果。本发明解决了现有方法估计斑点形状不准确且计算复杂的缺陷,本发明检测精确度高且计算复杂度低,可用于图像特征检测,图像配准和图像识别中。本发明提出的基于各向异性高斯核和梯度上升法的图像斑点检测方法,能有效地检测出灰度图像中的斑点,并且能比较准确地估计出斑点的形状。
Claims (5)
1.一种基于各向异性高斯核和梯度搜索的图像斑点检测方法,其特征在于,包括有如下步骤:
(1)转化输入图像为灰度图像:利用MATLAB软件读取要检测的图像,如果图像是彩色图像则将其转化为灰度图像;
(2)检测候选斑点:利用现有的高斯拉普拉斯斑点检测方法得到候选斑点Bi=(xi,yi,σi,δi),其中,(xi,yi)表示第i个斑点的初始位置估计,σi表示第i个斑点的初始尺度估计,δi表示第i个斑点的极性,δi=1时表示亮斑,δi=-1时表示暗斑;
(3)筛选候选斑点得到初始斑点:利用斑点的初始位置和尺度估计(xi,yi,σi)计算每个候选斑点Bi和其他候选斑点Bj的重叠面积Aij,以及重叠面积Aij与较小斑点面积min(Ai,Aj)的比值rij,j≠i,选定门限Tr,保留尺度较大的斑点,把剩下的不重叠的斑点作为初始斑点Cj=(xj,yj,σj),其中Ai表示第i个斑点的面积,min表示取二者中较小的值;
(4)选取局部图像:根据初始斑点的位置和尺度估计(xj,yj,σj),对每一个初始斑点Cj选择一幅局部图像Pj(x,y);
(5)产生各向异性高斯拉普拉斯滤波器:利用MATLAB软件产生归一化的各向异性高斯拉普拉斯滤波器其初始化参数根据初始斑点Cj=(xj,yj,σj)选取;
(6)对局部图像滤波得到目标函数:利用各向异性高斯拉普拉斯滤波器对局部图像Pj(x,y)进行滤波,得到Pj(x,y)的尺度归一化的各向异性高斯拉普拉斯响应Rj(x,y),并把Rc=Rj(xc,yc)作为目标函数;
(7)梯度搜索函数的最大值:利用梯度搜索法,对目标函数Rc=Rj(xc,yc),在连续参数空间中搜索目标函数的最大值,则最大值对应的各参数即为该斑点的位置和形状的最终检测结果:
Cj=(uj,vj,σj,ρj,θj)=argmax{Rc(u,v;σ,ρ,θ)},
其中,Cj即为第j个斑点的最终检测结果,(xc,yc)表示Rj中心点的坐标,argmax表示求函数的最大值对应的参数;
(8)显示并比较检测结果:利用以上方法对图像中所有的初始斑点进行检测,并利用MATLAB软件把所有的斑点检测结果显示出来,并比较本方法与现有的广义高斯拉普拉斯方法的检测精确度及计算复杂度。
2.如权利要求1所述的基于各向异性高斯核和梯度搜索的图像斑点检测方法,其特征在于,步骤(3)中所述的筛选候选斑点得到初始斑点,具体是,斑点筛选过程是根据初始斑点的位置和尺度估计进行的,对于位置接近的两个斑点,保留其中尺度较大的斑点。
3.如权利要求1所述的基于各向异性高斯核和梯度上升法的图像斑点检测方法,其特征在于,步骤(6)中所述的目标函数是局部图像中心位置的响应,其形式如下:
Rc=Rj(xc,yc),
其中(xc,yc)表示Rj中心点的坐标,Rj(x,y)为归一化高斯拉普拉斯响应函数,其形式如下:
<mrow>
<msub>
<mi>R</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mo>-</mo>
<msub>
<mi>&delta;</mi>
<mi>j</mi>
</msub>
<msubsup>
<mo>&dtri;</mo>
<mrow>
<mi>n</mi>
<mi>o</mi>
<mi>r</mi>
<mi>m</mi>
</mrow>
<mn>2</mn>
</msubsup>
<msub>
<mi>G</mi>
<mrow>
<mi>&sigma;</mi>
<mo>,</mo>
<mi>&rho;</mi>
<mo>,</mo>
<mi>&theta;</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>;</mo>
<mi>&Sigma;</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<msub>
<mi>P</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
</mrow>
其中,表示各向异性高斯拉普拉斯滤波器,Pj(x,y)表示第j个初始斑点的局部图像,*表示二维离散卷积运算。
4.如权利要求1所述的基于各向异性高斯核和梯度上升法的图像斑点检测方法,其特征在于,步骤(7)中所述的梯度搜索法是以局部图像中心的响应为目标函数,在连续参数空间中搜索斑点的位置和形状参数。
5.如权利要求1所述的基于各向异性高斯核和梯度上升法的图像斑点检测方法,其特征在于,步骤(8)中所述的计算检测精确度及计算复杂度,具体是对本发明方法和广义高斯拉普拉斯方法进行比较,分别是检测结果的精确度和计算复杂度,检测结果的精确度是通过计算检测结果与实际斑点的平均重叠面积得到的,重叠面积越大则检测的精确度越高;计算复杂度是通过比较在相似精度下的计算时间得到的,计算时间越短则计算复杂度越低。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710422336.0A CN107292869B (zh) | 2017-06-07 | 2017-06-07 | 基于各向异性高斯核和梯度搜索的图像斑点检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710422336.0A CN107292869B (zh) | 2017-06-07 | 2017-06-07 | 基于各向异性高斯核和梯度搜索的图像斑点检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107292869A true CN107292869A (zh) | 2017-10-24 |
CN107292869B CN107292869B (zh) | 2020-04-07 |
Family
ID=60096087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710422336.0A Active CN107292869B (zh) | 2017-06-07 | 2017-06-07 | 基于各向异性高斯核和梯度搜索的图像斑点检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107292869B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840911A (zh) * | 2017-11-24 | 2019-06-04 | 法可赛阿达斯独资有限公司 | 确定干净或脏污的拍摄图像的方法、系统和计算机可读存储介质 |
CN110060243A (zh) * | 2019-04-11 | 2019-07-26 | 国家电网有限公司 | 一种大坝表面裂缝骨架提取方法 |
CN110930426A (zh) * | 2019-11-11 | 2020-03-27 | 中国科学院光电技术研究所 | 一种基于峰域形态辨识的弱小点目标提取方法 |
CN111145117A (zh) * | 2019-12-24 | 2020-05-12 | 华东师范大学 | 一种基于软数理形态算子的斑点检测方法及系统 |
CN111199217A (zh) * | 2020-01-09 | 2020-05-26 | 上海应用技术大学 | 一种基于卷积神经网络的交通标志识别方法和系统 |
CN112785518A (zh) * | 2021-01-11 | 2021-05-11 | 飞燕航空遥感技术有限公司 | 影像中圆形暗斑纠正方法和纠正系统 |
CN113450331A (zh) * | 2021-06-30 | 2021-09-28 | 青岛卓信通智能科技有限公司 | 一种异形元器件针脚检测方法 |
CN113587837A (zh) * | 2021-08-05 | 2021-11-02 | 西北工业大学 | 一种烧蚀层复合材料的高温变形图像的测量方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7463771B2 (en) * | 2005-09-08 | 2008-12-09 | Kun Shan University | Method for retrieving original intact characteristics of heavily polluted images and its image processing |
CN102332098A (zh) * | 2011-06-15 | 2012-01-25 | 夏东 | 一种虹膜图像预处理方法 |
CN103942803A (zh) * | 2014-05-05 | 2014-07-23 | 北京理工大学 | 基于sar图像的水域自动检测方法 |
CN104376564A (zh) * | 2014-11-24 | 2015-02-25 | 西安工程大学 | 基于各向异性高斯方向导数滤波器提取图像粗边缘的方法 |
CN104680495A (zh) * | 2015-03-17 | 2015-06-03 | 武汉倍尔生生物科技有限公司 | 超声图像的自适应去噪方法 |
CN104813339A (zh) * | 2012-09-12 | 2015-07-29 | 威智伦富智堡公司 | 用于检测视频中的对象的方法、设备和系统 |
CN105488487A (zh) * | 2015-12-09 | 2016-04-13 | 湖北润宏科技有限公司 | 一种虹膜定位方法及装置 |
-
2017
- 2017-06-07 CN CN201710422336.0A patent/CN107292869B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7463771B2 (en) * | 2005-09-08 | 2008-12-09 | Kun Shan University | Method for retrieving original intact characteristics of heavily polluted images and its image processing |
CN102332098A (zh) * | 2011-06-15 | 2012-01-25 | 夏东 | 一种虹膜图像预处理方法 |
CN104813339A (zh) * | 2012-09-12 | 2015-07-29 | 威智伦富智堡公司 | 用于检测视频中的对象的方法、设备和系统 |
CN103942803A (zh) * | 2014-05-05 | 2014-07-23 | 北京理工大学 | 基于sar图像的水域自动检测方法 |
CN104376564A (zh) * | 2014-11-24 | 2015-02-25 | 西安工程大学 | 基于各向异性高斯方向导数滤波器提取图像粗边缘的方法 |
CN104680495A (zh) * | 2015-03-17 | 2015-06-03 | 武汉倍尔生生物科技有限公司 | 超声图像的自适应去噪方法 |
CN105488487A (zh) * | 2015-12-09 | 2016-04-13 | 湖北润宏科技有限公司 | 一种虹膜定位方法及装置 |
Non-Patent Citations (2)
Title |
---|
FU-PINGWANG,ETC: "Noise-robustcoloredgedetectorusinggradientmatrixandanisotropic Gaussian directionalderivativematrix", 《PATTERNRECOGNITION》 * |
郭翌: "心脏占位性疾病的超声图像分析与处理方法研究", 《中国博士学位论文全文数据库》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109840911A (zh) * | 2017-11-24 | 2019-06-04 | 法可赛阿达斯独资有限公司 | 确定干净或脏污的拍摄图像的方法、系统和计算机可读存储介质 |
CN110060243A (zh) * | 2019-04-11 | 2019-07-26 | 国家电网有限公司 | 一种大坝表面裂缝骨架提取方法 |
CN110060243B (zh) * | 2019-04-11 | 2022-06-28 | 国家电网有限公司 | 一种大坝表面裂缝骨架提取方法 |
CN110930426A (zh) * | 2019-11-11 | 2020-03-27 | 中国科学院光电技术研究所 | 一种基于峰域形态辨识的弱小点目标提取方法 |
CN111145117A (zh) * | 2019-12-24 | 2020-05-12 | 华东师范大学 | 一种基于软数理形态算子的斑点检测方法及系统 |
CN111145117B (zh) * | 2019-12-24 | 2023-06-09 | 华东师范大学 | 一种基于软数理形态算子的斑点检测方法及系统 |
CN111199217A (zh) * | 2020-01-09 | 2020-05-26 | 上海应用技术大学 | 一种基于卷积神经网络的交通标志识别方法和系统 |
CN111199217B (zh) * | 2020-01-09 | 2023-03-28 | 上海应用技术大学 | 一种基于卷积神经网络的交通标志识别方法和系统 |
CN112785518B (zh) * | 2021-01-11 | 2022-08-30 | 飞燕航空遥感技术有限公司 | 影像中圆形暗斑纠正方法和纠正系统 |
CN112785518A (zh) * | 2021-01-11 | 2021-05-11 | 飞燕航空遥感技术有限公司 | 影像中圆形暗斑纠正方法和纠正系统 |
CN113450331A (zh) * | 2021-06-30 | 2021-09-28 | 青岛卓信通智能科技有限公司 | 一种异形元器件针脚检测方法 |
CN113450331B (zh) * | 2021-06-30 | 2022-08-23 | 青岛卓信通智能科技有限公司 | 一种异形元器件针脚检测方法 |
CN113587837A (zh) * | 2021-08-05 | 2021-11-02 | 西北工业大学 | 一种烧蚀层复合材料的高温变形图像的测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107292869B (zh) | 2020-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107292869A (zh) | 基于各向异性高斯核和梯度搜索的图像斑点检测方法 | |
CN105956582B (zh) | 一种基于三维数据的人脸识别系统 | |
Kong et al. | A generalized Laplacian of Gaussian filter for blob detection and its applications | |
US10417533B2 (en) | Selection of balanced-probe sites for 3-D alignment algorithms | |
Vazquez-Reina et al. | Segmentation fusion for connectomics | |
CN106485651B (zh) | 快速鲁棒性尺度不变的图像匹配方法 | |
CN107767387B (zh) | 基于可变感受野尺度全局调制的轮廓检测方法 | |
CN110232387B (zh) | 一种基于kaze-hog算法的异源图像匹配方法 | |
US20240135583A1 (en) | System and method for efficiently scoring probes in an image with a vision system | |
CN104298995A (zh) | 基于三维点云的三维人脸识别装置及方法 | |
CN103295014B (zh) | 基于像素位置排列直方图的图像局部特征描述方法 | |
WO2014065745A2 (en) | Biological unit identification based on supervised shape ranking | |
US8270730B2 (en) | Target orientation | |
CN110222661B (zh) | 一种用于运动目标识别及跟踪的特征提取方法 | |
Zou et al. | Recognition of overlapping elliptical objects in a binary image | |
CN104050660A (zh) | 一种测量工件圆形边缘的方法 | |
CN103778619A (zh) | 一种基于Zernike矩的图像匹配方法 | |
CN104573722A (zh) | 基于三维点云的三维人脸种族分类装置和方法 | |
Gauch | Multiresolution image shape description | |
Lou et al. | High-precision location for occluded reference hole based on robust extraction algorithm | |
CN113781413A (zh) | 一种基于Hough梯度法的电解电容定位方法 | |
Perdoch et al. | Stable affine frames on isophotes | |
CN110008902B (zh) | 一种融合基本特征和形变特征的手指静脉识别方法及系统 | |
CN115588178A (zh) | 一种高精地图要素自动化提取的方法 | |
Brink | Stereo vision for simultaneous localization and mapping |
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 |