CN107633506A - 一种图像对称性检测方法、装置及终端设备 - Google Patents
一种图像对称性检测方法、装置及终端设备 Download PDFInfo
- Publication number
- CN107633506A CN107633506A CN201710770241.8A CN201710770241A CN107633506A CN 107633506 A CN107633506 A CN 107633506A CN 201710770241 A CN201710770241 A CN 201710770241A CN 107633506 A CN107633506 A CN 107633506A
- Authority
- CN
- China
- Prior art keywords
- symmetrical
- feature point
- characteristic
- point
- image
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明适用于图像处理技术领域,提供了一种图像对称性检测方法、装置及终端设备,包括:获取待检测图像,检测所述待检测图像中的特征点并获得每个特征点的特征向量,所述特征向量包括所述特征点的位置、方向和尺度;测量所述每个特征点的局部形状,并用尺度不变特征变换描述符编码每个特征点的局部形状;基于所述特征点的尺度对所述特征点进行聚类并创建索引,基于索引的结果并行匹配获得对称特征点;根据每组对称特征点的方向、尺度以及编码后的局部形状计算获得每组对称特征点的对称相似性;根据所述对称特征点的对称相似性基于霍夫变换获得待检测图像的主要对称轴。通过本发明可以提高图像的对称性检测的速度以及准确率。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种图像对称性检测方法、装置及终端设备。
背景技术
医学图像是为了医疗或医学研究,对人体或人体某部分,以非入侵方式取得的内部组织影像,医学图像处理是指对已经获得的医学图像作进一步的处理,使得医学图像可以有效的辅助医师在病情诊断过程中对病理变化区域进行检测、定位以及判断良恶性。
在目前的医学图像处理中,通常是基于医学图像的灰度、密度或者边界特征等检测医学图像的对称性从而确定病理变化区域。然而,这种基于医学图像的灰度、密度或者边界特征等检测医学图像对称性的方法算法速度比较慢、并且准确性也较低。
发明内容
有鉴于此,本发明实施例提供了一种图像对称性检测方法、装置及终端设备,以解决目前图像的对称性检测速度慢、准确率低的问题。
本发明实施例的第一方面提供了一种图像对称性检测方法,包括:
获取待检测图像,检测所述待检测图像中的特征点并获得每个特征点的特征向量,所述特征向量包括所述特征点的位置、方向和尺度;
测量所述每个特征点的局部形状,并用尺度不变特征变换描述符编码每个特征点的局部形状;
基于所述特征点的尺度对所述特征点进行聚类并创建索引,基于索引的结果并行匹配获得对称特征点;
根据每组对称特征点的方向、尺度以及编码后的局部形状计算获得每组对称特征点的对称相似性;
根据所述对称特征点的对称相似性基于霍夫变换获得待检测图像的主要对称轴。
本发明实施例的第二方面提供了一种图像对称性检测装置,包括:
获取模块,用于获取待检测图像,检测所述待检测图像中的特征点并获得每个特征点的特征向量,所述特征向量包括所述特征点的位置、方向和尺度;
编码模块,用于测量所述每个特征点的局部形状,并用尺度不变特征变换描述符编码每个特征点的局部形状;
对称特征点匹配模块,用于基于所述特征点的尺度值对所述特征点进行聚类并创建索引,基于索引的结果并行匹配获得对称特征点;
对称相似性获得模块,用于根据每组对称特征点的方向、尺度以及编码后的局部形状计算获得每组对称特征点的对称相似性;
主要对称轴获得模块,用于根据所述对称特征点的对称相似性基于霍夫变换获得待检测图像的主要对称轴。
本发明实施例的第三方面提供了一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例第一方面提供的所述方法的步骤。
本发明实施例的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被一个或多个处理器执行时实现本发明实施例第一方面提供的所述方法的步骤。
本发明实施例的第五方面提供了一种计算机程序产品,所述计算机程序产品包括计算机程序,所述计算机程序被一个或多个处理器执行时实现本发明实施例第一方面提供的所述方法的步骤。
本发明实施例与现有技术相比存在的有益效果是:
本发明实施例通过先检测待检测图像中的所有特征点,将每个特征点用特征向量表示,特征向量包括了特征点的位置、方向和尺度,然后再根据特征点的位置获得每个特征点的局部形状,并通过尺度不变特征变换描述符编码每个特征点的局部形状,然后根据特征点的尺度对所述特征点进行聚类并创建索引,根据索引的结果并行匹配获得对称特征点,根据每组对称特征点的方向、尺度以及编码后的局部形状计算获得每组特征点的对称相似性,然后根据每组对称特征点的对称相似性获得待检测图像的主要对称轴,由于本方法依赖尺度不变特征变换,所以受图像旋转、噪声和不对称的影响较小,并且结合尺度、方向和描述符定义的对称相似性,比较直观有效,并且准确率高;还通过并行匹配的方式获得对称特征点,可以提高检测的速度。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的一种图像对称性检测方法的实现流程示意图;
图2是本发明一实施例提供的一组对称特征点i和j的位置、方向示意图;
图3是本发明以实施例提供的图像对称性检测的过程;
图4是本发明一实施例提供的图像对称性检测装置的示意框图;
图5是本发明一实施例提供的终端设备的示意框图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
应当理解,当在本说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在此本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解,在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
为了说明本发明所述的技术方案,下面通过具体实施例来进行说明。
图1是本发明一实施例提供的图像对称性检测方法的实现流程示意图,如图所示该方法可以包括以下步骤:
步骤S101,获取待检测图像,检测所述待检测图像中的特征点并获得每个特征点的特征向量,所述特征向量包括所述特征点的位置、方向和尺度。
在本发明实施例中,所述待检测图像可以是医学影像还可以是任意图像,所述特征点是指图像灰度值发生剧烈变化的点或者在图像边缘上曲率较大的点(即两个边缘的交点),图像特征点能够反映图像本质特征,能够表示图像中目标物体。在检测到特征点后还会删除一些不符合要求的特征点,例如对比度低的特征点。
本发明实施例是基于尺度不变特征变换(Scale Invariant Feature Transform,SIFT)算法检测待检测图像中的特征点。具体的:先通过高斯微分函数来识别潜在的对尺度和选择不变的兴趣点位置;在每个候选的位置上,通过一个拟合精细模型来确定位置尺度,特征点的选取依据他们的稳定程度;基于图像局部的梯度方向,分配给每个特征点一个或多个方向,图像处理中的后续的所有操作都是对于特征点的方向、尺度和位置进行变换,从而提供这些特征的不变性。而每个特征点的特征向量就是获得的位置、方向以及尺度组成的向量。以特征点i为例,特征点i的特征向量就是ki=(xi,yi,si,φi),其中(xi,yi)表示特征点i的位置,si表示特征点i的尺度,φi表示特征点i的方向。
步骤S102,测量所述每个特征点的局部形状,并用尺度不变特征变换描述符编码每个特征点的局部形状。
在本发明实施例中,在每个特征点周围的邻域内,在选定的尺度上测量图像的局部梯度,这些梯度被变换成一种表示,这种表示允许比较大的局部形状的变形和光照变换。SIFT描述符描述的每个特征点的局部形状是个128维的特征向量,可用pi=(v1,v2,…,v128)表示,SIFT描述符具有较高的独立性,以保证匹配率。具体是:先将坐标轴旋转为特征点的方向,以特征点为中心的16×16的窗口的像素的梯度幅值和方向,将窗口内的像素分为16块,每块是其像素内8个方向的直方图统计,共可形成128维的特征向量。
步骤S103,基于所述特征点的尺度对所述特征点进行聚类并创建索引,基于索引的结果并行匹配获得对称特征点。
在本发明实施例中,采用Mean-shift算法对特征点进行聚类,这个算法可以知道类的数量。然后用KD-tree算法对关键点的尺度值创建索引。在创建索引后,基于索引结果并行匹配获得对称特征点。对称特征点匹配可以匹配镜像对称特征点,也可以匹配旋转对称特征点,本发明实施例采用镜像对称特征点。匹配后最终获得的是成组的对称特征点。每组对称特征点包括两个特征点,这两个特征点镜像对称。
步骤S104,根据每组对称特征点的方向、尺度以及编码后的局部形状计算获得每组对称特征点的对称相似性。
在本发明实施例中,我们通过特征点的位置、方向、尺度以及编码后的局部形状来描述一个特征点,而上述步骤中匹配的对称特征点可能并不是完全对称的,我们可以通过每组对称特征点中的两个特征点的方向、尺度以及编码后的局部形状来获得两个对称特征点的对称相似度来表示这两个特征点对称的程度。
具体的,所述根据每组对称特征点的方向、尺度以及编码后的局部形状计算获得每组对称特征点的对称相似性具体为:
Mij=Sij×Φij×Ωij
其中,所述Mij表示对称特征点i和j的对称相似性,Mij∈[0,1],所述Sij表示对称特征点i和j的尺度对称相似性,所述Φij表示对称特征点i和j的方向对称相似性,所述Ωij表示对称特征点i和j的形状对称相似性。
在本发明实施例中,我们可以分别通过每组对称特征点中的两个特征点的尺度对称相似性、方向对称相似性以及形状对称相似性来获得两个特征点的对称相似性。Mij越大表示对称特征点i和j的对称相似性越高。
而所述对称特征点的尺度对称相似性通过以下方式获得:
其中,所述Sij表示对称特征点i和j的尺度对称相似性,所述σs表示尺度值变化的权重,所述σs=1,所述si表示特征点i的尺度,所述sj表示特征点j的尺度。
所述对称特征点的方向对称相似性通过以下方式获得:
其中,所述Φij表示对称特征点i和j的方向对称相似性,所述φi表示特征点i与水平方向的夹角,所述φj表示特征点j与水平方向的夹角,θij表示对称特征点i和j所在直线与水平方向的夹角,Φij∈[0,1]。Φij越大,表示特征点i和j的方向对称相似性越高。
图2是一组对称特征点i和j的位置、方向示意图。如图2所示,ki和kj分别表示对称特征点i和j的特征向量,具体i和j的位置分别用(xi,yi)和(xj,yj)表示,φi表示特征点i的特征向量与水平方向的夹角,所述φj表示特征点j的特征向量与水平方向的夹角,θij表示对称特征点i和j所在直线l与水平方向的夹角。对称特征点i和j为镜像对称特征点。
所述对称特征点的图形对称相似性通过以下方式获得:
其中,所述Ωij表示对称特征点i和j的图像对称相似性,所述qi表示特征点i的SIFT描述符的镜像描述符,pj表示特征点j的SIFT描述符,σa表示形状变化的权重,取σa=0.5。
需要说明的是,σs和σa在实际应用中,还可以取其它值。
步骤S105,根据所述对称特征点的对称相似性基于霍夫变换获得待检测图像的主要对称轴。
在本发明实施例中,在获得每一组对称特征点后,实际上根据每组对称特征点都可以获得一个候选对称轴,如图2中所示的对称特征点i和j对应的候选对称轴为c。而一个待检测的图像可能会包含很多组对称特征点,也就会得到很多个候选对称轴,所以我们需要从很多候选对称轴中得到主要对称轴作为该图像的对称轴。
具体的,所述根据所述对称特征点的对称相似性基于霍夫变换获得待检测图像的主要对称轴包括:
基于每组对称特征点在霍夫空间映射获得一个候选对称轴,并将所述对称特征点的对称相似度作为所述候选对称轴的权值;
基于每个候选对称轴以及每个候选对称轴的权值获得待检测图像的主要对称轴。
在本发明实施例中,可以基于每一组对称特征点在霍夫空间映射得到一个候选对称轴,然后将该组对称特征点的对称相似性作为该候选对称轴的一个权值;待检测图像实际上还有多组对称特征点,所以也会获得多个候选对称轴,每个候选对称轴都会有对应的权值,我们可以在霍夫空间加权每个候选对称轴对应的对称相似度,然后在霍夫空间中寻找最大值作为主要对称轴。每个候选对称轴在二维空间为一条直线,当映射在霍夫空间时可以理解为一个点,每个点对应一个权值。如图2所示,(xc,yc)表示对称特征点i和j连线中点的坐标,候选对称轴为c,但是在霍夫空间,候选对称轴c用点(rij,θij)来表示。基于每个候选对称轴(霍夫空间的点)以及每个候选对称轴的权值获得待检测图像的主要对称轴可以通过提取霍夫空间的最大值获得,即提取霍夫空间中所有候选对称轴的凸包中心获得待检测图像的主要对称轴。通过霍夫空间的凸包中心获得的主要对称轴为一个点,我们可以将霍夫空间中的主要对称轴(点)再映射为二维空间中的主要对称轴(线),则映射为二维空间中的主要对称轴就是待检测图像的对称轴。
作为另一实施例,所述基于每组对称特征点在霍夫空间映射获得一个候选对称轴,并将所述对称特征点的对称相似度作为所述候选对称轴的权值具体为:
rij=xccosθij+ycsinθij
其中,所述(xc,yc)表示对称特征点i和j连线中点的坐标,θij表示对称特征点i和j所在直线与水平方向的夹角,所述(rij,θij)表示基于所述对称特征点i和j在霍夫空间映射获得的候选对称轴,将所述对称特征点i和j的对称相似度作为所述候选对称轴的权值。
本发明实施例通过先检测待检测图像中的所有特征点,将每个特征点用特征向量表示,特征向量包括了特征点的位置、方向和尺度,然后再根据特征点的位置获得每个特征点的局部形状,并通过尺度不变特征变换描述符编码每个特征点的局部形状,然后根据特征点的尺度对所述特征点进行聚类并创建索引,根据索引的结果并行匹配获得对称特征点,根据每组对称特征点的方向、尺度以及编码后的局部形状计算获得每组特征点的对称相似性,然后根据每组对称特征点的对称相似性获得待检测图像的主要对称轴,由于本方法依赖尺度不变特征变换,所以受图像旋转、噪声和不对称的影响较小,并且结合尺度、方向和描述符定义的对称度,比较直观有效,并且准确率高;还通过并行匹配的方式获得对称特征点,可以提高检测的速度。
图3是本发明实施例提供的图像对称性检测的过程。图3(a)是待检测的图像,图3(b)是所述待检测图像中的特征点,图3(c)是所述待检测图像中特征点的尺度和方向,图3(d)是霍夫空间中的候选对称轴,图3(e)是提取的霍夫空间的凸包中心,图3(f)是最终获得的主要对称轴以及相应的特征点。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图4是本发明一实施例提供的图像对称性检测装置的示意框图,为了便于说明,仅示出与本发明实施例相关的部分。
该图像对称性检测装置4可以是内置于终端设备(例如手机、计算机、笔记本)内的软件单元、硬件单元或者软硬结合的单元,也可以作为独立的挂件集成到所述终端设备中。
所述图像对称性检测装置4包括:
获取模块41,用于获取待检测图像,检测所述待检测图像中的特征点并获得每个特征点的特征向量,所述特征向量包括所述特征点的位置、方向和尺度;
编码模块42,用于测量所述每个特征点的局部形状,并用尺度不变特征变换描述符编码每个特征点的局部形状;
对称特征点匹配模块43,用于基于所述特征点的尺度值对所述特征点进行聚类并创建索引,基于索引的结果并行匹配获得对称特征点;
对称相似性获得模块44,用于根据每组对称特征点的方向、尺度以及编码后的局部形状计算获得每组对称特征点的对称相似性;
主要对称轴获得模块45,用于根据所述对称特征点的对称相似性基于霍夫变换获得待检测图像的主要对称轴。
可选的,所述对称相似性获得模块44具体用于:
Mij=Sij×Φij×Ωij
其中,所述Mij表示对称特征点i和j的对称相似性,Mij∈[0,1],所述Sij表示对称特征点i和j的尺度对称相似性,所述Φij表示对称特征点i和j的方向对称相似性,所述Ωij表示对称特征点i和j的形状对称相似性。
可选的,所述对称特征点的尺度对称相似性通过以下方式获得:
其中,所述Sij表示对称特征点i和j的尺度对称相似性,所述σs表示尺度值变化的权重,所述σs=1,所述si表示特征点i的尺度,所述sj表示特征点j的尺度。
可选的,所述对称特征点的方向对称相似性通过以下方式获得:
其中,所述Φij表示对称特征点i和j的方向对称相似性,所述φi表示特征点i与水平方向的夹角,所述φj表示特征点j与水平方向的夹角,θij表示对称特征点i和j所在直线与水平方向的夹角。
可选的,所述对称特征点的图形对称相似性通过以下方式获得:
其中,所述Ωij表示对称特征点i和j的图像对称相似性,所述qi表示特征点i的SIFT描述符的镜像描述符,pj表示特征点j的SIFT描述符,σa表示形状变化的权重,取σa=0.5。
可选的,所述主要对称轴获得模块45包括:
候选对称轴获得单元451,用于基于每组对称特征点在霍夫空间映射获得一个候选对称轴,并将所述对称特征点的对称相似度作为所述候选对称轴的权值;
主要对称轴获得单元452,用于基于每个候选对称轴以及每个候选对称轴的权值获得待检测图像的主要对称轴。
可选的,所述候选对称轴获得单元451具体用于:
rij=xccosθij+ycsinθij
其中,所述(xc,yc)表示对称特征点i和j连线中点的坐标,θij表示对称特征点i和j所在直线与水平方向的夹角,所述(rij,θij)表示基于所述对称特征点i和j在霍夫空间映射获得的候选对称轴;
将所述对称特征点i和j的对称相似度作为所述候选对称轴的权值。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述图像对称性检测装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述装置中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
图5是本发明一实施例提供的终端设备的示意框图。如图5所示,该实施例的终端设备5包括:一个或多个处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52时实现上述各个图像对称性检测方法实施例中的步骤,例如图1所示的步骤S101至S105。或者,所述处理器50执行所述计算机程序52时实现上述终端设备实施例中各模块/单元的功能,例如图5所示模块41至45的功能。
示例性的,所述计算机程序52可以被分割成一个或多个模块/单元,所述一个或者多个模块/单元被存储在所述存储器51中,并由所述处理器50执行,以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序52在所述终端设备5中的执行过程。例如,所述计算机程序52可以被分割成获取模块、编码模块、对称特征点匹配模块、对称相似性获得模块、主要对称轴获得模块。
所述获取模块,用于获取待检测图像,检测所述待检测图像中的特征点并获得每个特征点的特征向量,所述特征向量包括所述特征点的位置、方向和尺度;
所述编码模块,用于测量所述每个特征点的局部形状,并用尺度不变特征变换描述符编码每个特征点的局部形状;
所述对称特征点匹配模块,用于基于所述特征点的尺度值对所述特征点进行聚类并创建索引,基于索引的结果并行匹配获得对称特征点;
所述对称相似性获得模块,用于根据每组对称特征点的方向、尺度以及编码后的局部形状计算获得每组对称特征点的对称相似性;
所述主要对称轴获得模块,用于根据所述对称特征点的对称相似性基于霍夫变换获得待检测图像的主要对称轴。
其它模块或者单元请参照图4所示实施例中的描述,在此不再详述。
所述终端设备包括但不仅限于处理器50、存储器51。本领域技术人员可以理解,图5仅仅是终端设备5的一个示例,并不构成对终端设备5的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端设备还可以包括输入设备、输出设备、网络接入设备、总线等。
所述处理器50可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器51可以是所述终端设备5的内部存储单元,例如终端设备5的硬盘或内存。所述存储器51也可以是所述终端设备5的外部存储设备,例如所述终端设备5上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器51还可以既包括所述终端设备5的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本发明所提供的实施例中,应该理解到,所揭露的终端设备、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置/终端设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种图像对称性检测方法,其特征在于,包括:
获取待检测图像,检测所述待检测图像中的特征点并获得每个特征点的特征向量,所述特征向量包括所述特征点的位置、方向和尺度;
测量所述每个特征点的局部形状,并用尺度不变特征变换描述符编码每个特征点的局部形状;
基于所述特征点的尺度对所述特征点进行聚类并创建索引,基于索引的结果并行匹配获得对称特征点;
根据每组对称特征点的方向、尺度以及编码后的局部形状计算获得每组对称特征点的对称相似性;
根据所述对称特征点的对称相似性基于霍夫变换获得待检测图像的主要对称轴。
2.如权利要求1所述的图像对称性检测的方法,其特征在于,所述根据每组对称特征点的方向、尺度以及编码后的局部形状计算获得每组对称特征点的对称相似性具体为:
Mij=Sij×Φij×Ωij
其中,所述Mij表示对称特征点i和j的对称相似性,Mij∈[0,1],所述Sij表示对称特征点i和j的尺度对称相似性,所述Φij表示对称特征点i和j的方向对称相似性,所述Ωij表示对称特征点i和j的形状对称相似性。
3.如权利要求2所述的图像对称性检测的方法,其特征在于,所述对称特征点的尺度对称相似性通过以下方式获得:
<mrow>
<msub>
<mi>S</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mo>-</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>s</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>s</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<msub>
<mi>&sigma;</mi>
<mi>s</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
其中,所述Sij表示对称特征点i和j的尺度对称相似性,所述σs表示尺度值变化的权重,所述σs=1,所述si表示特征点i的尺度,所述sj表示特征点j的尺度。
4.如权利要求2所述的图像对称性检测的方法,其特征在于,所述对称特征点的方向对称相似性通过以下方式获得:
<mrow>
<msub>
<mi>&Phi;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mi>c</mi>
<mi>o</mi>
<mi>s</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>&phi;</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>&phi;</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<mn>2</mn>
<msub>
<mi>&theta;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mn>2</mn>
</mfrac>
</mrow>
其中,所述Φij表示对称特征点i和j的方向对称相似性,所述φi表示特征点i与水平方向的夹角,所述φj表示特征点j与水平方向的夹角,θij表示对称特征点i和j所在直线与水平方向的夹角。
5.如权利要求2所述的图像对称性检测的方法,其特征在于,所述对称特征点的图形对称相似性通过以下方式获得:
<mrow>
<msub>
<mi>&Omega;</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mo>-</mo>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>q</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<msub>
<mi>p</mi>
<mi>j</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<msub>
<mi>&sigma;</mi>
<mi>a</mi>
</msub>
</mfrac>
<mo>)</mo>
</mrow>
</mrow>
其中,所述Ωij表示对称特征点i和j的图像对称相似性,所述qi表示特征点i的SIFT描述符的镜像描述符,pj表示特征点j的SIFT描述符,σa表示形状变化的权重,取σa=0.5。
6.如权利要求1至5任一项所述的图形对称性检测的方法,其特征在于,所述根据所述对称特征点的对称相似性基于霍夫变换获得待检测图像的主要对称轴包括:
基于每组对称特征点在霍夫空间映射获得一个候选对称轴,并将所述对称特征点的对称相似度作为所述候选对称轴的权值;
基于每个候选对称轴以及每个候选对称轴的权值获得待检测图像的主要对称轴。
7.如权利要求6所述的图像对称性检测的方法,其特征在于,所述基于每组对称特征点在霍夫空间映射获得一个候选对称轴,并将所述对称特征点的对称相似度作为所述候选对称轴的权值具体为:
rij=xccosθij+ycsinθij
其中,所述(xc,yc)表示对称特征点i和j连线中点的坐标,θij表示对称特征点i和j所在直线与水平方向的夹角,所述(rij,θij)表示基于所述对称特征点i和j在霍夫空间映射获得的候选对称轴;
将所述对称特征点i和j的对称相似度作为所述候选对称轴的权值。
8.一种图像对称性检测装置,其特征在于,包括:
获取模块,用于获取待检测图像,检测所述待检测图像中的特征点并获得每个特征点的特征向量,所述特征向量包括所述特征点的位置、方向和尺度;
编码模块,用于测量所述每个特征点的局部形状,并用尺度不变特征变换描述符编码每个特征点的局部形状;
对称特征点匹配模块,用于基于所述特征点的尺度值对所述特征点进行聚类并创建索引,基于索引的结果并行匹配获得对称特征点;
对称相似性获得模块,用于根据每组对称特征点的方向、尺度以及编码后的局部形状计算获得每组对称特征点的对称相似性;
主要对称轴获得模块,用于根据所述对称特征点的对称相似性基于霍夫变换获得待检测图像的主要对称轴。
9.一种终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710770241.8A CN107633506B (zh) | 2017-08-31 | 2017-08-31 | 一种图像对称性检测方法、装置及终端设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710770241.8A CN107633506B (zh) | 2017-08-31 | 2017-08-31 | 一种图像对称性检测方法、装置及终端设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107633506A true CN107633506A (zh) | 2018-01-26 |
CN107633506B CN107633506B (zh) | 2021-04-02 |
Family
ID=61100741
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710770241.8A Active CN107633506B (zh) | 2017-08-31 | 2017-08-31 | 一种图像对称性检测方法、装置及终端设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107633506B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798410A (zh) * | 2020-06-01 | 2020-10-20 | 深圳市第二人民医院(深圳市转化医学研究院) | 基于深度学习模型的癌细胞病理分级方法、装置、设备和介质 |
CN114119721A (zh) * | 2022-01-25 | 2022-03-01 | 中国科学院自动化研究所 | 基于凸壳扫描的图像物体对称性识别方法、系统及设备 |
CN116596935A (zh) * | 2023-07-18 | 2023-08-15 | 苏州思谋智能科技有限公司 | 形变检测方法、装置、计算机设备及计算机可读存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102800097A (zh) * | 2012-07-19 | 2012-11-28 | 中国科学院自动化研究所 | 多特征多级别的可见光与红外图像高精度配准方法 |
CN102902962A (zh) * | 2012-09-26 | 2013-01-30 | 杭州电子科技大学 | 一种基于尺度不变特征转换特征向量的前方车辆检测方法 |
CN104599294A (zh) * | 2015-01-23 | 2015-05-06 | 河南理工大学 | 基于亮度序均值标准差描述子的图像对称轴检测方法 |
CN105335757A (zh) * | 2015-11-03 | 2016-02-17 | 电子科技大学 | 一种基于局部特征聚合描述符的车型识别方法 |
-
2017
- 2017-08-31 CN CN201710770241.8A patent/CN107633506B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102800097A (zh) * | 2012-07-19 | 2012-11-28 | 中国科学院自动化研究所 | 多特征多级别的可见光与红外图像高精度配准方法 |
CN102902962A (zh) * | 2012-09-26 | 2013-01-30 | 杭州电子科技大学 | 一种基于尺度不变特征转换特征向量的前方车辆检测方法 |
CN104599294A (zh) * | 2015-01-23 | 2015-05-06 | 河南理工大学 | 基于亮度序均值标准差描述子的图像对称轴检测方法 |
CN105335757A (zh) * | 2015-11-03 | 2016-02-17 | 电子科技大学 | 一种基于局部特征聚合描述符的车型识别方法 |
Non-Patent Citations (3)
Title |
---|
NOR BAKIAH ABD ET AL.: "SIFT-Symmetry:A robust detection method for copy-move forgery with reflection attack", 《J.VIS.COMMUN.IMAGE R.》 * |
YANG DI ET AL.: "Image Stitching Based on Local Symmetry Features", 《PROCEEDINGS OF THE 33RD CHINESE CONTROL CONFERENCE》 * |
曾志宏 等: "融入SIFT的图像对称检测", 《福建电脑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111798410A (zh) * | 2020-06-01 | 2020-10-20 | 深圳市第二人民医院(深圳市转化医学研究院) | 基于深度学习模型的癌细胞病理分级方法、装置、设备和介质 |
CN114119721A (zh) * | 2022-01-25 | 2022-03-01 | 中国科学院自动化研究所 | 基于凸壳扫描的图像物体对称性识别方法、系统及设备 |
CN116596935A (zh) * | 2023-07-18 | 2023-08-15 | 苏州思谋智能科技有限公司 | 形变检测方法、装置、计算机设备及计算机可读存储介质 |
CN116596935B (zh) * | 2023-07-18 | 2023-11-03 | 苏州思谋智能科技有限公司 | 形变检测方法、装置、计算机设备及计算机可读存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN107633506B (zh) | 2021-04-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109345575B (zh) | 一种基于深度学习的图像配准方法及装置 | |
Díaz-Pernil et al. | Membrane computing and image processing: a short survey | |
CN109948397A (zh) | 一种人脸图像校正方法、系统及终端设备 | |
Ruan et al. | Evaluation of methods for generative modeling of cell and nuclear shape | |
CN108805859A (zh) | 一种图像检测方法、图像检测装置及终端设备 | |
CN112183541B (zh) | 一种轮廓提取方法及装置、电子设备、存储介质 | |
CN107633506A (zh) | 一种图像对称性检测方法、装置及终端设备 | |
CN113284088A (zh) | 一种csm图像分割方法、装置、终端设备及存储介质 | |
CN113065997B (zh) | 一种图像处理方法、神经网络的训练方法以及相关设备 | |
CN112132812B (zh) | 证件校验方法、装置、电子设备及介质 | |
CN108564569B (zh) | 一种基于多核分类学习的混凝土裂缝检测方法及装置 | |
CN108288265A (zh) | 一种面向hcc病理图像细胞核的分割与分类方法 | |
CN113781387A (zh) | 模型训练方法、图像处理方法、装置、设备及存储介质 | |
CN114782686A (zh) | 一种图像分割方法、装置、终端设备及存储介质 | |
Pan et al. | SMILE: Cost-sensitive multi-task learning for nuclear segmentation and classification with imbalanced annotations | |
Hassan et al. | A dilated residual hierarchically fashioned segmentation framework for extracting Gleason tissues and grading prostate cancer from whole slide images | |
Thakur et al. | VHDL design for image segmentation using Gabor filter for disease detection | |
Skibbe et al. | Spherical tensor algebra: a toolkit for 3D image processing | |
CN108960246A (zh) | 一种用于图像识别的二值化处理装置及方法 | |
Vaiyapuri et al. | Ensemble Learning driven Computer-Aided Diagnosis model for brain tumor classification on magnetic resonance imaging | |
Akbar et al. | Tumor localization in tissue microarrays using rotation invariant superpixel pyramids | |
CN117333440A (zh) | 输配电线路缺陷检测方法、装置、设备、介质和程序产品 | |
CN112183303A (zh) | 变电设备图像分类方法、装置、计算机设备和介质 | |
CN109801428A (zh) | 纸币边缘直线的检测方法、检测装置及终端 | |
CN108154107B (zh) | 一种确定遥感图像归属的场景类别的方法 |
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 |