CN108334883A - 一种基于主成分分析提取独立sift关键点的优化算法 - Google Patents

一种基于主成分分析提取独立sift关键点的优化算法 Download PDF

Info

Publication number
CN108334883A
CN108334883A CN201810083851.5A CN201810083851A CN108334883A CN 108334883 A CN108334883 A CN 108334883A CN 201810083851 A CN201810083851 A CN 201810083851A CN 108334883 A CN108334883 A CN 108334883A
Authority
CN
China
Prior art keywords
sift
histogram
value
principal component
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.)
Pending
Application number
CN201810083851.5A
Other languages
English (en)
Inventor
王超
李小龙
胡佳乐
申祎
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.)
Nanjing University of Information Science and Technology
Original Assignee
Nanjing University of Information Science and Technology
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 Nanjing University of Information Science and Technology filed Critical Nanjing University of Information Science and Technology
Priority to CN201810083851.5A priority Critical patent/CN108334883A/zh
Publication of CN108334883A publication Critical patent/CN108334883A/zh
Pending legal-status Critical Current

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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于主成分分析提取独立sift关键点的优化算法，处理的步骤为：首先对由sift算法得到的sift特征点及其周围像素的直方图进行直方图匹配，使其直方图呈高斯分布。然后，使其作为pca算法的输入，则pca输出的主成份就互相独立。最后，主成份通过特征值映射到原sift特征点及其周围像素的直方图，得到的sift特征点之间互相独立，完成对sift特征点的筛选。本发明所达到的有益效果：针对由sift特征点的相似引起匹配出错的问题，本文提出了一种利用pca提取独立的sift关键点，完成对sift特征点的筛选了，使待匹配的关键点之间互相独立，减少匹配错误的概率。

Description

一种基于主成分分析提取独立sift关键点的优化算法
技术领域
本发明涉及一种基于主成分分析提取独立sift关键点的优化算法，属于图像处理技术领域。
背景技术
在图像处理中，图像特征具有重要的意义。目前，常用的图像特征有几何特征、颜色特征、纹理特征和特征点等，且这些特征已广泛的用于目标识别、运动估计等领域。提取出具有鲁棒性的图像特征，在实际应用中非常重要。尺度不变的特征点对光照、尺度、旋转、缩放等图像变换均具有很强的适应能力。特征点是图像的重要特征，相比其它图像特征，尺度不变的特征点具有旋转不变性和不随光照变化等优点。利用尺度不变特征点进行的图像处理，既不会损失图像的重要的灰度信息，同时又可以减少计算量。近年来，尺度不变的特征点提取算法以及应用，己成为图像处理领域的研究热点。
现有技术中，虽然尺度不变特征(Scale Invariant Feature Transform，sift)算法是目前比较常见且有效的特征点提取算法。它选择高斯核构造多尺度空间，并通过高斯残差在尺度空间上的选择极值点为特征点，并通过计算特征点局部邻域内的梯度方向直方图作为关键点描述子。但是，sift算法计算复杂，由于算法提取的是128维的描述子，所以降低了图像匹配和检索的速度。有人针对这一缺点提出了基于sift算法和主成份分析法(Principal Component Analysis，pca)相结合的快速匹配算法即SIFT-PCA算法，该算法的主要目标是利用PCA算法降低sift描述子的维度，以此实现描述子之间的快速匹配，但是仍然无法避免sift特征点的相似引起的匹配出错的问题。
发明内容
为解决现有技术的不足，本发明的目的在于提供一种基于主成分分析提取独立sift关键点的优化算法，使待匹配的关键点之间互相独立，减少匹配错误，避免sift特征点的相似引起的匹配出错的问题。
为了实现上述目标，本发明采用如下的技术方案：
一种基于主成分分析提取独立sift关键点的优化算法，其特征是，包括如下步骤：
步骤1)采用sift算法得到关键点的精确定位；
步骤2)对步骤2)得到的关键点进行独立性筛选，对由sift算法得到的sift特征点及其周围像素的直方图进行直方图匹配，使其直方图呈高斯分布；然后引入主成分分析算法使得主成分相互独立；主成份通过特征值映射到原sift特征点及其周围像素的直方图，得到的sift特征点之间互相独立，完成对sift特征点的筛选；
步骤3)消除边缘效应；
步骤4)生成关键点的描述；
步骤5)匹配关键点。
前述的一种基于主成分分析提取独立sift关键点的优化算法，其特征是，所述步骤2)的具体内容为：
21)提取尺度不变特征的特征点及其周围像素的灰度直方图；
在sift特征点周围取一个k*k的矩阵，用这k2个像素对特征点及其周围像素进行描述；由公式p(rk)＝nk得到矩阵的直方图，即作为sift特征点及其周围像素的灰度直方图，其中rk代表灰度值，nk代表此灰度值对应的像素个数；
22)匹配灰度直方图，使主成分分析的输入呈高斯分布：
规定直方图的概率密度函数的任何值都不能为零，令规定直方图的概率密度pz(z)为高斯分布的概率密度即：其中u是直方图的均值，σ是直方图的方差；
23)利用主成份分析提取特征向量：对步骤22)得到的呈高斯分布的sift向量做归一化处理，求协方差矩阵的特征向量和特征值，将协方差矩阵的特征值按大到小排序，将前k个特征值对应的特征向量作为主成份构成变换矩阵，令原sift向量构成的矩阵与变换矩阵相乘得到一个新的矩阵；
24)将独立主成分重映射为图像上的关键点：得到新矩阵之后，新矩阵和变换矩阵相乘得到重映射后的矩阵。
前述的一种基于主成分分析提取独立sift关键点的优化算法，其特征是，所述步骤1)包括如下内容：
步骤11)构建高斯尺度空间：对原图像I(x,y)和高斯滤波器相乘得到尺度空间，其中高斯滤波器x,y是坐标，σ是高斯滤波器的方差，函数H(x,y,σ)表示此高斯滤波器上的每一个像素值；
尺度空间为L(x,y,σ)＝I(x,y)*G(x,y,σ)，其中函数L(x,y,σ)代表经过高斯滤波之后的图像的每个像素值；
设尺度空间由O组S个滤波后的图像构成，每组尺寸为前一组的1/2长，1/2宽，每组的尺度由公式其中函数σ(O,S)代表第O组第S层的过滤后的图像所用的高斯滤波器的方差，分母上的S是组内图像总个数；
步骤12)构建高斯差分金字塔：差分金字塔的每层图像由高斯金字塔上下两层相减得到，即D(x,y,σ)＝L1(x,y,σ)-L2(x,y,σ)，其中D(x,y,σ)代表差分金字塔每层图像的像素值，L1(x,y,σ)，L2(x,y,σ)代表高斯金字塔中两层相邻的图像；
步骤13)确定潜在特征点：差分金字塔中每层，每个像素和其上下两层及其周围8个像素一共26个像素比较，寻找最大值，最小值；若是最大值或最小值，则此像素为潜在关键点；
步骤14)关键点精确定位：建立方程其中x＝(x,y,σ)T，D代表差分金字塔中的图像；对D(x)求导，并令结果等于0，得到极值点的偏移量得到代表相对插值中心的偏移量；当任一维度大于0.5时，要改变关键点位置，将新坐标代入公式： 若|D(x)|小于阈值，则删除极值点。
前述的一种基于主成分分析提取独立sift关键点的优化算法，其特征是，所述步骤3)的具体内容为：
设a和β为由Dxx，Dxy，Dxy，Dyy组成的矩阵的特征值。其中令T＝Dxx+Dyy＝a+β，并且Det＝DxxDyy-(Dxy)2＝aβ，令r＝a/β，则
当r为设定的阈值时，只要检测关键点小于阈值则保留。
前述的一种基于主成分分析提取独立sift关键点的优化算法，其特征是，所述步骤4)的具体内容为：在关键点周围取一个半径为r的圆，统计圆内所有像素的方向，将像素最多的方向作为此关键点的主方向；将坐标轴方向旋转为关键点的方向，将此区域分成4*4个子区域，在每个子区域内统计像素的8个方向的梯度值，此关键点用4*4*8＝128个维度的向量表示。
前述的一种基于主成分分析提取独立sift关键点的优化算法，其特征是，所述步骤5)的具体内容为：利用sift算法分别得到两幅待匹配的图像的sift特征点，对于第一幅图像上的每个sift特征点，计算与第二幅图像上的sift特征点的欧式距离，找到欧式距离最近的前两个关键点，如果最近的欧氏距离d1除以次近的欧式距离d2小于某个事先设定的阈值ritio，则认为此特征点与另一幅图像上欧式距离最近的特征点匹配，否则不匹配。
本发明所达到的有益效果：本方法通过对由sift算法得到的sift特征点及其周围像素的直方图进行直方图匹配，使其直方图呈高斯分布；然后，使其作为pca算法的输入，则pca输出的主成份就互相独立；最后，主成份通过特征值映射到原sift特征点及其周围像素的直方图，得到的sift特征点之间互相独立，完成对sift特征点的筛选了，使待匹配的关键点之间互相独立，减少匹配错误的概率。
附图说明
图1是本方法的流程示意图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
现有技术中sift方法中存在的问题：sift算子是一种局部算子，由于局部特征的相似性，例如当局部纹理呈规律的反复时，在这一区域的多个sift特征点的128维向量所表示的信息区别不大，在匹配时容易造成特征点之间的误配和一个sift特征点的重复匹配。另外，在使用pca提取主成份时，输入的样本一般是随机分布的，此时输出线性不相关，但不能确定输出之间是否独立，即非线性的部分可能存在相关性。只有当样本呈高斯分布时，输出才是独立的。
针对以上问题本文提出了一种利用主成份分析(Principal ComponentAnalysis,PCA)提取独立的sift特征点，使待匹配的特征点之间互相独立，减少匹配错误的方法，包括如下步骤：
步骤1)采用sift算法得到关键点的精确定位，具体步骤内容与sift算法相同：
步骤11)构建高斯尺度空间：对原图像I(x,y)和高斯滤波器相乘得到尺度空间，其中高斯滤波器x,y是坐标，σ是高斯滤波器的方差，函数G(x,y,σ)表示此高斯滤波器上的每一个像素值；
尺度空间为L(x,y,σ)＝I(x,y)*G(x,y,σ)，其中函数L(x,y,σ)代表经过高斯滤波之后的图像的每个像素值；
设尺度空间由O组S个滤波后的图像构成，每组尺寸为前一组的1/2长，1/2宽，每组的尺度由公式其中函数σ(O,S)代表第O组第S层的过滤后的图像所用的高斯滤波器的方差，分母上的S是组内图像总个数。为了在每组中检测S个尺度的极值点，高斯金字塔每组需要S+3层，实际计算S∈[3,5]。
步骤12)构建高斯差分金字塔：差分金字塔的每层图像由高斯金字塔上下两层相减得到，即D(x,y,σ)＝L1(x,y,σ)-L2(x,y,σ)，其中D(x,y,σ)代表差分金字塔每层图像的像素值，L1(x,y,σ)，L2(x,y,σ)代表高斯金字塔中两层相邻的图像。
步骤13)确定潜在特征点：差分金字塔中每层，每个像素和其上下两层及其周围8个像素一共26个像素比较，寻找最大值，最小值；若是最大值或最小值，则此像素为潜在关键点。
步骤14)关键点精确定位：建立方程其中x＝(x,y,σ)T，D代表差分金字塔中的图像；
对D(x)求导，并令结果等于0，得到极值点的偏移量得到代表相对插值中心的偏移量；当任一维度大于0.5时，要改变关键点位置，将新坐标代入公式：若|D(x)|小于阈值，则删除极值点。
步骤2)对步骤2)得到的关键点进行独立性筛选，对由sift算法得到的sift特征点及其周围像素的直方图进行直方图匹配，使其直方图呈高斯分布；然后引入主成分分析算法使得主成分相互独立；主成份通过特征值映射到原sift特征点及其周围像素的直方图，得到的sift特征点之间互相独立，完成对sift特征点的筛选。具体步骤为：
21)提取尺度不变特征的特征点及其周围像素的灰度直方图；
在sift特征点周围取一个k*k的矩阵，用这k2个像素对特征点及其周围像素进行描述；由公式p(rk)＝nk得到矩阵的直方图，即作为sift特征点及其周围像素的灰度直方图，其中rk代表灰度值，nk代表此灰度值对应的像素个数，灰度值r的取值区间为[0，L-1]；
22)匹配灰度直方图，使主成分分析的输入呈高斯分布：
定义一个灰度映射：s＝T(r),0≤r<L-1，s代表原直方图每个具有r值的像素值对应的像素值，T()代表这种映射。
设pr(r)表示灰度r的概率密度函数(PDF)，则T()可以由下式得到：W是积分假变量。
规定直方图的概率密度函数的任何值都不能为零，令规定直方图的概率密度pz(z)为高斯分布的概率密度即：其中u是直方图的均值，σ是直方图的方差。
令变换函数t是积分假变量，u是输出矩阵的均值，σ是矩阵的方差。
令G(z)＝T(r)＝s，则矩阵的每一个像素的灰度值为：z＝G-1[T(r)]＝G-1(s),所以经过变换，得到了sift特征点描述矩阵对应的输出矩阵，输出矩阵的像素呈高斯分布。
由于灰度值的取值区间为[0,L-1]，令m＝L-1，所以矩阵可以作为一个m维的向量。由于一幅图像由n个sift特征点，所以可以得到一个m*n的矩阵X。
23)利用主成份分析提取特征向量：对步骤22)得到的呈高斯分布的sift向量做归一化处理，求协方差矩阵的特征向量和特征值，将协方差矩阵的特征值按大到小排序，将前k个特征值对应的特征向量作为主成份构成变换矩阵，令原sift向量构成的矩阵与变换矩阵相乘得到一个新的矩阵。具体地：
对矩阵X做归一化处理：处理后的矩阵X值为
每两个向量之间的协方差为：则可以得到一个n*n大小X的协方差矩阵。对协方差矩阵求特征向量和特征值。在对协方差矩阵求特征向量的过程中可以得到n个特征值，并从大到小排列即：λ1≥λ2≥…≥λd≥λd+1≥…λn，将前k个特征值对应的特征向量作为主成份。k的值越大，保留原矩阵特征的不确定性越大，就更加接近真实的数据。如果k比较小，保留的原来的矩阵特征的不确定性越少，导致降维后的数据不够真实。
所以取一个阈值限定信息的损失：Sii代表第i个特征值。T∈[0,1]为选取的阈值，表示选取的k值使信息损失不超过1-T。
24)将独立主成分重映射为图像上的关键点：得到新矩阵之后，新矩阵和变换矩阵相乘得到重映射后的矩阵。由特征向量得到变换矩阵u＝(λ1,λ2…λI)。令原矩阵X和变换矩阵U相乘得到矩阵Z，即：Z＝X*U。由选取的前k个特征向量可知特征向量所对应的原sift向量，即可知Z矩阵中的向量映射的sift向量。将Z矩阵中的向量重映射到图像上，最终得到的sift特征点即为筛选后的特征点。
步骤3)消除边缘效应：设a和β为由Dxx，Dxy，Dxy，Dyy组成的矩阵的特征值。其中令T＝Dxx+Dyy＝a+β，并且Det＝DxxDyy-(Dxy)2＝aβ，令r＝a/β，则当r为设定的阈值时，只要检测关键点小于阈值则保留。
步骤4)生成关键点的描述：在关键点周围取一个半径为r的圆，统计圆内所有像素的方向，将像素最多的方向作为此关键点的主方向；将坐标轴方向旋转为关键点的方向，将此区域分成4*4个子区域，在每个子区域内统计像素的8个方向的梯度值，此关键点用4*4*8＝128个维度的向量表示。
步骤5)匹配关键点：利用sift算法分别得到两幅待匹配的图像的sift特征点，对于第一幅图像上的每个sift特征点，计算与第二幅图像上的sift特征点的欧式距离，找到欧式距离最近的前两个关键点，如果最近的欧氏距离d1除以次近的欧式距离d2小于某个事先设定的阈值ritio，则认为此特征点与另一幅图像上欧式距离最近的特征点匹配，否则不匹配。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (6)

1.一种基于主成分分析提取独立sift关键点的优化算法，其特征是，包括如下步骤：
步骤1)采用sift算法得到关键点的精确定位；
步骤2)对步骤2)得到的关键点进行独立性筛选，对由sift算法得到的sift特征点及其周围像素的直方图进行直方图匹配，使其直方图呈高斯分布；然后引入主成分分析算法使得主成分相互独立；主成份通过特征值映射到原sift特征点及其周围像素的直方图，得到的sift特征点之间互相独立，完成对sift特征点的筛选；
步骤3)消除边缘效应；
步骤4)生成关键点的描述；
步骤5)匹配关键点。
2.根据权利要求1所述的一种基于主成分分析提取独立sift关键点的优化算法，其特征是，所述步骤2)的具体内容为：
21)提取尺度不变特征的特征点及其周围像素的灰度直方图；
在sift特征点周围取一个k*k的矩阵，用这k2个像素对特征点及其周围像素进行描述；由公式p(rk)＝nk得到矩阵的直方图，即作为sift特征点及其周围像素的灰度直方图，其中rk代表灰度值，nk代表此灰度值对应的像素个数；
22)匹配灰度直方图，使主成分分析的输入呈高斯分布：
规定直方图的概率密度函数的任何值都不能为零，令规定直方图的概率密度pz(z)为高斯分布的概率密度即：其中u是直方图的均值，σ是直方图的方差；
23)利用主成份分析提取特征向量：对步骤22)得到的呈高斯分布的sift向量做归一化处理，求协方差矩阵的特征向量和特征值，将协方差矩阵的特征值按大到小排序，将前k个特征值对应的特征向量作为主成份构成变换矩阵，令原sift向量构成的矩阵与变换矩阵相乘得到一个新的矩阵；
24)将独立主成分重映射为图像上的关键点：得到新矩阵之后，新矩阵和变换矩阵相乘得到重映射后的矩阵。
3.根据权利要求1所述的一种基于主成分分析提取独立sift关键点的优化算法，其特征是，所述步骤1)包括如下内容：
步骤11)构建高斯尺度空间：对原图像I(x,y)和高斯滤波器相乘得到尺度空间，其中高斯滤波器x,y是坐标，σ是高斯滤波器的方差，函数G(x,y,σ)表示此高斯滤波器上的每一个像素值；
尺度空间为L(x,y,σ)＝I(x,y)*G(x,y,σ)，其中函数L(x,y,σ)代表经过高斯滤波之后的图像的每个像素值；
设尺度空间由O组S个滤波后的图像构成，每组尺寸为前一组的1/2长，1/2宽，每组的尺度由公式其中函数σ(O,S)代表第O组第S层的过滤后的图像所用的高斯滤波器的方差，分母上的S是组内图像总个数；
步骤12)构建高斯差分金字塔：差分金字塔的每层图像由高斯金字塔上下两层相减得到，即D(x,y,σ)＝L1(x,y,σ)-L2(x,y,σ)，其中D(x,y,σ)代表差分金字塔每层图像的像素值，L1(x,y,σ)，L2(x,y,σ)代表高斯金字塔中两层相邻的图像；
步骤13)确定潜在特征点：差分金字塔中每层，每个像素和其上下两层及其周围8个像素一共26个像素比较，寻找最大值，最小值；若是最大值或最小值，则此像素为潜在关键点；
步骤14)关键点精确定位：建立方程其中x＝(x,y,σ)T，D代表差分金字塔中的图像；对D(x)求导，并令结果等于0，得到极值点的偏移量得到代表相对插值中心的偏移量；当任一维度大于0.5时，要改变关键点位置，将新坐标代入公式： 若|D(x)|小于阈值，则删除极值点。
4.根据权利要求1所述的一种基于主成分分析提取独立sift关键点的优化算法，其特征是，所述步骤3)的具体内容为：
设a和β为由Dxx，Dxy，Dxy，Dyy组成的矩阵的特征值。其中令T＝Dxx+Dyy＝a+β，并且Det＝DxxDyy-(Dxy)2＝aβ，令r＝a/β，则
当r为设定的阈值时，只要检测关键点小于阈值则保留。
5.根据权利要求1所述的一种基于主成分分析提取独立sift关键点的优化算法，其特征是，所述步骤4)的具体内容为：
在关键点周围取一个半径为r的圆，统计圆内所有像素的方向，将像素最多的方向作为此关键点的主方向；将坐标轴方向旋转为关键点的方向，将此区域分成4*4个子区域，在每个子区域内统计像素的8个方向的梯度值，此关键点用4*4*8＝128个维度的向量表示。
6.根据权利要求1所述的一种基于主成分分析提取独立sift关键点的优化算法，其特征是，所述步骤5)的具体内容为：
利用sift算法分别得到两幅待匹配的图像的sift特征点，对于第一幅图像上的每个sift特征点，计算与第二幅图像上的sift特征点的欧式距离，找到欧式距离最近的前两个关键点，如果最近的欧氏距离d1除以次近的欧式距离d2小于某个事先设定的阈值ritio，则认为此特征点与另一幅图像上欧式距离最近的特征点匹配，否则不匹配。
CN201810083851.5A 2018-01-29 2018-01-29 一种基于主成分分析提取独立sift关键点的优化算法 Pending CN108334883A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810083851.5A CN108334883A (zh) 2018-01-29 2018-01-29 一种基于主成分分析提取独立sift关键点的优化算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810083851.5A CN108334883A (zh) 2018-01-29 2018-01-29 一种基于主成分分析提取独立sift关键点的优化算法

Publications (1)

Publication Number Publication Date
CN108334883A true CN108334883A (zh) 2018-07-27

Family

ID=62926057

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810083851.5A Pending CN108334883A (zh) 2018-01-29 2018-01-29 一种基于主成分分析提取独立sift关键点的优化算法

Country Status (1)

Country Link
CN (1) CN108334883A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113129314A (zh) * 2021-04-01 2021-07-16 上海市第一人民医院 一种针对肺部阴影智能图像处理方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103077512A (zh) * 2012-10-18 2013-05-01 北京工业大学 基于主成分析的数字图像的特征提取与匹配方法及装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103077512A (zh) * 2012-10-18 2013-05-01 北京工业大学 基于主成分析的数字图像的特征提取与匹配方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
冯博: "基于PCA的改进SIFT特征提取算法", 《华东水利水电学院学报》 *
小熊不去实验室: "SIFT特征提取分析（特征点篇）"", 《HTTPS://BLOG.CSDN.NET/YANGTREES/ARTICLE/DETAILS/8333549》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113129314A (zh) * 2021-04-01 2021-07-16 上海市第一人民医院 一种针对肺部阴影智能图像处理方法
CN113129314B (zh) * 2021-04-01 2022-08-02 上海市第一人民医院 一种针对肺部阴影智能图像处理方法

Similar Documents

Publication Publication Date Title
CN106056122B (zh) 一种基于kaze特征点的图像区域复制粘贴篡改检测方法
CN104809731B (zh) 一种基于梯度二值化的旋转尺度不变场景匹配方法
Tao et al. Image thresholding using graph cuts
CN106023187B (zh) 一种基于sift特征和角度相对距离的图像配准方法
CN110223310B (zh) 一种基于深度学习的线结构光中心线和箱体边缘检测方法
Jayaraman et al. An efficient color and texture based iris image retrieval technique
CN109949348A (zh) 一种基于超像素运动统计的误匹配去除方法
He et al. Image threshold segmentation based on GLLE histogram
Yu et al. NCFT: Automatic matching of multimodal image based on nonlinear consistent feature transform
Uddin et al. Bangladeshi vehicle digital license plate recognition for metropolitan cities using support vector machine
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
CN108334883A (zh) 一种基于主成分分析提取独立sift关键点的优化算法
Maybank A probabilistic definition of salient regions for image matching
Deshpande et al. Image Retrieval with the use of different color spaces and the texture feature
CN110704667B (zh) 一种基于语义信息的快速相似图检测方法
Hu et al. Automatic spectral video matting
Cha et al. Distance between histograms of angular measurements and its application to handwritten character similarity
CN110348464A (zh) 一种基于多支持区域局部亮度序的图像伪造检测算法
Wu et al. An accurate feature point matching algorithm for automatic remote sensing image registration
Zheng et al. Copy-Move forgery detection algorithm based on feature point clustering
Fan et al. Infrared image enhancement based on saliency weight with adaptive threshold
Collins et al. CSDD features: Center-surround distribution distance for feature extraction and matching
Rahma et al. The using of gaussian pyramid decomposition, compact watershed segmentation masking and DBSCAN in copy-move forgery detection with SIFT
Priyadharshini et al. Automatic registration of images with simulated rotation and translation estimation using HAIRIS
Lam A fast approach for detecting human faces in a complex background

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180727

RJ01 Rejection of invention patent application after publication