CN108734180B - 一种基于计算方式优化的sift特征点梯度生成方法 - Google Patents
一种基于计算方式优化的sift特征点梯度生成方法 Download PDFInfo
- Publication number
- CN108734180B CN108734180B CN201810495435.6A CN201810495435A CN108734180B CN 108734180 B CN108734180 B CN 108734180B CN 201810495435 A CN201810495435 A CN 201810495435A CN 108734180 B CN108734180 B CN 108734180B
- Authority
- CN
- China
- Prior art keywords
- gradient
- neighborhood
- feature point
- calculating
- calculation
- 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.)
- Expired - Fee Related
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 29
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005457 optimization Methods 0.000 title claims abstract description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
Images
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]
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于计算方式优化的SIFT特征点梯度生成方法,包括如下步骤:按照圆形并细分角度划分特征点邻域梯度方向;计算x与y方向的梯度值Lx和Ly;计算梯度值Lx和Ly以及方向判断所需的梯度比值;计算梯度象限,判断梯度方向,给梯度方向和梯度强度赋值。本发明采用基于计算方式优化的SIFT特征点梯度生成方法,该方法通过改变图像中SIFT特征点邻域划分的形状,将原先的方形邻域用圆形领域代替,从而改变梯度生成的计算方式,使用巧妙的定点化操作以避开复杂的浮点运算,计算得出精度较高的近似结果,从而大大减少了硬件实现的资源消耗和计算耗时,同时大大提升了图像旋转小角度时,图像匹配系统的旋转不变性,具有广泛的应用前景。
Description
技术领域
本发明涉及基于SIFT算法家族的图像特征点梯度生成方法,具体涉及一种基于计算方式优化的SIFT特征点梯度生成方法。
背景技术
特征描述子用于表征特征点信息及其独特性,通常为一个多维向量。SIFT特征描述子是一种基于图像局部信息的描述子,即以特征点邻域的图像信息生成表达该特征点独特性的描述子,并且SIFT特征描述子具有平移、旋转和尺度不变性,以及一定程度的光照和仿射鲁棒性等诸多优良性质[1]。
旋转不变性是SIFT描述子的重要性质之一,SIFT算法正是通过统计关键点邻域的梯度方向直方图的峰值来确定其主方向,并相对于该主方向,生成该关键点的特征描述子,以得到具有旋转不变性的特征。为了特征的尺度不变性,需要回到该关键点所被检测到的尺度图像中计算梯度值并确定其主方向[2]。梯度计算公式如下所示:
对邻域内的像素求梯度,并用高斯加权后分别统计入4×4个子区域,子区域的边长设置为3σ_oct(σ_oct为相应层数的高斯滤波核函数的相对尺度),并考虑到描述子旋转引起的半径变化与双线性插值,得到邻域半径应为:
邻域半径如图1所示,每个子区域为8个方向区间的梯度直方图如图2所示。
然而,传统的基于方形邻域的梯度生成方法,具体流程如图3所示,存在如下的缺点:
(1)由上述梯度值和梯度方向的计算公式可知,其中包含除法、开方以及求arctan(正切)等复杂的浮点运算,尤其是开方运算不仅资源消耗量大,且需时延多个周期。因此这些运算由于资源消耗和计算耗时较长等原因并不适合在FPGA等硬件中实现。
(2)由于该梯度方向的归并方式粗糙,导致在实际处理图像中,只有对图像旋转45°的倍数时,匹配效果才较好,对图像旋转小角度(如11.25°,22.5°)或非45°的倍数时,图像的旋转不变性较差,影响图像系统匹配性能。
发明内容
发明目的:因为SIFT算法中的主方向指定和关键点描述都需要邻域的梯度信息。梯度值和梯度方向的计算公式,其中包含除法、开方以及求arctan等复杂的浮点运算,而这些运算由于资源消耗和计算耗时较长等原因并不适合在硬件(如FPGA)中实现,并且由于梯度方向归并时划分粗糙,导致图像匹配的旋转不变性较差,提供一种基于计算方式优化的,用于SIFT(Scale InvariantFeatureTransform)特征点梯度生成的方法,该方法通过改变图像中SIFT特征点邻域划分的形状,将原先的方形邻域用圆形领域代替,从而改变梯度生成的计算方式,使用巧妙的定点化操作以避开复杂的浮点运算,计算得出精度较高的近似结果,减少了硬件实现的资源消耗和计算耗时,并大大提高了图像匹配的旋转不变性性能。
技术方案:为实现上述目的,本发明提供一种基于计算方式优化的SIFT特征点梯度生成方法,包括如下步骤:
1)按照圆形并细分角度划分特征点邻域梯度方向;
2)计算x与y方向的梯度值Lx和Ly;
3)计算梯度值Lx和Ly以及方向判断所需的梯度比值;
4)计算梯度象限,判断梯度方向,给梯度方向和梯度强度赋值。
所述步骤1的具体方法为:
将特征点圆形邻域周围梯度分为32个方向,从第0度开始,以11.25度为单位依次递增,每一间隔画一条区间指示箭头,指定各箭头代表的梯度方向值。
所述步骤2的具体方法为:
分别用x方向梯度计算模板和y方向梯度计算模板与图像像素值卷积,得到x与y方向的梯度值Lx和Ly。
所述步骤3的具体方法为:
所述步骤4的具体方法为:
确定特征点邻域像素点所在象限,按所在象限给梯度赋值,得到最终的梯度方向和强度。
有益效果:本发明与现有技术相比,采用基于计算方式优化的SIFT特征点梯度生成方法,该方法通过改变图像中SIFT特征点邻域划分的形状,将原先的方形邻域用圆形领域代替,从而改变梯度生成的计算方式,使用巧妙的定点化操作以避开复杂的浮点运算,计算得出精度较高的近似结果,从而大大减少了硬件实现的资源消耗和计算耗时,同时大大提升了图像旋转小角度时,图像匹配系统的旋转不变性,具有广泛的应用前景。
附图说明
图1为采用传统方形领域特征点描述子邻域半径示意图;
图2为采用传统方形领域生成128维梯度直方图;
图3为采用传统方形领域生成梯度方法的流程图;
图4为本发明采用新型圆形领域生成梯度方法的流程图;
图5为梯度方向划分示意图;
图6为x方向和y方向的梯度计算模板,其中左面为x方向,右面为y方向;
图7为图像匹配系统硬件实现结构示意图;
图8为梯度生成模块硬件实现结构示意图;
图9为采用本发明的梯度生成方式后图像匹配效果示意图。
具体实施方式
下面结合附图和具体实施例,进一步阐明本发明。
实施例1:
如图4所示,本发明提供一种基于计算方式优化的SIFT特征点梯度生成方法,包括如下步骤:
1)按照圆形并细分角度划分特征点邻域梯度方向:
为了便于关键点描述中能使用梯度值,将梯度分为32个方向,从第0度开始,以11.25度为单位依次递增,如图5所示,图中的箭头为区间判别方向,可将各箭头方向的Lx和Ly比值作为判决条件,得到梯度的方向值,方向值使用0~31代表方向区间的方向而非使用真实的角度值,由于方向分为32个区间,而32=25,由二分法知需要5次判决可得到梯度的方向区间值。
2)计算x与y方向的梯度值Lx和Ly:
3)计算梯度值Lx和Ly以及方向判断所需的梯度比值:
如图6所示,分别用x方向梯度计算模板和y方向梯度计算模板与图像像素值卷积,例如从图7所示的图像匹配系统的输入数据中,局部图像像素值如下所示(0-255表征从黑到白):
18 | 25 | 89 |
85 | 126 | 70 |
60 | 57 | 36 |
4)计算梯度象限,判断梯度方向,给梯度方向和梯度强度赋值:
设位于特征点邻域的第一象限的一个像素点及其周围的像素点如图6所示,则Lx=-15,Ly=32,由判定可知,其位于第6个梯度区间。因此,其梯度值gradient(x,y)=(4-1/2)|Lx(x,y)|=52.5,即此像素点的梯度强度为52.5,梯度方向为6。此过程在如图8所示的梯度生成模块中处理实现,此处理步骤因耦合性低,故可以在硬件资源允许的情况下,大量采用流水线处理,减少处理所耗时间。
由于直角坐标系各象限的对称性,其他象限的梯度值计算方式相同,区别仅在不同方向时进行赋值。梯度幅值完成后,得到各特征点像素的描述子,其具备旋转不变性,最终处理效果显示于如图9所示的MFC操作平台上。图9中左侧多边形框出的区域为匹配区域,旋转角度为165°。
表1不同梯度方式下的硬件资源和匹配速度对比
表1对比分析了在不同硬件平台和梯度生成方式下,算法所占用的硬件资源以及所能达到最高速率。从表1中可以看出,在相同平台下(FPGA),圆形邻域的梯度生成方式要比方形邻域占用更少的资源(前者约为后者的30.6%),却拥有更快的处理速度(速度提升约201%)。因为不同的硬件平台不具有占用资源的对比性,单就梯度生成速度而言,FPGA比DSP拥有更快的速度优势。
Claims (1)
1.一种基于计算方式优化的SIFT特征点梯度生成方法,其特征在于:包括如下步骤:
1)按照圆形并细分角度划分特征点邻域梯度方向;
2)计算x与y方向的梯度值Lx和Ly;
3)计算梯度值Lx和Ly以及方向判断所需的梯度比值;
4)通过梯度生成模块,计算出梯度象限,判断梯度方向,给梯度方向和梯度强度赋值;
所述步骤1的具体方法为:将特征点圆形邻域周围梯度分为32个方向,从第0度开始,以11.25度为单位依次递增,每一间隔画一条区间指示箭头,指定各箭头代表的梯度方向值;
所述步骤2的具体方法包括如下步骤:
2-1)将Lx和Ly的比值做定点化近似,比例公式如下:
2-2)分别用x方向梯度计算模板和y方向梯度计算模板与图像像素值卷积,通过图像匹配系统得到x与y方向的梯度值Lx和Ly;
所述步骤4的具体方法为:将梯度值计算固定如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810495435.6A CN108734180B (zh) | 2018-05-22 | 2018-05-22 | 一种基于计算方式优化的sift特征点梯度生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810495435.6A CN108734180B (zh) | 2018-05-22 | 2018-05-22 | 一种基于计算方式优化的sift特征点梯度生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108734180A CN108734180A (zh) | 2018-11-02 |
CN108734180B true CN108734180B (zh) | 2020-09-11 |
Family
ID=63937762
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810495435.6A Expired - Fee Related CN108734180B (zh) | 2018-05-22 | 2018-05-22 | 一种基于计算方式优化的sift特征点梯度生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108734180B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111079803B (zh) * | 2019-12-02 | 2023-04-07 | 易思维(杭州)科技有限公司 | 基于梯度信息的模板匹配方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101038673A (zh) * | 2007-04-30 | 2007-09-19 | 北京中星微电子有限公司 | 一种图像跟踪方法及系统 |
CN101038672A (zh) * | 2007-04-30 | 2007-09-19 | 北京中星微电子有限公司 | 一种图像跟踪方法及系统 |
CN101714254A (zh) * | 2009-11-16 | 2010-05-26 | 哈尔滨工业大学 | 联合多尺度sift和区域不变矩特征的配准控制点提取方法 |
CN104268857A (zh) * | 2014-09-16 | 2015-01-07 | 湖南大学 | 一种基于机器视觉的快速亚像素边缘检测与定位方法 |
CN106355577A (zh) * | 2016-09-08 | 2017-01-25 | 武汉科技大学 | 基于特征状态与全局一致性的快速图像匹配方法及系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102044072B (zh) * | 2010-11-29 | 2012-01-11 | 北京航空航天大学 | 基于统计模型的sar图像融合处理方法 |
CN102837406B (zh) * | 2012-08-17 | 2014-12-03 | 浙江工业大学 | 基于fast-9图像特征快速配准算法的模具监视方法 |
CN102945289B (zh) * | 2012-11-30 | 2016-01-06 | 苏州搜客信息技术有限公司 | 基于cgci-sift局部特征的图像检索方法 |
CN103426186B (zh) * | 2013-09-05 | 2016-03-02 | 山东大学 | 一种改进的surf快速匹配方法 |
US9947111B2 (en) * | 2015-10-28 | 2018-04-17 | Sony Corporation | Method of multiple camera positioning utilizing camera ordering |
CN106842538A (zh) * | 2016-12-22 | 2017-06-13 | 电子科技大学 | 一种增大观察视角的显微镜 |
CN107180436A (zh) * | 2017-04-14 | 2017-09-19 | 西安电子科技大学 | 一种改进的kaze图像匹配算法 |
-
2018
- 2018-05-22 CN CN201810495435.6A patent/CN108734180B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101038673A (zh) * | 2007-04-30 | 2007-09-19 | 北京中星微电子有限公司 | 一种图像跟踪方法及系统 |
CN101038672A (zh) * | 2007-04-30 | 2007-09-19 | 北京中星微电子有限公司 | 一种图像跟踪方法及系统 |
CN101714254A (zh) * | 2009-11-16 | 2010-05-26 | 哈尔滨工业大学 | 联合多尺度sift和区域不变矩特征的配准控制点提取方法 |
CN104268857A (zh) * | 2014-09-16 | 2015-01-07 | 湖南大学 | 一种基于机器视觉的快速亚像素边缘检测与定位方法 |
CN106355577A (zh) * | 2016-09-08 | 2017-01-25 | 武汉科技大学 | 基于特征状态与全局一致性的快速图像匹配方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN108734180A (zh) | 2018-11-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Paglieroni | Distance transforms: Properties and machine vision applications | |
CN105354578A (zh) | 一种多目标物体图像匹配方法 | |
CN104240231A (zh) | 基于局部结构二进制模式的多源图像配准 | |
CN112085709B (zh) | 一种图像对比方法及设备 | |
CN107180436A (zh) | 一种改进的kaze图像匹配算法 | |
CN104050675B (zh) | 基于三角形描述的特征点匹配方法 | |
CN111199558A (zh) | 一种基于深度学习的图像匹配方法 | |
CN108734180B (zh) | 一种基于计算方式优化的sift特征点梯度生成方法 | |
Chen et al. | An active contour model based on local pre-piecewise fitting image | |
CN103745463A (zh) | 基于梯度信息的新颖多源图像快速配准方法 | |
WO2013008746A1 (ja) | 直線検出装置および直線検出方法 | |
Zhang et al. | Robust corner finding based on multi-scale k-cosine angle detection | |
TW201832178A (zh) | 影像辨識加速器系統 | |
CN109827504B (zh) | 一种基于机器视觉的钢卷端面局部径向检测方法 | |
CN111009004B (zh) | 一种加速图像匹配的硬件优化方法 | |
CN111105381B (zh) | 一种基于球面模型的稠密点云平滑方法 | |
CN110348286B (zh) | 一种基于最小二乘法的脸型拟合与匹配方法 | |
CN114255326A (zh) | 点云数据的处理方法、装置、电子设备和存储介质 | |
Cui et al. | Underwater image saliency detection based on improved histogram equalization | |
Ma et al. | Improving KAZE feature matching algorithm with alternative image gray method | |
Chen et al. | Shape interpolating on closed curves space with stretching channels | |
Mu et al. | Optimal feature selection for saliency seed propagation in low contrast images | |
CN114926659B (zh) | 一种基于sift和cm的变形目标定位算法 | |
CN116863176B (zh) | 一种数字智能制造用图像模板匹配方法 | |
CN112884778B (zh) | 一种鲁棒机器视觉目标识别分割方法及系统 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200911 |
|
CF01 | Termination of patent right due to non-payment of annual fee |