CN109145929A - 一种基于sift尺度空间特征信息提取方法 - Google Patents
一种基于sift尺度空间特征信息提取方法 Download PDFInfo
- Publication number
- CN109145929A CN109145929A CN201710930203.4A CN201710930203A CN109145929A CN 109145929 A CN109145929 A CN 109145929A CN 201710930203 A CN201710930203 A CN 201710930203A CN 109145929 A CN109145929 A CN 109145929A
- Authority
- CN
- China
- Prior art keywords
- image
- point
- key point
- pyramid
- difference
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于SIFT尺度空间特征信息提取方法,包括构建高斯金字塔和高斯差分金字塔、关键点定位和关键点描术与匹配。这种技术使物体的三维形貌信息以计算机便于接收、存储和处理的数字信号的方式呈现出来。同时其测量效率和精度都比传统的三坐标测量仪高很多。算法对现有点云算法进行了简化,取消了标志点,适用于普通三维扫描难以处理的物体,且减少了计算量和计算时间。
Description
技术领域
本发明涉及三维扫描信息提取技术,特别涉及一种基于SIFT尺度空间特征信息提取方法。
背景技术
计算机视觉领域硬件和软件快速发展极大促进了计算机视觉在工业应用中的研究。光学三维测量是计算机视觉的一方面,指通过使用照相机采集被测物体的照片或者由被测物照片结合结构光反求出被测物体三维信息。其中光飞行时间法和激光三角形法是比较早的三维测量技术,结构光法和立体视觉法是目前应用比较广的三维测量技术,这些技术不同的特点使其能够适用于不同的场合。但是在手持式三维扫描仪技术开发方面和国际先进水平还有一定差距,主要是在测量过程中点云数据拼接较多依赖特殊标志点,且精度较国外先进产品还有差距。这给客户应用带来不便,也降低了扫描效率。国内公司的两种现有技术中,扫描程中需要对被测物表面粘贴大量的标志点,但在三维扫描过程中不能对文物粘贴标识点,以免造成永久性损坏,且传统的固定式扫描仪往往携带不便,也不适用于室外场合,三维扫描仪单次扫描也只能扫描出被测物的局部,而实际中往往需要测量物体的整个三维形貌,那么就必须从不同的方位对被测物体进行多次测量,并将多次测量的点云拼接成一个整体。
发明内容
本发明要解决的技术问题:本发明的目的是为了解决现有技术中的不足,提供无需人工标志点,运算快捷准确,点云有效性高、精度高的一种基于SIFT尺度空间特征信息提取方法。
本发明的技术方案:本发明所述的一种基于SIFT尺度空间特征信息提取方法,包括构建高斯金字塔和高斯差分金字塔、关键点定位和关键点描术与匹配;
所述构建高斯金字塔和高斯差分金字塔包括如下步骤:
a.定义一幅图像的尺度空间L(x,y,δ)为原图像I(x,y)与一个2维的可变尺度的高斯函数G(x,y,δ)的卷积,其中δ是连续尺度参数;
b.对δ进行采样,并与原图像进行卷积运算和降采样可以得到一系列大小不一的图像,这些图像由下到上,由大到小构成塔状模型,即形成高斯金字塔;
c.将所述高斯金字塔中的图像与尺度归一化的高斯拉普拉斯函数卷积运算,选用高斯差分算子进行计算后得到高斯差分金字塔;
所述关键点定位是在建立高斯差分金字塔后在差分金字塔中寻找极值点,这些极值点就是可以代替人工标志点的特征点;所述关键点定位具体是将DOG空间中每一尺度的图像中的某像素点与它周围的8个点以及上下相邻的两个尺度图像对应位置的18个像素点进行比较,确定被检测的像素点是否是最大值或最小值;
所述关键点描术与匹配包括如下步骤:
a.确定描述关键点的图像邻域大小,设极值点所在的高斯模糊后的图像对应的尺度值为δ,将关键点所在的邻域划分为44个区域,每个子区域有8个方向,则总共有128个方向参数,所述每个子区域的边长为3个像素,用双线性插值进行计算,邻域窗口边长可以设为35个像素,实际设置邻域半径为式:
b.旋转坐标轴至关键点主方向;
c.邻域内的采样点归到各自所属的子区域,并计算子区域的梯度值,将其分配到8个方向上并计算权值;
d.用插值法为每个种子点计算八个方向上的梯度;
e.由统计可得4×4×8=128个梯度信息,为关键点描述向量H=(h1、h2……h128),其中
f.为消除相机饱和度变换或非线性关照造成的局部梯度过大,对归一化后的特征向量中分量较大的进行截断处理,所取门限值为0.2,然后重新进行归一化处理;
g.按照特征点所在的尺度排列特征向量;
h.计算目标图像中特征向量与原始图像中的特征向量的欧氏距离,并找到与原始图像中某一个特征向量距离最近和次近的两个目标图像特征向量,判定点对是否正确。
进一步的,所述高斯金字塔的层数由原始图像和塔顶图像的大小共同决定,其计算公式为式n=log2{min(M,N)}-t,t∈[0,log2{min(M,N)})
式中M、N——初始图像的行数和列数;t——塔顶图像行列中较小值所对应的对数;n——金字塔层数;
所述高斯差分算子为D(x,y,δ)=(G(x,y,kδ)-G(x,y,δ))*I(x,y)=L(x,y,kδ)-L(x,y,δ)
进一步的,所述旋转坐标轴至关键点主方向的旋转方程为:
本发明与现有技术相比的有益效果:这种技术使物体的三维形貌信息以计算机便于接收、存储和处理的数字信号的方式呈现出来。同时其测量效率和精度都比传统的三坐标测量仪高很多。算法对现有点云算法进行了简化,取消了标志点,适用于普通三维扫描难以处理的物体,且减少了计算量和计算时间。
附图说明
图1是一种基于SIFT尺度空间特征信息提取方法流程图;
图2为金字塔构建流程图;
图3为关键点描术与匹配流程图。
具体实施方式
为了加深本发明的理解,下面我们将结合附图对本发明作进一步详述,该实施例仅用于解释本发明,并不构成对本发明保护范围的限定。
如图1-图3示出了本发明一种基于SIFT尺度空间特征信息提取方法的实施方式,包括构建高斯金字塔和高斯差分金字塔S1、关键点定位S2S2和关键点描术与匹配S3;
构建高斯金字塔和高斯差分金字塔S1包括如下步骤:
a.定义图像尺度空间S101,具体位置定义一幅图像的尺度空间L(x,y,δ)为原图像I(x,y)与一个2维的可变尺度的高斯函数G(x,y,δ)的卷积,其中δ是连续尺度参数;
b.构建高斯金字塔S202,对δ进行采样,并与原图像进行卷积运算和降采样可以得到一系列大小不一的图像,这些图像由下到上,由大到小构成塔状模型,即形成高斯金字塔;
c.构建高斯差分金字塔S203,将高斯金字塔中的图像与尺度归一化的高斯拉普拉斯函数卷积运算,选用高斯差分算子进行计算后得到高斯差分金字塔。
关键点定位S2是在建立高斯差分金字塔后在差分金字塔中寻找极值点,这些极值点就是可以代替人工标志点的特征点;关键点定位S2具体是将DOG空间中每一尺度的图像中的某像素点与它周围的8个点以及上下相邻的两个尺度图像对应位置的18个像素点进行比较,确定被检测的像素点是否是最大值或最小值;
关键点描术与匹配S4包括如下步骤:
a.确定描述关键点的图像邻域大小S301,设极值点所在的高斯模糊后的图像对应的尺度值为δ,将关键点所在的邻域划分为44个区域,每个子区域有8个方向,则总共有128个方向参数,每个子区域的边长为3个像素,用双线性插值进行计算,邻域窗口边长可以设为35个像素,实际设置邻域半径为式:
b.旋转坐标轴S302,为确保旋转不变性,需要旋转坐标轴至关键点主方向;
c.邻域内的采样点归到各自所属的子区域,并计算子区域的梯度值,将其分配到8个方向上并计算权值S303;
d.梯度计算S304,用插值法为每个种子点计算八个方向上的梯度;
e.关键点描述向量S305,由统计可得4×4×8=128个梯度信息,为关键点描述向量H=(h1、h2……h128),其中
f.为消除相机饱和度变换或非线性关照造成的局部梯度过大,对归一化后的特征向量中分量较大的进行截断处理,所取门限值为0.2,然后重新进行归一化处理S306;
g.按照特征点所在的尺度排列特征向量S307;
h.确定点对S307,通过计算目标图像中特征向量与原始图像中的特征向量的欧氏距离,并找到与原始图像中某一个特征向量距离最近和次近的两个目标图像特征向量,判定点对是否正确。
其中,高斯金字塔的层数由原始图像和塔顶图像的大小共同决定,其计算公式为式n=log2{min(M,N)}-t,t∈[0,log2{min(M,N)})
式中M、N——初始图像的行数和列数;t——塔顶图像行列中较小值所对应的对数;n——金字塔层数;
高斯差分算子为D(x,y,δ)=(G(x,y,kδ)-G(x,y,δ))*I(x,y)=L(x,y,kδ)-L(x,y,δ)
关键点描术与匹配过程中,旋转坐标轴至关键点主方向的旋转方程为:
本发明具有使物体的三维形貌信息以计算机便于接收、存储和处理的数字信号的方式呈现出来。同时其测量效率和精度都比传统的三坐标测量仪高很多。算法对现有点云算法进行了简化,取消了标志点,适用于普通三维扫描难以处理的物体,且减少了计算量和计算时间。
上述具体实施方式,仅为说明本发明的技术构思和结构特征,目的在于让熟悉此项技术的相关人士能够据以实施,但以上内容并不限制本发明的保护范围,凡是依据本发明的精神实质所作的任何等效变化或修饰,均应落入本发明的保护范围之内。
Claims (3)
1.一种基于SIFT尺度空间特征信息提取方法,其特征在于:包括构建高斯金字塔和高斯差分金字塔、关键点定位和关键点描术与匹配;
所述构建高斯金字塔和高斯差分金字塔包括如下步骤:
a.定义一幅图像的尺度空间L(x,y,δ)为原图像I(x,y)与一个2维的可变尺度的高斯函数G(x,y,δ)的卷积,其中δ是连续尺度参数;
b.对δ进行采样,并与原图像进行卷积运算和降采样可以得到一系列大小不一的图像,这些图像由下到上,由大到小构成塔状模型,即形成高斯金字塔;
c.将所述高斯金字塔中的图像与尺度归一化的高斯拉普拉斯函数卷积运算,选用高斯差分算子进行计算后得到高斯差分金字塔;
所述关键点定位是在建立高斯差分金字塔后在差分金字塔中寻找极值点,这些极值点就是可以代替人工标志点的特征点;所述关键点定位具体是将DOG空间中每一尺度的图像中的某像素点与它周围的8个点以及上下相邻的两个尺度图像对应位置的18个像素点进行比较,确定被检测的像素点是否是最大值或最小值;
所述关键点描术与匹配包括如下步骤:
a.确定描述关键点的图像邻域大小,设极值点所在的高斯模糊后的图像对应的尺度值为δ,将关键点所在的邻域划分为44个区域,每个子区域有8个方向,则总共有128个方向参数,所述每个子区域的边长为3个像素,用双线性插值进行计算,邻域窗口边长可以设为35个像素,实际设置邻域半径为式:
b.旋转坐标轴至关键点主方向;
c.邻域内的采样点归到各自所属的子区域,并计算子区域的梯度值,将其分配到8个方向上并计算权值;
d.用插值法为每个种子点计算八个方向上的梯度;
e.由统计可得4×4×8=128个梯度信息,为关键点描述向量H=(h1、h2……h128),其中
f.为消除相机饱和度变换或非线性关照造成的局部梯度过大,对归一化后的特征向量中分量较大的进行截断处理,所取门限值为0.2,然后重新进行归一化处理;
g.按照特征点所在的尺度排列特征向量;
h.计算目标图像中特征向量与原始图像中的特征向量的欧氏距离,并找到与原始图像中某一个特征向量距离最近和次近的两个目标图像特征向量,判定点对是否正确。
2.根据权利1要求所述的一种基于SIFT尺度空间特征信息提取方法,其特征在于:所述高斯金字塔的层数由原始图像和塔顶图像的大小共同决定,其计算公式为式n=log2{min(M,N)}-t,t∈[0,log2{min(M,N)})
式中M、N——初始图像的行数和列数;t——塔顶图像行列中较小值所对应的对数;n——金字塔层数;
所述高斯差分算子为D(x,y,δ)=(G(x,y,kδ)-G(x,y,δ))*I(x,y)=L(x,y,kδ)-L(x,y,δ)
3.根据权利要求1所述的一种基于SIFT尺度空间特征信息提取方法,其特征在于:所述旋转坐标轴至关键点主方向的旋转方程为:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710930203.4A CN109145929A (zh) | 2017-10-09 | 2017-10-09 | 一种基于sift尺度空间特征信息提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710930203.4A CN109145929A (zh) | 2017-10-09 | 2017-10-09 | 一种基于sift尺度空间特征信息提取方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109145929A true CN109145929A (zh) | 2019-01-04 |
Family
ID=64803384
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710930203.4A Pending CN109145929A (zh) | 2017-10-09 | 2017-10-09 | 一种基于sift尺度空间特征信息提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109145929A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110141208A (zh) * | 2019-04-12 | 2019-08-20 | 上海健康医学院 | 一种动态静态图像相结合的血流成像系统和方法 |
CN110298817A (zh) * | 2019-05-20 | 2019-10-01 | 平安科技(深圳)有限公司 | 基于图像处理的目标物统计方法、装置、设备及存储介质 |
CN111950568A (zh) * | 2020-08-20 | 2020-11-17 | 西南科技大学 | 一种刺绣针法图样特征点提取及匹配方法 |
CN113516599A (zh) * | 2021-05-19 | 2021-10-19 | 中国工商银行股份有限公司 | 图像校正方法、装置和服务器 |
CN113516597A (zh) * | 2021-05-19 | 2021-10-19 | 中国工商银行股份有限公司 | 图像校正方法、装置和服务器 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100080469A1 (en) * | 2008-10-01 | 2010-04-01 | Fuji Xerox Co., Ltd. | Novel descriptor for image corresponding point matching |
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 |
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 |
CN106485690A (zh) * | 2015-08-25 | 2017-03-08 | 南京理工大学 | 基于点特征的点云数据与光学影像的自动配准融合方法 |
CN106650580A (zh) * | 2016-09-23 | 2017-05-10 | 南京理工大学 | 基于图像处理的货架快速清点方法 |
-
2017
- 2017-10-09 CN CN201710930203.4A patent/CN109145929A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100080469A1 (en) * | 2008-10-01 | 2010-04-01 | Fuji Xerox Co., Ltd. | Novel descriptor for image corresponding point matching |
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 |
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 |
CN106485690A (zh) * | 2015-08-25 | 2017-03-08 | 南京理工大学 | 基于点特征的点云数据与光学影像的自动配准融合方法 |
CN106650580A (zh) * | 2016-09-23 | 2017-05-10 | 南京理工大学 | 基于图像处理的货架快速清点方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110141208A (zh) * | 2019-04-12 | 2019-08-20 | 上海健康医学院 | 一种动态静态图像相结合的血流成像系统和方法 |
CN110298817A (zh) * | 2019-05-20 | 2019-10-01 | 平安科技(深圳)有限公司 | 基于图像处理的目标物统计方法、装置、设备及存储介质 |
CN111950568A (zh) * | 2020-08-20 | 2020-11-17 | 西南科技大学 | 一种刺绣针法图样特征点提取及匹配方法 |
CN113516599A (zh) * | 2021-05-19 | 2021-10-19 | 中国工商银行股份有限公司 | 图像校正方法、装置和服务器 |
CN113516597A (zh) * | 2021-05-19 | 2021-10-19 | 中国工商银行股份有限公司 | 图像校正方法、装置和服务器 |
CN113516597B (zh) * | 2021-05-19 | 2024-05-28 | 中国工商银行股份有限公司 | 图像校正方法、装置和服务器 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109145929A (zh) | 一种基于sift尺度空间特征信息提取方法 | |
CN109035320B (zh) | 基于单目视觉的深度提取方法 | |
CN104778688B (zh) | 点云数据的配准方法及装置 | |
CN102376089B (zh) | 一种标靶校正方法及系统 | |
CN104537659B (zh) | 双摄像机的自动标定方法和系统 | |
CN104966270B (zh) | 一种多图像拼接方法 | |
CN105716542B (zh) | 一种基于柔性特征点的三维数据拼接方法 | |
CN107633536A (zh) | 一种基于二维平面模板的相机标定方法及系统 | |
CN107248159A (zh) | 一种基于双目视觉的金属工件缺陷检测方法 | |
CN109211198B (zh) | 一种基于三目视觉的智能目标检测和测量系统和方法 | |
CN108627092A (zh) | 一种包裹体积的测量方法、系统、储存介质及移动终端 | |
CN105243637B (zh) | 一种基于三维激光点云进行全景影像拼接方法 | |
CN108921864A (zh) | 一种光条中心提取方法及装置 | |
CN103902953B (zh) | 一种屏幕检测系统及方法 | |
CN109559349A (zh) | 一种用于标定的方法和装置 | |
CN110672020A (zh) | 一种基于单目视觉的立木高度测量方法 | |
CN109974623B (zh) | 基于线激光和双目视觉的三维信息获取方法和装置 | |
CN109523595A (zh) | 一种建筑工程直线棱角间距视觉测量方法 | |
CN109255818B (zh) | 一种新型标靶及其亚像素级角点的提取方法 | |
CN106596063A (zh) | 一种测量透镜畸变的方法及系统 | |
CN106952262B (zh) | 一种基于立体视觉的船板加工精度分析方法 | |
CN114741768A (zh) | 智能变电站三维建模方法 | |
CN105115443B (zh) | 基于视觉测量技术的水平全视角高精度三维测量方法 | |
CN110120012A (zh) | 基于双目摄像头的同步关键帧提取的视频拼接方法 | |
CN104614372A (zh) | 一种太阳能硅片检测方法 |
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 |