CN109359658A - 一种图像多投影角自相关特征的提取方法 - Google Patents
一种图像多投影角自相关特征的提取方法 Download PDFInfo
- Publication number
- CN109359658A CN109359658A CN201811223290.0A CN201811223290A CN109359658A CN 109359658 A CN109359658 A CN 109359658A CN 201811223290 A CN201811223290 A CN 201811223290A CN 109359658 A CN109359658 A CN 109359658A
- Authority
- CN
- China
- Prior art keywords
- projected angle
- support region
- image
- fsp
- projected
- 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
- 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
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
本发明涉及一种图像多投影角自相关特征的提取方法。包括如下步骤:步骤1,输入图像,初始化支持域;步骤2,定义投影角采样集合;步骤3,对输入图像进行水平滤波和垂直滤波;步骤4,计算错切投影;步骤5,计算错切投影因子集合;步骤6,计算投影自相关集合;步骤7,输出多投影角自相关特征向量。能够提取数字图像的显著全局特征,可以应用于图像分类等领域。
Description
技术领域
本发明涉及一种数字图像处理领域,具体说是一种图像多投影角自相关特征的提取方法。
背景技术
特征是某一类对象区别于其他对象的相应(本质)特点或特性,或是这些特点和特性的集合。特征是通过测量或处理能够抽取的数据。对于数字图像而言,每一幅图像都具有能够区别于其他类图像的自身特征,有些是可以直观地感受到的自然特征,如亮度、边缘、纹理和色彩等;有些则是需要通过变换或处理才能得到的,如矩、直方图以及主成份等。在数字图像处理和分析领域,先后出现了颜色特征、纹理特征、形状特征和空间关系特征等,极大地发展了图像分类,目标提取和模式识别等应用。但现有特征提取方法仍存在以下两个问题:
(1)特征提取算法复杂度较大;
(2)特征显著性有待提高。
发明内容
本发明提供了一种图像多投影角自相关特征的提取方法,联合多个投影角,运用错切投影,采用自相关的方法,去除冗余,提取图像的全局特征,计算量小,特征显著。
为实现本发明的目标所采用的技术方案是:方法包括以下步骤:
步骤1:输入图像I,初始化尺寸为L×L的正方形支持域Ds,其中正方形支持域Ds为滑动窗口,按从上到下,从左到右的顺序遍历图像I;
步骤2:定义投影角采样集合Spsa={α∈(-π/2,π/2]:tanα=y/x},其中,x和y为支持域Ds中的像素点的横坐标和纵坐标;
步骤3:构造一维滤波器filter=[4,-35,158,-692,0,692,-158,35,-4]/850,分别利用公式Ix=I*filter和Iy=I*filterT对图像I进行水平滤波和垂直滤波,其中符号*表示卷积运算符,符号T表示转置;
步骤4:初始化错切投影因子集合SFsp为空集,基于支持域Ds,对于投影角采样集合Spsa中的投影角α,当α∈[-π/4,π/4]时,错切投影Hs=x+ytanα,否则,错切投影Hs=y+x/tanα,其中,其中x和y为支持域Ds中的像素点的横坐标和纵坐标;
步骤5:对于支持域Ds中的像素点(x,y),计算错切投影因子Fsp=(Ix)x,ycosα+(Iy)x,ysinα+Hs,其中,(Ix)x,y表示图像I的水平滤波结果Ix中坐标为(x,y)的取值,(Iy)x,y表示图像I的垂直滤波结果Iy中坐标为(x,y)的取值,SFsp={SFsp,Fsp};
步骤6:遍历支持域Ds中的所有像素点,迭代运行步骤5;
步骤7:利用尺寸为L×L的正方形支持域Ds和错切投影因子集合SFsp,用公式(1)计算投影自相关AR(α):
步骤8:遍历投影角采样集合Spsa中的所有投影角,迭代运行步骤4~步骤7,得到投影自相关集合SAR,即多投影角自相关特征向量。
所述的步骤1中的滑动窗口的尺寸L可根据所需多投影角自相关特征向量的维度及算法的计算量设定,L取值越大,多投影角自相关特征向量的维度越高,越能体现多投影角自相关特征向量的显著性,但算法的计算量越高。
本发明的有益效果是:能够提取数字图像的显著全局特征,可以应用于图像分类等领域。
附图说明
图1是本发明的总体处理流程图。
具体实施方式
图1中,101是输入图像,初始化支持域步骤,102是定义投影角采样集合步骤,103是对输入图像进行水平滤波和垂直滤波步骤,104是计算错切投影步骤,105是计算错切投影因子集合步骤,106是计算投影自相关集合步骤,107是输出多投影角自相关特征向量步骤。
下面结合附图详细描述本发明的具体实施方式。
在步骤101,输入图像I,初始化尺寸为L×L的正方形支持域Ds,其中正方形支持域Ds为滑动窗口,按从上到下,从左到右的顺序遍历图像I。滑动窗口的尺寸L可根据所需多投影角自相关特征向量的维度及算法的计算量设定,L取值越大,多投影角自相关特征向量的维度越高,越能体现多投影角自相关特征向量的显著性,但算法的计算量越高。本发明将L设置为5。
在步骤102,定义投影角采样集合Spsa={α∈(-π/2,π/2]:tanα=y/x},其中,x和y为支持域Ds中的像素点的横坐标和纵坐标。
在步骤103,构造一维滤波器filter=[4,-35,158,-692,0,692,-158,35,-4]/850,分别利用公式Ix=I*filter和Iy=I*filterT对图像I进行水平滤波和垂直滤波,其中符号*表示卷积运算符,符号T表示转置。
在步骤104,初始化错切投影因子集合SFsp为空集,基于支持域Ds,对于投影角采样集合Spsa中的投影角α,当α∈[-π/4,π/4]时,错切投影Hs=x+ytanα,否则,错切投影Hs=y+x/tanα,其中,其中x和y为支持域Ds中的像素点的横坐标和纵坐标;
在步骤105,对于支持域Ds中的像素点(x,y),计算错切投影因子Fsp=(Ix)x,ycosα+(Iy)x,ysinα+Hs,其中,(Ix)x,y表示图像I的水平滤波结果Ix中坐标为(x,y)的取值,(Iy)x,y表示图像I的垂直滤波结果Iy中坐标为(x,y)的取值,SFsp={SFsp,Fsp},遍历支持域Ds中的所有像素点。
在步骤106,利用尺寸为L×L的正方形支持域Ds和错切投影因子集合SFsp,用公式(2)计算投影自相关AR(α):
在步骤107,遍历投影角采样集合Spsa中的所有投影角,迭代运行步骤104~步骤106,得到投影自相关集合SAR,即多投影角自相关特征向量。
Claims (2)
1.一种图像多投影角自相关特征的提取方法,其特征在于包括以下步骤:
步骤1:输入图像I,初始化尺寸为L×L的正方形支持域Ds,其中正方形支持域Ds为滑动窗口,按从上到下,从左到右的顺序遍历图像I;
步骤2:定义投影角采样集合Spsa={α∈(-π/2,π/2]:tanα=y/x},其中,x和y为支持域Ds中的像素点的横坐标和纵坐标;
步骤3:构造一维滤波器filter=[4,-35,158,-692,0,692,-158,35,-4]/850,分别利用公式Ix=I*filter和Iy=I*filterT对图像I进行水平滤波和垂直滤波,其中符号*表示卷积运算符,符号T表示转置;
步骤4:初始化错切投影因子集合SFsp为空集,基于支持域Ds,对于投影角采样集合Spsa中的投影角α,当α∈[-π/4,π/4]时,错切投影Hs=x+ytanα,否则,错切投影Hs=y+x/tanα,其中,其中x和y为支持域Ds中的像素点的横坐标和纵坐标;
步骤5:对于支持域Ds中的像素点(x,y),计算错切投影因子Fsp=(Ix)x,ycosα+(Iy)x, ysinα+Hs,其中,(Ix)x,y表示图像I的水平滤波结果Ix中坐标为(x,y)的取值,(Iy)x,y表示图像I的垂直滤波结果Iy中坐标为(x,y)的取值,SFsp={SFsp,Fsp};
步骤6:遍历支持域Ds中的所有像素点,迭代运行步骤5;
步骤7:利用尺寸为L×L的正方形支持域Ds和错切投影因子集合SFsp,用公式(1)计算投影自相关AR(α):
步骤8:遍历投影角采样集合Spsa中的所有投影角,迭代运行步骤4~步骤7,得到投影自相关集合SAR,即多投影角自相关特征向量。
2.根据权利要求1所述的一种图像多投影角自相关特征的提取方法,其特征在于步骤1中的滑动窗口的尺寸L可根据所需多投影角自相关特征向量的维度及算法的计算量设定,L取值越大,多投影角自相关特征向量的维度越高,越能体现多投影角自相关特征向量的显著性,但算法的计算量越高。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811223290.0A CN109359658B (zh) | 2018-10-19 | 2018-10-19 | 一种图像多投影角自相关特征的提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811223290.0A CN109359658B (zh) | 2018-10-19 | 2018-10-19 | 一种图像多投影角自相关特征的提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109359658A true CN109359658A (zh) | 2019-02-19 |
CN109359658B CN109359658B (zh) | 2021-06-01 |
Family
ID=65345948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811223290.0A Active CN109359658B (zh) | 2018-10-19 | 2018-10-19 | 一种图像多投影角自相关特征的提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109359658B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102693542A (zh) * | 2012-05-18 | 2012-09-26 | 中国人民解放军信息工程大学 | 一种影像特征匹配方法 |
CN106295691A (zh) * | 2016-08-04 | 2017-01-04 | 江南大学 | 单分类svm的特征选择和参数同步优化方法 |
-
2018
- 2018-10-19 CN CN201811223290.0A patent/CN109359658B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102693542A (zh) * | 2012-05-18 | 2012-09-26 | 中国人民解放军信息工程大学 | 一种影像特征匹配方法 |
CN106295691A (zh) * | 2016-08-04 | 2017-01-04 | 江南大学 | 单分类svm的特征选择和参数同步优化方法 |
Non-Patent Citations (7)
Title |
---|
DONG XINXIN等: "Perspective Object Tracking Based on Image Feature Extraction", 《ICSP2010 PROCEEDINGS》 * |
PEIYING LIANG等: "Two-dimensional wave-front reconstruction from lateral shearing interferograms", 《OPTICS EXPRESS》 * |
余婷等: "基于最小字符投影的车牌图像错切校正方法", 《计算机工程与设计》 * |
侯书东: "基于相关投影分析的特征提取研究及在图像识别中的应用", 《万方数据知识服务平台》 * |
廖晓姣: "车牌识别系统关键技术研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
李大伟: "三维地震数据可视化方法的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
王丹: "三维心脏MRI辅助诊断系统关键技术的研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109359658B (zh) | 2021-06-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Shadow remover: Image shadow removal based on illumination recovering optimization | |
Culjak et al. | A brief introduction to OpenCV | |
Bronstein et al. | Sparse ICA for blind separation of transmitted and reflected images | |
US8817071B2 (en) | Context constrained novel view interpolation | |
Roa'a et al. | Generation of high dynamic range for enhancing the panorama environment | |
Richardson et al. | Learning convolutional filters for interest point detection | |
Mountney et al. | A probabilistic framework for tracking deformable soft tissue in minimally invasive surgery | |
CN106980843B (zh) | 目标跟踪的方法及装置 | |
CN106952312B (zh) | 一种基于线特征描述的无标识增强现实注册方法 | |
WO2018133119A1 (zh) | 基于深度相机进行室内完整场景三维重建的方法及系统 | |
Tošić et al. | 3D keypoint detection by light field scale-depth space analysis | |
CN108596176B (zh) | 一种对提取的硅藻区域进行硅藻类型识别方法及装置 | |
CN112489088A (zh) | 一种基于记忆单元的孪生网络视觉跟踪方法 | |
Donoser et al. | Robust planar target tracking and pose estimation from a single concavity | |
Sarvaiya et al. | Automatic image registration using mexican hat wavelet, invariant moment, and radon transform | |
CN109359658A (zh) | 一种图像多投影角自相关特征的提取方法 | |
CN110070626B (zh) | 一种基于多视角分类的三维物体检索方法 | |
CN116402867A (zh) | 融合sift和ransac的三维重建图像对齐的方法 | |
Dixit et al. | Adaptive clustering-based approach for forgery detection in images containing similar appearing but authentic objects | |
Kim et al. | Multi-view object extraction with fractional boundaries | |
Avazov et al. | Automatic moving shadow detection and removal method for smart city environments | |
Kefalea | Object localization and recognition for a grasping robot | |
CN114187198A (zh) | 一种基于模糊矩阵的图像去条纹方法 | |
Li et al. | Super-resolution imaging with occlusion removal using a camera array | |
Lee et al. | Superpixel group-correlation network for co-saliency detection |
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 |