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 PDF

Info

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
Application number
CN201811223290.0A
Other languages
English (en)
Other versions
CN109359658B (zh
Inventor
施文灶
程姗
何代毅
林志斌
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.)
Fujian Normal University
Original Assignee
Fujian Normal University
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 Fujian Normal University filed Critical Fujian Normal University
Priority to CN201811223290.0A priority Critical patent/CN109359658B/zh
Publication of CN109359658A publication Critical patent/CN109359658A/zh
Application granted granted Critical
Publication of CN109359658B publication Critical patent/CN109359658B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

一种图像多投影角自相关特征的提取方法
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。
CN201811223290.0A 2018-10-19 2018-10-19 一种图像多投影角自相关特征的提取方法 Active CN109359658B (zh)

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)

* Cited by examiner, † Cited by third party
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

Patent Citations (2)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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