CN109447091A - 一种具有精准坐标的图像特征点提取方法 - Google Patents

Abstract

本发明涉及一种具有精准坐标的图像特征点提取方法。包括如下步骤：步骤1，输入灰度图像；步骤2，边缘检测；步骤3，合并边缘；步骤4，边缘长度筛选；步骤5，边缘参数化处理；步骤6，构造尺度空间；步骤7，计算绝对曲率；步骤8，搜索局部极值点；步骤9，提取特征点；步骤10，定位特征点坐标；步骤11，输出特征点。采用本发明所述的方法，能够检测图像特征点并准确定位坐标，可以应用于数字图像配准等领域。

Description

一种具有精准坐标的图像特征点提取方法

技术领域

本发明涉及一种数字图像处理领域，具体说是一种具有精准坐标的图像特征点提取方法。

背景技术

数字图像处理中，特征点指的是图像灰度值发生剧烈变化的点或者在图像边缘上曲率较大的点(即两个边缘的交点)。图像特征点在基于特征点的图像匹配算法中有着十分重要的作用。图像特征点能够反映图像本质特征，能够标识图像中目标物体。通过特征点的匹配能够完成图像的匹配。目前常用的图像特征点提取算法有SIFT算法和SURF算法等，用高维特征向量描述特征点，然而，现有特征点提取方法仍存在以下两个问题：

(1)计算复杂度较大，难以达到实时处理；

(2)特征点坐标定位不准确，导致在配准等应用中产生较大的误差。

发明内容

本发明提供了一种具有精准坐标的图像特征点提取方法，运用参数化归一处理，并结合尺度空间，采用在大尺度上提取特征点，小尺度上准确定位坐标的流程，计算量小，特征点坐标准确可靠。

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：输入高为h，宽为w的灰度图像I；

步骤2：对图像I进行边缘检测，得到边缘集合S_E；

步骤3：遍历边缘集合S_E中的所有边缘曲线，进行合并处理，得到合并边缘集合S_ME，具体方法为：选取边缘集合S_E中两条边缘曲线C_i和C_j，其中1≤i≤N_SE，1≤j≤N_SE，i≠j，N_SE为边缘集合S_E中边缘曲线的数量，当min(d_i1j1,d_i1j2,d_i2j1,d_i2j2)小于阈值T_gap时，则将两条边缘曲线C_i和C_j合并为一条曲线，记为边缘曲线C_ij，用曲线C_ij替换边缘曲线C_i和C_j，其中min()为求最小值函数，d_i1j1为边缘曲线C_i的端点i1到边缘曲线C_j的端点j1之间的距离，d_i1j2为边缘曲线C_i的端点i1到边缘曲线C_j的端点j2之间的距离，d_i2j1为边缘曲线C_i的端点i2到边缘曲线C_j的端点j1之间的距离，d_i2j2为边缘曲线C_i的端点i2到边缘曲线C_j的端点j2之间的距离；

步骤4：遍历合并边缘集合S_ME中的所有边缘曲线，当边缘曲线的长度大于阈值T_length时，则保留，否则删除，得到长边缘集合S_LE；

所述的阈值T_length＝(h+w)/β，β为长度调整因子，取值越小，保留的边缘曲线的长度越大；

步骤5：对长边缘集合S_LE中的所有边缘曲线C_P1P2分别进行参数化处理，得到参数化长边缘集合S_PLE，对边缘曲线C_P1P2的参数化处理方法为：

式(1)中，PC_P1P2为边缘曲线C_P1P2的参数化处理结果，P1和P2分别为边缘曲线C_P1P2的两个端点，x(p)和y(p)分别为边缘曲线C_P1P2上的点p的横坐标和纵坐标，x(p)′和x(p)″分别为x(p)的一阶导数和二阶导数，y(p)′和y(p)″分别为y(p)的一阶导数和二阶导数；

步骤6：基于步骤5中的参数化长边缘集合S_PLE，构造包含S_PLEσ1，S_PLEσ2和S_PLEσ3三个尺度分层的尺度空间ScaleSP＝{S_PLEσ1,S_PLEσ2,S_PLEσ3}，具体方法为：

式(2)中，为卷积运算符，G()为高斯卷积核，σ₁，σ₂和σ₃为尺度空间因子，且σ₁>σ₂>σ₃>1；

步骤7：分别计算尺度分层S_PLEσ1，S_PLEσ2和S_PLEσ3中的所有参数化长边缘上所有点的绝对曲率，得到曲率集合S_Cσ1，S_Cσ2和S_Cσ3；

步骤8：搜索曲率集合S_Cσ1中的局部极值点，得到局部极值点集合S_Extr；

步骤9：为了从局部极值点集合S_Extr中剔除因噪声导致的高曲率点或圆弧突出点，遍历局部极值点集合S_Extr中的所有局部极大值点P_lmaxi，并与其相邻的两个局部极小值点P_lmini-1和P_lmini+1进行比较，当局部极大值点P_lmaxi的取值小于局部极小值点P_lmini-1的取值或局部极大值点P_lmaxi的取值小于局部极小值点P_lmini+1的取值时，从局部极值点集合S_Extr中删除局部极大值点P_lmaxi，得到特征点集合S_Corn；

步骤10：由于步骤8中的局部极值点集合S_Extr是在大尺度分层S_PLEσ1上计算的，因此导致步骤9中得到的特征点集合S_Corn中的特征点位置不准确，为了提高特征点位置的准确性，往小尺度方向对特征点集合S_Corn中的特征点位置进行精确定位，具体精确定位方法为：P_kσ1为特征点集合S_Corn中的一个特征点，搜索尺度分层S_PLEσ2上以P_kσ1为中点的连续N1个点，N1为奇数，保留N1个点中具有最大绝对曲率的点，记为P_kσ2，继续搜索尺度分层S_PLEσ3上以P_kσ2为中点的连续N2个点，N2为奇数，保留N2个点中具有最大绝对曲率的点，记为P_kσ3，最后搜索参数化长边缘集合S_PLE上以P_kσ3为中点的连续N3个点，N3为奇数，保留N3个点中具有最大绝对曲率的点，记为P_final，用P_final替换P_kσ1，更新特征点集合S_Corn；

迭代运行上述精确定位方法，直到遍历特征点集合S_Corn中的所有特征点，得到具有精确位置坐标的特征点集合S_{Corn_AP}；

为了防止准确特征点的漏检，需要在大尺度上扩大搜索范围，为了保证算法的运行效率，需要在小尺度上缩小搜索范围，所述的N1，N2和N3的关系为N1>N2>N3；

步骤11：将特征点集合S_{Corn_AP}的特征点输出并显示在灰度图像I中。

所述的步骤2中的边缘检测方法采用双阈值的Canny边缘检测法。

所述的步骤3中的将两条边缘曲线C_i和C_j合并为一条曲线的方法为用直线连接两个距离最小的端点。

本发明的有益效果是：能够检测图像特征点并准确定位坐标，可以应用于数字图像配准等领域。

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是输入灰度图像步骤，102是边缘检测步骤，103是边缘曲线合并处理步骤，104是边缘曲线长度筛选步骤，105是边缘曲线参数化处理步骤，106是构造尺度空间步骤，107是计算绝对曲率步骤，108是搜索局部极值点步骤，109是提取特征点步骤，110是精确定位特征点坐标步骤，111是输出特征点步骤。

下面结合附图详细描述本发明的具体实施方式。

在步骤101，输入高h＝800，宽w＝600的灰度图像I。

在步骤102，采用双阈值的Canny边缘检测法对图像I进行边缘检测，得到边缘集合S_E，其中双阈值分别取0.2和0.7。

在步骤103，遍历边缘集合S_E中的所有边缘曲线，进行合并处理，得到合并边缘集合S_ME，具体方法为：选取边缘集合S_E中两条边缘曲线C_i和C_j，其中1≤i≤N_SE，1≤j≤N_SE，i≠j，N_SE为边缘集合S_E中边缘曲线的数量，当min(d_i1j1,d_i1j2,d_i2j1,d_i2j2)小于阈值T_gap时，则将两条边缘曲线C_i和C_j合并为一条曲线，记为边缘曲线C_ij，用曲线C_ij替换边缘曲线C_i和C_j，其中min()为求最小值函数，d_i1j1为边缘曲线C_i的端点i1到边缘曲线C_j的端点j1之间的距离，d_i1j2为边缘曲线C_i的端点i1到边缘曲线C_j的端点j2之间的距离，d_i2j1为边缘曲线C_i的端点i2到边缘曲线C_j的端点j1之间的距离，d_i2j2为边缘曲线C_i的端点i2到边缘曲线C_j的端点j2之间的距离。

所述的将两条边缘曲线C_i和C_j合并为一条曲线的方法为用直线连接两个距离最小的端点。

在步骤104，遍历合并边缘集合S_ME中的所有边缘曲线，当边缘曲线的长度大于阈值T_length时，则保留，否则删除，得到长边缘集合S_LE；

所述的阈值T_length＝(h+w)/β，β为长度调整因子，取值越小，保留的边缘曲线的长度越大；

设置β＝14，即T_length＝(800+600)/β＝100。

在步骤105，对长边缘集合S_LE中的所有边缘曲线分别进行参数化处理，得到参数化长边缘集合S_PLE，对边缘曲线C_P1P2的参数化处理方法为：

式(3)中，PC_P1P2为边缘曲线C_P1P2的参数化处理结果，P1和P2分别为边缘曲线C_P1P2的两个端点，x(p)和y(p)分别为边缘曲线C_P1P2上的点p的横坐标和纵坐标，x(p)′和x(p)″分别为x(p)的一阶导数和二阶导数，y(p)′和y(p)″分别为y(p)的一阶导数和二阶导数。

在步骤106，基于步骤105中的参数化长边缘集合S_PLE，构造包含S_PLEσ1，S_PLEσ2和S_PLEσ3三个尺度分层的尺度空间ScaleSP＝{S_PLEσ1,S_PLEσ2,S_PLEσ3}，具体方法为：

式(4)中，为卷积运算符，G()为高斯卷积核，σ₁，σ₂和σ₃为尺度空间因子，且σ₁>σ₂>σ₃>1。

设置σ₁＝7，σ₂＝5和σ₃＝3。

在步骤107，分别计算尺度分层S_PLEσ1，S_PLEσ2和S_PLEσ3中的所有参数化长边缘上所有点的绝对曲率，得到曲率集合S_Cσ1，S_Cσ2和S_Cσ3。

在步骤108，搜索曲率集合S_Cσ1中的局部极值点，得到局部极值点集合S_Extr。

在步骤109，为了从局部极值点集合S_Extr中剔除因噪声导致的高曲率点或圆弧突出点，遍历局部极值点集合S_Extr中的所有局部极大值点P_lmaxi，并与其相邻的两个局部极小值点P_lmini-1和P_lmini+1进行比较，当局部极大值点P_lmaxi的取值小于局部极小值点P_lmini-1的取值或局部极大值点P_lmaxi的取值小于局部极小值点P_lmini+1的取值时，从局部极值点集合S_Extr中删除局部极大值点P_lmaxi，得到特征点集合S_Corn。

在步骤110，由于步骤108中的局部极值点集合S_Extr是在大尺度分层S_PLEσ1上计算的，因此导致步骤109中得到的特征点集合S_Corn中的特征点位置不准确，为了提高特征点位置的准确性，往小尺度方向对特征点集合S_Corn中的特征点位置进行精确定位，具体精确定位方法为：P_kσ1为特征点集合S_Corn中的一个特征点，搜索尺度分层S_PLEσ2上以P_kσ1为中点的连续N1个点，N1为奇数，保留N1个点中具有最大绝对曲率的点，记为P_kσ2，继续搜索尺度分层S_PLEσ3上以P_kσ2为中点的连续N2个点，N2为奇数，保留N2个点中具有最大绝对曲率的点，记为P_kσ3，最后搜索参数化长边缘集合S_PLE上以P_kσ3为中点的连续N3个点，N3为奇数，保留N3个点中具有最大绝对曲率的点，记为P_final，用P_final替换P_kσ1，更新特征点集合S_Corn；

迭代运行上述精确定位方法，直到遍历特征点集合S_Corn中的所有特征点，得到具有精确位置坐标的特征点集合S_{Corn_AP}；

为了防止准确特征点的漏检，需要在大尺度上扩大搜索范围，为了保证算法的运行效率，需要在小尺度上缩小搜索范围，所述的N1，N2和N3的关系为N1>N2>N3。

设置N1＝9，N2＝7和N3＝3。

在步骤111，将特征点集合S_{Corn_AP}的特征点输出并显示在灰度图像I中。

Claims (8)

1.一种具有精准坐标的图像特征点提取方法，其特征在于包括以下步骤：

步骤1：输入高为h，宽为w的灰度图像I；

步骤2：对图像I进行边缘检测，得到边缘集合S_E；

步骤3：遍历边缘集合S_E中的所有边缘曲线，进行合并处理，得到合并边缘集合S_ME，；

步骤4：遍历合并边缘集合S_ME中的所有边缘曲线，当边缘曲线的长度大于阈值T_length时，则保留，否则删除，得到长边缘集合S_LE；

步骤5：对长边缘集合S_LE中的所有边缘曲线C_P1P2分别进行参数化处理，得到参数化长边缘集合S_PLE；

步骤6：基于步骤5中的参数化长边缘集合S_PLE，构造包含S_PLEσ1，S_PLEσ2和S_PLEσ3三个尺度分层的尺度空间ScaleSP＝{S_PLEσ1,S_PLEσ2,S_PLEσ3}，具体方法为：

式(2)中，为卷积运算符，G()为高斯卷积核，σ₁，σ₂和σ₃为尺度空间因子，且σ₁>σ₂>σ₃>1；

步骤7：分别计算尺度分层S_PLEσ1，S_PLEσ2和S_PLEσ3中的所有参数化长边缘上所有点的绝对曲率，得到曲率集合S_Cσ1，S_Cσ2和S_Cσ3；

步骤8：搜索曲率集合S_Cσ1中的局部极值点，得到局部极值点集合S_Extr；

步骤9：遍历局部极值点集合S_Extr中的所有局部极大值点P_lmaxi，并与其相邻的两个局部极小值点P_lmini-1和P_lmini+1进行比较，得到特征点集合S_Corn；

步骤10：往小尺度方向对特征点集合S_Corn中的特征点位置进行精确定位，，更新特征点集合S_Corn；

步骤11：将特征点集合S_{Corn_AP}的特征点输出并显示在灰度图像I中。

2.根据权利要求1所述的一种具有精准坐标的图像特征点提取方法，其特征在于步骤2中所述的边缘检测方法，是采用双阈值的Canny边缘检测法，具体方法为：选取边缘集合S_E中两条边缘曲线C_i和C_j，其中1≤i≤N_SE，1≤j≤N_SE，i≠j，N_SE为边缘集合S_E中边缘曲线的数量，当min(d_i1j1,d_i1j2,d_i2j1,d_i2j2)小于阈值T_gap时，则将两条边缘曲线C_i和C_j合并为一条曲线，记为边缘曲线C_ij，用曲线C_ij替换边缘曲线C_i和C_j，其中min()为求最小值函数，d_i1j1为边缘曲线C_i的端点i1到边缘曲线C_j的端点j1之间的距离，d_i1j2为边缘曲线C_i的端点i1到边缘曲线C_j的端点j2之间的距离，d_i2j1为边缘曲线C_i的端点i2到边缘曲线C_j的端点j1之间的距离，d_i2j2为边缘曲线C_i的端点i2 到边缘曲线C_j的端点j2之间的距离。

3.根据权利要求1所述的一种具有精准坐标的图像特征点提取方法，其特征在于步骤3中所述的合并处理，是将两条边缘曲线C_i和C_j合并为一条曲线的方法为用直线连接两个距离最小的端点。

4.根据权利要求1所述的一种具有精准坐标的图像特征点提取方法，其特征在于步骤4中所述的阈值T_length＝(h+w)/β，β为长度调整因子，取值越小，保留的边缘曲线的长度越大；

5.根据权利要求1所述的一种具有精准坐标的图像特征点提取方法，其特征在于步骤5中所述的参数化处理，其方法为：

式(1)中，PC_P1P2为边缘曲线C_P1P2的参数化处理结果，P1和P2分别为边缘曲线C_P1P2的两个端点，x(p)和y(p)分别为边缘曲线C_P1P2上的点p的横坐标和纵坐标，x(p)′和x(p)″分别为x(p)的一阶导数和二阶导数，y(p)′和y(p)″分别为y(p)的一阶导数和二阶导数。

6.根据权利要求1所述的一种具有精准坐标的图像特征点提取方法，其特征在于步骤6中所述的尺度空间ScaleSP＝{S_PLEσ1,S_PLEσ2,S_PLEσ3}，具体方法为：

式(2)中，为卷积运算符，G()为高斯卷积核，σ₁，σ₂和σ₃为尺度空间因子，且σ₁>σ₂>σ₃>1；步骤7：分别计算尺度分层S_PLEσ1，S_PLEσ2和S_PLEσ3中的所有参数化长边缘上所有点的绝对曲率，得到曲率集合S_Cσ1，S_Cσ2和S_Cσ3。

7.根据权利要求1所述的一种具有精准坐标的图像特征点提取方法，其特征在于步骤9中所述的比较，具体过程为：当局部极大值点P_lmaxi的取值小于局部极小值点P_lmini-1的取值或局部极大值点P_lmaxi的取值小于局部极小值点P_lmini+1的取值时，从局部极值点集合S_Extr中删除局部极大值点P_lmaxi，得到特征点集合S_Corn。

8.根据权利要求1所述的一种具有精准坐标的图像特征点提取方法，其特征在于步骤10中所述的精确定位，具体精确定位方法为：P_kσ1为特征点集合S_Corn中的一个特征点，搜索尺度分层S_PLEσ2上以P_kσ1为中点的连续N1个点，N1为奇数，保留N1个点中具有最大绝对曲率的点，记为P_kσ2，继续搜索尺度分层S_PLEσ3上以P_kσ2为中点的连续N2个点，N2为奇数，保留N2个点中具有最大绝对曲率的点，记为P_kσ3，最后搜索参数化长边缘集合S_PLE上以P_kσ3为中点的连续N3个点，N3为奇数，保留N3个点中具有最大绝对曲率的点，记为P_final，用P_final替换P_kσ1，更新特征点集合S_Corn。

迭代运行上述精确定位方法，直到遍历特征点集合S_Corn中的所有特征点，得到具有精确位置坐标的特征点集合S_{Corn_AP}；

所述的N1，N2和N3的关系为N1>N2>N3。