CN109766924B - 基于图像信息熵与自适应阈值daisy特征点的图像检测方法 - Google Patents

基于图像信息熵与自适应阈值daisy特征点的图像检测方法 Download PDF

Info

Publication number
CN109766924B
CN109766924B CN201811561702.1A CN201811561702A CN109766924B CN 109766924 B CN109766924 B CN 109766924B CN 201811561702 A CN201811561702 A CN 201811561702A CN 109766924 B CN109766924 B CN 109766924B
Authority
CN
China
Prior art keywords
image
threshold
feature
information entropy
image information
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.)
Active
Application number
CN201811561702.1A
Other languages
English (en)
Other versions
CN109766924A (zh
Inventor
张小国
刘启汉
王小虎
王慧青
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.)
Southeast University
Original Assignee
Southeast 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 Southeast University filed Critical Southeast University
Priority to CN201811561702.1A priority Critical patent/CN109766924B/zh
Publication of CN109766924A publication Critical patent/CN109766924A/zh
Application granted granted Critical
Publication of CN109766924B publication Critical patent/CN109766924B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像信息熵与自适应阈值DAISY特征点的图像检测方法。由于常见图像检测算法会出现特征点分布不均匀且在局部区域稀少的问题，导致后续重建中点云会出现空洞现象。本发明首先通过统计分析确定了图像信息熵与SIFT特征点密度的约束关系；其次提出了一种基于图像信息熵的自适应阈值SIFT特征检测器，解决了特征点分布不均的问题；然后针对SIFT特征点在非极值特征点处可靠性降低，提出采用改进的DAISY特征点，提高了特征点的可靠性；最后将自适应阈值检测器中的特征点替换为DAISY特征点，并用于图像检测。实验表明本发明提出的方法在保证了特征点较高的可靠性，且改善了特征点分布，达到了预期目标。

Description

基于图像信息熵与自适应阈值DAISY特征点的图像检测方法
技术领域
本发明涉及计算机视觉与三维重建领域的图像处理技术，尤其涉及一种基于图像信息熵与自适应阈值DAISY特征点的图像检测方法。
背景技术
在图像特征点匹配过程中，常规特征点提取算法日益从成熟。在诸多的局部图像特征点中，SIFT(Scale Invariant Feature Transform)是其中应用最广的，它在1999年首次提出，至2004年得到完善。SIFT的提出也是局部图像特征点研究领域一项里程碑式的工作。由于SIFT对尺度、旋转以及一定视角和光照变化等图像变化都具有不变性，并且SIFT具有很强的可区分性，自它提出以来，很快应用在三维重建领域。
与此同时，基于SIFT特征点的图像匹配，会出现特征点整体分布不均匀且在局部区域数量稀少的问题，导致后续稀疏点云重建环节解算出的点云出现空洞现象。
发明内容
本发明所要解决的技术问题是针对背景技术中所涉及到的缺陷，提供一种基于图像信息熵与自适应阈值DAISY特征点的图像检测方法，在保证特征点鲁棒性和可区分性的前提下提高特征点数量和改善特征点分布。
本发明为解决上述技术问题采用以下技术方案：
基于图像信息熵与自适应阈值DAISY特征点的图像检测方法，包括如下步骤：
步骤S1)，对于输入图像，通过统计分析和多项式拟合确定图像信息熵与SIFT特征点密度之间的约束关系；
步骤S2)，基于步骤S1)中的约束关系，计算其与SIFT特征检测器阈值的自适应关系，建立基于图像信息熵的自适应阈值SIFT特征检测器，解决SIFT特征点分布不均的问题；
步骤S3)，利用高斯卷积来进行梯度方向直方图分块汇聚，提取出图像DAISY特征点，并根据相似度对DAISY特征点进行筛选；
步骤S4)，根据步骤S3)中提取得到的图像DAISY特征点，使用该DAISY特征点替换自适应阈值SIFT特征检测器中的SIFT特征点后，采用被替换过后的适应阈值SIFT特征检测器进行图像检测。
作为本发明基于图像信息熵与自适应阈值DAISY特征点的图像检测方法进一步的优化方案，所述步骤S1)中，对图像信息熵与SIFT特征检测器对比度阈值进行统计分析和多项式拟合的具步骤如下：
步骤S1.1)，对输入图像的图像信息熵空间分布图进行如下计算：令输入图像中能以其为中心形成n×n大小的图像块的像素点为非图像边缘点，针对于输入图像中的每一个非图像边缘点，计算以其为中心n×n大小的图像块的图像信息熵、并将其作为该点的信息熵值，将输入图像的信息熵分布状况可视化；
所述图像信息熵的定义如下：
首先，在输入图像中，选择以非图像边缘点为中心的n×n大小的图像块的邻域灰度均值作为灰度分布的空间特征量，与该非图像边缘点的像素灰度组成特征二元组，记为(i,j)，其中i表示该像素的灰度值(0≤i≤255)，j表示邻域灰度均值(0≤j≤255)，即有：
Figure GDA0004043866980000021
其中，Pij表示n×n的图像块的特征二元组在输入图像中出现的概率；f(i,j)为特征二元组(i,j)出现的频数，N为输入图像的尺度，n为预先设定的第一图像块尺度阈值；
其次，在已知n×n的图像块的特征二元组出现概率后，定义该图像块的图像信息熵H为：
Figure GDA0004043866980000022
步骤S1.2)，对输入图像的SIFT特征点进行提取并与本发明提出的图像信息熵进行对比，验证其相关性；
步骤S1.3)，对于输入图像进行图像区域划分，并计算划分后的新图像区域中每一个非图像边缘点像素的图像信息熵与该图像区域SIFT特征点的数据，统计分析图像信息熵与特征点密度之间的约束关系：
步骤S1.3.1)，将图像划分为若干个a*a的图像区域，计算每个图像区域的特征点密度Dense和图像信息熵值Entropy，得到Dense-Entropy的散点图，a为预先设定的第二图像块尺度阈值；
步骤S1.3.2)，将图像信息熵值划分为b个范围，计算落在各个范围内的每个图像区域的特征点密度的均值，得到Dense-Entropy的折线图，该折线图即为图像信息熵与特征点密度的初步约束关系，b为预设的范围个数阈值。
作为本发明基于图像信息熵与自适应阈值DAISY特征点的图像检测方法进一步的优化方案，所述步骤S2)的具体步骤如下：
步骤S2.1)，通过设定图像SIFT特征检测器阈值，并结合步骤S1)方法中图像特征点密度、图像信息熵值实验数据的约束关系，确定图像信息熵与SIFT特征检测器阈值之间的自适应约束关系：
步骤S2.1.1)，建立图像SIFT特征检测器，设定SIFT特征检测器的步进阈值Threhold为Threhold_min，Threhold_min＝0.01，在此基础上进行特征点提取；
步骤S2.1.2)，将图像划分为c*c的若干个图像区域，计算每个图像区域的特征点密度Dense和二维信息熵值Entropy，得到Dense-Entropy的折线图；
步骤S2.1.3)，基于概率统计方法，将图像信息熵值划分为100个范围，每个范围的中值作为新Entropy，计算落在各个范围内的图像区域特征点密度的均值，该均值作为新Dense，得到一组三维数据：Dense-Entropy-Threhold；
步骤S2.1.4)，令Threhold＝Threhold+0.01；
步骤S2.1.5)，重复执行步骤S2.1.1)至步骤S2.1.4)，直至Threhold>0.07，得到若干组Dense-Entropy-Threhold三维数据，建立三维散点图；
通过多项式拟合得到图像信息熵与SIFT特征检测器的阈值之间的自适应约束关系：
Figure GDA0004043866980000031
其中，x表示Entropy，y表示Threhold；
步骤S2.2)，根据图像信息熵与SIFT特征检测器阈值之间的约束关系，构建基于图像信息熵的自适应阈值SIFT特征检测器：
步骤S2.2.1)，将图像划分为c*c的图像区域，计算每个图像区域的图像信息熵；
步骤S2.2.2)，对图像区域构建DOG金字塔；
步骤S2.2.3)，在DOG尺度空间中寻找局部极值点，作为候选特征点；
步骤S2.2.4)，在图像区域中，确定候选特征点的位置；
步骤S2.2.5)，对于图像区域内靠近边缘的特征点，通过2阶Hessian方程计算特征点主曲率，移除主曲率大于预设的主曲率阈值的特征点，对于候选点对应图像信息熵值，根据步骤S2.1)中图像信息熵与SIFT特征检测器的阈值之间的自适应约束关系动态调整SIFT特征检测器阈值。
作为本发明基于图像信息熵与自适应阈值DAISY特征点的图像检测方法进一步的优化方案，所述步骤3)的具体步骤如下：
步骤S3.1)，获得图像区所有非边缘像素点的DAISY特征点：
步骤S3.1.1)，对于输入图像中的非边缘像素点(u,v)，计算DAISY特征点的同心圆环上每一层不同方向的梯度向量与高斯核的卷积值，得到该点梯度向量直方图：
Figure GDA0004043866980000041
其中，
Figure GDA0004043866980000042
表示第L个不同方向上高斯核GΣ与梯度向量GL(u,v)的卷积值；hΣ(u,v)表示L个不同方向的高斯核与梯度向量的卷积值以矩阵形式组成的梯度向量直方图；
步骤S3.1.2)，将梯度向量投影到八个不同的方向，即取L＝8，以八方向的梯度向量直方图为基本量，对于给定的(u,v)点，以(u,v)为中心，由内层到外层，从0°到360°，把所有的梯度直方图按顺序排列，构建DAISY特征点：
Figure GDA0004043866980000046
其中，Q表示DAISY特征点同心圆层数；T表示每一同心圆层划分的方向；lT(u,v,RQ)表示第Q个同心圆环上、第T个划分方向的像素点坐标，RQ表示该像素点坐标相对于给定点(u,v)的位移；
步骤S3.2)对于图像区域内的DAISY特征点进行筛选：
步骤S3.2.1)，选择欧几里德距离，计算DAISY特征向量之间不相似度：
Figure GDA0004043866980000047
其中，d(p,q)表示特征点p和点q之间的不相似度，而h(p)和h(q)分别表示特征点p和q的DAISY直方图归一化生成的单位向量中的第k个矩阵分量；
步骤S3.2.2)，若两个特征点的不相似度大于
Figure GDA0004043866980000048
则同时保留两个特征点；若小于/>
Figure GDA0004043866980000049
则保留归一化前的特征点模长|D(u,v)|更大的点。
作为本发明基于图像信息熵与自适应阈值DAISY特征点的图像检测方法进一步的优化方案，所述步骤4)的具体步骤如下：
步骤S4.1)，采用自适应阈值SIFT特征检测器，将输入图像的特征点替换为筛选过后的DAISY特征点；
步骤S4.2)，采用被替换过后的适应阈值SIFT特征检测器对待检测的图像进行检测。
作为本发明基于图像信息熵与自适应阈值DAISY特征点的图像检测方法进一步的优化方案，所述步骤S1.1)中n＝5。
作为本发明基于图像信息熵与自适应阈值DAISY特征点的图像检测方法进一步的优化方案，，所述步骤S1.3.1)中a＝60，步骤S1.3.2)中b＝10。
作为本发明基于图像信息熵与自适应阈值DAISY特征点的图像检测方法进一步的优化方案，所述步骤S2.1.2)中c＝20，步骤S2.2.5)中预设的主曲率阈值为10。
作为本发明基于图像信息熵与自适应阈值DAISY特征点的图像检测方法进一步的优化方案，所述步骤S3.1.2)中Q＝3，T＝L＝8。
本发明采用以上技术方案与现有技术相比，具有以下技术效果：
和现有技术相比，本发明提出了一种基于图像信息熵与自适应阈值DAISY特征点的图像检测算法，该算法由基于图像信息熵的自适应阈值SIFT特征检测器和DAISY特征点组合而成。首先通过统计分析和多项式拟合确定了图像信息熵与SIFT特征检测器阈值之间的自适应约束关系，提出了一种基于图像信息熵的自适应阈值SIFT特征检测器，解决了SIFT特征点分布不均的问题；然后针对SIFT特征点在非极值特征点处可靠性降低，提出采用在描述非极值点方面更具有一般性的DAISY特征点，提高了特征点的可靠性。实验表明本章提出的基于图像信息熵的自适应阈值DAISY特征点提取算法在保证了特征点较高的可靠性的前提下，提高了特征点数量，改善了特征点分布，达到了预期目标。
附图说明
图1是自适应阈值DAISY特征点提取算法流程图；
图2是局部信息熵与特征点密度示意图；
图3是Dense-Entropy折线图；
图4是Dense-Entropy-Threhold散点图；
图5是Entropy与Threhold的约束关系拟合示意图；
图6是DAISY特征点结构示意图；
图7中的(a)是SIFT Detector特征点检测效果示意图，图7中的(b)是DAISY特征点匹配效果示意图。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明：
如图1所示，本发明公开了一种基于图像信息熵与自适应DAISY特征点的图像检测方法，包含以下步骤：
步骤S1)，对于输入图像，通过统计分析和多项式拟合确定图像信息熵与SIFT特征点密度之间的约束关系，具体步骤如下：
步骤S1.1)，对输入图像的图像信息熵空间分布图进行如下计算：令输入图像中能以其为中心形成n×n大小的图像块的像素点为非图像边缘点，针对于输入图像中的每一个非图像边缘点，计算以其为中心n×n大小的图像块的图像信息熵、并将其作为该点的信息熵值，将输入图像的信息熵分布状况可视化；
所述图像信息熵的定义如下：
首先，在输入图像中，选择以非图像边缘点为中心的n×n大小的图像块的邻域灰度均值作为灰度分布的空间特征量，与该非图像边缘点的像素灰度组成特征二元组，记为(i,j)，其中i表示该像素的灰度值(0≤i≤255)，j表示邻域灰度均值(0≤j≤255)，即有：
Figure GDA0004043866980000061
其中，Pij表示n×n的图像块的特征二元组在输入图像中出现的概率；f(i,j)为特征二元组(i,j)出现的频数，N为输入图像的尺度，n为预先设定的第一图像块尺度阈值；
其次，在已知n×n的图像块的特征二元组出现概率后，定义该图像块的图像信息熵H为：
Figure GDA0004043866980000062
步骤S1.2)，对输入图像的SIFT特征点进行提取并与本发明提出的图像信息熵进行对比，验证其相关性；
步骤S1.3)，如图2所示，对于输入图像进行图像区域划分，并计算划分后的新图像区域中每一个非图像边缘点像素的图像信息熵与该图像区域SIFT特征点的数据，统计分析图像信息熵与特征点密度之间的约束关系：
步骤S1.3.1)，将图像划分为若干个a*a的图像区域，计算每个图像区域的特征点密度Dense和图像信息熵值Entropy，得到Dense-Entropy的散点图，a为预先设定的第二图像块尺度阈值；
步骤S1.3.2)，将图像信息熵值划分为b个范围，计算落在各个范围内的每个图像区域的特征点密度的均值，得到Dense-Entropy的折线图，如图3所示。该折线图即为图像信息熵与特征点密度的初步约束关系，b为预设的范围个数阈值。
可以通过统计分析得到，图像信息熵的确影响了SIFT特征点的密度。图像信息熵与SIFT特征点密度之间正相关的约束关系，并且这种约束关系在不同的对比度阈值下，依然成立。
步骤S2)，基于步骤S1)中的约束关系，计算其与SIFT特征检测器阈值的自适应关系，建立基于图像信息熵的自适应阈值SIFT特征检测器，解决SIFT特征点分布不均的问题。具体包括以下步骤：
步骤S2.1)，通过设定图像SIFT特征检测器阈值，并结合步骤S1)方法中图像特征点密度、图像信息熵值实验数据的约束关系，确定图像信息熵与SIFT特征检测器阈值之间的自适应约束关系：
步骤S2.1.1)，建立SIFT特征检测器，设定SIFT特征检测器的步进阈值Threhold为Threhold_min，Threhold_min＝0.01，在此基础上进行特征点提取；
步骤S2.1.2)，将图像划分为c*c的若干个图像区域，计算每个图像区域的特征点密度Dense和二维信息熵值Entropy，得到Dense-Entropy的折线图；
步骤S2.1.3)，基于概率统计方法，将图像信息熵值划分为100个范围，每个范围的中值作为新Entropy，计算落在各个范围内的图像区域特征点密度的均值，该均值作为新Dense，得到一组三维数据：Dense-Entropy-Threhold；
步骤S2.1.4)，令Threhold＝Threhold+0.01；
步骤S2.1.5)，重复执行步骤S2.1.1)至步骤S2.1.4)，直至Threhold>0.07，得到若干组Dense-Entropy-Threhold三维数据，建立三维散点图，如图4所示；
通过多项式拟合得到图像信息熵与SIFT特征检测器的阈值之间的自适应约束关系，如图5所示：
Figure GDA0004043866980000071
其中，x表示Entropy，y表示Threhold；
步骤S2.2)，根据图像信息熵与SIFT特征检测器阈值之间的约束关系，构建基于图像信息熵的自适应阈值SIFT特征检测器：
步骤S2.2.1)，将图像划分为c*c的图像区域，计算每个图像区域的图像信息熵；
步骤S2.2.2)，对图像区域构建DOG金字塔；
步骤S2.2.3)，在DOG尺度空间中寻找局部极值点，作为候选特征点；
步骤S2.2.4)，在图像区域中，确定候选特征点的位置；
步骤S2.2.5)，对于图像区域内靠近边缘的特征点，通过2阶Hessian方程计算特征点主曲率，移除主曲率大于10的不稳定特征点，对于候选点对应图像信息熵值，根据步骤S2.1)中图像信息熵与SIFT特征检测器的阈值之间自适应约束关系动态调整SIFT特征检测器阈值。
步骤S3)，根步骤S3)，利用高斯卷积来进行梯度方向直方图分块汇聚，提取出图像DAISY特征点，并根据相似度对DAISY特征点进行筛选。具体包括如下步骤：
步骤S3.1)，获得图像所有非边缘像素点的DAISY特征点，特征点结构如图6所示：
步骤S3.1.1)，对于输入图像中的非边缘像素点(u,v)，计算DAISY特征点的同心圆环上每一层不同方向的梯度向量与高斯核的卷积值，得到该点梯度向量直方图：
Figure GDA0004043866980000081
其中，
Figure GDA0004043866980000082
表示第L个不同方向上高斯核GΣ与梯度向量GL(u,v)的卷积值；hΣ(u,v)表示L个不同方向的高斯核与梯度向量的卷积值以矩阵形式组成的梯度向量直方图；/>
步骤S3.1.2)，将梯度向量投影到八个不同的方向，即取L＝8，以八方向的梯度向量直方图为基本量，对于给定的(u,v)点，以(u,v)为中心，由内层到外层，从0°到360°，把所有的梯度直方图按顺序排列，构建DAISY特征点：
Figure GDA0004043866980000086
其中，Q表示DAISY特征点同心圆层数；T表示每一同心圆层划分的方向；lT(u,v,RQ)表示第Q个同心圆环上、第T个划分方向的像素点坐标，RQ表示该像素点坐标相对于给定点(u,v)的位移；
步骤S3.2)对于图像区域内的DAISY特征点进行筛选：
步骤S3.2.1)，选择欧几里德距离，计算DAISY特征向量之间不相似度：
Figure GDA0004043866980000087
其中，d(p,q)表示特征点p和点q之间的不相似度，而h(p)和h(q)分别表示特征点p和q的DAISY直方图归一化生成的单位向量中的第k个矩阵分量；
步骤S3.2.2)，若两个特征点的不相似度大于
Figure GDA0004043866980000091
则同时保留两个特征点；若小于/>
Figure GDA0004043866980000092
则保留归一化前的特征点模长|D(u,v)|更大的点。
步骤S4)，根据步骤S3)中提取得到的图像DAISY特征点，使用该DAISY特征点替换自适应阈值SIFT特征检测器中的SIFT特征点后，采用被替换过后的适应阈值SIFT特征检测器进行图像检测。具体包括如下步骤：
步骤S4.1)，采用自适应阈值SIFT特征检测器，将输入图像的特征点替换为筛选过后的DAISY特征点；
步骤S4.2)，采用被替换过后的适应阈值SIFT特征检测器对待检测的图像进行检测。
本发明在保留了自适应阈值特征点提取的优势改善特征点分布状况的同时，将SIFT特征点提取算法改为对图像块区域提取DAISY特征点，提高特征点的可靠性。实验效果如图7中的(a)、图7中的(b)所示。
本技术领域技术人员可以理解的是，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.基于图像信息熵与自适应阈值DAISY特征点的图像检测方法，其特征在于，包括如下步骤：
步骤S1)，对于输入图像，通过统计分析和多项式拟合确定图像信息熵与SIFT特征点密度之间的约束关系；
步骤S2)，基于步骤S1)中的约束关系，计算其与SIFT特征检测器阈值的自适应关系，建立基于图像信息熵的自适应阈值SIFT特征检测器，解决SIFT特征点分布不均的问题；
步骤S3)，利用高斯卷积来进行梯度方向直方图分块汇聚，提取出图像DAISY特征点，并根据相似度对DAISY特征点进行筛选；
步骤S4)，根据步骤S3)中提取得到的图像DAISY特征点，使用该DAISY特征点替换自适应阈值SIFT特征检测器中的SIFT特征点后，采用被替换过后的适应阈值SIFT特征检测器进行图像检测；
步骤S1)中，对图像信息熵与SIFT特征检测器对比度阈值进行统计分析和多项式拟合的具步骤如下：
步骤S1.1)，对输入图像的图像信息熵空间分布图进行如下计算：令输入图像中能以其为中心形成n×n大小的图像块的像素点为非图像边缘点，针对于输入图像中的每一个非图像边缘点，计算以其为中心n×n大小的图像块的图像信息熵、并将其作为该点的信息熵值，将输入图像的信息熵分布状况可视化；
所述图像信息熵的定义如下：
首先，在输入图像中，选择以非图像边缘点为中心的n×n大小的图像块的邻域灰度均值作为灰度分布的空间特征量，与该非图像边缘点的像素灰度组成特征二元组，记为(i,j)，其中i表示该像素的灰度值，j表示邻域灰度均值，即有：
Figure FDA0004043866970000011
其中，0≤i≤255，0≤j≤255，Pij表示n×n的图像块的特征二元组在输入图像中出现的概率；f(i,j)为特征二元组(i,j)出现的频数，N为输入图像的尺度，n为预先设定的第一图像块尺度阈值；
其次，在已知n×n的图像块的特征二元组出现概率后，定义该图像块的图像信息熵H为：
Figure FDA0004043866970000012
步骤S1.2)，对输入图像的SIFT特征点进行提取并与所述图像信息熵进行对比，验证其相关性；
步骤S1.3)，对于输入图像进行图像区域划分，并计算划分后的新图像区域中每一个非图像边缘点像素的图像信息熵与该图像区域SIFT特征点的数据，统计分析图像信息熵与特征点密度之间的约束关系：
步骤S1.3.1)，将图像划分为若干个a*a的图像区域，计算每个图像区域的特征点密度Dense和图像信息熵值Entropy，得到Dense-Entropy的散点图，a为预先设定的第二图像块尺度阈值；
步骤S1.3.2)，将图像信息熵值划分为b个范围，计算落在各个范围内的每个图像区域的特征点密度的均值，得到Dense-Entropy的折线图，该折线图即为图像信息熵与特征点密度的初步约束关系，b为预设的范围个数阈值；
步骤S2)的具体步骤如下：
步骤S2.1)，通过设定图像SIFT特征检测器阈值，并结合步骤S1)方法中图像特征点密度、图像信息熵值实验数据的约束关系，确定图像信息熵与SIFT特征检测器阈值之间的自适应约束关系：
步骤S2.1.1)，建立图像SIFT特征检测器，设定SIFT特征检测器的步进阈值Threhold为Threhold_min，Threhold_min＝0.01，在此基础上进行特征点提取；
步骤S2.1.2)，将图像划分为c*c的若干个图像区域，计算每个图像区域的特征点密度Dense和二维信息熵值Entropy，得到Dense-Entropy的折线图；
步骤S2.1.3)，基于概率统计方法，将图像信息熵值划分为100个范围，每个范围的中值作为新Entropy，计算落在各个范围内的图像区域特征点密度的均值，该均值作为新Dense，得到一组三维数据：Dense-Entropy-Threhold；
步骤S2.1.4)，令Threhold＝Threhold+0.01；
步骤S2.1.5)，重复执行步骤S2.1.1)至步骤S2.1.4)，直至Threhold>0.07，得到若干组Dense-Entropy-Threhold三维数据，建立三维散点图；
通过多项式拟合得到图像信息熵与SIFT特征检测器的阈值之间的自适应约束关系：
Figure FDA0004043866970000021
其中，x表示Entropy，y表示Threhold；
步骤S2.2)，根据图像信息熵与SIFT特征检测器阈值之间的约束关系，构建基于图像信息熵的自适应阈值SIFT特征检测器：
步骤S2.2.1)，将图像划分为c*c的图像区域，计算每个图像区域的图像信息熵；
步骤S2.2.2)，对图像区域构建DOG金字塔；
步骤S2.2.3)，在DOG尺度空间中寻找局部极值点，作为候选特征点；
步骤S2.2.4)，在图像区域中，确定候选特征点的位置；
步骤S2.2.5)，对于图像区域内靠近边缘的特征点，通过2阶Hessian方程计算特征点主曲率，移除主曲率大于预设的主曲率阈值的特征点，对于候选点对应图像信息熵值，根据步骤S2.1)中图像信息熵与SIFT特征检测器的阈值之间的自适应约束关系动态调整SIFT特征检测器阈值。
2.根据权利要求1所述的基于图像信息熵与自适应阈值DAISY特征点的图像检测方法，其特征在于，步骤S3)的具体步骤如下：
步骤S3.1)，获得图像区所有非边缘像素点的DAISY特征点：
步骤S3.1.1)，对于输入图像中的非边缘像素点(u,v)，计算DAISY特征点的同心圆环上每一层不同方向的梯度向量与高斯核的卷积值，得到该点梯度向量直方图：
Figure FDA0004043866970000031
/>
其中，
Figure FDA0004043866970000032
表示第L个不同方向上高斯核GΣ与梯度向量GL(u,v)的卷积值；hΣ(u,v)表示L个不同方向的高斯核与梯度向量的卷积值以矩阵形式组成的梯度向量直方图；
步骤S3.1.2)，将梯度向量投影到八个不同的方向，即取L＝8，以八方向的梯度向量直方图为基本量，对于给定的(u,v)点，以(u,v)为中心，由内层到外层，从0°到360°，把所有的梯度直方图按顺序排列，构建DAISY特征点：
Figure FDA0004043866970000033
Figure FDA0004043866970000034
Figure FDA0004043866970000035
…
Figure FDA0004043866970000036
其中，Q表示DAISY特征点同心圆层数；T表示每一同心圆层划分的方向；lT(u,v,RQ)表示第Q个同心圆环上、第T个划分方向的像素点坐标，RQ表示该像素点坐标相对于给定点(u,v)的位移；
步骤S3.2)对于图像区域内的DAISY特征点进行筛选：
步骤S3.2.1)，选择欧几里德距离，计算DAISY特征向量之间不相似度：
Figure FDA0004043866970000041
其中，d(p,q)表示特征点p和点q之间的不相似度，而h(p)和h(q)分别表示特征点p和q的DAISY直方图归一化生成的单位向量中的第k个矩阵分量；
步骤S3.2.2)，若两个特征点的不相似度大于
Figure FDA0004043866970000042
则同时保留两个特征点；若小于/>
Figure FDA0004043866970000043
则保留归一化前的特征点模长|D(u,v)|更大的点。
3.根据权利要求2所述的基于图像信息熵与自适应阈值DAISY特征点的图像检测方法，其特征在于，步骤S4)的具体步骤如下：
步骤S4.1)，采用自适应阈值SIFT特征检测器，将输入图像的特征点替换为筛选过后的DAISY特征点；
步骤S4.2)，采用被替换过后的适应阈值SIFT特征检测器对待检测的图像进行检测。
4.根据权利要求2所述的基于图像信息熵与自适应阈值DAISY特征点的图像检测方法，其特征在于，步骤S1.1)中n＝5。
5.根据权利要求2所述的基于图像信息熵与自适应阈值DAISY特征点的图像检测方法，其特征在于，步骤S1.3.1)中a＝60，步骤S1.3.2)中b＝10。
6.根据权利要求2所述的基于图像信息熵与自适应阈值DAISY特征点的图像检测方法，其特征在于，步骤S2.1.2)中c＝20，步骤S2.2.5)中预设的主曲率阈值为10。
7.根据权利要求2所述的基于图像信息熵与自适应阈值DAISY特征点的图像检测方法，其特征在于，步骤S3.1.2)中Q＝3，T＝L＝8。
CN201811561702.1A 2018-12-20 2018-12-20 基于图像信息熵与自适应阈值daisy特征点的图像检测方法 Active CN109766924B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811561702.1A CN109766924B (zh) 2018-12-20 2018-12-20 基于图像信息熵与自适应阈值daisy特征点的图像检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811561702.1A CN109766924B (zh) 2018-12-20 2018-12-20 基于图像信息熵与自适应阈值daisy特征点的图像检测方法

Publications (2)

Publication Number Publication Date
CN109766924A CN109766924A (zh) 2019-05-17
CN109766924B true CN109766924B (zh) 2023-05-26

Family

ID=66451921

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811561702.1A Active CN109766924B (zh) 2018-12-20 2018-12-20 基于图像信息熵与自适应阈值daisy特征点的图像检测方法

Country Status (1)

Country Link
CN (1) CN109766924B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110473238B (zh) * 2019-06-25 2021-08-27 浙江大华技术股份有限公司 一种图像配准方法、装置、电子设备及存储介质
CN112966782A (zh) * 2021-04-09 2021-06-15 深圳市豪恩汽车电子装备股份有限公司 一种多视角特征融合的路面积水检测识别方法
CN117889867B (zh) * 2024-03-18 2024-05-24 南京师范大学 一种基于局部自注意力移动窗口算法的路径规划方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060147113A1 (en) * 2004-12-28 2006-07-06 Han Seung-Hoon Apparatus to detect homogeneous region of image using adaptive threshold
CN101630365A (zh) * 2009-06-05 2010-01-20 天津大学 基于daisy的具有镜面翻转不变性的特征提取和描述方法
CN103729654A (zh) * 2014-01-22 2014-04-16 青岛新比特电子科技有限公司 基于改进sift算法的图像匹配检索系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060147113A1 (en) * 2004-12-28 2006-07-06 Han Seung-Hoon Apparatus to detect homogeneous region of image using adaptive threshold
CN101630365A (zh) * 2009-06-05 2010-01-20 天津大学 基于daisy的具有镜面翻转不变性的特征提取和描述方法
CN103729654A (zh) * 2014-01-22 2014-04-16 青岛新比特电子科技有限公司 基于改进sift算法的图像匹配检索系统

Also Published As

Publication number Publication date
CN109766924A (zh) 2019-05-17

Similar Documents

Publication Publication Date Title
Lin et al. Convolution in the cloud: Learning deformable kernels in 3d graph convolution networks for point cloud analysis
Sali et al. Texture classification in aerial photographs and satellite data
CN109766924B (zh) 基于图像信息熵与自适应阈值daisy特征点的图像检测方法
CN110807473B (zh) 目标检测方法、装置及计算机存储介质
CN109584209B (zh) 血管壁斑块识别设备、系统、方法及存储介质
WO2019007004A1 (zh) 用于行人重识别的图像特征提取方法
CN107145829B (zh) 一种融合纹理特征和尺度不变特征的掌静脉识别方法
CN110490913B (zh) 基于角点与单线段编组的特征描述算子进行影像匹配方法
Sridevi et al. A survey on monochrome image segmentation methods
WO2021118463A1 (en) Defect detection in image space
CN112926592B (zh) 一种基于改进Fast算法的商标检索方法及装置
CN108205657A (zh) 视频镜头分割的方法、存储介质和移动终端
Ramani et al. Breast cancer detection in mammograms based on clustering techniques-a survey
CN112614167A (zh) 一种结合单偏光与正交偏光图像的岩石薄片图像对齐方法
CN116721121A (zh) 一种植物表型彩色图像特征提取方法
CN113128378B (zh) 一种指静脉快速识别方法
Wang et al. Effective light field de-occlusion network based on Swin transformer
Bi et al. A hierarchical salient-region based algorithm for ship detection in remote sensing images
CN110930423B (zh) 一种物体边缘特征识别提取方法
CN109544614B (zh) 一种基于图像低频信息相似度的匹配图像对识别的方法
CN107403127B (zh) 一种基于图像orb特征的车辆卸货状态监测方法
CN116434071A (zh) 一种规整化建筑掩膜的确定方法、确定装置、设备及介质
Elashry et al. Feature matching enhancement using the graph neural network (gnn-ransac)
US20220358321A1 (en) Detection Method And Device For Assembly Body Multi-View Change Based On Feature Matching
CN111815591B (zh) 基于ct图像的肺结节检测方法

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
GR01 Patent grant
GR01 Patent grant