CN109934777A - 图像局部不变特征提取方法、装置、计算机设备及存储介质 - Google Patents
图像局部不变特征提取方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN109934777A CN109934777A CN201910020597.9A CN201910020597A CN109934777A CN 109934777 A CN109934777 A CN 109934777A CN 201910020597 A CN201910020597 A CN 201910020597A CN 109934777 A CN109934777 A CN 109934777A
- Authority
- CN
- China
- Prior art keywords
- dynamic range
- image
- invariant feature
- preset
- low dynamic
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明适用于图像处理技术领域,提供了图像局部不变特征提取方法、装置、计算机设备及存储介质,该方法包括:基于预设的响应函数对获取到的低动态范围图像组进行处理,得到低动态范围图像组中的每个低动态范围图像的辐照图;根据预设的权值函数,将每个低动态范围图像的辐照图合并形成一高动态范围图像;基于预设的场景辐射值感知模型,将高动态范围图像划分为反射层和光照层;基于预设的局部不变特征检测算法和描述算法对反射层和光照层进行处理,得到反射层和光照层的局部不变特征。本发明通过不变特征匹配技术与HDR图像技术相结合,拓展了图像局部不变特征提取技术的应用背景,并提高了机器视觉宽基线图像特征点的正确匹配次数。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一种图像局部不变特征提取方法、装置、计算机设备及存储介质。
背景技术
局部不变特征是指局部特征的检测或描述对图像的各种变化,例如几何变换、光度变换、卷积变换、视角变化等保持不变。局部不变特征的基本思想是提取图像内容的本质属性特征,这些特征与图像内容的具体表现形式无关或具有自适应性(即表现形式变化时特征提取自适应的变化以描述相同的图像内容)。局部不变特征不仅能够在观测条件变化大、遮挡和杂乱干扰的情况下获得可靠的匹配,而且能够有效的描述图像内容进行图像检索或场景、目标识别等。
在图像匹配中的局部不变特征上,通常使用尺度不变特征变换(SIFT)算子将角点检测和特征矢量方法等结合在一起用于提取图像匹配中的局部不变特征。SIFT尺度不变特征转换作为一种鲁棒的特征描述方法,在提取灰度图像特征时取得了令人满意的效果。
但是,SIFT算法只考虑了尺度和旋转的不变形,随着视角变化的增大其稳定性逐渐下降,对于背景复杂、层次丰富的图像存在匹配速度慢的缺点,无法满足实时性场合的要求。
发明内容
本发明实施例提供一种图像局部不变特征提取方法,旨在解决现有的图像处理技术对于背景复杂、层次丰富的图像存在匹配速度慢的缺点,无法满足实时性场合的要求的问题。
本发明实施例是这样实现的,一种图像局部不变特征提取方法,包括如下步骤:
基于预设的响应函数对获取到的低动态范围图像组进行处理,得到所述低动态范围图像组中的每个低动态范围图像的辐照图;
根据预设的权值函数,将所述每个低动态范围图像的辐照图合并形成一高动态范围图像;
基于预设的场景辐射值感知模型,将所述高动态范围图像划分为反射层和光照层;
基于预设的局部不变特征检测算法和描述算法对所述反射层和光照层进行处理,得到所述反射层和光照层的局部不变特征。
本发明实施例还提供一种图像局部不变特征提取装置,包括:
图像处理单元,用于基于预设的响应函数对获取到的低动态范围图像组进行处理,得到所述低动态范围图像组中的每个低动态范围图像的辐照图;
图像合成单元,用于根据预设的权值函数,将所述每个低动态范围图像的辐照图合并形成一高动态范围图像;
图像划分单元,用于基于预设的场景辐射值感知模型,将所述高动态范围图像划分为反射层和光照层;以及
提取单元,用于基于预设的局部不变特征检测算法和描述算法对所述反射层和光照层进行处理,得到所述反射层和光照层的局部不变特征。
本发明实施例还提供一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行上述的图像局部不变特征提取方法的步骤。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行上述的图像局部不变特征提取方法的步骤。
本发明实施例提供的图像局部不变特征提取方法,基于预设的响应函数对低动态范围图像组进行处理,并且得到了该图像组中每个低动态范围图像的辐照图;再根据预设的权值函数,将每个低动态范围图像合并形成一高动态范围图像;并基于预设的场景辐射值感知模型,将高动态范围图像划分为反射层和光照层;再基于预设的局部不变特征描述算法和检测算法对该反射层和光照层进行处理,获得反射层和光照层的局部不变特征。本发明方法不但提高了机器视觉宽基线图像特征点的正确匹配次数,并且该方法将不变特征匹配技术与 HDR图像技术相结合,能够记录真实场景的辐照度值,从而拓展了图像局部不变特征提取技术的应用背景,为HDR图像处理技术和局部不变特征提取技术的理论研究提供了新的思路和方向,而且可以有效地应用于自主导航、智能机器人目标识别等实际应用。
附图说明
图1是本发明实施例一提供的图像局部不变特征提取方法的流程图;
图2是本发明实施例二提供的图像局部不变特征提取方法的流程图;
图3是本发明实施例三提供的图像局部不变特征提取方法的流程图;
图4是本发明实施例四提供的图像局部不变特征提取方法的流程图;
图5a是本发明实验例提供的一个示例性HDR图像的伪彩色图;
图5b是采用本发明方法对图5a的HDR图像进行分割得到的反射层;
图5c是采用本发明方法对图5a的HDR图像进行分割得到的光照层;
图6a是HDR原始图像的特征点检测结果示意图;
图6b是采用本发明方法对HDR图像分割后的反射层的特征点检测结果示意图;
图7a是直接对HDR图像进行特征点匹配的匹配结果示意图;
图7b是采用本发明方法对HDR图像进行特征点匹配的匹配结果示意图;
图8是本发明实施例提供的图像局部不变特征提取装置的结构示意图;
图9是本发明实施例提供的一种提取单元的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1是本发明实施例一示出的图像局部不变特征提取方法的实现流程,如图1所示,本发明实施例一提供的一种图像局部不变特征提取方法包括以下步骤:
在步骤S101中,基于预设的响应函数对获取到的低动态范围图像组进行处理,得到低动态范围图像组中的每个低动态范围图像的辐照图。
在本示例性实施例中,LDR(Low Dynamic Range,低动态范围)图像组,是指一组亮暗程度不同的图像组。
预设的响应函数为相机响应函数,是指数码相机对现实照明的响应是非线性的,由f函数表示;CRF(Camera Response Function,相机响应函数)将真实场景中的高动态范围辐射值压缩为8位传统数字图像格式进行存储。因此,为了计算真实场景HDR照射图数据,需要首先恢复CRF。
在步骤S102中,根据预设的权值函数,将每个低动态范围图像的辐照图合并形成一高动态范围图像。
预设的权值函数,指加权平均数内每个低动态范围(LDR)图像的亮度分布频数。
在本示例性实施例中,将一组亮暗程度不同的低动态范围图像的辐照图,取出它们的优质区域,然后合成到一起,形成HDR(High Dynamic Range,高动态范围)图像,可兼顾到低动态范围图像中的亮暗部分。
在步骤S103中,基于预设的场景辐射值感知模型,将高动态范围图像划分为反射层和光照层。
在本示例性实施例中,视觉生理学认为,人眼自然光源的建模是基于光撞击物体表面,光从物体表面反射,光被吸收、反射和偏转(例如,雾)这些因素的。在这些因素中,光反射(亮度)是物体表面的固有特性,也是视觉系统LIFT (Local Invariant Feature,局部不变特征)提取中最重要的因素。为了精确地重建亮度,视觉系统必须区分反射特性和光照和大气条件,即视觉系统可以明确地将图像分割成独立的层,对应于HVS(Human VisualSystem,人眼视觉系统) 中的独立生理结构。心理物理研究也取得了类似的结果:在人眼观察自然场景时,HVS可以提取物体表面的三维形状、纹理、反射率和物体表面的性质。所以,对于一个简单的场景,人们通常可以看到更多的内容。场景亮度的绝对值对人眼感知的影响很小。例如,不管是在光线暗淡的房间里还是在明亮的阳光下观察,尽管不同自然景物的光强可能相差一百多倍,但是人们对桌子的表面特征有相同的理解。
基于以上对人类视觉的研究,将HDR图像分为独立的光照层和反射层。提出的分层模型如下:
Iill=Fep[lognI]
Iref=logn(I)-Iill
其中,第一对数变换照射I,然后通过滤波Fep估计照明层数据Iill,最后,反射层数据Iref通过减法获得。该模型与中心环绕Retinex算法非常相似。它们之间的区别是对数基n和对数函数的位置。对数基数可以控制辐照图动态范围的压缩程度,辐照值的计算是在对数域中进行的。由于人眼对真实场景的亮度的响应类似于对数曲线,因此辐照值之间的差异可以直接与人眼的视觉感知相关。
在步骤S104中,基于预设的局部不变特征检测算法和描述算法对反射层和光照层进行处理,得到反射层和光照层的局部不变特征。
本发明实施例提供的图像局部不变特征提取方法,基于预设的响应函数对低动态范围图像组进行处理,并且得到了该图像组中每个低动态范围图像的辐照图;再根据预设的权值函数,将每个低动态范围图像合并形成一高动态范围图像;并基于预设的场景辐射值感知模型,将高动态范围图像划分为反射层和光照层;再基于预设的局部不变特征描述算法和检测算法对该反射层和光照层进行处理,获得反射层和光照层的局部不变特征。本发明方法不但提高了机器视觉宽基线图像特征点的正确匹配次数,并且该方法将不变特征匹配技术与 HDR图像技术相结合,能够记录真实场景的辐照度值,从而拓展了图像局部不变特征提取技术的应用背景,为HDR图像处理技术和局部不变特征提取技术的理论研究提供了新的思路和方向,而且可以有效地应用于自主导航、智能机器人目标识别等实际应用。
图2是本发明实施例二提供的图像局部不变特征提取方法的实现流程,如图2所示,本实施例与实施例一基本相同,其不同之处仅在于,还包括步骤S201。
在步骤S201中,根据自动包围曝光函数获取存储于摄像装置中的低动态范围图像组。
在本示例性实施例中,自动包围曝光函数预设在摄像装置中,该摄像装置可为数码相机等。
图3是本发明实施例三示出的图像局部不变特征提取方法的实现流程,如图3所示,本实施例与实施例一基本相同,其不同之处仅在于:上述步骤S101 具体包括步骤S301,上述步骤S102包括步骤S302。
在步骤S301中,基于预设的响应函数对获取到的低动态范围图像组进行处理,得到低动态范围图像组中的每个低动态范围图像的真实场景亮度分布图。
在本示例性实施例中,对低动态范围图像的真实场景辐照图(即真实场景亮度分布图)的计算处理如下:用Zij表示第i个曝光图像中的第j个像素的像素值,并且像素值由像素接收的照射强度Ii的CRF函数和曝光时间Δtj获得:Zij=f(IiΔtj);两边取对数并化简得:ln[f-1(Zij)]=lnIi+lnΔtj;在上述公式中,Δtj和Zij已知,函数f和辐照强度Ii未知,假设f是光滑且严格单调递增的函数,g=f-1是CRF的一个反函数,则g的最小值可以通过下述公式获得: 其中,N是图像像素的数目,P是曝光被包围的次数,Zmax和Zmin分别表示图像中的最大值和最小值。二项式的第一项是确保所得到的解满足最小方差要求,第二项是g的二阶导数的平滑项,以保证最终得到的函数g 是光滑的。
在步骤S302中,根据预设的权值函数,将每个低动态范围图像的真实场景亮度分布图合并形成一高动态范围图像。
将每个低动态范围图像的真实场景亮度分布图合并成一高动态范围图像,可以兼顾到每个低动态范围图像的真实场景中的不同亮暗度分布,更加全面、准确地提取出该图像的局部不变特征的特征值。
图4是本发明实施例四示出的图像局部不变特征提取方法的实现流程,如图4所示,本实施例与实施例一基本相同,其不同之处仅在于:上述步骤S104 具体包括步骤S401和步骤S402。
在步骤S401中,基于预设的局部不变特征检测算法对所述反射层和光照层的角点进行检测,获得光照层和反射层的特征点。
在本示例性实施例中,反射层是由物体在现实场景中的反射率决定的,反射率是物体表面的自然属性。因此,基于反射层的感知来设计LIFT检测方法。根据史蒂文斯定律,人眼在反射层上的感知量Iref_P是反射层的辐射Iref的幂函数,如下所示:Iref_P=Iref index。
使用快速角点检测算法,快速角点检测是基于模板的LIFT检测算法,通过圆形模板检测中心像素和周围像素之间的差异。当差分超过阈值的像素可以形成连续的弧,并且弧长大于模板周长的3/4时,中心像素被认为是特征点。首先,检测圆周模板的顶部、底部、左侧和右侧点。为了满足条件,四个点中的至少三个点必须大于或小于中心像素。如果没有,可以直接去除中心点,而无需检查模板上的其他点,大大加快了检测速度。
快速角点检测原理简单,计算效率高,广泛应用于高帧率的视频序列中,快速角点检测没有方向信息,在图像匹配过程中也需要特征点的主方向和非最大值抑制。
在步骤S402中,基于预设的局部不变特征描述算法对所述特征点附近的局部图像结构特征进行定量数据描述,以反映特征点附近的局部图像的结构特征。
经过上述检测之后,通过LIFT描述算法来描述特征点附近的局部图像模式以进行图像特征点匹配。LIFT描述算法是对图像局部结构特征的定量数据描述,能够充分反映特征点附近的局部图像的结构特征。
具体的,LIFT描述算法为二进制描述算法,所述二进制LIFT描述算法是随机选择特征点附近的几对点,比较这些对点的灰度值的大小,将它们组合成一个二进制字符串,并用这个二进制字符串作为特征点的特征描述符。具体过程如下:首先,选择LIFT描述建立的区域(如特征点的平方场),然后通过某种随机化算法生成点对x和y,如果点x的值小于该值;在Y点,返回值1;否则返回0。重复这个步骤几次(比如256次),得到一个256位的二进制代码,该特征点的描述符;最后,在图像匹配中,仅计算两个特征点描述符的汉明距离来判断特征点是否匹配。经过大量的实验数据测试,不匹配特征点的描述符的汉明距离约为128,匹配点到描述符的汉明距离远小于128。
二进制描述算法的优点是速度快,节省了存储空间,适用于实时性要求高的场景。由于在光照层处理期间,噪声的影响被预先去除,所以本发明提出的局部不变特征描述算法可提高对于光照层的局部不变特征的描述的准确性和效率。
为了进一步说明本发明方法的技术效果,以下列举应用本发明方法做图像处理的实验例做详细说明:
结合图5a、图5b和图5c,由于HDR图像的动态范围太大,所以在实验期间将HDR图像采用伪彩色图表示。其中图5b和图5c是采用本发明方法分割出来的反射层和光照层,从图5b可以看出,反射层保持原图像的细节。
采用本发明方法中的局部不变特征检测算法对原始HDR图像和分割出来的反射层的特征点进行检测,检测结果显示(参见图6a和图6b,图中灰色部分为特征点),原始HDR图像的特征点仅有11个,而分割后的反射层的特征点则增加到990个。
对比直接对HDR图像进行特征点匹配(参见图7a)和采用本发明方法对 HDR图像进行特征点匹配(参见图7b),比对的结果为采用本发明方法对HDR 图像进行特征点匹配相较于采用现有算法对HDR图像进行特征点匹配,其匹配的特征点数量从4个增加到139个。
上述实验结果表明,本发明方法可提高机器视觉宽基线图像特征点的正确匹配次数,并且该方法将不变特征匹配技术与HDR图像技术相结合,能够记录真实场景的辐照度值,从而拓展了图像局部不变特征提取技术的应用背景。
图8为本发明实施例提供的图像局部不变特征提取装置的结构示意图,为了便于说明,图中仅示出了与本发明实施例相关的部分,详述如下:
如图8所示,图像局部不变特征提取装置,包括图像处理单元81、图像合成单元82、图像划分单元83和提取单元84。
图像处理单元81,用于基于预设的响应函数对获取到的低动态范围图像组进行处理,得到低动态范围图像组中的每个低动态范围图像的辐照图。
在本示例性实施例中,LDR(Low Dynamic Range,低动态范围)图像组,是指一组亮暗程度不同的图像组。
预设的响应函数为相机响应函数,是指数码相机对现实照明的响应是非线性的,由f函数表示;CRF(Camera Response Function,相机响应函数)将真实场景中的高动态范围辐射值压缩为8位传统数字图像格式进行存储。因此,为了计算真实场景HDR照射图数据,需要首先恢复CRF。
图像合成单元82,用于根据预设的权值函数,将每个低动态范围图像的辐照图合并形成一高动态范围图像。
在本示例性实施例中,将一组亮暗程度不同的低动态范围图像的辐照图,取出它们的优质区域,然后合成到一起,形成HDR(High Dynamic Range,高动态范围)图像,可兼顾到低动态范围图像中的亮暗部分。
预设的权值函数,指加权平均数内每个低动态范围(LDR)图像的亮度分布频数。
图像划分单元83,用于基于预设的场景辐射值感知模型,将高动态范围图像划分为反射层和光照层。
在本示例性实施例中,视觉生理学认为,人眼自然光源的建模是基于光撞击物体表面,光从物体表面反射,光被吸收、反射和偏转(例如,雾)这些因素的。在这些因素中,光反射(亮度)是物体表面的固有特性,也是视觉系统LIFT (Local Invariant Feature,局部不变特征)提取中最重要的因素。为了精确地重建亮度,视觉系统必须区分反射特性和光照和大气条件,即视觉系统可以明确地将图像分割成独立的层,对应于HVS(Human VisualSystem,人眼视觉系统) 中的独立生理结构。心理物理研究也取得了类似的结果:在人眼观察自然场景时,HVS可以提取物体表面的三维形状、纹理、反射率和物体表面的性质。所以,对于一个简单的场景,人们通常可以看到更多的内容。场景亮度的绝对值对人眼感知的影响很小。例如,不管是在光线暗淡的房间里还是在明亮的阳光下观察,尽管不同自然景物的光强可能相差一百多倍,但是人们对桌子的表面特征有相同的理解。
基于以上对人类视觉的研究,将HDR图像分为独立的光照层和反射层。提出的分层模型如下:
Iill=Fep[lognI]
Iref=logn(I)-Iill
其中,第一对数变换照射I,然后通过滤波Fep估计照明层数据Iill,最后,反射层数据Iref通过减法获得。该模型与中心环绕Retinex算法非常相似。它们之间的区别是对数基n和对数函数的位置。对数基数可以控制辐照图动态范围的压缩程度,辐照值的计算是在对数域中进行的。由于人眼对真实场景的亮度的响应类似于对数曲线,因此辐照值之间的差异可以直接与人眼的视觉感知相关。
提取单元84,用于基于预设的局部不变特征检测算法和描述算法对反射层和光照层进行处理,得到反射层和光照层的局部不变特征。
本发明实施例提供的图像局部不变特征提取装置,基于预设的响应函数对低动态范围图像组进行处理,并且得到了该图像组中每个低动态范围图像的辐照图;再根据预设的权值函数,将每个低动态范围图像合并形成一高动态范围图像;并基于预设的场景辐射值感知模型,将高动态范围图像划分为反射层和光照层;再基于预设的局部不变特征描述算法和检测算法对该反射层和光照层进行处理,获得反射层和光照层的局部不变特征。本发明方法不但提高了机器视觉宽基线图像特征点的正确匹配次数,并且该方法将不变特征匹配技术与 HDR图像技术相结合,能够记录真实场景的辐照度值,从而拓展了图像局部不变特征提取技术的应用背景,为HDR图像处理技术和局部不变特征提取技术的理论研究提供了新的思路和方向,而且可以有效地应用于自主导航、智能机器人目标识别等实际应用。
在本发明实施例中,上述图像处理单元81具体用于:基于预设的响应函数对获取到的低动态范围图像组进行处理,得到低动态范围图像组中的每个低动态范围图像的真实场景亮度分布图。
在本示例性实施例中,对低动态范围图像的真实场景辐照图(即真实场景亮度分布图)的计算处理如下:用Zij表示第i个曝光图像中的第j个像素的像素值,并且像素值由像素接收的照射强度Ii的CRF函数和曝光时间Δtj获得:Zij=f(IiΔtj);两边取对数并化简得:ln[f-1(Zij)]=lnIi+lnΔtj;在上述公式中,Δtj和Zij已知,函数f和辐照强度Ii未知,假设f是光滑且严格单调递增的函数,g=f-1是CRF的一个反函数,则g的最小值可以通过下述公式获得: 其中,N是图像像素的数目,P是曝光被包围的次数,Zmax和Zmin分别表示图像中的最大值和最小值。二项式的第一项是确保所得到的解满足最小方差要求,第二项是g的二阶导数的平滑项,以保证最终得到的函数g 是光滑的。
上述图像合成单元82具体用于:根据预设的权值函数,将每个低动态范围图像的真实场景亮度分布图合并形成一高动态范围图像。
将每个低动态范围图像的真实场景亮度分布图合并成一高动态范围图像,可以兼顾到每个低动态范围图像的真实场景中的不同亮暗度分布。
图9为本发明实施例提供的一种提取单元的结构示意图,为了便于说明,图中仅示出了与本实施例相关的部分,详述如下:
提取单元84包括检测模块841和描述模块842。
检测模块841,用于基于预设的局部不变特征检测算法对反射层和光照层的角点进行检测,获得反射层和光照层的特征点。
在本示例性实施例中,反射层是由物体在现实场景中的反射率决定的,反射率是物体表面的自然属性。因此,基于反射层的感知来设计LIFT检测方法。根据史蒂文斯定律,人眼在反射层上的感知量Iref_P是反射层的辐射Iref的幂函数,如下所示:Iref_P=Iref index。
使用快速角点检测算法,快速角点检测是基于模板的LIFT检测算法,通过圆形模板检测中心像素和周围像素之间的差异。当差分超过阈值的像素可以形成连续的弧,并且弧长大于模板周长的3/4时,中心像素被认为是特征点。首先,检测圆周模板的顶部、底部、左侧和右侧点。为了满足条件,四个点中的至少三个点必须大于或小于中心像素。如果没有,可以直接去除中心点,而无需检查模板上的其他点,大大加快了检测速度。
快速角点检测原理简单,计算效率高,广泛应用于高帧率的视频序列中,快速角点检测没有方向信息,在图像匹配过程中也需要特征点的主方向和非最大值抑制。
描述模块842,用于基于预设的局部不变特征描述算法对所述特征点附近的局部图像结构特征进行定量数据描述,以反映特征点附近的局部图像的结构特征。
经过上述检测之后,通过LIFT描述算法来描述特征点附近的局部图像模式以进行图像特征点匹配。LIFT描述算法是对图像局部结构特征的定量数据描述,能够充分反映特征点附近的局部图像的结构特征。
具体的,LIFT描述算法为二进制描述算法,所述二进制LIFT描述算法是随机选择特征点附近的几对点,比较这些对点的灰度值的大小,将它们组合成一个二进制字符串,并用这个二进制字符串作为特征点的特征描述符。具体过程如下:首先,选择LIFT描述建立的区域(如特征点的平方场),然后通过某种随机化算法生成点对x和y,如果点x的值小于该值;在Y点,返回值1;否则返回0。重复这个步骤几次(比如256次),得到一个256位的二进制代码,该特征点的描述符;最后,在图像匹配中,仅计算两个特征点描述符的汉明距离来判断特征点是否匹配。经过大量的实验数据测试,不匹配特征点的描述符的汉明距离约为128,匹配点到描述符的汉明距离远小于128。
二进制描述算法的优点是速度快,节省了存储空间,适用于实时性要求高的场景。由于在光照层处理期间,噪声的影响被预先去除,所以本发明提出的局部不变特征描述算法可提高对于光照层的局部不变特征的描述的准确性和效率。
本发明实施例还提供了一种计算机设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行上述图像局部不变特征提取方法的步骤。
本发明实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行上述图像局部不变特征提取方法的步骤。
示例性的,计算机程序可以被分割成一个或多个模块,一个或者多个模块被存储在存储器中,并由处理器执行,以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在计算机装置中的执行过程。例如,所述计算机程序可以被分割成上述各个方法实施例提供的图像局部不变特征提取方法的各步骤,并由处理器执行。
本领域技术人员可以理解,上述计算机装置的描述仅仅是示例,并不构成对计算机装置的限定,可以包括比上述描述更多或更少的部件,或者组合某些部件,或者不同的部件,例如可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列 (Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述计算机装置的控制中心,利用各种接口和线路连接整个用户终端的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
所述计算机装置集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、 U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、电载波信号、电信信号以及软件分发介质等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种图像局部不变特征提取方法,其特征在于,包括如下步骤:
基于预设的响应函数对获取到的低动态范围图像组进行处理,得到所述低动态范围图像组中的每个低动态范围图像的辐照图;
根据预设的权值函数,将所述每个低动态范围图像的辐照图合并形成一高动态范围图像;
基于预设的场景辐射值感知模型,将所述高动态范围图像划分为反射层和光照层;
基于预设的局部不变特征检测算法和描述算法对所述反射层和光照层进行处理,得到所述反射层和光照层的局部不变特征。
2.如权利要求1所述的图像局部不变特征提取方法,其特征在于,所述基于预设的响应函数对获取到的低动态范围图像组进行处理,得到所述低动态范围图像组中的每个低动态范围图像的辐照图的步骤之前,还包括:
根据自动包围曝光函数获取存储于摄像装置中的低动态范围图像组。
3.如权利要求1所述的图像局部不变特征提取方法,其特征在于,所述基于预设的响应函数对获取到的低动态范围图像组进行处理,得到所述低动态范围图像组中的每个低动态范围图像的辐照图的步骤,具体包括:
基于预设的响应函数对获取到的低动态范围图像组进行处理,得到所述低动态范围图像组中的每个低动态范围图像的真实场景亮度分布图;
所述根据预设的权值函数,将所述每个低动态范围图像的辐照图合并形成一高动态范围图像的步骤,包括:
根据预设的权值函数,将所述每个低动态范围图像的真实场景亮度分布图合并形成一高动态范围图像。
4.如权利要求1所述的图像局部不变特征提取方法,其特征在于,所述基于预设的局部不变特征检测算法和描述算法对所述反射层和光照层进行处理,得到所述低动态范围图像的局部不变特征的步骤,具体包括:
基于预设的局部不变特征检测算法对所述反射层和光照层的角点进行检测,获得所述反射层和光照层的特征点;
基于预设的局部不变特征描述算法对所述特征点附近的局部图像结构特征进行定量数据描述,以反映所述特征点附近的局部图像的结构特征。
5.如权利要求4所述的图像局部不变特征提取方法,其特征在于,所述预设的局部不变特征描述算法为二进制局部不变特征描述算法。
6.一种图像局部不变特征提取装置,其特征在于,包括:
图像处理单元,用于基于预设的响应函数对获取到的低动态范围图像组进行处理,得到所述低动态范围图像组中的每个低动态范围图像的辐照图;
图像合成单元,用于根据预设的权值函数,将所述每个低动态范围图像的辐照图合并形成一高动态范围图像;
图像划分单元,用于基于预设的场景辐射值感知模型,将所述高动态范围图像划分为反射层和光照层;以及
提取单元,用于基于预设的局部不变特征检测算法和描述算法对所述反射层和光照层进行处理,得到所述反射层和光照层的局部不变特征。
7.如权利要求6所述的图像局部不变特征提取装置,其特征在于,所述图像处理单元,具体用于:基于预设的响应函数对获取到的低动态范围图像组进行处理,得到所述低动态范围图像组中的每个低动态范围图像的真实场景亮度分布图;
所述图像合成单元,具体用于:根据预设的权值函数,将所述每个低动态范围图像的真实场景亮度分布图合并形成一高动态范围图像。
8.如权利要求6所述的图像局部不变特征提取装置,其特征在于,所述提取单元包括:
检测模块,用于基于预设的局部不变特征检测算法对所述反射层和光照层的角点进行检测,获得所述反射层和光照层的特征点;以及
描述模块,用于基于预设的局部不变特征描述算法对所述特征点附近的局部图像结构特征进行定量数据描述,以反映所述特征点附近的局部图像的结构特征。
9.一种计算机设备,其特征在于,包括存储器和处理器,所述存储器中存储有计算机程序,所述计算机程序被所述处理器执行时,使得所述处理器执行权利要求1至5中任一项权利要求所述的图像局部不变特征提取方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时,使得所述处理器执行权利要求1至5中任一项权利要求所述的图像局部不变特征提取方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910020597.9A CN109934777B (zh) | 2019-01-09 | 2019-01-09 | 图像局部不变特征提取方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910020597.9A CN109934777B (zh) | 2019-01-09 | 2019-01-09 | 图像局部不变特征提取方法、装置、计算机设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109934777A true CN109934777A (zh) | 2019-06-25 |
CN109934777B CN109934777B (zh) | 2023-06-02 |
Family
ID=66984931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910020597.9A Active CN109934777B (zh) | 2019-01-09 | 2019-01-09 | 图像局部不变特征提取方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109934777B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111354014A (zh) * | 2020-02-20 | 2020-06-30 | 北京航空航天大学 | 一种针对相机自动曝光的特征点跟踪方法 |
CN113744177A (zh) * | 2020-05-28 | 2021-12-03 | 中科寒武纪科技股份有限公司 | 图像的角点检测方法、装置和存储介质 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050238198A1 (en) * | 2004-04-27 | 2005-10-27 | Microsoft Corporation | Multi-image feature matching using multi-scale oriented patches |
US20100067799A1 (en) * | 2008-09-17 | 2010-03-18 | Microsoft Corporation | Globally invariant radon feature transforms for texture classification |
US20120288217A1 (en) * | 2010-01-27 | 2012-11-15 | Jiefu Zhai | High dynamic range (hdr) image synthesis with user input |
CN102982561A (zh) * | 2012-12-31 | 2013-03-20 | 哈尔滨工业大学 | 适用于彩色图像彩色的二进制鲁棒尺度不变特征检测方法 |
CN103093464A (zh) * | 2013-01-16 | 2013-05-08 | 四川九洲电器集团有限责任公司 | 基于图像的轮廓波信息隐藏方法 |
CN103530633A (zh) * | 2013-10-09 | 2014-01-22 | 深圳大学 | 一种图像局部不变特征的语义映射方法及语义映射系统 |
CN104008544A (zh) * | 2014-05-20 | 2014-08-27 | 国家电网公司 | 一种基于brisk的变电站套管红外图像定位方法 |
CN105139445A (zh) * | 2015-08-03 | 2015-12-09 | 百度在线网络技术(北京)有限公司 | 场景重建方法及装置 |
CN105160654A (zh) * | 2015-07-09 | 2015-12-16 | 浙江工商大学 | 基于特征点提取的毛巾标签缺陷检测方法 |
CN106845490A (zh) * | 2016-12-30 | 2017-06-13 | 国网河南省电力公司检修公司 | 基于gpu加速的超高压变电设备红外图像定位方法 |
CN106960451A (zh) * | 2017-03-13 | 2017-07-18 | 西安电子科技大学 | 一种提升图像弱纹理区域特征点数量的方法 |
CN106991369A (zh) * | 2017-02-24 | 2017-07-28 | 重庆三峡学院 | 一种基于平滑滤波的人脸光照不变特征提取方法 |
CN107358244A (zh) * | 2017-07-17 | 2017-11-17 | 湖南优象科技有限公司 | 一种快速局部不变特征提取与描述方法 |
CN109089049A (zh) * | 2018-07-19 | 2018-12-25 | 叶涵 | 一种超高动态范围图像生成方法、计算机装置及存储介质 |
-
2019
- 2019-01-09 CN CN201910020597.9A patent/CN109934777B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050238198A1 (en) * | 2004-04-27 | 2005-10-27 | Microsoft Corporation | Multi-image feature matching using multi-scale oriented patches |
US20100067799A1 (en) * | 2008-09-17 | 2010-03-18 | Microsoft Corporation | Globally invariant radon feature transforms for texture classification |
US20120288217A1 (en) * | 2010-01-27 | 2012-11-15 | Jiefu Zhai | High dynamic range (hdr) image synthesis with user input |
CN102982561A (zh) * | 2012-12-31 | 2013-03-20 | 哈尔滨工业大学 | 适用于彩色图像彩色的二进制鲁棒尺度不变特征检测方法 |
CN103093464A (zh) * | 2013-01-16 | 2013-05-08 | 四川九洲电器集团有限责任公司 | 基于图像的轮廓波信息隐藏方法 |
CN103530633A (zh) * | 2013-10-09 | 2014-01-22 | 深圳大学 | 一种图像局部不变特征的语义映射方法及语义映射系统 |
CN104008544A (zh) * | 2014-05-20 | 2014-08-27 | 国家电网公司 | 一种基于brisk的变电站套管红外图像定位方法 |
CN105160654A (zh) * | 2015-07-09 | 2015-12-16 | 浙江工商大学 | 基于特征点提取的毛巾标签缺陷检测方法 |
CN105139445A (zh) * | 2015-08-03 | 2015-12-09 | 百度在线网络技术(北京)有限公司 | 场景重建方法及装置 |
CN106845490A (zh) * | 2016-12-30 | 2017-06-13 | 国网河南省电力公司检修公司 | 基于gpu加速的超高压变电设备红外图像定位方法 |
CN106991369A (zh) * | 2017-02-24 | 2017-07-28 | 重庆三峡学院 | 一种基于平滑滤波的人脸光照不变特征提取方法 |
CN106960451A (zh) * | 2017-03-13 | 2017-07-18 | 西安电子科技大学 | 一种提升图像弱纹理区域特征点数量的方法 |
CN107358244A (zh) * | 2017-07-17 | 2017-11-17 | 湖南优象科技有限公司 | 一种快速局部不变特征提取与描述方法 |
CN109089049A (zh) * | 2018-07-19 | 2018-12-25 | 叶涵 | 一种超高动态范围图像生成方法、计算机装置及存储介质 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111354014A (zh) * | 2020-02-20 | 2020-06-30 | 北京航空航天大学 | 一种针对相机自动曝光的特征点跟踪方法 |
CN111354014B (zh) * | 2020-02-20 | 2022-10-04 | 北京航空航天大学 | 一种针对相机自动曝光的特征点跟踪方法 |
CN113744177A (zh) * | 2020-05-28 | 2021-12-03 | 中科寒武纪科技股份有限公司 | 图像的角点检测方法、装置和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109934777B (zh) | 2023-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7413400B2 (ja) | 肌質測定方法、肌質等級分類方法、肌質測定装置、電子機器及び記憶媒体 | |
KR102629380B1 (ko) | 실제 3차원 객체를 실제 객체의 2-차원 스푸프로부터 구별하기 위한 방법 | |
CN112233135A (zh) | 眼底图像中视网膜血管分割方法及计算机可读存储介质 | |
US9275277B2 (en) | Using a combination of 2D and 3D image data to determine hand features information | |
CN109919869A (zh) | 一种图像增强方法、装置及存储介质 | |
CN107172354B (zh) | 视频处理方法、装置、电子设备及存储介质 | |
Xiang-yang et al. | Invariant quaternion radial harmonic Fourier moments for color image retrieval | |
Khan et al. | Localization of radiance transformation for image dehazing in wavelet domain | |
US9508120B2 (en) | System and method for computer vision item recognition and target tracking | |
CN114627227B (zh) | 基于pbr材质的物体重建方法、设备及计算机可读存储介质 | |
Singh et al. | A comparative analysis of illumination estimation based Image Enhancement techniques | |
CN115239861A (zh) | 人脸数据增强方法、装置、计算机设备和存储介质 | |
CN110415237A (zh) | 皮肤瑕疵检测方法、检测装置、终端设备及可读存储介质 | |
CN114926374B (zh) | 一种基于ai的图像处理方法、装置、设备及可读存储介质 | |
CN109934777A (zh) | 图像局部不变特征提取方法、装置、计算机设备及存储介质 | |
CN113128376A (zh) | 基于图像处理的皱纹识别方法、皱纹识别装置及终端设备 | |
Parihar et al. | A comprehensive analysis of fusion-based image enhancement techniques | |
Liu et al. | Iris recognition in visible spectrum based on multi-layer analogous convolution and collaborative representation | |
CN117152182B (zh) | 一种超低照度网络相机图像处理方法、装置及电子设备 | |
CN113052923B (zh) | 色调映射方法、装置、电子设备和存储介质 | |
CN113538704A (zh) | 一种基于光源位置绘制虚拟对象光影的方法及设备 | |
Bhandari et al. | Gamma corrected reflectance for low contrast image enhancement using guided filter | |
Pei et al. | Uneven illumination removal and image enhancement using empirical mode decomposition | |
JP7360217B2 (ja) | ユーザのバイオメトリック特性を有する当該ユーザの物体の画像からデータを取得するための方法 | |
CN110033474B (zh) | 目标检测方法、装置、计算机设备和存储介质 |
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 |