CN110287972B - 一种动物图像轮廓提取与匹配方法 - Google Patents

一种动物图像轮廓提取与匹配方法 Download PDF

Info

Publication number
CN110287972B
CN110287972B CN201910511696.7A CN201910511696A CN110287972B CN 110287972 B CN110287972 B CN 110287972B CN 201910511696 A CN201910511696 A CN 201910511696A CN 110287972 B CN110287972 B CN 110287972B
Authority
CN
China
Prior art keywords
pixel
matching
edge
contour
gradient
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
CN201910511696.7A
Other languages
English (en)
Other versions
CN110287972A (zh
Inventor
彭聪
曾聪
缪卫东
王雁刚
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN201910511696.7A priority Critical patent/CN110287972B/zh
Publication of CN110287972A publication Critical patent/CN110287972A/zh
Application granted granted Critical
Publication of CN110287972B publication Critical patent/CN110287972B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/752—Contour matching
    • 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
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A40/00—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production
    • Y02A40/70—Adaptation technologies in agriculture, forestry, livestock or agroalimentary production in livestock or poultry

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种动物图像轮廓提取与匹配方法，首先采用Canny算子提取图片中动物的轮廓，然后计算轮廓图上像素点二维坐标的法向量最后根据法向量以及通过螺旋搜索法寻找两个匹配图中对应的匹配点对。上述方法能够解决动物图像中由于特征点较少从而导致难以匹配的问题，而且基于法向量的匹配方法匹配精度较高，而且该方法的计算时间少，是一种较为优越的轮廓提取与匹配方法。

Description

一种动物图像轮廓提取与匹配方法
技术领域
本发明涉及一种高精度动物图像轮廓提取与匹配方法，属于计算机视觉技术领域。
背景技术
动物的检测、跟踪以及三维模型的重建在生物学、生态学、农业以及游戏娱乐产业有着诸多应用，目前也有着很多研究集中在动物的运动跟踪以及动物的三维重建方向。其中由于在动物图像中其特征点较少，传统的特征检测以及跟踪算法效果不太优越；另外在动物三维模型的建立中，目前三维模型的建立方法很多是通过三维扫描人工制作的三维模型来获得动物的数据从而建立的模型，但是这些方法都存着模型精度不高，动物模型种类少，获取3D数据不方便等等局限。所以需要一种高精度的动物图像匹配以及动物图像与三维模型模板匹配的方法来解决目前存在的问题。
目前的轮廓匹配主要是解决大小，位置，旋转角度，精度不同图像间的匹配问题。方法包括轮廓矩，成对几何直方图，凸包和凸缺陷，等级匹配等等。但是这些轮廓匹配的方法用在动物图像中会存在的匹配精度不高，计算过程过于复杂的问题，所以也需要一种高精度计算时间少的轮廓匹配方法。
发明内容
发明目的：为了克服现有技术中存在的不足，本发明提供一种动物图像轮廓提取与匹配方法，本发明采用Canny算子提取图片中动物的轮廓，然后计算轮廓图上像素点二维坐标的法向量最后根据法向量以及通过螺旋搜索法寻找两个匹配图中对应的匹配点对，能够解决动物图像中由于特征点较少从而导致难以匹配的问题，而且基于法向量的匹配方法匹配精度较高，而且该方法的计算时间少，是一种较为优越的轮廓提取与匹配方法。。
技术方案：为实现上述目的，本发明采用的技术方案为：
一种动物图像轮廓提取与匹配方法，包括以下步骤：
步骤S1.获取动物图像照片，采用Canny算子提取动物图像照片中生物体的轮廓；
步骤S2.计算轮廓图上像素点二维坐标的法向量；
骤S2包括：计算轮廓图上像素点二维坐标的法向量，具体求法如下：
根据步骤S1提取出的轮廓即为动物的轮廓图，之后计算轮廓图中的轮廓点的法向量，公式如下：
Figure BDA0002093695820000021
Figure BDA0002093695820000022
Figure BDA0002093695820000023
其中，v为轮廓图中的一个像素点，vx，vy为像素坐标值，p0是轮廓上的一个像素点，p1是p0邻域的一个像素点，
Figure BDA0002093695820000024
则是p0归一化的法向量；
步骤S3.根据法向量以及通过螺旋搜索法寻找两个匹配图中对应的匹配点对；
步骤S3中根据法向量以及通过螺旋搜索法寻找两个匹配图中对应的匹配点对，具体过程如下：
步骤S31，分别把两个匹配图的轮廓分为i1,j1个部分，每个部分包含了不同数量的像素点数；
步骤S32，从匹配图一中第一个轮廓中的一个像素点p开始计算出归一化的法向量
Figure BDA0002093695820000025
再计算匹配图二中第一个轮廓中的一个像素点p′的归一化法向量/>
Figure BDA0002093695820000026
求出/>
Figure BDA0002093695820000027
和/>
Figure BDA0002093695820000028
的点积，若大于阈值，则判定为匹配点对，若不满足，则从像素点开始按照右→下→左→上的方向依次计算其邻域中各个像素点的归一化法向量，并判断是否匹配，同时需设定邻域的尺度以及判定这些像素点是否还处于轮廓上，若计算完邻域中所有的像素点都不满足匹配条件，则计算第二个轮廓中的像素点，依次循环，直至计算出匹配点。
优选的：所述步骤S1包括：
步骤S11.动物图像照片灰度化；
步骤S12.使用高斯滤波器对动物图像照片进行降噪；
步骤S13.计算梯度的强度和方向；
步骤S14.在边缘上使用非极大抑制来消除边缘检测带来的杂散响应；
步骤S15.使用双阈值检测确定的和潜在的边缘，确定的边缘为强边缘，潜在的边缘为弱
边缘；
步骤S16.对于弱边缘，进一步判断是否为边缘像素。
优选的：高斯滤波器公式如下：
Figure BDA0002093695820000029
其中，Hi,j为高斯卷积核，σ为标准差，k确定核矩阵的维度。。
优选的：S13中计算梯度的强度和方向的方法：一个像素点的方向分为在x方向和在y方向上的分量，通过使用sobel算子与图像做相关操作，计算该像素点在该水平方向的梯度Gx和垂直方向的梯度Gy，由此可得到此像素点的梯度G和方向θ，公式如下
Figure BDA0002093695820000031
Figure BDA0002093695820000032
其中，Gx为水平方向的梯度，Gy为垂直方向的梯度。
优选的：步骤S14中边缘上使用非极大抑制来消除边缘检测带来的杂散响应的方法：首先将当前的像素梯度强度与沿正负梯度方向上的两个像素进行比较；如果当前像素的梯度强度均大于另外两个像素，则该像素保留为边缘点，否则抑制该像素。
优选的：步骤S15中使用双阈值检测确定的和潜在的边缘的方法：首先设定两个阈值，若边缘像素的梯度值高于高阈值，则将齐标记为弱边缘像素；弱边缘像素的梯度值小于低阈值，则会被抑制。
优选的：步骤S16中对于弱边缘，进一步判断是否为边缘像素的方法：通过检测弱边缘像素及其8个邻域像素，只要其中一个为强边缘像素，则该弱边缘点就保留为真实的边缘。
本发明相比现有技术，具有以下有益效果：
1、巧妙地通过提取动物图像中动物的图像来避免传统的特征提取算法无法在动物图片中提取足够多的特征点的问题。
2、通过计算轮廓点的法向量来进行轮廓匹配算法，计算量小，而且在动物图片中，相比于其他算法，匹配精度更高。
3、通过螺旋搜索法来寻找匹配点对的方法，相比于传统的方法计算量更小，在后续的处理中可能达到实时的效果。
附图说明
图1为一种高精度动物图像轮廓提取与匹配方法流程图；
图2为螺旋搜索法流程图；
具体实施方式
下面结合附图和具体实施例，进一步阐明本发明，应理解这些实例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。
一种动物图像轮廓提取与匹配方法，首先采用Canny算子提取图片中动物的轮廓，然后计算轮廓图上像素点二维坐标的法向量，最终根据法向量以及通过螺旋搜索法确定两个匹配图中对应的匹配点对。如图1、2所示，具体实施方法如下：
步骤一、采用Canny算子提取图片轮廓
具体建立方法如下：
(1)图像灰度化
由于Canny算法通常处理的图像为灰度图，所以首先需要先把彩色图像进行灰度化
(2)使用高斯滤波器对图像进行降噪，滤波器公式如下：
Figure BDA0002093695820000041
通过高斯滤波可以消除高频噪声。
(3)计算梯度的强度和方向，计算方法如下：
一个像素点的方向分为在x方向和在y方向上的分量，通过使用sobel算子与图像做相关
操作，计算该像素点在该水平方向的梯度Gx和垂直方向的梯度Gy，由此可得到此像素点
的梯度G和方向θ，公式如下
Figure BDA0002093695820000042
Figure BDA0002093695820000043
(4)在边缘上使用非极大抑制(NMS)来消除边缘检测带来的杂散响应。
计算图像的梯度之后，仅仅根据梯度提取的边缘仍旧很模糊，这是由于多个对边缘的梯度响应。而理想中需要一个方向上有且仅有一个局部最大值的梯度响应，把其它的梯度抑制为0。具体做法是：首先将当前的像素梯度强度与沿正负梯度方向上的两个像素进行比较；如果当前像素的梯度强度均大于另外两个像素，则该像素保留为边缘点，否则抑制该像素。(6)检测到边缘之后，在边缘上使用双阈值检测确定的和潜在的边缘。噪声和颜色变化可引起一些边缘像素，因此需要解决这些杂散效应。首先设定两个阈值，若边缘像素的梯度值高于高阈值，则将齐标记为弱边缘像素；弱边缘像素的梯度值小于低阈值，则会被抑制。
(5)经过上一步骤得出的弱边缘，还需要进一步判断是否为边缘像素。通常，由真实边缘引起的弱边缘像素会连接到强边缘像素，而由噪声引起的弱边缘像素则不会。通过检测弱边缘像素及其8个邻域像素，只要其中一个为强边缘像素，则该弱边缘点就可以保留为真实的边缘。
步骤二、计算轮廓图上像素点二维坐标的法向量，具体求法如下：
根据步骤一提取出的边缘即为动物的轮廓图，之后计算轮廓图中的轮廓点的法向量，公式如下：
Figure BDA0002093695820000051
Figure BDA0002093695820000052
Figure BDA0002093695820000053
其中，p0是轮廓上的一个像素点，p1是p0邻域的一个像素点，
Figure BDA0002093695820000054
则是p0归一化的法向量。
步骤三、通过螺旋搜索法寻找两个匹配图中对应的匹配点对，具体过程如下：
1、分别把两个匹配图的轮廓分为i,j个部分，每个部分包含了不同数量的像素点数。
2、从匹配图一中第一个轮廓中的一个像素点p开始计算出归一化的法向量
Figure BDA0002093695820000055
再计算匹配图二中第一个轮廓中的一个像素点p′的归一化法向量/>
Figure BDA0002093695820000056
求出/>
Figure BDA0002093695820000057
和/>
Figure BDA0002093695820000058
的点积，若大于阈值，则判定为匹配点对，若不满足，则从像素点开始按照右→下→左→上的方向依次计算其邻域中各个像素点的归一化法向量，并判断是否匹配，同时需设定邻域的尺度以及判定这些像素点是否还处于轮廓上，若计算完邻域中所有的像素点都不满足匹配条件，则计算第二个轮廓中的像素点，依次循环，直至计算出匹配点。
综上所述，本发明采用了Canny算子提取图片中动物的轮廓，然后计算轮廓图上像素点二维坐标的法向量，最终根据法向量以及通过螺旋搜索法确定两个匹配图中对应的匹配点对。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (7)

1.一种动物图像轮廓提取与匹配方法，其特征在于，包括以下步骤：
步骤S1.获取动物图像照片，采用Canny算子提取动物图像照片中生物体的轮廓；
步骤S2.计算轮廓图上像素点二维坐标的法向量；
具体求法如下：
根据步骤S1提取出的轮廓即为动物的轮廓图，之后计算轮廓图中的轮廓点的法向量，公式如下：
Figure QLYQS_1
Figure QLYQS_2
Figure QLYQS_3
其中，v为轮廓图中的一个像素点，vx，vy为像素坐标值，p0是轮廓上的一个像素点，p1是p0邻域的一个像素点，
Figure QLYQS_4
则是p0归一化的法向量；
步骤S3.根据法向量以及通过螺旋搜索法寻找两个匹配图中对应的匹配点对；
具体过程如下：
步骤S31，分别把两个匹配图的轮廓分为i1,j1个部分，每个部分包含了不同数量的像素点数；
步骤S32，从匹配图一中第一个轮廓中的一个像素点p开始计算出归一化的法向量
Figure QLYQS_5
再计算匹配图二中第一个轮廓中的一个像素点p′的归一化法向量/>
Figure QLYQS_6
求出/>
Figure QLYQS_7
和/>
Figure QLYQS_8
的点积，若大于阈值，则判定为匹配点对，若不满足，则从像素点开始按照右→下→左→上的方向依次计算其邻域中各个像素点的归一化法向量，并判断是否匹配，同时需设定邻域的尺度以及判定这些像素点是否还处于轮廓上，若计算完邻域中所有的像素点都不满足匹配条件，则计算第二个轮廓中的像素点，依次循环，直至计算出匹配点。
2.根据权利要求1所述动物图像轮廓提取与匹配方法，其特征在于：所述步骤S1包括：
步骤S11.动物图像照片灰度化；
步骤S12.使用高斯滤波器对动物图像照片进行降噪；
步骤S13.计算梯度的强度和方向；
步骤S14.在边缘上使用非极大抑制来消除边缘检测带来的杂散响应；
步骤S15.使用双阈值检测确定的和潜在的边缘，确定的边缘为强边缘，潜在的边缘为弱边缘；
步骤S16.对于弱边缘，进一步判断是否为边缘像素。
3.根据权利要求2所述动物图像轮廓提取与匹配方法，其特征在于：高斯滤波器公式如下：
Figure QLYQS_9
其中，Hi,j为高斯卷积核，σ为标准差，k确定核矩阵的维度。
4.根据权利要求3所述动物图像轮廓提取与匹配方法，其特征在于：S13中计算梯度的强度和方向的方法：一个像素点的方向分为在x方向和在y方向上的分量，通过使用sobel算子与图像做相关操作，计算该像素点在水平方向的梯度Gx和垂直方向的梯度Gy，由此可得到此像素点的梯度G和方向θ，公式如下
Figure QLYQS_10
Figure QLYQS_11
其中，Gx为水平方向的梯度，Gy为垂直方向的梯度。
5.根据权利要求4所述动物图像轮廓提取与匹配方法，其特征在于：步骤S14中边缘上使用非极大抑制来消除边缘检测带来的杂散响应的方法：首先将当前的像素梯度强度与沿正负梯度方向上的两个像素进行比较；如果当前像素的梯度强度均大于另外两个像素，则该像素保留为边缘点，否则抑制该像素。
6.根据权利要求5所述动物图像轮廓提取与匹配方法，其特征在于：步骤S15中使用双阈值检测确定的和潜在的边缘的方法：首先设定两个阈值，若边缘像素的梯度值高于高阈值，则将齐标记为弱边缘像素；弱边缘像素的梯度值小于低阈值，则会被抑制。
7.根据权利要求6所述动物图像轮廓提取与匹配方法，其特征在于：步骤S16中对于弱边缘，进一步判断是否为边缘像素的方法：通过检测弱边缘像素及其8个邻域像素，只要其中一个为强边缘像素，则该弱边缘点就保留为真实的边缘。
CN201910511696.7A 2019-06-13 2019-06-13 一种动物图像轮廓提取与匹配方法 Active CN110287972B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910511696.7A CN110287972B (zh) 2019-06-13 2019-06-13 一种动物图像轮廓提取与匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910511696.7A CN110287972B (zh) 2019-06-13 2019-06-13 一种动物图像轮廓提取与匹配方法

Publications (2)

Publication Number Publication Date
CN110287972A CN110287972A (zh) 2019-09-27
CN110287972B true CN110287972B (zh) 2023-06-09

Family

ID=68005273

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910511696.7A Active CN110287972B (zh) 2019-06-13 2019-06-13 一种动物图像轮廓提取与匹配方法

Country Status (1)

Country Link
CN (1) CN110287972B (zh)

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101833763B (zh) * 2010-04-28 2012-11-14 天津大学 一种水面倒影图像检测方法
US8571350B2 (en) * 2010-08-26 2013-10-29 Sony Corporation Image processing system with image alignment mechanism and method of operation thereof
CN102006398A (zh) * 2010-10-29 2011-04-06 西安电子科技大学 基于特征直线的船载摄像系统电子稳像方法
CN103971372A (zh) * 2014-05-21 2014-08-06 南华大学 人工骨快速成型方法
CN109785370B (zh) * 2018-12-12 2023-09-15 南京工程学院 一种基于空间时间序列模型的弱纹理图像配准方法

Also Published As

Publication number Publication date
CN110287972A (zh) 2019-09-27

Similar Documents

Publication Publication Date Title
CN109522908B (zh) 基于区域标签融合的图像显著性检测方法
CN105608671B (zh) 一种基于surf算法的图像拼接方法
CN106709950B (zh) 一种基于双目视觉的巡线机器人跨越障碍导线定位方法
CN106530347B (zh) 一种稳定的高性能圆特征检测方法
US11676301B2 (en) System and method for efficiently scoring probes in an image with a vision system
CN107452030B (zh) 基于轮廓检测和特征匹配的图像配准方法
CN106485651B (zh) 快速鲁棒性尺度不变的图像匹配方法
CN105335725A (zh) 一种基于特征融合的步态识别身份认证方法
CN113826143A (zh) 特征点检测
CN107808161A (zh) 一种基于光视觉的水下目标识别方法
WO2017120796A1 (zh) 路面病害的检测方法及其装置、电子设备
CN105913425B (zh) 一种基于自适应椭圆分块和小波变换的多猪轮廓提取方法
CN108229583B (zh) 一种基于主方向差分特征的快速模板匹配的方法及装置
CN111476804A (zh) 托辊图像高效分割方法、装置、设备及存储介质
CN112991374A (zh) 基于Canny算法的边缘增强方法、装置、设备及存储介质
CN114332079A (zh) 基于图像处理的塑料餐盒裂缝检测方法、装置及介质
CN110675442B (zh) 一种结合目标识别技术的局部立体匹配方法及系统
CN113688846A (zh) 物体尺寸识别方法、可读存储介质及物体尺寸识别系统
CN111524139A (zh) 一种基于双边滤波器的角点检测方法和检测系统
CN108876776B (zh) 一种分类模型生成方法、眼底图像分类方法及装置
CN116523916B (zh) 产品表面缺陷检测方法、装置、电子设备及存储介质
CN113781413A (zh) 一种基于Hough梯度法的电解电容定位方法
CN107145820B (zh) 基于hog特征和fast算法的双眼定位方法
CN111553927B (zh) 棋盘格角点检测方法、检测系统、计算机装置及存储介质
WO2024016632A1 (zh) 亮点定位方法、亮点定位装置、电子设备及存储介质

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