CN111310769B - 一种图片线特征的提取方法 - Google Patents
一种图片线特征的提取方法 Download PDFInfo
- Publication number
- CN111310769B CN111310769B CN202010086762.3A CN202010086762A CN111310769B CN 111310769 B CN111310769 B CN 111310769B CN 202010086762 A CN202010086762 A CN 202010086762A CN 111310769 B CN111310769 B CN 111310769B
- Authority
- CN
- China
- Prior art keywords
- rectangle
- picture
- region
- gradient
- value
- 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
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
- G06V10/40—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种图片线特征的提取方法,包括如下步骤:像素梯度的计算;在一整张图片的梯度值都计算完成之后,删掉梯度值小于梯度阙值的像素点;对图片进行填充,然后采用区域分裂合并算法对填充后的图片进行区域分裂,直至所有的区域不能继续分裂为止;分裂完成之后将具有相同属性的像素点合并;在区域合并之后,具有相同属性的相邻的像素点组成了一块区域,然后对此区域进行矩形逼近,计算逼近后的矩形密度,如果矩形密度不小于密度阙值,则接受该矩形检测结果,否则对矩形进行重绘。本发明所公开的方法解决了在点特征较少的情景下的图片匹配问题,利用线段特征构建的环境地图具有更直观的几何信息。
Description
技术领域
本发明涉及一种图片线特征的提取方法。
背景技术
目前,对于图片的特征点的提取算法大多数是基于纯点的,如SIFT、SURF、以及ORB等。但是纯点的算法在特征点较少的图片中表现比较差,如白墙,无明显特征的门窗等,可能会出现匹配错误等情况,所以此时可以使用线特征进行图片的匹配,一个好的线特征提取算法显得尤为重要。
发明内容
为解决上述技术问题,本发明提供了一种图片线特征的提取方法,解决了在点特征较少的情景下的图片匹配问题,利用线段特征构建的环境地图具有更直观的几何信息。
为达到上述目的,本发明的技术方案如下:
一种图片线特征的提取方法,包括如下步骤:
(1)像素梯度的计算,包括像素梯度值和水平线方向;
(2)在一整张图片的梯度值都计算完成之后,删掉梯度值小于梯度阙值的像素点;
(3)对图片进行填充,然后采用区域分裂合并算法对填充后的图片进行区域分裂,直至所有的区域不能继续分裂为止;分裂完成之后将具有相同属性的像素点合并,遍历所有的区域,直至所有的区域不能合并为止;
(4)在区域合并之后,具有相同属性的相邻的像素点组成了一块区域,然后对此区域进行矩形逼近,用一个矩形将此区域的像素点全部包含进去,如果此区域中的像素数量低于设定阈值,此区域会被舍弃,不会进行矩形逼近;
(5)计算逼近后的矩形密度,如果矩形密度不小于密度阙值,则接受该矩形检测结果,否则对矩形进行重绘。
上述方案中,所述步骤(1)具体如下:
设:
gx(x,y)为图片坐标(x,y)在x方向的梯度值;
gy(x,y)为图片坐标(x,y)在y方向的梯度值;
i(x,y)为图片坐标(x,y)处的像素灰度值;
i(x+1,y)为图片坐标(x+1,y)处的像素灰度值;
i(x,y+1)为图片坐标(x,y+1)处的像素灰度值;
i(x+1,y+1)为图片坐标(x+1,y+1)处的像素灰度值;
图片坐标(x,y)的梯度值为:
梯度的方向(与x轴的夹角)为:
和其垂直的方向,即水平线方向(与x轴的夹角)为:
将由水平线方向和梯度值大小组成的区域称之为线支持区域。
上述方案中,所述步骤(2)具体如下:
梯度阈值ρ的计算公式如下所示:
其中,q为经验数值;τ是角度容忍度,表示水平线方向角度的大小相差范围在±τ的范围内即认为其具有相同的梯度方向;
把梯度值小于梯度阈值ρ的像素点删除掉,并把删除掉的像素点状态设置为USED,不参与后续的计算,其余的像素点状态设置为UNUSED。
进一步的技术方案中,q取2,τ取22.5。
上述方案中,所述步骤(3)具体如下:
将图片右边界和下边界进行填充扩展,填充成边长是大于图片长宽最大值的2的最小整数次幂的正方形;
完成图片的填充之后,再将填充后的整个图片分为四个一级区域,然后查看每个区域是否有状态为UNUSED的点,如果有的话,计算此一级区域所有状态是UNUSED的点的方差,方差的计算如下:
先计算此区域的梯度平均值:
则此区域的方差为:
其中,k是此区域的边长,即此区域边长像素的个数;
如果此方差小于设定值,则不再继续分裂,反之继续分裂,将此区域再分为四个二级区域,判断二级区域是否分裂成三级区域,以此类推,如此下去,直至所有的区域不能继续分裂为止;
分裂完成之后,将具有相同属性的像素点合并,水平线方向在一个相同的范围τ内算相同属性,并且将合并后的像素点的状态设置为USED,可以是不同等级区域的进行合并,然后遍历所有的区域,直至所有的区域不能合并为止;每合并入一个新的区域,就将当前合并的区域的水平线方向重新计算一遍,公式如下:
其中,θj为合并添加新的像素点后的区域的方向角度,j代表在这个区域内像素点的个数,每添加一个像素点,j就会加1。
进一步的技术方案中,所述设定值为经验值,取100。
上述方案中,所述步骤(4)中,矩形逼近方法具体如下:
首先,把整个区域当做一个实体,而区域中每个像素点的梯度大小为点的质量,这样整个实体就有一个质心,将质心作为矩形的中心点;假设区域中点的坐标为(x(j),y(j)),对应的质量为G(j),那么矩形的中心为(cx,cy):
然后,确定矩形的朝向角度,其角度设置为与矩阵M的最小特征值相关联的特征向量的角度;
其中,mxx,myy,mxy的值分别为:
确定了矩形的中心和矩形的朝向后,包含区域所有点的最小矩形即为逼近得到的矩形。
上述方案中,所述步骤(5)中,对于一个线支持区域和对应的逼近矩形r,区域中与区域角度相同的点的数量为K,那么该矩形的密度d定义为:
其中,length(r)为矩形r的长度,width(r)为矩形r的宽度;
如果矩形r的密度d(r)≧d(0),d(0)为设置的密度阈值,则接受该矩形检测结果,如果不满足要求,则对矩形进行重绘。
进一步的技术方案中,d(0)取0.7。
上述方案中,对矩形进行重绘的方法为减少角度容忍度τ:
减小角度容忍度τ,那么远处的钝角的不包含种子像素的线段将会被舍弃,并被重新标记为UNUSED,这个被舍弃的区域将会被重新利用生成另一个线段,那么这个线段就会被重新分割成两段。
通过上述技术方案,本发明提供的一种图片线特征的提取方法具有如下有益效果:
(1)解决了在点特征较少的情景下的图片匹配问题,此种情况下可以使用生成的线特征来进行图片的匹配。
(2)在人造的结构化环境中,存在着丰富的线特征,与图像中的点特征起到了信息互补的作用。
(3)同时线特征是一种更高层次的特征,利用线段特征构建的环境地图具有更直观的几何信息。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1为本发明实施例所公开的图像原图;
图2为提取线特征后的效果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
本发明提供了一种图片线特征的提取方法,具体方法如下:
(1)像素梯度的计算,包括像素梯度值和水平线方向;
梯度的计算利用每像素点的右边和下方的四个像素进行计算。这样做,主要是尽可能少的使用其他像素,可以减少对梯度的依赖性,这样对有噪声的图像更具有鲁棒性。计算梯度是为了记录明暗变化,从而找到可能有线段边缘的地方。
设:
gx(x,y)为图片坐标(x,y)在x方向的梯度值;
gy(x,y)为图片坐标(x,y)在y方向的梯度值;
i(x,y)为图片坐标(x,y)处的像素灰度值;
i(x+1,y)为图片坐标(x+1,y)处的像素灰度值;
i(x,y+1)为图片坐标(x,y+1)处的像素灰度值;
i(x+1,y+1)为图片坐标(x+1,y+1)处的像素灰度值;
图片坐标(x,y)的梯度值为:
梯度的方向(与x轴的夹角)为:
和其垂直的方向,即水平线方向(与x轴的夹角)为:
将由水平线方向和梯度值大小组成的区域称之为线支持区域。
(2)在一整张图片的梯度值都计算完成之后,删掉梯度值小于梯度阙值的像素点;
对那一些灰度变化较小的区域(比如一些平面)来说,计算梯度时,一点误差都会对梯度产生较大的影响,进而对结果产生较大的干扰,所以会对此部分区域的像素进行剔除,不参与后续的计算。
梯度阈值ρ的计算公式如下所示:
其中,q为经验数值;τ是角度容忍度,表示水平线方向角度的大小相差范围在±τ的范围内即认为其具有相同的梯度方向;
把梯度值小于梯度阈值ρ的像素点删除掉,并把删除掉的像素点状态设置为USED,不参与后续的计算,其余的像素点状态设置为UNUSED。
本实施例中,q取2,τ取22.5。
(3)对图片进行填充,然后采用区域分裂合并算法对填充后的图片进行区域分裂,直至所有的区域不能继续分裂为止;分裂完成之后将具有相同属性的像素点合并,遍历所有的区域,直至所有的区域不能合并为止;
将图片右边界和下边界进行填充扩展,填充成边长是大于图片长宽最大值的2的最小整数次幂的正方形,类似于用一个大的正方形将此图片包含进去,只是正方形的边长是能取得的最小的2的整数次幂。
完成图片的填充之后,再将填充后的整个图片分为四个一级区域,然后查看每个区域是否有状态为UNUSED的点,如果有的话,计算此一级区域所有状态是UNUSED的点的方差,方差的计算如下:
先计算此区域的梯度平均值:
则此区域的方差为:
其中,k是此区域的边长,即此区域边长像素的个数;
如果此方差小于设定值100,则不再继续分裂,反之继续分裂,将此区域再分为四个二级区域,判断二级区域是否分裂成三级区域,以此类推,如此下去,直至所有的区域不能继续分裂为止;
分裂完成之后,将具有相同属性的像素点合并,水平线方向在一个相同的范围τ内算相同属性,并且将合并后的像素点的状态设置为USED,可以是不同等级区域的进行合并,如三级区域可以和五级区域合并;然后遍历所有的区域,直至所有的区域不能合并为止;每合并入一个新的区域,就将当前合并的区域的水平线方向重新计算一遍,公式如下:
其中,θj为合并添加新的像素点后的区域的方向角度,j代表在这个区域内像素点的个数,每添加一个像素点,j就会加1。
进一步的技术方案中,所述设定值为经验值,取100。
(4)在区域合并之后,具有相同属性的相邻的像素点组成了一块区域,然后对此区域进行矩形逼近,用一个矩形将此区域的像素点全部包含进去,如果此区域中的像素数量低于设定阈值,此阈值经验值一般设置为3,此区域会被舍弃,不会进行矩形逼近;
矩形逼近方法具体如下:
首先,把整个区域当做一个实体,而区域中每个像素点的梯度大小为点的质量,这样整个实体就有一个质心,将质心作为矩形的中心点;假设区域中点的坐标为(x(j),y(j)),对应的质量为G(j),那么矩形的中心为(cx,cy):
然后,确定矩形的朝向角度,其角度设置为与矩阵M的最小特征值相关联的特征向量的角度;
其中,mxx,myy,mxy的值分别为:
确定了矩形的中心和矩形的朝向后,包含区域所有点的最小矩形即为逼近得到的矩形。
(5)计算逼近后的矩形密度,如果矩形密度不小于密度阙值,则接受该矩形检测结果,否则对矩形进行重绘。
对于一个线支持区域和对应的逼近矩形r,区域中与区域角度相同的点的数量为K,那么该矩形的密度d定义为:
其中,length(r)为矩形r的长度,width(r)为矩形r的宽度;
如果矩形r的密度d(r)≧d(0),d(0)为设置的密度阈值,则接受该矩形检测结果,如果不满足要求,则对矩形进行重绘。
本实施例中,d(0)取0.7。
对矩形进行重绘的方法为减少角度容忍度τ:
减小角度容忍度τ,那么远处的钝角的不包含种子像素的线段将会被舍弃,并被重新标记为UNUSED,这个被舍弃的区域将会被重新利用生成另一个线段,那么这个线段就会被重新分割成两段。
本方法针对的原图如图1所示,按照上述方案提取线特征后的效果图见图2。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种图片线特征的提取方法,其特征在于,包括如下步骤:
步骤(1),像素梯度的计算,包括像素梯度值和水平线方向;将由水平线方向和梯度值大小组成的区域称之为线支持区域;
步骤(2),在一整张图片的梯度值都计算完成之后,删掉梯度值小于梯度阈值的像素点;
步骤(3),对图片进行填充,然后采用区域分裂合并算法对填充后的图片进行区域分裂,直至所有的区域不能继续分裂为止;分裂完成之后将具有相同属性的像素点合并,遍历所有的区域,直至所有的区域不能合并为止;
步骤(4),在区域合并之后,具有相同属性的相邻的像素点组成了一块区域,然后对此区域进行矩形逼近,用一个矩形将此区域的像素点全部包含进去,如果此区域中的像素数量低于设定阈值,此区域会被舍弃,不会进行矩形逼近;
步骤(5),计算逼近后的矩形的密度,如果矩形的密度不小于密度阈值,则接受该矩形检测结果,否则对矩形进行重绘;
对于一个线支持区域和对应的逼近矩形r,区域中与区域角度相同的点的数量为K,那么该矩形的密度d定义为:
其中,length(r)为矩形r的长度,width(r)为矩形r的宽度;
如果矩形r的密度d(r)≧d(0),d(0)为设置的密度阈值,则接受该矩形检测结果,如果不满足要求,则对矩形进行重绘。
4.根据权利要求3所述的一种图片线特征的提取方法,其特征在于,q取2,τ取22.5。
5.根据权利要求3所述的一种图片线特征的提取方法,其特征在于,所述步骤(3)具体如下:
将图片右边界和下边界进行填充扩展,填充成边长是大于图片长宽最大值的2的最小整数次幂的正方形;
完成图片的填充之后,再将填充后的整个图片分为四个一级区域,然后查看每个区域是否有状态为UNUSED的点,如果有的话,计算此一级区域所有状态是UNUSED的点的方差,方差的计算如下:
先计算此区域的梯度平均值:
则此区域的方差为:
其中,k是此区域的边长,即此区域边长像素的个数;
如果此方差小于设定值,则不再继续分裂,反之继续分裂,将此区域再分为四个二级区域,判断二级区域是否分裂成三级区域,以此类推,如此下去,直至所有的区域不能继续分裂为止;
分裂完成之后,将具有相同属性的像素点合并,水平线方向在一个相同的范围τ内算相同属性,并且将合并后的像素点的状态设置为USED,可以是不同等级区域的进行合并,然后遍历所有的区域,直至所有的区域不能合并为止;每合并入一个新的区域,就将当前合并的区域的水平线方向重新计算一遍,公式如下:
其中,θj为合并添加新的像素点后的区域的方向角度,j代表在这个区域内像素点的个数,每添加一个像素点,j就会加1。
6.根据权利要求5所述的一种图片线特征的提取方法,其特征在于,所述设定值为经验值,取100。
8.根据权利要求1所述的一种图片线特征的提取方法,其特征在于,d(0)取0.7。
9.根据权利要求3所述的一种图片线特征的提取方法,其特征在于,对矩形进行重绘的方法为减少角度容忍度τ:
减小角度容忍度τ,那么远处的钝角的不包含种子像素的线段将会被舍弃,并被重新标记为UNUSED,这个被舍弃的区域将会被重新利用生成另一个线段,那么这个线段就会被重新分割成两段。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010086762.3A CN111310769B (zh) | 2020-02-11 | 2020-02-11 | 一种图片线特征的提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010086762.3A CN111310769B (zh) | 2020-02-11 | 2020-02-11 | 一种图片线特征的提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111310769A CN111310769A (zh) | 2020-06-19 |
CN111310769B true CN111310769B (zh) | 2023-04-18 |
Family
ID=71148918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010086762.3A Active CN111310769B (zh) | 2020-02-11 | 2020-02-11 | 一种图片线特征的提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111310769B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112001927B (zh) * | 2020-07-14 | 2024-04-16 | 南京航空航天大学 | 基于线基元几何空间关系连接的电力线检测方法 |
CN115239966B (zh) * | 2022-05-30 | 2024-04-09 | 中国地质大学(武汉) | 一种基于图像处理的隐伏基底古裂谷识别提取方法及系统 |
CN115060665B (zh) * | 2022-08-16 | 2023-01-24 | 君华高科集团有限公司 | 一种食品安全自动巡检系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5867593A (en) * | 1993-10-20 | 1999-02-02 | Olympus Optical Co., Ltd. | Image region dividing apparatus |
CN102770864A (zh) * | 2010-01-29 | 2012-11-07 | 香港科技大学 | 基于图像的建筑物图案检测以及建模 |
CN104103059A (zh) * | 2013-04-02 | 2014-10-15 | 北京三星通信技术研究有限公司 | 图像分割方法和图像分割装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7983446B2 (en) * | 2003-07-18 | 2011-07-19 | Lockheed Martin Corporation | Method and apparatus for automatic object identification |
-
2020
- 2020-02-11 CN CN202010086762.3A patent/CN111310769B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5867593A (en) * | 1993-10-20 | 1999-02-02 | Olympus Optical Co., Ltd. | Image region dividing apparatus |
CN102770864A (zh) * | 2010-01-29 | 2012-11-07 | 香港科技大学 | 基于图像的建筑物图案检测以及建模 |
CN104103059A (zh) * | 2013-04-02 | 2014-10-15 | 北京三星通信技术研究有限公司 | 图像分割方法和图像分割装置 |
Non-Patent Citations (3)
Title |
---|
Thomas B. Sebastian.Fast detection of line features in Large images.ResearchGate.2005,全文. * |
王颖 ; 王鹏飞 ; 杨余旺 ; .基于图像分割的目标尺寸特征测量.计算机技术与发展.2017,(第02期),全文. * |
石荣刚 ; 李志远 ; 江涛 ; .图像分割的常用方法及其应用.现代电子技术.2007,(第12期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN111310769A (zh) | 2020-06-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310769B (zh) | 一种图片线特征的提取方法 | |
WO2019041842A1 (zh) | 一种图像处理方法及装置、存储介质和计算机设备 | |
EP3367334B1 (en) | Depth estimation method and depth estimation apparatus of multi-view images | |
CN111179195B (zh) | 深度图像空洞填充方法、装置、电子设备及其存储介质 | |
CN111062331B (zh) | 图像的马赛克检测方法、装置、电子设备及存储介质 | |
CN114998773B (zh) | 适用于无人机系统航拍图像的特征误匹配剔除方法及系统 | |
US8395824B2 (en) | Method for determining ground line | |
CN111161288B (zh) | 图像处理方法和装置 | |
JP6736422B2 (ja) | 画像処理装置、画像処理の方法およびプログラム | |
JP7262530B2 (ja) | 位置情報の生成方法、関連装置及びコンピュータプログラム製品 | |
JP2966248B2 (ja) | ステレオ対応探索装置 | |
CN111160362B (zh) | 一种fast特征均匀化提取与帧间特征误匹配去除方法 | |
CN114677393B (zh) | 深度图像处理方法、装置、摄像设备、会议系统及介质 | |
JP2004519048A (ja) | 立体画像から抽出された物体境界を改善する方法及び装置 | |
TWI789158B (zh) | 影像處理方法、系統以及非暫態電腦可讀取記錄媒體 | |
CN114998629A (zh) | 卫星地图与航拍图像模板匹配方法、无人机定位方法 | |
KR101512297B1 (ko) | 영상의 그라운드 라인 결정 방법 | |
CN112802175B (zh) | 大规模场景遮挡剔除方法、装置、设备及存储介质 | |
CN114549429A (zh) | 基于超图结构的深度数据质量评价方法及装置 | |
KR101667306B1 (ko) | Topological Derivative 기반 저 복잡도 영상 세그먼테이션 방법 및 시스템 | |
JP2018063635A (ja) | 画像処理装置、画像処理方法およびプログラム | |
CN116310227B (zh) | 三维稠密重建方法、装置、电子设备及介质 | |
JPH08221512A (ja) | 画像処理装置及びその方法 | |
JP2021043774A (ja) | 通知判定装置、通知判定方法及び通知判定プログラム | |
CN114648621B (zh) | 一种地面点云快速滤波方法、装置、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 |