CN111325215A - 图像局部特征描述方法、装置、设备及介质 - Google Patents
图像局部特征描述方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN111325215A CN111325215A CN201811534384.XA CN201811534384A CN111325215A CN 111325215 A CN111325215 A CN 111325215A CN 201811534384 A CN201811534384 A CN 201811534384A CN 111325215 A CN111325215 A CN 111325215A
- Authority
- CN
- China
- Prior art keywords
- sampling points
- descending order
- odd
- preset number
- local
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000005070 sampling Methods 0.000 claims abstract description 83
- 239000013598 vector Substances 0.000 claims abstract description 53
- 238000013507 mapping Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 4
- 238000012512 characterization method Methods 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 abstract description 6
- 238000012938 design process Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 16
- 230000008859 change Effects 0.000 description 9
- 238000013461 design Methods 0.000 description 8
- 238000001514 detection method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000012163 sequencing technique Methods 0.000 description 5
- 238000005286 illumination Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例提供一种图像局部特征描述方法、装置、设备及介质,该方法包括:抽取局部图像区域;按照亮度大小,将局部图像区域划分为第一预设数目子区间;基于第一预设数目子区间中每个子区间的一个像素点,利用像素点邻域内第二预设数目采样点,构造数字组合,其中数字组合包括第二预设数目采样点中每一个采样点的像素值;将数字组合映射为一种非降序排列;得到非降序排列在索引目录中的位置;根据非降序排列在索引目录中的位置,得到像素点的特征向量;根据像素点的特征向量,描述图像局部特征;其中,局部图像区域的形状包括圆形。根据本发明实施例的上述方案,能够对图像旋转、亮度变换具备不变性,简化设计流程,时效性更高。
Description
技术领域
本发明涉及计算机视觉领域,尤其涉及一种图像局部特征描述方法、装置、设备及介质。
背景技术
图像局部特征在计算机视觉、图像匹配、目标识别等领域应用广泛,其基本出发点是要有一个可靠的图像对应点集合,而建立图像点与点之间的可靠对应关系通常都依赖于一个优秀的局部图像特征向量,局部图像特征向量的核心问题是不变性和可区分性,即能够抵抗光照、旋转等变化带来的攻击,以此来提高各种环境下基于图像的相关应用能力和效率。
然而,现有技术中多数方法均是利用空间划分的特征描述方法,如尺度不变特征变换(Scale-invariant feature transform,SIFT)、快速鲁棒特征(Speeded Up RobustFeatures,SURF)等通过估计关键点的主方向并以方向为坐标轴,计算空间邻域内的梯度信息,但当图像出现旋转时,主方向估计存在误差,描述符的性能会下降。
综上所述,现有技术在图像出现旋转时,主方向估计存在误差,描述符的性能下降。
发明内容
本发明实施例提供了一种图像局部特征描述方法、装置、设备及介质,能够对图像旋转、亮度变换具备不变性,简化设计流程,时效性更高。
第一方面,本发明实施例提供了一种图像局部特征描述方法,方法包括:
抽取局部图像区域;
按照亮度大小,将所述局部图像区域划分为第一预设数目子区间;
基于所述第一预设数目子区间中每个子区间的一个像素点,利用所述像素点邻域内第二预设数目采样点,构造数字组合,其中所述数字组合包括所述第二预设数目采样点中每一个采样点的像素值;
将所述数字组合映射为一种非降序排列;
基于所述非降序排列,得到所述非降序排列在索引目录中的位置;
根据所述非降序排列在索引目录中的位置,得到所述像素点的特征向量;
根据所述像素点的特征向量,描述所述图像局部特征;
其中,所述局部图像区域的形状包括圆形。
根据本发明所述的图像局部特征描述方法,所述抽取局部图像区域,包括:
利用仿射不变特征匹配算法Harris-Affine,抽取局部图像区域。
根据本发明所述的图像局部特征描述方法,所述方法还包括:
根据所述第二预设数目采样点,设计所述索引目录的维度。
根据本发明所述的图像局部特征描述方法,
当所述第二预设数目低于第一预设阈值时,将所述索引目录的维度设计为所述第二预设数目的阶乘。
根据本发明所述的图像局部特征描述方法,
当所述第二预设数目高于第一预设阈值时,将所述索引目录的维度设计为所述第二预设数目除以2的阶乘再乘以2。
根据本发明所述的图像局部特征描述方法,所述方法还包括:
按照奇偶顺序,划分所述第二预设数目采样点,得到奇数采样点和偶数采样点;
基于所述奇数采样点,得到所述奇数采样点的特征向量;
基于所述偶数采样点,得到所述偶数采样点的特征向量;
将所述奇数采样点的特征向量与所述偶数采样点的特征向量进行合并。
根据本发明所述的图像局部特征描述方法,所述基于所述奇数采样点,得到所述奇数采样点的特征向量,包括:
基于所述奇数采样点,构建奇数数字组合;
将所述奇数数字组合映射为一种奇数非降序排列;
基于所述奇数非降序排列,得到所述奇数非降序排列在所述索引目录中的位置;
根据所述奇数非降序排列在所述索引目录中的位置,得到所述奇数采样点的特征向量。
根据本发明所述的图像局部特征描述方法,所述基于所述偶数采样点,得到所述偶数采样点的特征向量,包括:
基于所述偶数采样点,构建偶数数字组合;
将所述偶数数字组合映射为一种偶数非降序排列;
基于所述偶数非降序排列,得到所述偶数非降序排列在所述索引目录中的位置;
根据所述偶数非降序排列在所述索引目录中的位置,得到所述偶数采样点的特征向量。
根据本发明所述的图像局部特征描述方法,所述将所述数字组合映射为一种非降序排列,包括:
设定第二预设阈值;
根据所述第二预设阈值,对所述数字组合进行非降序排列。
根据本发明所述的图像局部特征描述方法,所述根据所述第二预设阈值,对所述数字组合进行非降序排列,包括:
当两个采样点的像素值之间的差值大于第二预设阈值时,则确定所述两个采样点的像素值之间的大小关系;
根据确定的所述两个采样点的像素值之间的大小关系,对所述数字组合进行非降序排列。
第二方面,本发明实施例提供了一种图像局部特征描述装置,装置包括:
抽取模块,用于抽取局部图像区域;
第一划分模块,用于按照亮度大小,将所述局部图像区域划分为第一预设数目子区间;
构造模块,用于基于所述第一预设数目子区间中每个子区间的一个像素点,利用所述像素点邻域内第二预设数目采样点,构造数字组合,其中所述数字组合包括所述第二预设数目采样点中每一个采样点的像素值;
映射模块,用于将所述数字组合映射为一种非降序排列;
位置模块,用于基于所述非降序排列,得到所述非降序排列在索引目录中的位置;
特征向量模块,用于根据所述非降序排列在索引目录中的位置,得到所述像素点的特征向量;
描述模块,用于根据所述像素点的特征向量,描述所述图像局部特征;
其中,所述局部图像区域的形状包括圆形。
根据本发明所述的图像局部特征描述装置,抽取模块具体用于:
利用仿射不变特征匹配算法Harris-Affine,抽取局部图像区域。
根据本发明所述的图像局部特征描述装置,装置还包括:
设计模块,用于根据所述第二预设数目采样点,设计所述索引目录的维度。
根据本发明所述的图像局部特征描述装置,设计模块具体用于:
当所述第二预设数目低于第一预设阈值时,将所述索引目录的维度设计为所述第二预设数目的阶乘。
根据本发明所述的图像局部特征描述装置,设计模块具体用于:
当所述第二预设数目高于第一预设阈值时,将所述索引目录的维度设计为所述第二预设数目除以2的阶乘再乘以2。
根据本发明所述的图像局部特征描述装置,装置还包括:
第二划分模块,用于按照奇偶顺序,划分所述第二预设数目采样点,得到奇数采样点和偶数采样点;
奇数特征向量模块,用于基于所述奇数采样点,得到所述奇数采样点的特征向量;
偶数特征向量模块,用于基于所述偶数采样点,得到所述偶数采样点的特征向量;
合并模块,用于将所述奇数采样点的特征向量与所述偶数采样点的特征向量进行合并。
根据本发明所述的图像局部特征描述装置,奇数特征向量模块具体用于:
基于所述奇数采样点,构建奇数数字组合;
将所述奇数数字组合映射为一种奇数非降序排列;
基于所述奇数非降序排列,得到所述奇数非降序排列在所述索引目录中的位置;
根据所述奇数非降序排列在所述索引目录中的位置,得到所述奇数采样点的特征向量。
根据本发明所述的图像局部特征描述装置,偶数特征向量具体用于:
基于所述偶数采样点,构建偶数数字组合;
将所述偶数数字组合映射为一种偶数非降序排列;
基于所述偶数非降序排列,得到所述偶数非降序排列在所述索引目录中的位置;
根据所述偶数非降序排列在所述索引目录中的位置,得到所述偶数采样点的特征向量。
根据本发明所述的图像局部特征描述装置,映射模块具体用于:
设定第二预设阈值;
根据所述第二预设阈值,对所述数字组合进行非降序排列。
根据本发明所述的图像局部特征描述装置,映射模块具体用于:
当两个采样点的像素值之间的差值大于第二预设阈值时,则确定所述两个采样点的像素值之间的大小关系;
根据确定的所述两个采样点的像素值之间的大小关系,对所述数字组合进行非降序排列。
本发明实施例提供了一种图像局部特征描述设备,包括:至少一个处理器、至少一个存储器以及存储在存储器中的计算机程序指令,当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,其上存储有计算机程序指令,当计算机程序指令被处理器执行时实现如上述实施方式中第一方面的方法。
本发明实施例提供的图像局部特征描述方法、装置、设备及介质,能够对图像旋转、亮度变换具备不变性,简化设计流程,时效性更高。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例中所需要使用的附图作简单地介绍,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本发明实施例的图像局部特征描述方法的流程示意图;
图2示出了本发明实施例的图像局部特征描述装置的结构示意图;
图3示出了本发明实施例的Harris-Affine检测椭圆及归一化为圆形的示意图;
图4示出了本发明实施例的局部区域按照图像亮度大小的划分示意图;
图5示出了本发明实施例的点x及其周围的4个邻域点的示意图;
图6示出了本发明实施例的索引目录表的构造和查询示意图;
图7示出了本发明实施例的顺序排序的描述子和基于阈值排序的描述子对比结果示意图;
图8示出了本发明实施例提供的图像局部特征描述设备的硬件结构示意图。
具体实施方式
下面将详细描述本发明的各个方面的特征和示例性实施例,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描述。应理解,此处所描述的具体实施例仅被配置为解释本发明,并不被配置为限定本发明。对于本领域技术人员来说,本发明可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本发明的示例来提供对本发明更好的理解。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本发明实施例可提供一种图像局部特征描述方法,参考图1,图1示出了本发明实施例的图像局部特征描述方法100的流程示意图,该方法包括:
S110,抽取局部图像区域,其中,局部图像区域的形状包括圆形;
S120,按照亮度大小,将局部图像区域划分为第一预设数目子区间;
S130,基于第一预设数目子区间中每个子区间的一个像素点,利用像素点邻域内第二预设数目采样点,构造数字组合,其中数字组合包括第二预设数目采样点中每一个采样点的像素值;
S140,将数字组合映射为一种非降序排列;
S150,基于非降序排列,得到非降序排列在索引目录中的位置;
S160,根据非降序排列在索引目录中的位置,得到像素点的特征向量;
S170,根据像素点的特征向量,描述图像局部特征。
利用本发明提供的上述方案,能够对图像旋转、亮度变换具备不变性,简化设计流程,时效性更高。
本发明实施例可提供一种图像局部特征描述装置,参考图2,图2示出了本发明实施例的图像局部特征描述装置200的结构示意图,该装置包括:
抽取模块210,用于抽取局部图像区域,其中,局部图像区域的形状包括圆形
划分模块220,用于按照亮度大小,将局部图像区域划分为第一预设数目子区间;
构造模块230,用于基于第一预设数目子区间中每个子区间的一个像素点,利用像素点邻域内第二预设数目采样点,构造数字组合,其中数字组合包括第二预设数目采样点中每一个采样点的像素值;
映射模块240,用于将数字组合映射为一种非降序排列;
位置模块250,用于基于非降序排列,得到非降序排列在索引目录中的位置;
特征向量模块260,用于根据非降序排列在索引目录中的位置,得到所述像素点的特征向量;
描述模块270,用于根据所述像素点的特征向量,描述图像局部特征。
利用本发明提供的上述方案,能够对图像旋转、亮度变换具备不变性,简化设计流程,时效性更高。
本发明实施例提供一种图像局部特征描述方法,该方法主要包含特征检测和特征描述两方面。首先在特征检测步骤中,采用防射不变特征匹配(Harris-Affine)算法检测图像中的局部区域,考虑到检测出的区域大小和形状不一,因此进行归一化为圆形区域;其次,在特征描述时,利用图像自带的亮度信息(图像像素值),在检测出的局部区域按亮度大小划分若干子区间,对各个子区间内的像素点利用其邻域内的采样点的像素值进行数字组合,通过设计一种排序映射及索引形成一组向量。最后合成各子区间的向量形成该局部区域的特征向量。
以下通过具体的实例,描述本发明实施例的可选的具体处理过程。需要说明的是,本发明的方案并不依赖于具体的算法,在实际应用中,可选用任何已知或未知的硬件、软件、算法、程序或其任意组合等来实现本发明的方案,只要是采用了本发明方案的实质思想,均落入本发明的保护范围。
以下将分别从特征检测和特征描述两方面,对本发明做详细阐述,具体内容请见下述说明:
1、特征检测:利用Harris-Affine算法抽取图像的局部特征区域,该方法定位的特征区域为椭圆形,椭圆形状内的图像内容在不同视角下都可以保持不变,兼顾了尺度和仿射不变性,另外圆形区域具有固有的旋转不变性,所以进一步将椭圆形区域归一化为一个固定半径的圆形区域,如图3所示,图3示出了本发明实施例的Harris-Affine检测椭圆及归一化为圆形的示意图。
2、特征描述设计:对上述圆形区域,按照亮度大小划分为B个子区间bin,每个子区间bin的像素连续且都在某个区间段内,如图4所示,图4示出了本发明实施例的局部区域按照图像亮度大小的划分示意图。
(1)构造像素组合:对每个子区间bin的一个像素点x,利用其邻域内的N个采样点构造一组数字组合P(x)=(I(x1),I(x2),I(x3),I(x4),...,I(xN)),例如当N=4时,采集到这4个点的像素值分别为I(x1)=86、I(x2)=217、I(x3)=152、I(x4)=101,那么点x对应的组合就为P=(86,217,152,101),如图5所示,图5示出了本发明实施例的点x及其周围的4个邻域点的示意图。
(2)组合进行映射:进一步构造一种映射关系,将数字组合P通过一个函数映射为一种非降序的排列λ(P)=∏(λ1,λ2,λ3,λ4,........,λN),其中λi=λ(I(xi))代表第i个采样点在排列中的位置。依照上述映射关系,那么点x的组合P映射成排列∏可以按照4个采样点像素值大小来进行座次排序,则这种排列可以表示为Π(1,4,3,2),其含义为:I(x1)<I(x4)<I(x3)<I(x2)。
(3)建立索引查询:对于排列组合,Π(1,2,3........N)应该有N!(N的阶层)个排列方式,因此可以设计一个索引目录。当采样点N=4时,则一共有N!=24种排列方式,根据索引目录表进行查询,Π(1,4,3,2)在索引表中的位置处于第6位,那么P=(86,217,152,101)则可表示为如下特征向量φ(Π(1,4,3,2))=(0,0,0,0,0,1,0,0,....,0),其余标记为0,其维度为24。参考图6,图6示出了本发明实施例的索引目录表的构造和查询示意图。
而当图像存在旋转时,由于x和x'邻域采样点完全相同,即旋转后各采样点像素值不变,所以得到的φ完全相同,因此这种设计方法保证了旋转不变性。
(4)抗噪声设计:当图像存在噪声时,邻域像素出现变化,因此顺序可能发生很大的变化,得到的Π不同,则最终的描述子φ也不同,特别是对于平坦区域,更易受噪声影响,如下图所示所示。针对这种情况,在对邻域像素值排序时,不是简单地从小到大的顺序排序,首先设定一个阈值T,只有当I(xi)-I(xj)>T时,才认为I(xi)>I(xj)。
如图7所示,图7示出了本发明实施例的顺序排序的描述子和基于阈值排序的描述子对比结果示意图。
作为一个示例,当T=5时,在噪声的环境下P=(61,58,62,59),按照像素值从小到大排序依次为58,59,61,62任意两个相邻像素值之间的差值均小于阈值,因此根据阈值大小进行座次排序仍然表示为Π=(1,2,3,4)。故得到的描述子一样,从这个角度来说,基于阈值的排序相比单纯的顺序排序对噪声具备一定的稳定性。
(5)降维处理:为了进一步降低维度,将某个点x的N个采样点,按照奇偶划分。即P(x)=(I(x1),I(x2),I(x3),I(x4),...,I(xN))按照奇偶顺序划分为两部分为:P奇(x)=(I(x1),I(x3),I(x5),...,I(xN-1)),P偶(x)=(I(x2),I(x4),I(x6),...,I(xN))。然后按照上述构造方法对P奇(x),P偶(x)构造φ奇与φ偶,并最后将两部分合并起来,表示为(φ奇,φ偶),则奇数与偶数部分的维度为(N/2)!,合并起来即为(N/2)!×2。
最后对每个子区间内的像素点都按照以上方式进行表示,并最后进行相加起来,然后将B个子区间合并起来,该局部区域就用(N/2)!×B×2维来表示,desi代表子区间bin某个点xi的特征向量,由奇数和偶数部分串联组成。实际实验比较时,B=6,N=6,T=5时性能最佳,因此最终维度为(6/2)!×6×2=72,而当不进行奇偶划分时,其维度6!×6=4320维,当N=4时也达到了144维。
因此,本发明实施例采用利用亮度信息划分局部区域,基于图像亮度信息进行向量的构造,形成低纬的特征描述符。
综上,首先,本发明实施例可以解决如下几个技术问题:
1、抗噪声能力:噪声是一个影响特征向量的重要干扰因素,部分局部特征对噪声均缺乏一定的稳定性,例如当图像处在复杂的噪声环境下时,会直接影响某个点的具体像素数值,因此应对噪声缺乏稳定性。
2、旋转不变性:大部分方法均是利用空间划分的特征描述方法,如SIFT、SURF等通过估计关键点的主方向并以方向为坐标轴,计算空间邻域内的梯度信息,但当图像出现旋转时,主方向估计存在误差,描述符的性能会下降。
3、高维度向量:特征向量准确性与低维度两者矛盾,准确性高则维度越高,反之亦然。但维度过高,会直接影响效率,造成后续的目标识别、图像匹配等时效性大大降低,不利于实时场景的基于图像的各种应用。
其次,为解决上述问题,本发明实施例采取的技术手段如下:
本发明实施例旨在构建一种特征编码算法,设计出一种对噪声、图像旋转等具备不变性的低维特征向量。本发明的核心思想是,基于亮度排序的方式替代空间划分方式,将局部图像区域划分若干子区间,并设计一种组合排序映射方式代替数学计算(大部分方法基于梯度计算),同时为了更有效地应对噪声的影响,在具体排序时设定一个阈值,根据阈值大小进行排序,从而保证噪声环境下一定的稳定性。
并且,为了达到降维的目的,本发明实施例进一步将按照奇偶顺序划分并构造。本发明实施例提供的方法结合了全局信息和局部信息,其过程简单并且特征维数较低、易于存储及传输,在具备旋转、光照不变性的同时,对图像噪声具有很好的抵抗性。
再次,本发明实施例具有如下优点:
与现有技术相比,本发明实施例实现了一种图像局部特征描述方法,方法简单且计算方便,其技术优点在于:传统方法是对特征区域进行空间划分,这种划分方法仅仅是按照简易的空间结构进行划分,例如以兴趣点为圆心按半径大小将特征区域划分为若干个同心圆(SIFT的局部区域划分方法):
(1)首先,本发明实施例按照亮度大小顺序划分局部特征区域,连续的亮度分布对任意单调递增或递减的亮度变化是不变,不仅融合了空间关系,还能够处理更复杂的亮度变化,对光照变化具有很好的抵抗性;
(2)其次,在局部区域内通过一组数字组合,并进行排序映射及构建索引目录,构造特征向量,保证完全旋转不变性,具体排序时不是简单按照比较大小进行座次排序,而是设定一个阈值,只有大于一个阈值,才认为二者存在相对的大小关系,依此大小关系进行排序。
(3)最后,为了达到降维处理,将该点的采样数按照奇偶划分,分别构造并最后合并形成,最后联合各子区间形成特征向量。
为了验证本发明实施例提出的方法,通过利用几组实验数据与常用的SIFT特征进行了图像匹配比较。在参数选择上,依据实验选择B=6,N=6,T=5时,其性能最佳,具体维度为72维。
实验采用的图片包含了视角变化、图像模糊、光照变化、尺度变化、旋转变化。匹配方法通过BBF算法(Best-Bin-First)进行粗匹配,确定匹配点的多个待匹配点,然后通过随机抽样一致(Random Sample Consensus,Ransac)算法估计两个图像间的单应矩阵并作为几何约束,完成特征点间的精确匹配。
因此,本发明实施例的技术方案通过基于亮度顺序划分及阈值大小排序。
具体地,对检测出的局部区域,按照亮度大小划分为若干个子区间bin,对每个子区间的像素点利用其邻域内的采样点的像素值进行数字组合并进行排序及映射,并基于此设计一种索引目录,来表示该像素点的特征向量,能够对图像旋转、亮度变换具备不变性(即图像发生以上两种变化,特征向量均保持不变),相对传统的基于梯度信息的图像特征向量,本发明实施例不采用数据计算、简化设计流程、且时效性更高。
此外,本发明实施例可进行抗噪声处理。
具体地,在对噪声的处理方式上,在具体排序时设定一个阈值,根据与阈值大小比较,来确定具体排序位置,来保证对噪声的稳定性。
另外,本发明实施例可以降低维度。
具体地,根据奇偶顺序划分为两部分,分别按照本发明方法构造该点的描述子,最后合并起来,以此达到降维的目的。
另外,结合图1描述的本发明实施例的图像局部特征描述方法可以由图像局部特征描述设备来实现。图8示出了本发明实施例提供的图像局部特征描述设备的硬件结构示意图。
图像局部特征描述设备可以包括处理器1003以及存储有计算机程序指令的存储器1004。
图8是示出能够实现根据本发明实施例的通信方法和网络服务器的计算设备的示例性硬件架构的结构图。如图8所示,计算设备1000包括输入设备1001、输入接口1002、处理器1003、存储器1004、输出接口1005、以及输出设备1006。
其中,输入接口1002、处理器1003、存储器1004、以及输出接口1005通过总线1010相互连接,输入设备1001和输出设备1006分别通过输入接口1002和输出接口1005与总线1010连接,进而与计算设备1000的其他组件连接。
具体地,输入设备1001接收来自外部的输入信息,并通过输入接口1002将输入信息传送到处理器1003;处理器1003基于存储器1004中存储的计算机可执行指令对输入信息进行处理以生成输出信息,将输出信息临时或者永久地存储在存储器1004中,然后通过输出接口1005将输出信息传送到输出设备1006;输出设备1006将输出信息输出到计算设备1000的外部供用户使用。
计算设备1000可以执行本申请上述的通信方法中的各步骤。
处理器1003可以是一个或多个中央处理器(英文:Central Processing Unit,CPU)。在处理器1003是一个CPU的情况下,该CPU可以是单核CPU,也可以是多核CPU。
存储器1004可以是但不限于随机存储存储器(RAM)、只读存储器(ROM),可擦除可编程只读存储器(EPROM)、光盘只读存储器(CD-ROM)、硬盘等中的一种或多种。存储器1004用于存储程序代码。
可以理解的是,在本申请实施例中,图2提供的抽取模块至描述模块中任一模块或全部模块的功能可以用图8所示的中央处理器1003实现。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
本说明书的各个部分均采用递进的方式进行描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点介绍的都是与其他实施例不同之处。尤其,对于装置和系统实施例而言,由于其基本相似于方法实施例,所以描述的比较简单,相关之处参见方法实施例部分的说明即可。
Claims (13)
1.一种图像局部特征描述方法,包括:
抽取局部图像区域;
按照亮度大小,将所述局部图像区域划分为第一预设数目子区间;
基于所述第一预设数目子区间中每个子区间的一个像素点,利用所述像素点邻域内第二预设数目采样点,构造数字组合,其中所述数字组合包括所述第二预设数目采样点中每一个采样点的像素值;
将所述数字组合映射为一种非降序排列;
基于所述非降序排列,得到所述非降序排列在索引目录中的位置;
根据所述非降序排列在索引目录中的位置,得到所述像素点的特征向量;
根据所述像素点的特征向量,描述所述图像局部特征;
其中,所述局部图像区域的形状包括圆形。
2.根据权利要求1所述的方法,其特征在于,所述抽取局部图像区域,包括:
利用仿射不变特征匹配算法Harris-Affine,抽取局部图像区域。
3.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据所述第二预设数目采样点,设计所述索引目录的维度。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第二预设数目采样点,设计所述索引目录的维度,包括:
当所述第二预设数目低于第一预设阈值时,将所述索引目录的维度设计为所述第二预设数目的阶乘。
5.根据权利要求3所述的方法,其特征在于,所述根据所述第二预设数目采样点,设计所述索引目录的维度,包括:
当所述第二预设数目高于第一预设阈值时,将所述索引目录的维度设计为所述第二预设数目除以2的阶乘再乘以2。
6.根据权利要求5所述的方法,其特征在于,所述方法还包括:
按照奇偶顺序,划分所述第二预设数目采样点,得到奇数采样点和偶数采样点;
基于所述奇数采样点,得到所述奇数采样点的特征向量;
基于所述偶数采样点,得到所述偶数采样点的特征向量;
将所述奇数采样点的特征向量与所述偶数采样点的特征向量进行合并。
7.根据权利要求6所述的方法,其特征在于,所述基于所述奇数采样点,得到所述奇数采样点的特征向量,包括:
基于所述奇数采样点,构建奇数数字组合;
将所述奇数数字组合映射为一种奇数非降序排列;
基于所述奇数非降序排列,得到所述奇数非降序排列在所述索引目录中的位置;
根据所述奇数非降序排列在所述索引目录中的位置,得到所述奇数采样点的特征向量。
8.根据权利要求7所述的方法,其特征在于,所述基于所述偶数采样点,得到所述偶数采样点的特征向量,包括:
基于所述偶数采样点,构建偶数数字组合;
将所述偶数数字组合映射为一种偶数非降序排列;
基于所述偶数非降序排列,得到所述偶数非降序排列在所述索引目录中的位置;
根据所述偶数非降序排列在所述索引目录中的位置,得到所述偶数采样点的特征向量。
9.根据权利要求1所述的方法,其特征在于,所述将所述数字组合映射为一种非降序排列,包括:
设定第二预设阈值;
根据所述第二预设阈值,对所述数字组合进行非降序排列。
10.根据权利要9所述的方法,其特征在于,所述根据所述第二预设阈值,对所述数字组合进行非降序排列,包括:
当两个采样点的像素值之间的差值大于第二预设阈值时,则确定所述两个采样点的像素值之间的大小关系;
根据确定的所述两个采样点的像素值之间的大小关系,对所述数字组合进行非降序排列。
11.一种图像局部特征描述装置,其特征在于,所述装置包括:
抽取模块,用于抽取局部图像区域;
划分模块,用于按照亮度大小,将所述局部图像区域划分为第一预设数目子区间;
构造模块,用于基于所述第一预设数目子区间中每个子区间的一个像素点,利用所述像素点邻域内第二预设数目采样点,构造数字组合,其中所述数字组合包括所述第二预设数目采样点中每一个采样点的像素值;
映射模块,用于将所述数字组合映射为一种非降序排列;
位置模块,用于基于所述非降序排列,得到所述非降序排列在索引目录中的位置;
特征向量模块,用于根据所述非降序排列在索引目录中的位置,得到所述像素点的特征向量;
描述模块,用于根据所述像素点的特征向量,描述所述图像局部特征;
其中,所述局部图像区域的形状包括圆形。
12.一种图像局部特征描述设备,其特征在于,包括:至少一个处理器、至少一个存储器以及存储在所述存储器中的计算机程序指令,当所述计算机程序指令被所述处理器执行时实现如权利要求1-10中任一项所述的方法。
13.一种计算机可读存储介质,其上存储有计算机程序指令,其特征在于,当所述计算机程序指令被处理器执行时实现如权利要求1-10中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811534384.XA CN111325215B (zh) | 2018-12-14 | 2018-12-14 | 图像局部特征描述方法、装置、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811534384.XA CN111325215B (zh) | 2018-12-14 | 2018-12-14 | 图像局部特征描述方法、装置、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111325215A true CN111325215A (zh) | 2020-06-23 |
CN111325215B CN111325215B (zh) | 2024-03-19 |
Family
ID=71168328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811534384.XA Active CN111325215B (zh) | 2018-12-14 | 2018-12-14 | 图像局部特征描述方法、装置、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111325215B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114638774A (zh) * | 2020-12-01 | 2022-06-17 | 珠海碳云智能科技有限公司 | 图像数据处理方法及装置、非易失性存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110142350A1 (en) * | 2008-08-22 | 2011-06-16 | Feng Tang | Image Analysis Method And System |
CN103955690A (zh) * | 2014-04-15 | 2014-07-30 | 合肥工业大学 | 一种紧凑的图像局部特征描述子的构造方法 |
US20140328543A1 (en) * | 2011-11-18 | 2014-11-06 | Nec Corporation | Local feature descriptor extracting apparatus, local feature descriptor extracting method, and program |
CN108537832A (zh) * | 2018-04-10 | 2018-09-14 | 安徽大学 | 基于局部不变灰度特征的图像配准方法、图像处理系统 |
-
2018
- 2018-12-14 CN CN201811534384.XA patent/CN111325215B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110142350A1 (en) * | 2008-08-22 | 2011-06-16 | Feng Tang | Image Analysis Method And System |
US20140328543A1 (en) * | 2011-11-18 | 2014-11-06 | Nec Corporation | Local feature descriptor extracting apparatus, local feature descriptor extracting method, and program |
CN103955690A (zh) * | 2014-04-15 | 2014-07-30 | 合肥工业大学 | 一种紧凑的图像局部特征描述子的构造方法 |
CN108537832A (zh) * | 2018-04-10 | 2018-09-14 | 安徽大学 | 基于局部不变灰度特征的图像配准方法、图像处理系统 |
Non-Patent Citations (1)
Title |
---|
朱仁欢;高清维;卢一相;孙冬;: "改进的图像局部特征区域描述方法" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114638774A (zh) * | 2020-12-01 | 2022-06-17 | 珠海碳云智能科技有限公司 | 图像数据处理方法及装置、非易失性存储介质 |
CN114638774B (zh) * | 2020-12-01 | 2024-02-02 | 珠海碳云智能科技有限公司 | 图像数据处理方法及装置、非易失性存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111325215B (zh) | 2024-03-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10878269B2 (en) | Data extraction using neural networks | |
CN102782708A (zh) | 用于图像辨识的描述符小块的快速子空间投影 | |
CN110532413B (zh) | 基于图片匹配的信息检索方法、装置、计算机设备 | |
WO2021258699A1 (zh) | 一种图像识别方法、装置、电子设备和计算机可读介质 | |
KR20140102038A (ko) | 영상 정합 장치 및 영상 정합 방법 | |
US11714921B2 (en) | Image processing method with ash code on local feature vectors, image processing device and storage medium | |
WO2022183638A1 (zh) | 图像特征匹配方法和相关装置、设备及存储介质 | |
WO2020020047A1 (zh) | 关键点匹配方法、装置、终端设备以及存储介质 | |
Li et al. | SRP‐AKAZE: an improved accelerated KAZE algorithm based on sparse random projection | |
CN110188782B (zh) | 图像相似性确定方法、装置、电子设备及可读存储介质 | |
CN111325215A (zh) | 图像局部特征描述方法、装置、设备及介质 | |
CN111488479B (zh) | 超图构建方法、装置以及计算机系统和介质 | |
CN110059708A (zh) | 生成描述子的方法及装置、存储介质 | |
Tsai et al. | Graphics processing unit‐accelerated multi‐resolution exhaustive search algorithm for real‐time keypoint descriptor matching in high‐dimensional spaces | |
Zhang et al. | Corner detection using the point‐to‐centroid distance technique | |
CN114463764A (zh) | 表格线检测方法、装置、计算机设备和存储介质 | |
Singh et al. | An effective approach for noise robust and rotation invariant handwritten character recognition using zernike moments features and optimal similarity measure | |
Du et al. | Block-and-octave constraint SIFT with multi-thread processing for VHR satellite image matching | |
Zhou et al. | Maximum Entropy Threshold Segmentation for Target Matching Using Speeded‐Up Robust Features | |
CN107886100B (zh) | 一种基于阶阵列的brief特征描述子 | |
CN111581416A (zh) | 一种图片检索方法、装置、及存储介质 | |
CN111325216A (zh) | 图像局部特征的描述方法、装置、计算机设备及存储介质 | |
Yan et al. | Local feature descriptor invariant to monotonic illumination changes | |
Wang et al. | Detecting saliency in infrared images via multiscale local sparse representation and local contrast measure | |
CN111160363A (zh) | 特征描述子生成方法、装置、可读存储介质及终端设备 |
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 |