CN113361548A - 一种用于高光图像的局部特征描述及匹配方法 - Google Patents

一种用于高光图像的局部特征描述及匹配方法 Download PDF

Info

Publication number
CN113361548A
CN113361548A CN202110755838.1A CN202110755838A CN113361548A CN 113361548 A CN113361548 A CN 113361548A CN 202110755838 A CN202110755838 A CN 202110755838A CN 113361548 A CN113361548 A CN 113361548A
Authority
CN
China
Prior art keywords
image
characteristic
matching
local feature
steps
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
Application number
CN202110755838.1A
Other languages
English (en)
Other versions
CN113361548B (zh
Inventor
李明
孙抗
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.)
Beijing Polytechnic Navigation Control Technology Co Ltd
Original Assignee
Beijing Polytechnic Navigation Control Technology Co Ltd
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 Beijing Polytechnic Navigation Control Technology Co Ltd filed Critical Beijing Polytechnic Navigation Control Technology Co Ltd
Priority to CN202110755838.1A priority Critical patent/CN113361548B/zh
Publication of CN113361548A publication Critical patent/CN113361548A/zh
Application granted granted Critical
Publication of CN113361548B publication Critical patent/CN113361548B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/51—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理领域，且公开了一种用于高光图像的局部特征描述及匹配方法，其方法包括图像消除高光预处理方法、局部特征表达方法和局部特征匹配方法；所述图像消除高光预处理方法包括以下步骤：步骤一：对图像I做核函数分别为f1＝Gx,f2＝Gy,f3＝Gxx,f4＝Gxy,f5＝Gyy的二阶高斯卷积运算，得到图像gI，图像gI中的像素点x处的灰度值为gI(x)；步骤二：对步骤一中得到的图像gI中的像素点x进行如下运算：如果gI(x)>0,则dI(x)＝gI(x)；如果gI(x)≤0,则dI(x)＝0，dI为预处理之后的新图像。本发明先对图像进行消除高光处理，使其不用加入方向信息即可稳定的描述局部特征，这样，对比加入方向信息，数据描述量大大减小，相应的，特征匹配的运算量也减小，更具实时性。

Description

一种用于高光图像的局部特征描述及匹配方法
技术领域
本发明属于图像处理领域，具体为一种用于高光图像的局部特征描述及匹配方法。
背景技术
在图像处理领域中，表面光滑物体在复杂光照环境下的镜面反射导致了图像存在高光区域。高光图像中物体表面的纹理、边缘等有效局部信息大量丢失，给基于局部特征信息的视觉跟踪、场景重建、增强现实等应用带来不利影响，甚至造成任务失败。实际应用场景下需要一种针对高光图像的有效局部特征描述及匹配方法。
现有方法通过直接利用图像各像素点的灰度值计算梯度值或局部极值来提取局部特征点，特征点的稳定性和准确性容易受到高光的影响。在提取特征点之后，现有局部特征描述方法主要采用特征点邻域内像素点的灰度值及其梯度信息描述局部特征，但稳定性不高；为了提高稳定性，加入了方向信息，但又导致描述数据量增大，特征匹配算法复杂等问题。
特征匹配一般以两个向量之间的欧式距离或马氏距离衡量其相似性的最近邻搜索过程。对于最近邻搜索，遍历搜索算法虽然可以保证搜索到正确的最近邻，但是由于巨大的时间开销，使其无法应用于大规模的特征匹配系统中。近似最近邻搜索算法的提出一定程度上可以保证搜索精度，同时又比穷举搜索算法节省大量的时间。即便如此，描述子匹配在局部特征识别计算中占据很大比例的运算时间。
发明内容
本发明的目的在于：为解决上述背景技术中提出的现有技术中的局部特征描述复杂，表达及匹配运算量大，实时性不高的问题，本发明提供了一种用于高光图像的局部特征描述及匹配方法。
为实现上述目的，本发明提供了一种用于高光图像的局部特征描述及匹配方法，所述方法包括图像消除高光预处理方法、局部特征表达方法和局部特征匹配方法；
所述图像消除高光预处理方法包括以下步骤：
步骤一：对图像I做核函数分别为f1＝Gx,f2＝Gy,f3＝Gxx,f4＝Gxy,f5＝Gyy的二阶高斯卷积运算，得到图像gI，图像gI中的像素点x处的灰度值为gI(x)；
步骤二：对步骤一中得到的图像gI中的像素点x进行如下运算：如果gI(x)>0,则dI(x)＝gI(x)；如果gI(x)≤0,则dI(x)＝0，dI为预处理之后的新图像；
所述局部特征表达方法包括以下步骤：
步骤一：确定样本集S；
步骤二：在步骤一中的样本集S中检测特征点K，并重复检测n次，得到n个K；
步骤三：在步骤二中的n个K中取中心图块P，此图块P中包括m个像素点，由此构成m个点集，每个点集中含n个像素点；
步骤四：将步骤三中的像素点灰度划分为L阶，统计点集中像素点的灰阶，生成L阶的直方图，设定阈值t，将直方图二值化，生成L位的二进制位串，m个点集生成m×L位的二进制位串D，用于描述该特征点代表的局部特征；
所述局部特征匹配方法包括以下步骤：
步骤一：提取待匹配图像特征点，取以该特征点为中心的图块Q，图块由m个像素点构成，若像素点灰度值位于L阶灰阶中的一阶范围内，则L位二进制位串的对应二进制为1，否则为0，m个像素点生成m×L位的二进制位串R；
步骤二：将二进制位串R和D按位进行“与”运算，统计结果中值为1的位数s，s小于给定的阈值d时，匹配成功，否则，匹配失败。
进一步地，所述方法还包括特征匹配加速方法，所述特征匹配加速方法包括以下步骤：
步骤一：在样本特征训练阶段，选取特征点邻域内的r个像素点，通过比较每个像素点与r个像素点均值的大小，得到r位的二进制数作为该特征点的特征值，特征值对应的十进制数范围为(2r-1)；
步骤二：统计重复出现次数最高的q个特征值作为该特征点的候选特征值，计算所有特征点的特征值，构成特征值索引表；
步骤三：特征匹配阶段，首选在索引表中搜索与之匹配的特征点，进行粗匹配，之后再通过所述局部特征匹配方法中的步骤二中的匹配方法进行精确匹配。
与现有技术相比，本发明的有益效果是：
本发明中，先对图像进行消除高光处理，使其不用加入方向信息即可稳定的描述局部特征，这样，对比加入方向信息，数据描述量大大减小，相应的，特征匹配的运算量也减小，更具实时性。
附图说明
附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
图1为本发明的原理流程示意图；
图2为高光环境下的特征匹配结果示意图。
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，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例；基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本具体实施方式提供的用于高光图像的局部特征描述及匹配方法，包括图像消除高光预处理方法、局部特征表达方法和局部特征匹配方法；
1.图像消除高光预处理方法包括以下步骤：步骤一：对图像I做核函数分别为f1＝Gx,f2＝Gy,f3＝Gxx,f4＝Gxy,f5＝Gyy的二阶高斯卷积运算，得到图像gI，图像gI中的像素点x处的灰度值为gI(x)；步骤二：对步骤一中得到的图像gI中的像素点x进行如下运算：如果gI(x)>0,则dI(x)＝gI(x)；如果gI(x)≤0,则dI(x)＝0，dI为预处理之后的新图像；
2.局部特征表达方法包括以下步骤：步骤一：确定样本集S；步骤二：在步骤一中的样本集S中检测特征点K，并重复检测n次，得到n个K；步骤三：在步骤二中的n个K中取中心图块P，此图块P中包括m个像素点，由此构成m个点集，每个点集中含n个像素点；步骤四：将步骤三中的像素点灰度划分为L阶，统计点集中像素点的灰阶，生成L阶的直方图，设定阈值t，将直方图二值化，生成L位的二进制位串，m个点集生成m×L位的二进制位串D，用于描述该特征点代表的局部特征；
3.局部特征匹配方法包括以下步骤：步骤一：提取待匹配图像特征点，取以该特征点为中心的图块Q，图块由m个像素点构成，若像素点灰度值位于L阶灰阶中的一阶范围内，则L位二进制位串的对应二进制为1，否则为0，m个像素点生成m×L位的二进制位串R；步骤二：将二进制位串R和D按位进行“与”运算，统计结果中值为1的位数s，s小于给定的阈值d时，匹配成功，否则，匹配失败。
除此之外，本发明还提出了特征匹配加速方法，其包括以下步骤：步骤一：在样本特征训练阶段，选取特征点邻域内的r个像素点，通过比较每个像素点与r个像素点均值的大小，得到r位的二进制数作为该特征点的特征值，特征值对应的十进制数范围为(2r-1)；步骤二：统计重复出现次数最高的q个特征值作为该特征点的候选特征值，计算所有特征点的特征值，构成特征值索引表；步骤三：特征匹配阶段，首选在索引表中搜索与之匹配的特征点，进行粗匹配，之后再通过局部特征匹配方法中的步骤二中的匹配方法进行精确匹配。
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。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (2)

1.一种用于高光图像的局部特征描述及匹配方法，其特征在于，所述方法包括图像消除高光预处理方法、局部特征表达方法和局部特征匹配方法；
所述图像消除高光预处理方法包括以下步骤：
步骤一：对图像I做核函数分别为f1＝Gx,f2＝Gy,f3＝Gxx,f4＝Gxy,f5＝Gyy的二阶高斯卷积运算，得到图像gI，图像gI中的像素点x处的灰度值为gI(x)；
步骤二：对步骤一中得到的图像gI中的像素点x进行如下运算：如果gI(x)>0,则dI(x)＝gI(x)；如果gI(x)≤0,则dI(x)＝0，dI为预处理之后的新图像；
所述局部特征表达方法包括以下步骤：
步骤一：确定样本集S；
步骤二：在步骤一中的样本集S中检测特征点K，并重复检测n次，得到n个K；
步骤三：在步骤二中的n个K中取中心图块P，此图块P中包括m个像素点，由此构成m个点集，每个点集中含n个像素点；
步骤四：将步骤三中的像素点灰度划分为L阶，统计点集中像素点的灰阶，生成L阶的直方图，设定阈值t，将直方图二值化，生成L位的二进制位串，m个点集生成m×L位的二进制位串D，用于描述该特征点代表的局部特征；
所述局部特征匹配方法包括以下步骤：
步骤一：提取待匹配图像特征点，取以该特征点为中心的图块Q，图块由m个像素点构成，若像素点灰度值位于L阶灰阶中的一阶范围内，则L位二进制位串的对应二进制为1，否则为0，m个像素点生成m×L位的二进制位串R；
步骤二：将二进制位串R和D按位进行“与”运算，统计结果中值为1的位数s，s小于给定的阈值d时，匹配成功，否则，匹配失败。
2.根据权利要求1所述的一种用于高光图像的局部特征描述及匹配方法，其特征在于，所述方法还包括特征匹配加速方法，所述特征匹配加速方法包括以下步骤：
步骤一：在样本特征训练阶段，选取特征点邻域内的r个像素点，通过比较每个像素点与r个像素点均值的大小，得到r位的二进制数作为该特征点的特征值，特征值对应的十进制数范围为(2r-1)；
步骤二：统计重复出现次数最高的q个特征值作为该特征点的候选特征值，计算所有特征点的特征值，构成特征值索引表；
步骤三：特征匹配阶段，首选在索引表中搜索与之匹配的特征点，进行粗匹配，之后再通过所述局部特征匹配方法中的步骤二中的匹配方法进行精确匹配。
CN202110755838.1A 2021-07-05 2021-07-05 一种用于高光图像的局部特征描述及匹配方法 Active CN113361548B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110755838.1A CN113361548B (zh) 2021-07-05 2021-07-05 一种用于高光图像的局部特征描述及匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110755838.1A CN113361548B (zh) 2021-07-05 2021-07-05 一种用于高光图像的局部特征描述及匹配方法

Publications (2)

Publication Number Publication Date
CN113361548A true CN113361548A (zh) 2021-09-07
CN113361548B CN113361548B (zh) 2023-11-14

Family

ID=77538180

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110755838.1A Active CN113361548B (zh) 2021-07-05 2021-07-05 一种用于高光图像的局部特征描述及匹配方法

Country Status (1)

Country Link
CN (1) CN113361548B (zh)

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016091017A1 (zh) * 2014-12-09 2016-06-16 山东大学 一种高光谱图像分类中光谱向量互相关特征的抽取方法
CN107506795A (zh) * 2017-08-23 2017-12-22 国家计算机网络与信息安全管理中心 一种面向图像匹配的局部灰度直方图特征描述子建立方法和图像匹配方法
CN109829420A (zh) * 2019-01-18 2019-05-31 湖北工业大学 一种基于改进蚁狮优化算法的高光谱图像的特征选择方法
CN110287870A (zh) * 2019-06-25 2019-09-27 大连大学 基于综合光流特征描述符及轨迹的人群异常行为检测方法
CN110796691A (zh) * 2018-08-03 2020-02-14 中国科学院沈阳自动化研究所 一种基于形状上下文和hog特征的异源图像配准方法
CN111127337A (zh) * 2019-11-28 2020-05-08 稿定（厦门）科技有限公司 图像局部区域高光调整方法、介质、设备及装置
AU2020103887A4 (en) * 2020-12-04 2021-02-11 kale, Karbhari Vishwanath DR A method for automated endmember identification, selection and extraction from hyperspectral imagery
WO2021179851A1 (zh) * 2020-03-12 2021-09-16 Oppo广东移动通信有限公司 图像处理方法、装置、终端及存储介质
CN114549387A (zh) * 2022-03-03 2022-05-27 重庆邮电大学 一种基于伪标签的人脸图像高光去除方法
CN114777656A (zh) * 2022-06-23 2022-07-22 北京理工导航控制科技股份有限公司 基于神经网络的光纤陀螺的筛环系统、方法及存储介质
CN114926392A (zh) * 2020-07-03 2022-08-19 三峡大学 基于图像融合的高光区域去除方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016091017A1 (zh) * 2014-12-09 2016-06-16 山东大学 一种高光谱图像分类中光谱向量互相关特征的抽取方法
CN107506795A (zh) * 2017-08-23 2017-12-22 国家计算机网络与信息安全管理中心 一种面向图像匹配的局部灰度直方图特征描述子建立方法和图像匹配方法
CN110796691A (zh) * 2018-08-03 2020-02-14 中国科学院沈阳自动化研究所 一种基于形状上下文和hog特征的异源图像配准方法
CN109829420A (zh) * 2019-01-18 2019-05-31 湖北工业大学 一种基于改进蚁狮优化算法的高光谱图像的特征选择方法
CN110287870A (zh) * 2019-06-25 2019-09-27 大连大学 基于综合光流特征描述符及轨迹的人群异常行为检测方法
CN111127337A (zh) * 2019-11-28 2020-05-08 稿定（厦门）科技有限公司 图像局部区域高光调整方法、介质、设备及装置
WO2021179851A1 (zh) * 2020-03-12 2021-09-16 Oppo广东移动通信有限公司 图像处理方法、装置、终端及存储介质
CN114926392A (zh) * 2020-07-03 2022-08-19 三峡大学 基于图像融合的高光区域去除方法
AU2020103887A4 (en) * 2020-12-04 2021-02-11 kale, Karbhari Vishwanath DR A method for automated endmember identification, selection and extraction from hyperspectral imagery
CN114549387A (zh) * 2022-03-03 2022-05-27 重庆邮电大学 一种基于伪标签的人脸图像高光去除方法
CN114777656A (zh) * 2022-06-23 2022-07-22 北京理工导航控制科技股份有限公司 基于神经网络的光纤陀螺的筛环系统、方法及存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
LUWANG，等: "Adaptive auction protocol for task assignment in wireless sensor and actuator networks", 《INTERNATIONAL JOURNAL OF DISTRIBUTED SENSOR NETWORKS》, pages 1 - 13 *
孙抗，等: "基于局部亮度直方图特征的实时目标识别与跟踪", 《系统工程与电子技术》, vol. 33, no. 9, pages 1927 - 1931 *
黎红，等: "视频增强算法及其应用", 《科技通报》, vol. 33, no. 3, pages 183 - 188 *

Also Published As

Publication number Publication date
CN113361548B (zh) 2023-11-14

Similar Documents

Publication Publication Date Title
Piao et al. Decision tree ensemble-based wafer map failure pattern recognition based on radon transform-based features
CN110334762B (zh) 一种基于四叉树结合orb和sift的特征匹配方法
CN104376003B (zh) 一种视频检索方法及装置
CN108830279B (zh) 一种图像特征提取与匹配方法
CN111079785A (zh) 一种图像识别方法、装置及终端设备
CN108537832B (zh) 基于局部不变灰度特征的图像配准方法、图像处理系统
CN109766752B (zh) 一种基于深度学习的目标匹配和定位方法及系统、计算机
CN109948776A (zh) 一种基于lbp的对抗网络模型图片标签生成方法
Peng et al. Harris scale invariant corner detection algorithm based on the significant region
CN111199558A (zh) 一种基于深度学习的图像匹配方法
CN110942473A (zh) 一种基于特征点网格化匹配的运动目标跟踪检测方法
WO2019100348A1 (zh) 图像检索方法和装置以及图像库的生成方法和装置
CN115690803A (zh) 数字图像的识别方法、装置、电子设备及可读存储介质
CN111738319A (zh) 一种基于大规模样本的聚类结果评价方法及装置
CN111507297A (zh) 一种基于度量信息矩阵的雷达信号识别方法及系统
CN113129332A (zh) 执行目标对象跟踪的方法和装置
CN114358166A (zh) 一种基于自适应k均值聚类的多目标定位方法
CN107291813B (zh) 基于语义分割场景的示例搜索方法
Wang et al. Pavement crack detection using attention u-net with multiple sources
CN109902690A (zh) 图像识别技术
CN116958809A (zh) 一种特征库迁移的遥感小样本目标检测方法
CN113361548B (zh) 一种用于高光图像的局部特征描述及匹配方法
CN116678418A (zh) 一种改进激光slam快速回环检测方法
CN113011597B (zh) 一种回归任务的深度学习方法和装置
Liu Feature matching of fuzzy multimedia image based on improved SIFT matching

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