CN115641455B - 一种基于多特征融合的图像匹配方法 - Google Patents
一种基于多特征融合的图像匹配方法 Download PDFInfo
- Publication number
- CN115641455B CN115641455B CN202211132243.1A CN202211132243A CN115641455B CN 115641455 B CN115641455 B CN 115641455B CN 202211132243 A CN202211132243 A CN 202211132243A CN 115641455 B CN115641455 B CN 115641455B
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- discrete
- images
- matched
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 120
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000000926 separation method Methods 0.000 claims abstract description 70
- 230000009466 transformation Effects 0.000 claims abstract description 29
- 238000006243 chemical reaction Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims description 19
- 230000010354 integration Effects 0.000 claims description 8
- 238000013519 translation Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008602 contraction Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 31
- 238000000605 extraction Methods 0.000 description 20
- 238000004891 communication Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000007726 management method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像检测领域,揭露一种基于多特征融合的图像匹配方法,所述方法包括:配置待匹配图像的信号曲线,对信号曲线进行离散变换,得到离散信号,分析待匹配图像的离散系数,对待匹配图像进行离散重构,得到离散重构图像;计算离散重构图像的像素差与像素中心,对离散重构图像进行像素分群处理,得到像素分群图像,将像素分群图像进行正值转换,提取局部特征;划分不变矩分块,计算不变矩分离角度,对离散重构图像进行不变矩分离,得到分离不变矩;计算第一融合距离,计算第二融合距离,执行特征融合匹配,得到待匹配图像的特征融合匹配结果。本发明可以在保证快速匹配的同时,保障图像匹配的高精度与高准确度。
Description
技术领域
本发明涉及图像检测领域,尤其涉及一种基于多特征融合的图像匹配方法。
背景技术
基于多特征融合的图像匹配是指将匹配图像的双方特征进行融合之后,通过融合特征的相似度来确定图像匹配相似度的过程。
目前,图像匹配方法有两种,一类是基于灰度信息的图像匹配方法,该类方法首先将图像转换为灰度图像,并根据灰度信息计算两幅图像之间的相似度,从而得到图像匹配结果,该类方法虽然匹配速度快,但是错误点比较多,难以获得高精度的图像匹配结果;另一类方法是基于特征的图像匹配方法,首先提取图像的角点、边缘等特征,然后根据特征进行图像匹配,该类方法对图像的旋转、尺度缩放等鲁棒性强,但是由于通常情况下图像的特征比较多,当前主要采用单一特征进行图像匹配,无法获得理想的图像匹配结果,图像匹配正确率低。因此,亟待一种方法可以在保证快速匹配的同时,保障图像匹配的高精度与高准确度。
发明内容
为了解决上述问题,本发明提供了一种基于多特征融合的图像匹配方法,可以在保证快速匹配的同时,保障图像匹配的高精度与高准确度。
第一方面,本发明提供了一种基于多特征融合的图像匹配方法,包括:
获取待匹配图像,配置所述待匹配图像的信号曲线,对所述信号曲线进行离散变换,得到离散信号,根据所述离散信号,分析所述待匹配图像的离散系数,根据所述离散信号与所述离散系数,对所述待匹配图像进行离散重构,得到离散重构图像;
计算所述离散重构图像的像素差与像素中心,根据所述像素差与所述像素中心,对所述离散重构图像进行像素分群处理,得到像素分群图像,将所述像素分群图像进行正值转换,得到正值分群图像,并提取所述正值分群图像的局部特征;
划分所述离散重构图像的不变矩分块,根据所述不变矩分块,计算所述离散重构图像的不变矩分离角度,根据所述不变矩分离角度,对所述离散重构图像进行不变矩分离,得到分离不变矩;
根据所述局部特征,计算所述待匹配图像中每两个图像之间的第一融合距离,根据所述分离不变矩,计算所述待匹配图像中每两个图像之间的第二融合距离,根据所述第一融合距离与所述第二融合距离,执行对所述待匹配图像的特征融合匹配,得到所述待匹配图像的特征融合匹配结果。
在第一方面的一种可能实现方式中,所述配置所述待匹配图像的信号曲线,包括:
查询所述待匹配图像的傅里叶变换;
利用下述公式配置所述傅里叶变换的小波转换标准:
其中,CΨ表示所述傅里叶变换的小波转换标准,表示所述傅里叶变换,ω表示所述待匹配图像的像素点数值;
根据所述小波转换标准,确定所述傅里叶变换的母小波函数;
利用下述公式对所述母小波函数进行函数收缩与函数平移,得到所述信号曲线:
其中,Ψa,b(t)表示所述信号曲线,Ψ表示所述母小波函数,a表示收缩因子,b表示平移因子,t表示所述待匹配图像中的像素点。
在第一方面的一种可能实现方式中,所述计算所述离散重构图像的像素差与像素中心,包括:
获取所述离散重构图像的像素点,配置所述像素点的分群数量;
根据所述分群数量,从所述像素点中随机选取中心像素;
配置所述中心像素的邻域数量;
根据所述邻域数量,在所述像素点中随机选取所述中心像素的邻域像素;
分别提取所述中心像素与所述邻域像素的中心像素值与邻域像素值;
将所述中心像素值作为所述像素中心,根据所述中心像素值与邻域像素值,利用下述公式构建所述离散重构图像的像素差:
lqf=pq-pf
其中,lqf表示所述离散重构图像的像素差,pq表示第q个邻域像素的邻域像素值,pf表示第f个中心像素的中心像素值。
在第一方面的一种可能实现方式中,所述将所述像素分群图像进行正值转换,得到正值分群图像,包括:
利用下述公式构造所述像素分群图像的正值像素差,包括:
其中,u(pq-pf)表示所述正值像素差,pq-pf表示所述离散重构图像的像素差;
根据所述正值像素差,确定所述像素分群图像的正值转换形式;
根据所述正值转换形式,利用下述公式确定所述像素分群图像的正值像素分群:
L′f=e(pf)e(u(p1-pf),u(p2-pf),…,u(pQ-pf))
其中,L′f表示第f个中心像素的中心像素值对应的正值像素分群,u表示所述正值像素差,pq表示第q个邻域像素的邻域像素值,pf表示第f个中心像素的中心像素值,p1-pf、p2-pf、pQ-pf均为所述像素差,e表示联合分布;
根据所述正值像素分群,确定所述正值分群图像。
在第一方面的一种可能实现方式中,所述划分所述离散重构图像的不变矩分块,包括:
查询所述离散重构图像的不变矩计算目标;
匹配所述不变矩计算目标的划分阶次;
根据所述划分阶次,确定所述离散重构图像的图像分块;
根据所述图像分块,执行对所述离散重构图像的不变矩分块划分。
在第一方面的一种可能实现方式中,所述根据所述不变矩分块,计算所述离散重构图像的不变矩分离角度,包括:
根据所述不变矩分块,利用下述公式配置所述离散重构图像的积分核:
其中,Unm表示所述积分核,U00表示所述积分核中0*0的不变矩分块对应的积分核,x与y表示所述离散重构图像f(x,y)中像素的横纵坐标,n与m分别与U00中的0与0、U11中的1与1、U20中的2与0对应,j表示对所述待匹配图像中的信号进行小波变换的尺度;
根据所述积分核,利用下述公式配置所述离散重构图像的不变矩:
其中,Znm表示所述离散重构图像的不变矩,Unm表示所述积分核,n与m分别与U00中的0与0、U11中的1与1、U20中的2与0对应,x与y表示所述离散重构图像f(x,y)中像素的横纵坐标;
根据所述不变矩,利用下述公式构造所述离散重构图像的不变矩分离角度,包括:
其中,γ表示所述离散重构图像的不变矩分离角度,Ss表示虚部符号,Xb表示实部符号,Ss[Znm]表示所述离散重构图像的不变矩的虚部,Xb[Znm]表示所述离散重构图像的不变矩的实部。
在第一方面的一种可能实现方式中,所述根据所述局部特征,计算所述待匹配图像中每两个图像之间的第一融合距离,包括:
查询所述待匹配图像中每两个图像的局部特征,得到第一局部特征与第二局部特征;
根据所述第一局部特征与所述第二局部特征,利用下述公式计算所述待匹配图像中每两个图像之间的第一融合距离:
其中,D(L1,L2)表示所述待匹配图像中每两个图像之间的第一融合距离,L1i表示所述待匹配图像中图像1的对应的第一局部特征中第i个特征的特征向量,L2i表示所述待匹配图像中图像2的对应的第二局部特征中第i个特征的特征向量。
第二方面,本发明提供了一种基于多特征融合的图像匹配装置,所述装置包括:
图像离散重构模块,用于获取待匹配图像,配置所述待匹配图像的信号曲线,对所述信号曲线进行离散变换,得到离散信号,根据所述离散信号,分析所述待匹配图像的离散系数,根据所述离散信号与所述离散系数,对所述待匹配图像进行离散重构,得到离散重构图像;
图像特征提取模块,用于计算所述离散重构图像的像素差与像素中心,根据所述像素差与所述像素中心,对所述离散重构图像进行像素分群处理,得到像素分群图像,将所述像素分群图像进行正值转换,得到正值分群图像,并提取所述正值分群图像的局部特征;
不变矩分离模块,用于划分所述离散重构图像的不变矩分块,根据所述不变矩分块,计算所述离散重构图像的不变矩分离角度,根据所述不变矩分离角度,对所述离散重构图像进行不变矩分离,得到分离不变矩;
特征融合匹配模块,用于根据所述局部特征,计算所述待匹配图像中每两个图像之间的第一融合距离,根据所述分离不变矩,计算所述待匹配图像中每两个图像之间的第二融合距离,根据所述第一融合距离与所述第二融合距离,执行对所述待匹配图像的特征融合匹配,得到所述待匹配图像的特征融合匹配结果。
第三方面,本发明提供一种电子设备,包括:
至少一个处理器;以及与所述至少一个处理器通信连接的存储器;
其中,所述存储器存储有可被所述至少一个处理器执行的计算机程序,以使所述至少一个处理器能够执行如上述第一方面中任意一项所述的基于多特征融合的图像匹配方法。
第四方面,本发明提供一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面中任意一项所述的基于多特征融合的图像匹配方法。
与现有技术相比,本方案的技术原理及有益效果在于:
本发明实施例首先通过获取待匹配图像,以用于后续对所述待匹配图像进行特征分析,执行对所述待匹配图像中每两个图像之间的图像匹配,进一步地,本发明实施例通过配置所述待匹配图像的信号曲线,以用于后续利用所述信号曲线执行对所述待匹配图像的小波变换,进一步地,本发明实施例通过对所述信号曲线进行离散变换,以用于响应离散的图像信号,将连续小波转换为离散小波,进一步地,本发明实施例通过根据所述离散信号,分析所述待匹配图像的离散系数,以用于利用所述离散系数对所述待匹配图像中的高频信号部分进行突出显示,保障后续特征提取的速度,进一步地,本发明实施例通过根据所述离散信号与所述离散系数,对所述待匹配图像进行离散重构,以用于通过离散重构的方式对所述待匹配图像进行预处理,实现对所述待匹配图像的去噪处理,本发明实施例通过计算所述离散重构图像的像素差与像素中心,以用于以所述像素中心为每个群体的中心实现对所述离散重构图像中的像素的分簇,进一步地,本发明实施例通过根据所述像素差与所述像素中心,对所述离散重构图像进行像素分群处理,以用于将所述离散重构图像中的像素分为多个像素群,将对全部像素的特征提取转换为对每个像素点分群的特征提取,在保障特征提取精确度的前提下提升特征提取速度,进一步地,本发明实施例通过将所述像素分群图像进行正值转换,得到正值分群图像,以用于减少所述像素分群图像中像素差的负值影响,进一步地,本发明实施例通过提取所述正值分群图像的局部特征,以用于提取可以描述图像灰度变换特点的特征,本发明实施例通过划分所述离散重构图像的不变矩分块,以用于将所述离散重构图像分割为多个小图像,便于提取每个分割后图像的边缘部分,进一步地,本发明实施例通过根据所述不变矩分块,计算所述离散重构图像的不变矩分离角度,以用于利用所述不变矩分离角度实现对所述散重构图像的从低维度的空间向高维度空间的转换,进一步地,本发明实施例通过根据所述不变矩分离角度,对所述离散重构图像进行不变矩分离,以用于利用不变矩对所述离散重构图像进行旋转,达到图像中边缘部分与图像分离的目的,从而提取所述离散重构图像的不变矩特征,进一步地,本发明实施例通过根据所述局部特征,计算所述待匹配图像中每两个图像之间的第一融合距离,以用于确定所述待匹配图像中每两个图像之间特征互相之间的距离,达到某个局部特征与其他所有局部特征融合的目的,提升图像匹配的精确度,进一步地,本发明实施例通过根据所述分离不变矩,计算所述待匹配图像中每两个图像之间的第二融合距离,以用于确定所述待匹配图像中每两个图像之间特征互相之间的距离,达到某个边缘特征与其他所有边缘特征融合的目的,提升图像匹配的精确度,进一步地,本发明实施例通过根据所述第一融合距离与所述第二融合距离,执行对所述待匹配图像的特征融合匹配,以用于在所述局部特征与所述分离不变矩的双重作用下,确定图像匹配的结果,减少了根据单一距离值确定匹配结果的不准确度。因此,本发明实施例提出的一种基于多特征融合的图像匹配方法、装置、电子设备以及存储介质,可以在保证快速匹配的同时,保障图像匹配的高精度与高准确度。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
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,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种基于多特征融合的图像匹配方法的流程示意图;
图2为本发明一实施例中图1提供的一种基于多特征融合的图像匹配方法的其中一个步骤的流程示意图;
图3为本发明一实施例中图1提供的一种基于多特征融合的图像匹配方法的另外一个步骤的流程示意图;
图4为本发明一实施例提供的一种基于多特征融合的图像匹配装置的模块示意图;
图5为本发明一实施例提供的实现基于多特征融合的图像匹配方法的电子设备的内部结构示意图。
具体实施方式
应当理解,此处所描述的具体实施方式仅仅用以解释本发明,并不用于限定本发明。
本发明实施例提供一种基于多特征融合的图像匹配方法,所述基于多特征融合的图像匹配方法的执行主体包括但不限于服务端、终端等能够被配置为执行本发明实施例提供的该方法的电子设备中的至少一种。换言之,所述基于多特征融合的图像匹配方法可以由安装在终端设备或服务端设备的软件或硬件来执行,所述软件可以是区块链平台。所述服务端包括但不限于:单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器,也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(Content DeliveryNetwork,CDN)、以及大数据和图像检测平台等基础云计算服务的云服务器。
参阅图1所示,是本发明一实施例提供的基于多特征融合的图像匹配方法的流程示意图。其中,图1中描述的基于多特征融合的图像匹配方法包括:
S1、获取待匹配图像,配置所述待匹配图像的信号曲线,对所述信号曲线进行离散变换,得到离散信号,根据所述离散信号,分析所述待匹配图像的离散系数,根据所述离散信号与所述离散系数,对所述待匹配图像进行离散重构,得到离散重构图像。
本发明实施例通过获取待匹配图像,以用于后续对所述待匹配图像进行特征分析,执行对所述待匹配图像中每两个图像之间的图像匹配。其中,所述待匹配图像是指包含多个等待匹配的图像,如所述待匹配图像中图像1与图像2之间的匹配。
例如,信号曲线表示图像信号的函数,它反映了自变量x与y的依赖关系,例如图像函数指的是所有有序对(x,f(x))组成的集合,具体而言,如果x为实数,则函数图形在平面直角坐标系上呈现为一条曲线,如果函数自变量x为两个实数组成的有序对(x1,x2),则图形就是所有三重序(x1,x2,f(x1,x2))组成的集合,呈现为曲面,多特征融合的环节是:提取多特征(即局部特征与边缘特征)之后,利用融合距离对多特征进行互相融合。
进一步地,本发明实施例通过配置所述待匹配图像的信号曲线,以用于后续利用所述信号曲线执行对所述待匹配图像的小波变换。其中,所述信号曲线是指是指用有限长或快速衰减的、为母小波(mother wavelet)的震荡波形来表示信号的函数,该函数通过被缩放和平移以匹配输入的信号。
本发明的一实施例中,所述配置所述待匹配图像的信号曲线,包括:查询所述待匹配图像的傅里叶变换;利用下述公式配置所述傅里叶变换的小波转换标准:
其中,CΨ表示所述傅里叶变换的小波转换标准,表示所述傅里叶变换,ω表示所述待匹配图像的像素点数值;
根据所述小波转换标准,确定所述傅里叶变换的母小波函数;利用下述公式对所述母小波函数进行函数收缩与函数平移,得到所述信号曲线:
其中,Ψa,b(t)表示所述信号曲线,Ψ表示所述母小波函数,a表示收缩因子,b表示平移因子,t表示所述待匹配图像中的像素点。
进一步地,本发明实施例通过对所述信号曲线进行离散变换,以用于响应离散的图像信号,将连续小波转换为离散小波。
本发明的一实施例中,所述对所述信号曲线进行离散变换,得到离散信号,包括:
其中,Ψj,k(t)表示所述离散信号,Ψ表示所述信号曲线,表示离散收缩因子,表示离散平移因子,t表示所述待匹配图像中的像素点,j表示对所述待匹配图像中的信号进行小波变换的尺度,k是指由公式/>控制的常数,Δb表示小波平移量,b0表示当j=0时的均匀采样间隔量,a0表示由公式/>控制的参数。
进一步地,本发明实施例通过根据所述离散信号,分析所述待匹配图像的离散系数,以用于利用所述离散系数对所述待匹配图像中的高频信号部分进行突出显示,保障后续特征提取的速度。其中,所述离散系数是指所述离散信号与所述待匹配图像中图像信号的相似的系数。
本发明的一实施例中,所述根据所述离散信号,分析所述待匹配图像的离散系数,包括:
其中,Cj,k表示所述离散系数,f(t)表示所述待匹配图像,Ψj,k(t)表示所述离散信号,j表示对所述待匹配图像中的信号进行小波变换的尺度,k是指由公式控制的常数,Δb表示小波平移量,b0表示当j=0时的均匀采样间隔量,a0表示由公式/>控制的参数。
进一步地,本发明实施例通过根据所述离散信号与所述离散系数,对所述待匹配图像进行离散重构,以用于通过离散重构的方式对所述待匹配图像进行预处理,实现对所述待匹配图像的去噪处理。
本发明的一实施例中,所述根据所述离散信号与所述离散系数,对所述待匹配图像进行离散重构,得到离散重构图像,包括:
其中,f′(t)表示所述离散重构图像,Cj,k表示所述离散系数,Ψj,k(t)表示所述离散信号,Cj,k表示所述离散系数,f(t)表示所述待匹配图像,Ψj,k(t)表示所述离散信号,j表示对所述待匹配图像中的信号进行小波变换的尺度,k是指由公式控制的常数,Δb表示小波平移量,b0表示当j=0时的均匀采样间隔量,a0表示由公式/>控制的参数,C表示定积分还原为原函数时产生的常数。
S2、计算所述离散重构图像的像素差与像素中心,根据所述像素差与所述像素中心,对所述离散重构图像进行像素分群处理,得到像素分群图像,将所述像素分群图像进行正值转换,得到正值分群图像,并提取所述正值分群图像的局部特征。
本发明实施例通过计算所述离散重构图像的像素差与像素中心,以用于以所述像素中心为每个群体的中心实现对所述离散重构图像中的像素的分簇。其中,所述像素差是指所述离散重构图像中的每两个像素值之间的差。所述像素中心是指将所述离散重构图像中的像素分为多个像素群的中心。
本发明的一实施例中,所述计算所述离散重构图像的像素差与像素中心,包括:获取所述离散重构图像的像素点,配置所述像素点的分群数量;根据所述分群数量,从所述像素点中随机选取中心像素;配置所述中心像素的邻域数量;根据所述邻域数量,在所述像素点中随机选取所述中心像素的邻域像素;分别提取所述中心像素与所述邻域像素的中心像素值与邻域像素值;将所述中心像素值作为所述像素中心,根据所述中心像素值与邻域像素值,利用下述公式构建所述离散重构图像的像素差:
lqf=pq-pf
其中,lqf表示所述离散重构图像的像素差,pq表示第q个邻域像素的邻域像素值,pf表示第f个中心像素的中心像素值。
进一步地,本发明实施例通过根据所述像素差与所述像素中心,对所述离散重构图像进行像素分群处理,以用于将所述离散重构图像中的像素分为多个像素群,将对全部像素的特征提取转换为对每个像素点分群的特征提取,在保障特征提取精确度的前提下提升特征提取速度。
本发明的一实施例中,所述根据所述像素差与所述像素中心,对所述离散重构图像进行像素分群处理,得到像素分群图像,包括:根据所述像素差与所述像素中心,利用下述公式构建所述离散重构图像的像素分群:
Lf=e(pf)e((p1-pf),(p2-pf),…,(pQ-pf))
其中,Lf表示第f个中心像素的中心像素值对应的像素分群,pq表示第q个邻域像素的邻域像素值,pf表示第f个中心像素的中心像素值,p1-pf、p2-pf、pQ-pf均为所述像素差,e表示联合分布;
根据所述像素分群,执行对所述离散重构图像的像素分群处理,得到所述像素分群图像。
进一步地,本发明实施例通过将所述像素分群图像进行正值转换,得到正值分群图像,以用于减少所述像素分群图像中像素差的负值影响。
本发明的一实施例中,所述将所述像素分群图像进行正值转换,得到正值分群图像,包括:利用下述公式构造所述像素分群图像的正值像素差,包括:
其中,u(pq-pf)表示所述正值像素差,pq-pf表示所述离散重构图像的像素差;
根据所述正值像素差,确定所述像素分群图像的正值转换形式;根据所述正值转换形式,利用下述公式确定所述像素分群图像的正值像素分群:
L′f=e(pf)e(u(p1-pf),u(p2-pf),…,u(pQ-pf))
其中,L′f表示第f个中心像素的中心像素值对应的正值像素分群,u表示所述正值像素差,pq表示第q个邻域像素的邻域像素值,pf表示第f个中心像素的中心像素值,p1-pf、p2-pf、pQ-pf均为所述像素差,e表示联合分布;
根据所述正值像素分群,确定所述正值分群图像。
进一步地,本发明实施例通过提取所述正值分群图像的局部特征,以用于提取可以描述图像灰度变换特点的特征。其中,所述局部特征是指描述图像灰度变换特点的特征,为图像中除了边缘以外的部分。
本发明的一实施例中,所述提取所述正值分群图像的局部特征:
其中,LQ表示所述正值分群图像的局部特征,u(pq-pf)表示所述正值像素差,pf表示第f个中心像素的中心像素值,pq表示第q个邻域像素的邻域像素值,Q表示所述邻域像素的数量。
S3、划分所述离散重构图像的不变矩分块,根据所述不变矩分块,计算所述离散重构图像的不变矩分离角度,根据所述不变矩分离角度,对所述离散重构图像进行不变矩分离,得到分离不变矩。
本发明实施例通过划分所述离散重构图像的不变矩分块,以用于将所述离散重构图像分割为多个小图像,便于提取每个分割后图像的边缘部分。其中,所述不变矩分块是指图像分块,例如所述离散重构图像为3*3大小,可以将其分割为多个1*1大小的图像分块。
本发明的一实施例中,参阅图2所示,所述划分所述离散重构图像的不变矩分块,包括:
S201、查询所述离散重构图像的不变矩计算目标;
S202、匹配所述不变矩计算目标的划分阶次;
S203、根据所述划分阶次,确定所述离散重构图像的图像分块;
S204、根据所述图像分块,执行对所述离散重构图像的不变矩分块划分。
示例性地,所述查询所述离散重构图像的计算目标为计算所述离散重构图像中除了所述局部特征以外的特征,也就是需要通过计算图像中形状的方向与中心来描述图像特征,则匹配所述计算目标的划分阶次为计算某个形状的重心通过一阶矩与零阶矩实现,通过二阶矩计算某个形状的方向;根据所述一阶矩、所述零阶矩与所述二阶矩,确定所述离散重构图像的图像分块分别为0*0、1*1与2*0,则根据确定的图像分块大小,将所述离散重构图像划分为对应的三个大小的图像,得到所述不变矩分块。
进一步地,本发明实施例通过根据所述不变矩分块,计算所述离散重构图像的不变矩分离角度,以用于利用所述不变矩分离角度实现对所述散重构图像的从低维度的空间向高维度空间的转换。其中,所述不变矩分离角度是指图像旋转角度。
本发明的一实施例中,所述根据所述不变矩分块,计算所述离散重构图像的不变矩分离角度,包括:根据所述不变矩分块,利用下述公式配置所述离散重构图像的积分核:
其中,Unm表示所述积分核,U00表示所述积分核中0*0的不变矩分块对应的积分核,x与y表示所述离散重构图像f(x,y)中像素的横纵坐标,n与m分别与U00中的0与0、U11中的1与1、U20中的2与0对应,j表示对所述待匹配图像中的信号进行小波变换的尺度;
根据所述积分核,利用下述公式配置所述离散重构图像的不变矩:
其中,Znm表示所述离散重构图像的不变矩,Unm表示所述积分核,n与m分别与U00中的0与0、U11中的1与1、U20中的2与0对应,x与y表示所述离散重构图像f(x,y)中像素的横纵坐标;
根据所述不变矩,利用下述公式构造所述离散重构图像的不变矩分离角度,包括:
其中,γ表示所述离散重构图像的不变矩分离角度,Ss表示虚部符号,Xb表示实部符号,Ss[Znm]表示所述离散重构图像的不变矩的虚部,Xb[Znm]表示所述离散重构图像的不变矩的实部。
其中,所述积分核是指在低维空间的点映射到高维空间的点后,两个点的内积。
进一步地,本发明实施例通过根据所述不变矩分离角度,对所述离散重构图像进行不变矩分离,以用于利用不变矩对所述离散重构图像进行旋转,达到图像中边缘部分与图像分离的目的,从而提取所述离散重构图像的不变矩特征。
本发明的一实施例中,所述根据所述不变矩分离角度,对所述离散重构图像进行不变矩分离,得到分离不变矩,包括:根据所述不变矩分离角度,利用下述公式构建所述离散重构图像的不变矩分离函数:
其中,Z′nm表示所述离散重构图像的不变矩分离函数,Z00表示所述离散重构图像的不变矩分块大小为0*0时的不变矩,Z′00表示不变矩分块大小为0*0时不变矩对应的不变矩分离函数,Z11表示所述离散重构图像的不变矩分块大小为1*1时的不变矩,Z′11表示不变矩分块大小为1*1时不变矩对应的不变矩分离函数,Z20表示所述离散重构图像的不变矩分块大小为2*0时的不变矩,Z′20表示不变矩分块大小为2*0时不变矩对应的不变矩分离函数,γ表示所述离散重构图像的不变矩分离角度,j表示对所述待匹配图像中的信号进行小波变换的尺度;
根据所述不变矩分离函数,执行所述离散重构图像的不变矩分离,得到所述分离不变矩。
S4、根据所述局部特征,计算所述待匹配图像中每两个图像之间的第一融合距离,根据所述分离不变矩,计算所述待匹配图像中每两个图像之间的第二融合距离,根据所述第一融合距离与所述第二融合距离,执行对所述待匹配图像的特征融合匹配,得到所述待匹配图像的特征融合匹配结果。
本发明实施例通过根据所述局部特征,计算所述待匹配图像中每两个图像之间的第一融合距离,以用于确定所述待匹配图像中每两个图像之间特征互相之间的距离,达到某个局部特征与其他所有局部特征融合的目的,提升图像匹配的精确度。其中,所述第一融合距离是指所述待匹配图像中每两个图像之间局部特征之间的距离值。
本发明的一实施例中,所述根据所述局部特征,计算所述待匹配图像中每两个图像之间的第一融合距离,包括:查询所述待匹配图像中每两个图像的局部特征,得到第一局部特征与第二局部特征;根据所述第一局部特征与所述第二局部特征,利用下述公式计算所述待匹配图像中每两个图像之间的第一融合距离:
其中,D(L1,L2)表示所述待匹配图像中每两个图像之间的第一融合距离,L1i表示所述待匹配图像中图像1的对应的第一局部特征中第i个特征的特征向量,L2i表示所述待匹配图像中图像2的对应的第二局部特征中第i个特征的特征向量。
进一步地,本发明实施例通过根据所述分离不变矩,计算所述待匹配图像中每两个图像之间的第二融合距离,以用于确定所述待匹配图像中每两个图像之间特征互相之间的距离,达到某个边缘特征与其他所有边缘特征融合的目的,提升图像匹配的精确度。其中,所述第二融合距离是指所述待匹配图像中每两个图像之间的分离不变矩之间的距离值。
本发明的一实施例中,所述根据所述分离不变矩,计算所述待匹配图像中每两个图像之间的第二融合距离的步骤与上述根据所述局部特征,计算所述待匹配图像中每两个图像之间的第一融合距离的原理类似,在此不做进一步地赘述。
进一步地,本发明实施例通过根据所述第一融合距离与所述第二融合距离,执行对所述待匹配图像的特征融合匹配,以用于在所述局部特征与所述分离不变矩的双重作用下,确定图像匹配的结果,减少了根据单一距离值确定匹配结果的不准确度。
本发明的一实施例中,参阅图3所示,所述根据所述第一融合距离与所述第二融合距离,执行对所述待匹配图像的特征融合匹配,得到所述待匹配图像的特征融合匹配结果,包括:
S301、配置所述第一融合距离与所述第二融合距离的匹配阈值;
S302、判断所述第一融合距离与所述第二融合距离是否均符合所述匹配阈值;
S303、在所述第一融合距离与所述第二融合距离均符合所述匹配阈值时,则确定所述待匹配图像的特征融合匹配结果为匹配成功;
S304、在所述第一融合距离与所述第二融合距离中存在至少一个融合距离不符合所述匹配阈值时,则确定所述待匹配图像的特征融合匹配结果为匹配失败。
可以看出,本发明实施例首先通过获取待匹配图像,以用于后续对所述待匹配图像进行特征分析,执行对所述待匹配图像中每两个图像之间的图像匹配,进一步地,本发明实施例通过配置所述待匹配图像的信号曲线,以用于后续利用所述信号曲线执行对所述待匹配图像的小波变换,进一步地,本发明实施例通过对所述信号曲线进行离散变换,以用于响应离散的图像信号,将连续小波转换为离散小波,进一步地,本发明实施例通过根据所述离散信号,分析所述待匹配图像的离散系数,以用于利用所述离散系数对所述待匹配图像中的高频信号部分进行突出显示,保障后续特征提取的速度,进一步地,本发明实施例通过根据所述离散信号与所述离散系数,对所述待匹配图像进行离散重构,以用于通过离散重构的方式对所述待匹配图像进行预处理,实现对所述待匹配图像的去噪处理,本发明实施例通过计算所述离散重构图像的像素差与像素中心,以用于以所述像素中心为每个群体的中心实现对所述离散重构图像中的像素的分簇,进一步地,本发明实施例通过根据所述像素差与所述像素中心,对所述离散重构图像进行像素分群处理,以用于将所述离散重构图像中的像素分为多个像素群,将对全部像素的特征提取转换为对每个像素点分群的特征提取,在保障特征提取精确度的前提下提升特征提取速度,进一步地,本发明实施例通过将所述像素分群图像进行正值转换,得到正值分群图像,以用于减少所述像素分群图像中像素差的负值影响,进一步地,本发明实施例通过提取所述正值分群图像的局部特征,以用于提取可以描述图像灰度变换特点的特征,本发明实施例通过划分所述离散重构图像的不变矩分块,以用于将所述离散重构图像分割为多个小图像,便于提取每个分割后图像的边缘部分,进一步地,本发明实施例通过根据所述不变矩分块,计算所述离散重构图像的不变矩分离角度,以用于利用所述不变矩分离角度实现对所述散重构图像的从低维度的空间向高维度空间的转换,进一步地,本发明实施例通过根据所述不变矩分离角度,对所述离散重构图像进行不变矩分离,以用于利用不变矩对所述离散重构图像进行旋转,达到图像中边缘部分与图像分离的目的,从而提取所述离散重构图像的不变矩特征,进一步地,本发明实施例通过根据所述局部特征,计算所述待匹配图像中每两个图像之间的第一融合距离,以用于确定所述待匹配图像中每两个图像之间特征互相之间的距离,达到某个局部特征与其他所有局部特征融合的目的,提升图像匹配的精确度,进一步地,本发明实施例通过根据所述分离不变矩,计算所述待匹配图像中每两个图像之间的第二融合距离,以用于确定所述待匹配图像中每两个图像之间特征互相之间的距离,达到某个边缘特征与其他所有边缘特征融合的目的,提升图像匹配的精确度,进一步地,本发明实施例通过根据所述第一融合距离与所述第二融合距离,执行对所述待匹配图像的特征融合匹配,以用于在所述局部特征与所述分离不变矩的双重作用下,确定图像匹配的结果,减少了根据单一距离值确定匹配结果的不准确度。因此,本发明实施例提出的一种基于多特征融合的图像匹配方法可以在保证快速匹配的同时,保障图像匹配的高精度与高准确度。
如图4所示,是本发明基于多特征融合的图像匹配装置功能模块图。
本发明所述基于多特征融合的图像匹配装置400可以安装于电子设备中。根据实现的功能,所述基于多特征融合的图像匹配装置可以包括图像离散重构模块401、图像特征提取模块402、不变矩分离模块403以及特征融合匹配模块404。本发明所述模块也可以称之为单元,是指一种能够被电子设备处理器所执行,并且能够完成固定功能的一系列计算机程序段,其存储在电子设备的存储器中。
在本发明实施例中,关于各模块/单元的功能如下:
所述图像离散重构模块401,用于获取待匹配图像,配置所述待匹配图像的信号曲线,对所述信号曲线进行离散变换,得到离散信号,根据所述离散信号,分析所述待匹配图像的离散系数,根据所述离散信号与所述离散系数,对所述待匹配图像进行离散重构,得到离散重构图像;
所述图像特征提取模块402,用于计算所述离散重构图像的像素差与像素中心,根据所述像素差与所述像素中心,对所述离散重构图像进行像素分群处理,得到像素分群图像,将所述像素分群图像进行正值转换,得到正值分群图像,并提取所述正值分群图像的局部特征;
所述不变矩分离模块403,用于划分所述离散重构图像的不变矩分块,根据所述不变矩分块,计算所述离散重构图像的不变矩分离角度,根据所述不变矩分离角度,对所述离散重构图像进行不变矩分离,得到分离不变矩;
所述特征融合匹配模块404,用于根据所述局部特征,计算所述待匹配图像中每两个图像之间的第一融合距离,根据所述分离不变矩,计算所述待匹配图像中每两个图像之间的第二融合距离,根据所述第一融合距离与所述第二融合距离,执行对所述待匹配图像的特征融合匹配,得到所述待匹配图像的特征融合匹配结果。
详细地,本发明实施例中所述基于多特征融合的图像匹配装置400中的所述各模块在使用时采用与上述的图1至图3中所述的基于多特征融合的图像匹配方法一样的技术手段,并能够产生相同的技术效果,这里不再赘述。
如图5所示,是本发明实现基于多特征融合的图像匹配方法的电子设备的结构示意图。
所述电子设备可以包括处理器50、存储器51、通信总线52以及通信接口53,还可以包括存储在所述存储器51中并可在所述处理器50上运行的计算机程序,如基于多特征融合的图像匹配程序。
其中,所述处理器50在一些实施例中可以由集成电路组成,例如可以由单个封装的集成电路所组成,也可以是由多个相同功能或不同功能封装的集成电路所组成,包括一个或者多个中央处理器(Central Processing unit,CPU)、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器50是所述电子设备的控制核心(ControlUnit),利用各种接口和线路连接整个电子设备的各个部件,通过运行或执行存储在所述存储器51内的程序或者模块(例如执行基于多特征融合的图像匹配程序等),以及调用存储在所述存储器51内的数据,以执行电子设备的各种功能和处理数据。
所述存储器51至少包括一种类型的可读存储介质,所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器(例如:SD或DX存储器等)、磁性存储器、磁盘、光盘等。所述存储器51在一些实施例中可以是电子设备的内部存储单元,例如该电子设备的移动硬盘。所述存储器51在另一些实施例中也可以是电子设备的外部存储设备,例如电子设备上配备的插接式移动硬盘、智能存储卡(Smart Media Card,SMC)、安全数字(Secure Digital,SD)卡、闪存卡(Flash Card)等。进一步地,所述存储器51还可以既包括电子设备的内部存储单元也包括外部存储设备。所述存储器51不仅可以用于存储安装于电子设备的应用软件及各类数据,例如数据库配置化连接程序的代码等,还可以用于暂时地存储已经输出或者将要输出的数据。
所述通信总线52可以是外设部件互连标准(peripheral componentinterconnect,简称PCI)总线或扩展工业标准结构(extended industry standardarchitecture,简称EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器51以及至少一个处理器50等之间的连接通信。
所述通信接口53用于上述电子设备5与其他设备之间的通信,包括网络接口和用户接口。可选地,所述网络接口可以包括有线接口和/或无线接口(如WI-FI接口、蓝牙接口等),通常用于在该电子设备与其他电子设备之间建立通信连接。所述用户接口可以是显示器(Display)、输入单元(比如键盘(Keyboard)),可选地,所述用户接口还可以是标准的有线接口、无线接口。可选地,在一些实施例中,显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。其中,显示器也可以适当的称为显示屏或显示单元,用于显示在电子设备中处理的信息以及用于显示可视化的用户界面。
图5仅示出了具有部件的电子设备,本领域技术人员可以理解的是,图5示出的结构并不构成对所述电子设备的限定,可以包括比图示更少或者更多的部件,或者组合某些部件,或者不同的部件布置。
例如,尽管未示出,所述电子设备还可以包括给各个部件供电的电源(比如电池),优选地,电源可以通过电源管理装置与所述至少一个处理器50逻辑相连,从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备还可以包括多种传感器、蓝牙模块、Wi-Fi模块等,在此不再赘述。
应该了解,所述实施例仅为说明之用,在专利发明范围上并不受此结构的限制。
所述电子设备中的所述存储器51存储的数据库配置化连接程序是多个计算机程序的组合,在所述处理器50中运行时,可以实现:
获取待匹配图像,配置所述待匹配图像的信号曲线,对所述信号曲线进行离散变换,得到离散信号,根据所述离散信号,分析所述待匹配图像的离散系数,根据所述离散信号与所述离散系数,对所述待匹配图像进行离散重构,得到离散重构图像;
计算所述离散重构图像的像素差与像素中心,根据所述像素差与所述像素中心,对所述离散重构图像进行像素分群处理,得到像素分群图像,将所述像素分群图像进行正值转换,得到正值分群图像,并提取所述正值分群图像的局部特征;
划分所述离散重构图像的不变矩分块,根据所述不变矩分块,计算所述离散重构图像的不变矩分离角度,根据所述不变矩分离角度,对所述离散重构图像进行不变矩分离,得到分离不变矩;
根据所述局部特征,计算所述待匹配图像中每两个图像之间的第一融合距离,根据所述分离不变矩,计算所述待匹配图像中每两个图像之间的第二融合距离,根据所述第一融合距离与所述第二融合距离,执行对所述待匹配图像的特征融合匹配,得到所述待匹配图像的特征融合匹配结果。
具体地,所述处理器50对上述计算机程序的具体实现方法可参考图1对应实施例中相关步骤的描述,在此不赘述。
进一步地,所述电子设备集成的模块/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,可以存储在一个非易失性计算机可读取存储介质中。所述存储介质可以是易失性的,也可以是非易失性的。例如,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)。
本发明还提供一种存储介质,所述可读存储介质存储有计算机程序,所述计算机程序在被电子设备的处理器所执行时,可以实现:
获取待匹配图像,配置所述待匹配图像的信号曲线,对所述信号曲线进行离散变换,得到离散信号,根据所述离散信号,分析所述待匹配图像的离散系数,根据所述离散信号与所述离散系数,对所述待匹配图像进行离散重构,得到离散重构图像;
计算所述离散重构图像的像素差与像素中心,根据所述像素差与所述像素中心,对所述离散重构图像进行像素分群处理,得到像素分群图像,将所述像素分群图像进行正值转换,得到正值分群图像,并提取所述正值分群图像的局部特征;
划分所述离散重构图像的不变矩分块,根据所述不变矩分块,计算所述离散重构图像的不变矩分离角度,根据所述不变矩分离角度,对所述离散重构图像进行不变矩分离,得到分离不变矩;
根据所述局部特征,计算所述待匹配图像中每两个图像之间的第一融合距离,根据所述分离不变矩,计算所述待匹配图像中每两个图像之间的第二融合距离,根据所述第一融合距离与所述第二融合距离,执行对所述待匹配图像的特征融合匹配,得到所述待匹配图像的特征融合匹配结果。
在本发明所提供的几个实施例中,应该理解到,所揭露的设备,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。
因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
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“包括一个……”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。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的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发明的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种基于多特征融合的图像匹配方法,其特征在于,所述方法包括:
获取待匹配图像,配置所述待匹配图像的信号曲线,对所述信号曲线进行离散变换,得到离散信号,根据所述离散信号,分析所述待匹配图像的离散系数,根据所述离散信号与所述离散系数,对所述待匹配图像进行离散重构,得到离散重构图像,其中,所述配置所述待匹配图像的信号曲线,包括:
查询所述待匹配图像的傅里叶变换,
利用下述公式配置所述傅里叶变换的小波转换标准:
其中,表示所述傅里叶变换的小波转换标准,/>表示所述傅里叶变换,/>表示所述待匹配图像的像素点数值,
根据所述小波转换标准,确定所述傅里叶变换的母小波函数,
利用下述公式对所述母小波函数进行函数收缩与函数平移,得到所述信号曲线:
其中,表示所述信号曲线,/>表示所述母小波函数,/>表示收缩因子,/>表示平移因子,/>表示所述待匹配图像中的像素点;
计算所述离散重构图像的像素差与像素中心,根据所述像素差与所述像素中心,对所述离散重构图像进行像素分群处理,得到像素分群图像,将所述像素分群图像进行正值转换,得到正值分群图像,并提取所述正值分群图像的局部特征,其中,所述像素差是指所述离散重构图像中的每两个像素值之间的差,所述像素中心是指将所述离散重构图像中的像素分为多个像素群的中心;
划分所述离散重构图像的不变矩分块,根据所述不变矩分块,计算所述离散重构图像的不变矩分离角度,根据所述不变矩分离角度,对所述离散重构图像进行不变矩分离,得到分离不变矩;
根据所述局部特征,计算所述待匹配图像中每两个图像之间的第一融合距离,根据所述分离不变矩,计算所述待匹配图像中每两个图像之间的第二融合距离,根据所述第一融合距离与所述第二融合距离,执行对所述待匹配图像的特征融合匹配,得到所述待匹配图像的特征融合匹配结果。
2.根据权利要求1所述的方法,其特征在于,所述计算所述离散重构图像的像素差与像素中心,包括:
获取所述离散重构图像的像素点,配置所述像素点的分群数量;
根据所述分群数量,从所述像素点中随机选取中心像素;
配置所述中心像素的邻域数量;
根据所述邻域数量,在所述像素点中随机选取所述中心像素的邻域像素;
分别提取所述中心像素与所述邻域像素的中心像素值与邻域像素值;
将所述中心像素值作为所述像素中心,根据所述中心像素值与邻域像素值,利用下述公式构建所述离散重构图像的像素差:
其中,表示所述离散重构图像的像素差,/>表示第/>个邻域像素的邻域像素值,/>表示第/>个中心像素的中心像素值。
3.根据权利要求1所述的方法,其特征在于,所述将所述像素分群图像进行正值转换,得到正值分群图像,包括:
利用下述公式构造所述像素分群图像的正值像素差,包括:
其中,表示所述正值像素差,/>表示所述离散重构图像的像素差;
根据所述正值像素差,确定所述像素分群图像的正值转换形式;
根据所述正值转换形式,利用下述公式确定所述像素分群图像的正值像素分群:
其中,表示第/>个中心像素的中心像素值对应的正值像素分群,/>表示所述正值像素差,/>表示第/>个邻域像素的邻域像素值,/>表示第/>个中心像素的中心像素值,/>、、/>均为所述像素差,/>表示联合分布;
根据所述正值像素分群,确定所述正值分群图像。
4.根据权利要求1所述的方法,其特征在于,所述划分所述离散重构图像的不变矩分块,包括:
查询所述离散重构图像的不变矩计算目标;
匹配所述不变矩计算目标的划分阶次;
根据所述划分阶次,确定所述离散重构图像的图像分块;
根据所述图像分块,执行对所述离散重构图像的不变矩分块划分。
5.根据权利要求1所述的方法,其特征在于,所述根据所述不变矩分块,计算所述离散重构图像的不变矩分离角度,包括:
根据所述不变矩分块,利用下述公式配置所述离散重构图像的积分核:
其中,表示所述积分核,/>表示所述积分核中0*0的不变矩分块对应的积分核,/>与/>表示所述离散重构图像/>中像素的横纵坐标,/>与/>分别与/>中的0与0、/>中的1与1、/>中的2与0对应,/>表示对所述待匹配图像中的信号进行小波变换的尺度;
根据所述积分核,利用下述公式配置所述离散重构图像的不变矩:
其中,表示所述离散重构图像的不变矩,/>表示所述积分核,/>与/>分别与/>中的0与0、/>中的1与1、/>中的2与0对应,/>与/>表示所述离散重构图像/>中像素的横纵坐标;
根据所述不变矩,利用下述公式构造所述离散重构图像的不变矩分离角度,包括:
其中,表示所述离散重构图像的不变矩分离角度,/>表示虚部符号,/>表示实部符号,/>表示所述离散重构图像的不变矩的虚部,/>表示所述离散重构图像的不变矩的实部。
6.根据权利要求1所述的方法,其特征在于,所述根据所述局部特征,计算所述待匹配图像中每两个图像之间的第一融合距离,包括:
查询所述待匹配图像中每两个图像的局部特征,得到第一局部特征与第二局部特征;
根据所述第一局部特征与所述第二局部特征,利用下述公式计算所述待匹配图像中每两个图像之间的第一融合距离:
其中,表示所述待匹配图像中每两个图像之间的第一融合距离,/>表示所述待匹配图像中图像1的对应的第一局部特征中第/>个特征的特征向量,/>表示所述待匹配图像中图像2的对应的第二局部特征中第/>个特征的特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211132243.1A CN115641455B (zh) | 2022-09-16 | 2022-09-16 | 一种基于多特征融合的图像匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211132243.1A CN115641455B (zh) | 2022-09-16 | 2022-09-16 | 一种基于多特征融合的图像匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115641455A CN115641455A (zh) | 2023-01-24 |
CN115641455B true CN115641455B (zh) | 2024-01-09 |
Family
ID=84943163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211132243.1A Active CN115641455B (zh) | 2022-09-16 | 2022-09-16 | 一种基于多特征融合的图像匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115641455B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1580684A1 (en) * | 1998-04-13 | 2005-09-28 | Nevenengineering, Inc. | Face recognition from video images |
JP2011003144A (ja) * | 2009-06-22 | 2011-01-06 | Nippon Hoso Kyokai <Nhk> | 移動物体領域検出装置及び移動物体領域検出プログラム |
CN103927511A (zh) * | 2014-02-25 | 2014-07-16 | 华北电力大学(保定) | 基于差异特征描述的图像识别方法 |
CN104778449A (zh) * | 2015-03-25 | 2015-07-15 | 广东瑞德智能科技股份有限公司 | 一种应用于物联网身份鉴别的掌纹特征提取与匹配方法 |
CN106355599A (zh) * | 2016-08-30 | 2017-01-25 | 上海交通大学 | 基于非荧光眼底图像的视网膜血管自动分割方法 |
CN106685478A (zh) * | 2016-12-19 | 2017-05-17 | 电子科技大学 | 基于信号时频图像信息提取的跳频信号参数估计方法 |
CN107424143A (zh) * | 2017-04-13 | 2017-12-01 | 中国矿业大学 | 一种基于双目立体视觉深度感知的矿用带式输送机煤量检测方法 |
CN109919929A (zh) * | 2019-03-06 | 2019-06-21 | 电子科技大学 | 一种基于小波变换的舌裂纹特征提取方法 |
CN110119753A (zh) * | 2019-01-08 | 2019-08-13 | 长江岩土工程总公司(武汉) | 一种重构纹理识别岩性的方法 |
CN112270330A (zh) * | 2020-11-05 | 2021-01-26 | 国网甘肃省电力公司电力科学研究院 | 一种基于Mask R-CNN神经网络被关注目标的智能检测方法 |
CN113592758A (zh) * | 2021-08-02 | 2021-11-02 | 中国科学技术大学 | 一种基于局部对比度预处理的图像融合方法 |
CN114867416A (zh) * | 2019-11-26 | 2022-08-05 | 塞尔斯夫有限责任公司 | X射线成像系统 |
-
2022
- 2022-09-16 CN CN202211132243.1A patent/CN115641455B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1580684A1 (en) * | 1998-04-13 | 2005-09-28 | Nevenengineering, Inc. | Face recognition from video images |
JP2011003144A (ja) * | 2009-06-22 | 2011-01-06 | Nippon Hoso Kyokai <Nhk> | 移動物体領域検出装置及び移動物体領域検出プログラム |
CN103927511A (zh) * | 2014-02-25 | 2014-07-16 | 华北电力大学(保定) | 基于差异特征描述的图像识别方法 |
CN104778449A (zh) * | 2015-03-25 | 2015-07-15 | 广东瑞德智能科技股份有限公司 | 一种应用于物联网身份鉴别的掌纹特征提取与匹配方法 |
CN106355599A (zh) * | 2016-08-30 | 2017-01-25 | 上海交通大学 | 基于非荧光眼底图像的视网膜血管自动分割方法 |
CN106685478A (zh) * | 2016-12-19 | 2017-05-17 | 电子科技大学 | 基于信号时频图像信息提取的跳频信号参数估计方法 |
CN107424143A (zh) * | 2017-04-13 | 2017-12-01 | 中国矿业大学 | 一种基于双目立体视觉深度感知的矿用带式输送机煤量检测方法 |
CN110119753A (zh) * | 2019-01-08 | 2019-08-13 | 长江岩土工程总公司(武汉) | 一种重构纹理识别岩性的方法 |
CN109919929A (zh) * | 2019-03-06 | 2019-06-21 | 电子科技大学 | 一种基于小波变换的舌裂纹特征提取方法 |
CN114867416A (zh) * | 2019-11-26 | 2022-08-05 | 塞尔斯夫有限责任公司 | X射线成像系统 |
CN112270330A (zh) * | 2020-11-05 | 2021-01-26 | 国网甘肃省电力公司电力科学研究院 | 一种基于Mask R-CNN神经网络被关注目标的智能检测方法 |
CN113592758A (zh) * | 2021-08-02 | 2021-11-02 | 中国科学技术大学 | 一种基于局部对比度预处理的图像融合方法 |
Non-Patent Citations (1)
Title |
---|
"基于不变矩的景象匹配辅助导航快速匹配算法";符艳军等;《系统工程与电子技术》;847-850页 * |
Also Published As
Publication number | Publication date |
---|---|
CN115641455A (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111080660B (zh) | 一种图像分割方法、装置、终端设备及存储介质 | |
JP5347034B2 (ja) | 画像マッチングのための方法およびシステム | |
CN111860398B (zh) | 遥感图像目标检测方法、系统及终端设备 | |
TW202207077A (zh) | 一種文本區域的定位方法及裝置 | |
CN113159147A (zh) | 基于神经网络的图像识别方法、装置、电子设备 | |
WO2019019595A1 (zh) | 图片匹配方法及电子设备方法、装置、电子设备及介质 | |
CN110941978B (zh) | 一种未识别身份人员的人脸聚类方法、装置及存储介质 | |
CN112529068B (zh) | 一种多视图图像分类方法、系统、计算机设备和存储介质 | |
CN113065997B (zh) | 一种图像处理方法、神经网络的训练方法以及相关设备 | |
CN111223128A (zh) | 目标跟踪方法、装置、设备及存储介质 | |
EP2883192A1 (en) | A method of providing a feature descriptor for describing at least one feature of an object representation | |
CN111488479B (zh) | 超图构建方法、装置以及计算机系统和介质 | |
WO2024174726A1 (zh) | 基于深度学习的手写及打印文本检测方法和装置 | |
CN110619349A (zh) | 植物图像分类方法及装置 | |
CN110287943B (zh) | 图像的对象识别方法、装置、电子设备及存储介质 | |
CN115641455B (zh) | 一种基于多特征融合的图像匹配方法 | |
CN110827334B (zh) | 形变场确定方法、确定装置、终端设备及可读存储介质 | |
CN110019818B (zh) | 一种批量注册邮箱的检测方法及装置 | |
WO2019109410A1 (zh) | 用于分割 mri 图像中异常信号区的全卷积网络模型训练方法 | |
CN115546271B (zh) | 基于深度联合表征的视觉分析方法、装置、设备及介质 | |
CN111967478A (zh) | 一种基于权重翻转的特征图重构方法、系统、存储介质及终端 | |
CN116452655A (zh) | 一种应用于mpis工控主板的贴合定位方法、装置、设备及介质 | |
CN115909009A (zh) | 图像识别方法、装置、存储介质及电子设备 | |
CN115081542A (zh) | 子空间聚类方法、终端设备及计算机可读存储介质 | |
CN112487943B (zh) | 关键帧去重的方法、装置和电子设备 |
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 |