一種用於圖像特徵處理的ratmic描述子的構造方法
2023-07-23 16:14:01
專利名稱::一種用於圖像特徵處理的ratmic描述子的構造方法
技術領域:
:本發明涉及圖像處理領域,特別涉及一種用於圖像特徵處理的描述子的構造方法。
背景技術:
:長久以來,機器視覺認知一直是人們研究的熱點,它是研究使用機器或計算機智能的認知周圍物體的科學。然而,即使是一個非常簡單的物體,要使用機器或計算機去識別它都是一件十分不容易的事。其中,最為關鍵的莫過於是物體特徵的表示或描述,也就是說,究竟提取何種特徵以及如何提取這些特徵才能有效的區分不同物體。局部不變性特徵的出現,為解決這一問題的提供了希望,它作為一種十分有效的手段已被成功地應用到廣泛的領域和系統中,包括寬基線匹配、物體檢測和識別、紋理識別、場景分類、機器人漫遊和視覺數據挖掘等。在圖像不變性特徵的提取中,Harris角點檢測子通過計算二次矩矩陣的特徵值來判斷曲線的曲率,進而檢測角點。Hessian檢測子利用Hessian矩陣提取圖像特徵,主要響應角點和很強的紋理區域。然而Harris角點檢測子和Hessian檢測子不具備仿射不變性。因此,KrystianMikolajczyk等人在自動尺度選擇理論和二階矩開方運算的基礎上實現了帶仿射不變性的Harris角點檢測子和Hessian檢測子。MSER(MaximalIyStableExtremalRegion)利用最大穩定極值區域的概念實現了具備仿射不變性的斑點區域檢測。FAST(FeaturesfromAcceleratedSegmentTest)在AST標準的基礎上,通過機器學習的方法建立判定樹,從而進行角點檢測,還可以通過在源圖像上建立圖像金字塔使其具備尺度不變性。然而,FAST角點檢測子只能同時有效應對某一類場景的角點檢測。為了使FAST角點檢測子更具普遍性,ElmarMair等人通過建立兩棵頭尾相連的判定樹使AST標準能更有效地應對不同場景的角點檢測,即AGAST(AdaptiveandGenericAcceleratedSegmentTest)。在圖像不變性特徵提取和描述的研究領域中,SIFT算法作為經典的算法。它不僅具備了尺度不變性,並且對仿射變換、亮度變換和圖像投影變換具有魯棒性,而且是後續多種不變性特徵提取和描述算法的前期基礎,思路源泉和對比依據。但是SIFT算法存在下述的三點不足:一、構造時間消耗大在IntelCore2DuoCPU2.1OGHz實驗環境下利用SIFT算法對大小為680X850的圖像進行9596個興趣點的提取與描述的時間消耗比例圖,整個過程耗時9298毫秒;最耗時的過程一個是主方向的估計,另一個是描述子的構造,這兩個過程總共佔了75%以上的時間;時間主要消耗在對興趣區域內所有像素點進行梯度大小和方向的計算;確定主方向時,需要對興趣區域進行旋轉,其中涉及多次雙線性插值計算,而SIFT描述子的構造在計算梯度時又必須與高斯概率密度函數相乘,增加了SIFT算法的計算量;通過上述分析,可以看出SIFT描述子的構造是非常耗時的,不適用於實時性設備;二、只能有效應對均勻線性亮度變化SIFT算法依賴著興趣區域內採樣點的梯度計算,當圖像發生相同增量的亮度變化時,即原圖像所有像素點的像素值從I(x,y)變成I(x,y)+A時,由於增量A相同,在計算梯度時,剛好相互抵消,因此SIFT算法對等增量亮度變化具有不變性;SIFT算法為了應對縮放亮度變化,即像素值從I(x,y)變成k*I(x,y),SIFT算法通過將描述子向量進行歐氏距離單位化,實現亮度縮放變化不變性,由於以上兩種亮度變化合成了均勻線性亮度變化,即圖像所有像素點同時發生相同的線性亮度變化,因此,SIFT算法能夠有效地應對線性亮度變化,即像素值從I(x,y)變成k*I(x,y)+A;但是當圖像發生非均勻亮度變化f(x,y)*I(x,y)+A(x,y)時,梯度計算無法抵消非均勻亮度變化,從而影響到SIFT描述子的構造,從而進一步影響SIFT算法的性能;而這種非均勻亮度變化又是不同角度拍攝物體時經常發生的,所以SIFT算法對於亮度變化的魯棒性具有一定局限性,不適用於非均勻亮度變化情況下的圖像匹配;三、固定地劃分子區域降低了準確率SIFT描述子在構造時,為了充分利用空間信息,把興趣區域劃分成固定子區域,最後將各個子區域的描述子向量串聯起來形成SIFT描述子;SIFT算法為了具備旋轉不變性,在劃分子區域前,將興趣區域旋轉至興趣區域的主方向;而SIFT算法又是通過統計興趣區域內所有點的梯度方向確定興趣區域的主方向,這種方法在BinFan等人的文獻中被證明是不穩定的,同時也是描述子誤差的主要來源;因此這種固定劃分子區域方法降低了準確率。SURF算法用積分圖像和哈爾小波變換近似SIFT,從而比SIFT更具有高效性,但是在性能上遜於SIFT算法。ORB算法綜合了FAST檢測子和BRIEF描述子,獲得了比SIFT快2個數量級,比SURF快I個數量級的速度。由於ORB算法通過計算圖像中心矩獲得圖像旋轉魯棒性,這種方法計算量小,減少ORB算法消耗的時間,但是在圖像旋轉角度較大以及視角不同的圖像對中性能較差。DAISY描述子通過建立梯度方向和位置的直方圖獲得了較好的性能,但由於建立在梯度計算的基礎上,只能有效處理線性亮度變化,以及DAISY描述子向量維度較大,增加了它的時間、空間消耗。RIFF(Rotation-1nvariantFastFeature)描述子通過將梯度計算的X,I坐標轉化為半徑方向r和切線方向t具備了真正的旋轉不變性,但其計算量較大。CARD(CompactAndReal-timeDescriptors)描述子通過建立查詢表極大地壓縮了SIFT算法的構造時間,但性能上仍然不如SIFT算法。為了應對複雜的亮度變換,LBP(LocalBinaryPattern)描述子利用了採樣點的亮度排序信息,但由於LBP描述子維度較高,Heikkila結合了SIFT算法和LBP描述子建立了中心對稱的LBP描述子,即CS-LBP(CenterSymmetricLocalBinaryPatterns)描述子。在CS-LBP描述子的基礎上,RajGupta等人提出了CS-LTP(CenterSymmetricLocalTernaryPatterns)描述子,在像素亮度值對比時設置一個「死區」,更好地應對噪聲引起的像素值波動。
發明內容本發明的目的在於克服現有技術的不足,提供一種抗仿射變換、能很好地應對單應性亮度變化、高可重複率和準確率、高效的用於圖像特徵處理的RATMIC描述子的構造方法。為了達到上述目的,本發明採用如下的技術方案:一種用於圖像特徵處理的RATMIC描述子的構造方法,其特徵在於,包括下述步驟:第一步,採用帶仿射不變性的檢測子進行檢測,獲得興趣點P(x,y)和興趣點P(x,y)所在橢圓的三個參數a、b、c,以興趣點P(x,y)為中心、並由參數a、b、c根據橢圓公式ax2+2bxy+cy2=l確定一個橢圓,將所述橢圓內的每個像素點作為初始採樣點X(xK,xL);第二步,將橢圓通過歸一化函數映射到半徑為R的圓形的興趣區域,即通過歸一化函數將橢圓內初始採樣點X(xK,xj變成興趣區域內的採樣點C(x'K,x'L);其中,歸一化函數為權利要求1.一種用於圖像特徵處理的RATMIC描述子的構造方法,其特徵在於,包括下述步驟:第一步,採用帶仿射不變性的檢測子進行檢測,獲得興趣點P(x,y)和參數a、b、c,以興趣點P(x,y)為中心、由橢圓公式ax2+2bxy+cy2=l確定一個橢圓,將所述橢圓內的每個像素點作為初始採樣點X(xK,X1);第二步,將橢圓通過歸一化函數映射到半徑為R的圓形的興趣區域,即通過歸一化函數將橢圓內初始採樣點X(xK,xj變成興趣區域內的採樣點C(x'K,x'L);其中,歸一化函數為pb')2.根據權利要求1所述的用於圖像特徵處理的RATMIC描述子的構造方法,其特徵在於,所述第四步的正方形上的四個頂點為C1X2X3X4的排列順序是:射線PC上的遠離興趣點P的頂點為C1,並將正方形上的其它頂點逆時針依次為CfC4。3.根據權利要求2所述的用於圖像特徵處理的RATMIC描述子的構造方法,其特徵在於,在所述第一步與第二步之間,進行高斯濾波。4.根據權利要求3所述的用於圖像特徵處理的RATMIC描述子的構造方法,其特徵在於,在所述第二步與第三步之間,進行高斯濾波。5.根據權利要求1-4中任一項所述的用於圖像特徵處理的RATMIC描述子的構造方法,其特徵在於,所述呈圓形的興趣區域的半徑R=20.5個採樣點。6.根據權利要求1-4中任一項所述的用於圖像特徵處理的RATMIC描述子的構造方法,其特徵在於,所述第三步中子區域的劃分個數k為k=6或k=8。7.據權利要求1-4中任一項所述的用於圖像特徵處理的RATMIC描述子的構造方法,其特徵在於,所述第四步中正方形的對角線長21為21=6個採樣點或21=10個採樣點。8.根據權利要求1-4中任一項所述的用於圖像特徵處理的RATMIC描述子的構造方法,其特徵在於,所述的映射:ΦR1→{0,1}2p-1中p為p=4。全文摘要本發明提供了一種用於圖像特徵處理的RATMIC描述子的構造方法,包括用仿射不變性檢測子提取特徵點、興趣區域歸一化、動態劃分子區域、構造子區域描述子、構造RATMIC描述子。具有抗仿射變換、能很好地應對單應性亮度變化、高可重複率和準確率、高效的優點。文檔編號G06K9/46GK103093226SQ201210560530公開日2013年5月8日申請日期2012年12月20日優先權日2012年12月20日發明者康文雄,黃澤毅申請人:華南理工大學