基于主成分析的數(shù)字圖像的特征提取與匹配方法及裝置，屬于圖像分析技術(shù)領(lǐng)域。所述的方法包括如下步驟：1）尺度空間極值點(diǎn)檢測(cè)；2）定位極值點(diǎn)；3）極值點(diǎn)方向分配：4）PCA降維及圖像特征描述子的生成；5）相似性度量的判定及特征匹配；所述的裝置主要包括：數(shù)值預(yù)處理模塊、特征點(diǎn)提取模塊、特征點(diǎn)匹配模塊。本發(fā)明專利技術(shù)比原有的SIFT特征提取與匹配算法具有更高的精確度與匹配速度，本發(fā)明專利技術(shù)可直接應(yīng)用于基于內(nèi)容的數(shù)字圖像檢索、基于內(nèi)容的數(shù)字視頻檢索、數(shù)字圖像融合、超分辨率圖像重建等機(jī)器視覺領(lǐng)域。
【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及一種數(shù)字圖像的特征提取與匹配方法及裝置。
技術(shù)介紹
主成分析(Principal Component Analysis, PCA),又稱主分量分析。是將多個(gè)變量通過(guò)線性變換以選出較少個(gè)數(shù)重要變量的一種多元統(tǒng)計(jì)分析方法。該方法是一種將多個(gè)相關(guān)的變量轉(zhuǎn)化為少數(shù)幾個(gè)獨(dú)立的變量的有效分析方法，通過(guò)減少通道間的依賴性而達(dá)到減少數(shù)據(jù)的通道或子帶的目的。特征提取是計(jì)算機(jī)視覺和圖像處理中的一個(gè)概念。它指的是使用計(jì)算機(jī)提取圖像信息，決定每個(gè)圖像的點(diǎn)是否屬于一個(gè)圖像特征。特征提取的結(jié)果是把圖像上的點(diǎn)分為不同的子集，這些子集往往屬于孤立的點(diǎn)、連續(xù)的曲線或者連續(xù)的區(qū)域。數(shù)字圖像特征提取是基于內(nèi)容的圖像檢索的關(guān)鍵步驟。目前，針對(duì)于特征提取的方法有很多，其中多數(shù)方法是基于顏色、紋理、形狀或空間關(guān)系。顏色特征是全局特征，對(duì)豐富的區(qū)域?qū)ο笤敿?xì)信息并不敏感；而紋理特征易受光照和仿射變化的影響；當(dāng)物體旋轉(zhuǎn)、縮放或變形時(shí)，形狀特征和空間關(guān)系特征不會(huì)捕捉精確的特征點(diǎn)。Harris角檢測(cè)算法對(duì)圖像的尺度變化非常敏感，不適合匹配不同尺寸下的圖像。尺度不變特征變換(ScaleInvariant Feature Transform, SIFT)算法是近幾年提出的在基于不變量技術(shù)的特征檢測(cè)方法的基礎(chǔ)上，一種基于尺度空間、對(duì)圖像縮放、旋轉(zhuǎn)甚至仿射變換保持不變的特征匹配算法。算法的主要特點(diǎn)有1. SIFT特征是圖像的局部特征，其對(duì)旋轉(zhuǎn)、尺度縮放、亮度變化保持不變性，對(duì)視角變化、仿射變換、噪聲也保持一定程度的穩(wěn)定性；2.獨(dú)特性好，信息量豐富，適用于在海量特征數(shù)據(jù)庫(kù)中進(jìn)行快速、準(zhǔn)確的匹配；3.多量性，即使少數(shù)的幾個(gè)物體也可以產(chǎn)生大量SIFT特征向量；4.高速性，經(jīng)優(yōu)化的SIFT匹配算法甚至可以達(dá)到實(shí)時(shí)的要求；5.可擴(kuò)展性，可以很方便的與其他形式的特征向量進(jìn)行聯(lián)合。但是，SIFT采用128維特征向量表示，當(dāng)在圖像特征點(diǎn)較多情況下進(jìn)行匹配實(shí)驗(yàn)時(shí)，存在存儲(chǔ)空間大、匹配耗時(shí)多等缺點(diǎn)，因此需要對(duì)數(shù)據(jù)進(jìn)行降維處理。此外，在特征匹配的過(guò)程中，通過(guò)特征提取生成圖像特征點(diǎn)以后，進(jìn)行特征匹配可以通過(guò)計(jì)算每個(gè)特征點(diǎn)與待訓(xùn)練圖像序列中每幅圖像的特征點(diǎn)的最短距離，即一歐式距離來(lái)得到。當(dāng)兩幅圖像的SIFT特征向量生成后，采用極值點(diǎn)特征向量的歐式距離來(lái)作為兩幅圖像中極值點(diǎn)的相似性判定度量。要確定特征匹配是否成功，需要設(shè)置一個(gè)固定的比例閾值，如果特征點(diǎn)的歐式距離小于某個(gè)比例閾值，則接受這一對(duì)匹配點(diǎn)，認(rèn)為這兩個(gè)特征點(diǎn)匹配成功。如果降低這個(gè)比例閾值，SIFT匹配點(diǎn)數(shù)目會(huì)減少，但更加穩(wěn)定。同樣，該算法也存在缺陷，特征提取后，在對(duì)特征進(jìn)行匹配的時(shí)候，用戶定義的感興趣區(qū)往往有用戶并不需要匹配的圖像數(shù)據(jù)。例如圖3中，用戶需要提取“象”的特征并進(jìn)行匹配，而不需要圖像中草地與樹木枝干的信息，這些信息被用戶“誤”選擇，因此也會(huì)參與圖像特征的提取，帶來(lái)算法的復(fù)雜度與數(shù)據(jù)冗余。
技術(shù)實(shí)現(xiàn)思路
針對(duì)以上問(wèn)題，本專利技術(shù)的目的在于提供一種準(zhǔn)確、高效的數(shù)字圖像特征提取與匹配的方法及裝置，其采用SIFT算法對(duì)數(shù)字圖像進(jìn)行特征提取，當(dāng)生成圖像特征描述子時(shí)，通過(guò)PCA將臨域內(nèi)的數(shù)據(jù)降維生成圖像特征描述子，來(lái)代替原有的SIFT特征描述子；最后采用高斯加權(quán)歐式距離代替歐式距離完成特征匹配。其具體步驟包括:I)尺度空間極值點(diǎn)檢測(cè):首先使用原始圖像與可變尺度的高斯函數(shù)進(jìn)行卷積，生成多尺度空間圖像。然后，使用高斯差分(Difference-of-Gaussian, DoG)函數(shù)與原始圖像進(jìn)行卷積，生成高斯差分圖像序列；在高斯差分圖像序列中，對(duì)比每個(gè)當(dāng)前像素與3X3鄰域的當(dāng)前尺度和相鄰尺度共26個(gè)像素點(diǎn)的最大、最小值，得到原始圖像的極值點(diǎn)。2)定位極值點(diǎn):由于DoG算子會(huì)產(chǎn)生較強(qiáng)的邊緣響應(yīng)，為了提高特征匹配的精度和抗噪能力，需要去除低對(duì)比度的極值點(diǎn)和不穩(wěn)定的邊緣響應(yīng)點(diǎn)。過(guò)程為:確定原始圖像的極值點(diǎn)以后，通過(guò)使用尺度空間的三維二次函數(shù)擬合當(dāng)?shù)氐牟蓸狱c(diǎn)，將高斯差分圖像序列中的DoG算子展開為泰勒展開式:本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
基于主成分析的數(shù)字圖像的特征提取與匹配方法，其特征在于：其包括下述步驟:?1）尺度空間極值點(diǎn)檢測(cè)：?首先使用原始圖像與可變尺度的高斯函數(shù)進(jìn)行卷積，生成多尺度空間圖像；然后，使用高斯差分(Difference?of?Gaussian，DoG)函數(shù)與原始圖像進(jìn)行卷積，生成高斯差分圖像序列；在高斯差分圖像序列中，對(duì)比每個(gè)當(dāng)前像素與3×3鄰域的當(dāng)前尺度和相鄰尺度共26個(gè)像素點(diǎn)的最大、最小值，得到原始圖像的極值點(diǎn)；?2）定位極值點(diǎn)：?確定原始圖像的極值點(diǎn)以后，通過(guò)使用尺度空間的三維二次函數(shù)擬合當(dāng)?shù)氐牟蓸狱c(diǎn)，將高斯差分圖像序列中的DoG算子展開為泰勒展開式：?其中X=(x,y,σ)T；x、y為原始圖像坐標(biāo)，σ為圖像尺度，D(x)為DoG算子的泰勒展開形式；?通過(guò)2×2的Hessian矩陣H求得D的主曲率；令α和β分別為最大、最小特征值，則：?Tr(H)=Dxx+Dyy=α+β?Det(H)=DxxDyy?(Dxy)2=αβ?其中Dxx為對(duì)x的二階偏導(dǎo)數(shù)；Dyy為對(duì)y的二階偏導(dǎo)數(shù)；Dxy為對(duì)x和y的二階偏導(dǎo)數(shù)；Tr(H)為矩陣H對(duì)角線的和；Det(H)為矩陣H的行列式；α為矩陣H在x方向上的梯度；β為矩陣H在y方向上的梯度；?令α=γ1β，(γ1+1)2/γ1的值在兩個(gè)特征值相等的時(shí)候最小，隨著γ1的增大而增大；為了準(zhǔn)確估計(jì)邊緣響應(yīng)，檢查主曲率的比例低于比例閾值γ1，只需檢測(cè)以下不等式來(lái)去除邊緣響應(yīng)：?其中γ1為用來(lái)去除邊緣響應(yīng)而設(shè)置的閾值，設(shè)置γ1=10；如果不等式成立，則保留該極值點(diǎn)；如果不等式不成立，則去除該極值點(diǎn)；?3）極值點(diǎn)方向分配：?獲得并且定位極值點(diǎn)后，利用極值點(diǎn)鄰域像素的梯度方向分布特性為每個(gè)極值點(diǎn)指定方向參數(shù)，使算子具備旋轉(zhuǎn)不變性：?θ(x,y)＝tan?1((L(x,y+1)?L(x,y?1))/(L(x+1,y)?L(x?1,y)))?式中m(x,y)和θ(x,y)分別代表極值點(diǎn)(x,y)處的模值和方向；L(x+1,y)、L(x?1,y)、L(x,y+1)、L(x,y?1)分別代表點(diǎn)(x+1,y)、(x?1,y)、(x,y+1)、(x,y?1)處的灰度值；以極值點(diǎn)為中心的鄰域窗口內(nèi)采樣，并用直方圖統(tǒng)計(jì)鄰域像素的梯度方向，建立梯度方向直方圖分配極值點(diǎn)的主方向和輔方向；梯度方向直方圖的橫軸為方向，范圍是0～360度，其中每10度一個(gè)柱，總共36個(gè)柱；縱軸為對(duì)應(yīng)方向的鄰域像素?cái)?shù)；直方圖的縱軸最大值，即主峰值，它代表了極值點(diǎn)鄰域梯度的主方向，當(dāng)存在另一個(gè)相當(dāng)于主峰值80%能量以上的峰值時(shí)，則將峰值定義為極值點(diǎn)的輔方向；?4）PCA降維及圖像特征描述子的生成：?主元分析PCA是將多個(gè)變量通過(guò)線性變換以選出較少個(gè)數(shù)重要變量的一種多元統(tǒng)計(jì)分析方法；?以每個(gè)極值點(diǎn)為中心取41×41像素的窗口，分別計(jì)算垂直和水平梯度，并以大小為39×39×2=3042維的矢量進(jìn)行描述；利用PCA將3042維數(shù)據(jù)進(jìn)行降維；?具體做法為：?首先將坐標(biāo)軸旋轉(zhuǎn)為極值點(diǎn)的方向，以確保旋轉(zhuǎn)不變性；接下來(lái)以極值點(diǎn)為中心取8×8的窗口；然后在每4×4的小塊上計(jì)算8個(gè)方向的梯度方向直方圖，繪制每個(gè)梯度方向的累加值，即可形成一個(gè)種子點(diǎn)，一個(gè)極值點(diǎn)由2×2共4個(gè)種子點(diǎn)組成，每個(gè)種子點(diǎn)有8個(gè)方向向?量信息；這種鄰域方向性信息聯(lián)合的思想增強(qiáng)了算法抗噪聲的能力，同時(shí)對(duì)于含有定位誤差的特征匹配也提供了較好的容錯(cuò)性；?對(duì)每個(gè)極值點(diǎn)使用4×4共16個(gè)種子點(diǎn)來(lái)描述，這樣對(duì)于一個(gè)極值點(diǎn)就可以產(chǎn)生128個(gè)數(shù)據(jù)，即最終形成128維的SIFT特征向量；此時(shí)SIFT特征向量已經(jīng)去除了尺度變化、旋轉(zhuǎn)等幾何變形因素的影響，再繼續(xù)將特征向量的長(zhǎng)度歸一化，則可以進(jìn)一步去除光照變化的影響；?計(jì)算投影矩陣步驟如下：?設(shè)是n幅待配準(zhǔn)的圖像，經(jīng)過(guò)1）至3）三個(gè)步驟檢測(cè)到m個(gè)極值點(diǎn)，以每個(gè)極值點(diǎn)為中心取41×41的窗口，分別計(jì)算垂直和水平梯度，并以大小為39×39×2=3042維矢量進(jìn)行描述；將矢量放入m×3042的矩陣I中，并對(duì)數(shù)據(jù)標(biāo)準(zhǔn)化，得：?建立其相關(guān)矩陣：R=ITI/n?其中是n幅待配準(zhǔn)的圖像；R為相關(guān)矩陣；?求R的特征值：λ1,λ2…λm，按從大到小的順序?qū)ζ渑判颍⑶蟮孟鄳?yīng)的單位特征向量，記為：K＝(K1,K2,...,Km)；?選擇前k個(gè)特征向量，構(gòu)成k×3042投影矩陣并存儲(chǔ)，記為P；?生成低維特征描述子；?得到投影矩陣后，對(duì)于待配準(zhǔn)圖像的極值點(diǎn)中心取41×41的窗口，旋轉(zhuǎn)到它的主方向，并分別計(jì)算垂直和水平梯度，構(gòu)成3042維矢量v(Ni)；用預(yù)先計(jì)算好的投影矩陣P與此矢量相乘，最終生成k維PCA?SI...
【技術(shù)特征摘要】
1.基于主成分析的數(shù)字圖像的特征提取與匹配方法，其特征在于:其包括下述步驟: 1)尺度空間極值點(diǎn)檢測(cè): 首先使用原始圖像與可變尺度的高斯函數(shù)進(jìn)行卷積，生成多尺度空間圖像；然后，使用高斯差分(Difference-of-Gaussian, DoG)函數(shù)與原始圖像進(jìn)行卷積，生成高斯差分圖像序列；在高斯差分圖像序列中，對(duì)比每個(gè)當(dāng)前像素與3X3鄰域的當(dāng)前尺度和相鄰尺度共26個(gè)像素點(diǎn)的最大、最小值，得到原始圖像的極值點(diǎn)； 2)定位極值點(diǎn): 確定原始圖像的極值點(diǎn)以后，通過(guò)使用尺度空間的三維二次函數(shù)擬合當(dāng)?shù)氐牟蓸狱c(diǎn)...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：王卓崢，賈克斌，
申請(qǐng)(專利權(quán))人：北京工業(yè)大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。