專利名稱：：基于dwt的自適應(yīng)特征點(diǎn)提取和圖像匹配的制作方法
技術(shù)領(lǐng)域：
：本發(fā)明涉及基于DWT(離散小波變換)的自適應(yīng)特征點(diǎn)提取和圖像匹配的方法、裝置和計(jì)算機(jī)程序產(chǎn)品。
背景技術(shù)：
：基于內(nèi)容的圖像檢索CBIR(contentbasedimageretrieval)是圖像研究領(lǐng)域的熱點(diǎn)問(wèn)題之一。早期的CB^方法，利用諸如顏色、紋理、形狀等圖像的底層特征進(jìn)行圖像檢索，這些方法都是對(duì)圖像底層的信息進(jìn)行描述，雖然能夠達(dá)到一定的效果，但是都不能詳細(xì)的描述圖像的尺度的縮放、移動(dòng)、旋轉(zhuǎn)、仿射等特性。因此幾年來(lái)特征點(diǎn)提取算法及其應(yīng)用成為了圖像處理領(lǐng)域中的一個(gè)研究熱點(diǎn)。本發(fā)明的思想是把圖像看作一種信號(hào)流，一般信號(hào)的穩(wěn)定部分包含圖像的主要特征，它處于信號(hào)的低頻部分，而高頻部分包含了圖像的噪聲和圖像對(duì)尺度變換不穩(wěn)定的邊緣信息，因此首先利用DWT變換把圖像進(jìn)行多級(jí)分解，提取子圖像的低頻信息，從而把圖像進(jìn)行壓縮，并且濾除了產(chǎn)生邊緣效應(yīng)的不穩(wěn)定點(diǎn)的邊緣點(diǎn)，然后對(duì)圖像進(jìn)行特征提取，這樣可以得到數(shù)量少且更穩(wěn)定的特征點(diǎn)。試驗(yàn)證明我們的方法提取的特征點(diǎn)更穩(wěn)定，對(duì)各種幾何變換的適應(yīng)性更強(qiáng)，并且匹配精度更高，匹配速度更快。圖1示出了根據(jù)本發(fā)明的一個(gè)實(shí)施例的圖像處理系統(tǒng)；圖2示出了根據(jù)本發(fā)明的一些實(shí)施例的基于DWT的自適應(yīng)特征點(diǎn)提取和圖像匹配的流程圖3示出了根據(jù)本發(fā)明的一些實(shí)施例的基于DWT的自適應(yīng)特征點(diǎn)提取和圖像匹配裝置；圖4示出了根據(jù)一些實(shí)施例的一種基于DWT的自適應(yīng)特征點(diǎn)提取和圖像匹配裝置的細(xì)節(jié)；以及圖5是根據(jù)本發(fā)明的一些實(shí)施例的DWT變換的圖示。具體實(shí)施方式現(xiàn)在參考附圖來(lái)描述各種方案。在以下描述中，為了進(jìn)行解釋，闡述了多個(gè)具體細(xì)節(jié)以便提供對(duì)一個(gè)或多個(gè)方案的透徹理解。然而，顯然，在沒(méi)有這些具體細(xì)節(jié)的情況下也能夠?qū)崿F(xiàn)這些方案。如在本申請(qǐng)中所使用的，術(shù)語(yǔ)“組件”、“模塊”、“系統(tǒng)”等等旨在指代與計(jì)算機(jī)相關(guān)的實(shí)體，例如但不限于，硬件、固件、硬件和軟件的組合、軟件，或者是執(zhí)行中的軟件。例如，組件可以是但不限于在處理器上運(yùn)行的進(jìn)程、處理器、對(duì)象、可執(zhí)行體(executable)、執(zhí)行線程、程序、和/或計(jì)算機(jī)。舉例而言，運(yùn)行在計(jì)算設(shè)備上的應(yīng)用程序和該計(jì)算設(shè)備都可以是組件。一個(gè)或多個(gè)組件可以位于執(zhí)行進(jìn)程和/或者執(zhí)行線程內(nèi)，并且組件可以位于一臺(tái)計(jì)算機(jī)上和/或者分布在兩臺(tái)或更多臺(tái)計(jì)算機(jī)上。另外，這些組件可以從具有存儲(chǔ)在其上的各種數(shù)據(jù)結(jié)構(gòu)的各種計(jì)算機(jī)可讀介質(zhì)執(zhí)行。組件可以借助于本地和/或遠(yuǎn)程進(jìn)程進(jìn)行通信，例如根據(jù)具有一個(gè)或多個(gè)數(shù)據(jù)分組的信號(hào)，例如，來(lái)自于借助于信號(hào)與本地系統(tǒng)、分布式系統(tǒng)中的另一組件交互和/或者與在諸如因特網(wǎng)之類的網(wǎng)絡(luò)上借助于信號(hào)與其他系統(tǒng)交互的一個(gè)組件的數(shù)據(jù)。圖1示出了根據(jù)本發(fā)明的一個(gè)實(shí)施例的圖像處理系統(tǒng)100。裝置101為圖像采集設(shè)備，用于依據(jù)現(xiàn)有技術(shù)中已知的任何圖像采集技術(shù)來(lái)獲取待處理的圖像，所采集的圖像可以經(jīng)由通信裝置直接傳送給圖像處理裝置103，或者可以存儲(chǔ)在存儲(chǔ)裝置105中以待后續(xù)處理。在本發(fā)明的一個(gè)實(shí)施例中，圖像采集裝置101直接在用戶所訪問(wèn)的網(wǎng)頁(yè)上獲取與網(wǎng)頁(yè)相關(guān)聯(lián)的圖像。由圖像采集設(shè)備101所采集到的圖像通過(guò)通信裝置102以有線和/或無(wú)線的方式傳送至圖像處理裝置103，該圖像處理裝置103對(duì)接收到的圖像進(jìn)行基于DWT的自適應(yīng)特征點(diǎn)提取和圖像匹配，以檢測(cè)原圖和目標(biāo)圖像的匹配相似程度。但是應(yīng)該理解，圖像處理裝置103還可以對(duì)輸入圖像進(jìn)行其它各種處理，例如圖像去噪、圖像配準(zhǔn)、模式識(shí)別等等。圖像處理裝置103可以用通用處理器、數(shù)字信號(hào)處理器(DSP)、專用集成電路(ASIC)、現(xiàn)場(chǎng)可編程門陣列(FPGA)或其它可編程邏輯器件、分立門或晶體管邏輯器件、分立硬件組件或者設(shè)計(jì)為執(zhí)行本文所述功能的其任意組合，來(lái)實(shí)現(xiàn)或執(zhí)行。通用處理器可以是微處理器，但是可替換地，該處理器也可以是任何常規(guī)的處理器、控制器、微控制器或者狀態(tài)機(jī)。處理器也可以實(shí)現(xiàn)為計(jì)算設(shè)備的組合，例如，DSP和微處理器的組合、多個(gè)微處理器的組合、一個(gè)或多個(gè)微處理器與DSP內(nèi)核的組合或者任何其它此種結(jié)構(gòu)。另外，至少一個(gè)處理器可以包括可操作以執(zhí)行上述的一個(gè)或多個(gè)步驟和/或操作的一個(gè)或多個(gè)模塊。當(dāng)用ASIC、FPGA等硬件電路來(lái)實(shí)現(xiàn)圖像處理裝置103時(shí)，其可以包括被配置為執(zhí)行各種功能的各種電路塊。本領(lǐng)域技術(shù)人員可以根據(jù)施加在整個(gè)系統(tǒng)上的各種約束條件來(lái)以各種方式設(shè)計(jì)和實(shí)現(xiàn)這些電路，來(lái)實(shí)現(xiàn)本發(fā)明所公開(kāi)的各種功能。例如，用ASIC、FPGA等硬件電路實(shí)現(xiàn)的圖像處理裝置103可以包括用于基于DWT的自適應(yīng)特征點(diǎn)提取和圖像匹配的電路及/或其它電路模塊，其用來(lái)依據(jù)本文公開(kāi)的各種基于DWT的自適應(yīng)特征點(diǎn)提取和圖像匹配方案來(lái)對(duì)輸入圖像執(zhí)行圖像匹配。本領(lǐng)域技術(shù)人員應(yīng)該可以理解和認(rèn)識(shí)到，本文所述的圖像處理裝置103可選地可以包括除用于基于DWT的自適應(yīng)特征點(diǎn)提取和圖像匹配的電路之外的其它任何可用電路模塊，例如被配置為進(jìn)行邊緣檢測(cè)、圖像配準(zhǔn)、模式識(shí)別的任何電路模塊。以下結(jié)合圖3的流程圖詳細(xì)描述了濾波器電路所實(shí)現(xiàn)的功能。圖像存儲(chǔ)裝置105可以耦合至圖像采集設(shè)備101及/或圖像處理裝置103，以存儲(chǔ)圖像采集設(shè)備101所采集的原始數(shù)據(jù)及/或經(jīng)過(guò)圖像處理裝置103處理后的輸出圖像。圖2示出了根據(jù)本發(fā)明的一些實(shí)施例的基于DWT的自適應(yīng)特征點(diǎn)提取和圖像匹配的流程圖。在步驟201中，輸入待處理的二維圖像。在實(shí)施例中，待輸入的二維圖像可以來(lái)自圖像采集裝置101或圖像存儲(chǔ)裝置105。在步驟202中，利用DWT變換對(duì)所述二維圖像進(jìn)行N級(jí)分解，得到所述二維圖像的低頻部分。同時(shí)參考圖5。在本發(fā)明的一個(gè)實(shí)施例中，使用Haar小波的離散小波變換(DWT)對(duì)二維圖像進(jìn)行小波分解。在圖5中的(b)中示出了對(duì)二維圖像進(jìn)行一級(jí)小波分解的圖示，其中LLl為該圖像的低頻部分。在圖5中的(c)中示出了一級(jí)小波分解的低頻部分進(jìn)行進(jìn)一步小波分解從而得到二級(jí)小波分解的圖示，其中LL2為該二維圖像的二級(jí)DWT分解的低頻部分。如圖1所示的，輸入的二維圖像經(jīng)過(guò)DWT變換生成了圖像的低頻分量(LL1)，圖像垂直分量(LHl)，圖像的水平分量(HLl)，圖像的對(duì)角分量(HHl)。由于LLl中包含了圖像大量的能量和主要特征，LH1，HL1和HHl部分包含了圖像較多的垂直邊緣信息，水平邊緣信息等細(xì)節(jié)信息并且這些細(xì)節(jié)信息會(huì)在特征點(diǎn)提取中產(chǎn)生邊緣效應(yīng)問(wèn)題。另外，二級(jí)分解中的低頻部分LL2與LLl相比，包含更少的能量和主要特征。在本發(fā)明的實(shí)施例中，采用DWT的一級(jí)分解得到的LLl部分，或者DWT的一級(jí)分解得到的LL2部分來(lái)進(jìn)行接下來(lái)的特征點(diǎn)提取處理。在步驟203中，對(duì)所述低頻部分進(jìn)行特征提取，從而得到多個(gè)特征點(diǎn)。具體而言，該步驟203主要有以下幾個(gè)子步驟(c.1)基于所述二維圖像的所述低頻部分(LLl或LL2)，產(chǎn)生多尺度的差分空間D(X，y，kσ)=[G(χ,y，kσ)-G(x，y，σ)]*Ι(χ,y)其中，k為固定的系數(shù)，I(x，y)為所述二維圖像的所述低頻部分，G為高斯函數(shù)，ο為尺度因子，并且可以根據(jù)實(shí)際情況采取多個(gè)值以便實(shí)現(xiàn)對(duì)圖像的多尺度分析。(c.2)在所述差分空間中進(jìn)行候選特征點(diǎn)檢測(cè)，其中，將每一個(gè)待檢測(cè)點(diǎn)和同一尺度的8個(gè)相鄰點(diǎn)(即3*3鄰域中的8個(gè)相鄰點(diǎn))和上下相鄰尺度對(duì)應(yīng)的腫2個(gè)(即相應(yīng)的9個(gè)3*3鄰域點(diǎn))共有沈個(gè)點(diǎn)進(jìn)行比較，如果該點(diǎn)是沈個(gè)點(diǎn)中的最大或最小值時(shí)，就認(rèn)為是該待檢測(cè)點(diǎn)是在該尺度下的一個(gè)候選特征點(diǎn)。(c.3)在所述特征候選點(diǎn)檢測(cè)中得到的多個(gè)特征候選點(diǎn)中進(jìn)行篩選，得到特征點(diǎn)和相關(guān)的特征向量。該子步驟(C.3)主要包括以下分析和刪除操作刪除低對(duì)比度的點(diǎn)。在每一個(gè)候選特征點(diǎn)處對(duì)D(X，y,ko)進(jìn)行二階泰勒展開(kāi)，并對(duì)泰勒展開(kāi)式求導(dǎo)得到D'(x，y，k0)，如果|D'(x，y，k0)|<0.03則刪除該候選特征點(diǎn)。刪除偽邊緣點(diǎn)；針對(duì)每一個(gè)候選特征點(diǎn)，判斷是否滿足以下標(biāo)準(zhǔn)，若不滿足則作為偽邊緣點(diǎn)而被刪除權(quán)利要求1.一種方法，包括以下步驟(a)輸入二維圖像；(b)利用DWT(離散小波變換)變換對(duì)所述二維圖像進(jìn)行N級(jí)分解，得到所述二維圖像的低頻部分；(c)對(duì)所述低頻部分進(jìn)行特征提取，從而得到多個(gè)特征點(diǎn)和相關(guān)的特征向量；(d)使用所述多個(gè)特征點(diǎn)和相關(guān)的特征向量對(duì)所述二維圖像和參考圖像進(jìn)行圖像匹配，其中，步驟(c)進(jìn)一步包括以下子步驟(c.1)基于所述二維圖像的所述低頻部分，產(chǎn)生多尺度的差分空間D(x，y，ko)=[G(x,y,ko)-G(x,y,o)]*I(x，y)其中，k為固定的系數(shù)，I(x，y)為所述二維圖像的所述低頻部分，G為高斯函數(shù)，σ為尺度因子。(c.2)在所述差分空間中進(jìn)行候選特征點(diǎn)檢測(cè)，其中，將每一個(gè)待檢測(cè)點(diǎn)和同一尺度的8個(gè)相鄰點(diǎn)和上下相鄰尺度對(duì)應(yīng)的腫2個(gè)共有沈個(gè)點(diǎn)進(jìn)行比較，如果該點(diǎn)是沈個(gè)點(diǎn)中的最大或最小值時(shí)，就認(rèn)為是該待檢測(cè)點(diǎn)是在該尺度下的一個(gè)候選特征點(diǎn)。(c.3)在所述特征候選點(diǎn)檢測(cè)中得到的多個(gè)特征候選點(diǎn)中進(jìn)行篩選，得到特征點(diǎn)；以及(c.4)基于所述特征點(diǎn)的鄰域梯度信息生成所述特征點(diǎn)的特征向量，其中，子步驟(c.3)進(jìn)一步包括刪除低對(duì)比度的點(diǎn)；以及刪除偽邊緣點(diǎn)；其中，子步驟(c.4)進(jìn)一步包括在所述差分空間中所述特征點(diǎn)所在的尺度中的，將所述特征點(diǎn)的16*16鄰域劃分為16個(gè)4*4的塊，并在每個(gè)4*4的塊上計(jì)算8個(gè)方向的梯度方向和梯度模的大小，從而形成8個(gè)特征向量，并在所述特征點(diǎn)的16*16鄰域中形成1個(gè)特征向量，其中，所述刪除低對(duì)比度的點(diǎn)進(jìn)一步包括在每一個(gè)候選特征點(diǎn)處對(duì)D(X，y,ko)進(jìn)行二階泰勒展開(kāi)，并對(duì)泰勒展開(kāi)式求導(dǎo)得到D'(X，y，k。)，如果|D'(x，y，kcO|<0.03則刪除該候選特征點(diǎn)；其中，所述刪除偽邊緣點(diǎn)進(jìn)一步包括針對(duì)每一個(gè)候選特征點(diǎn)，判斷是否滿足以下標(biāo)準(zhǔn)，若不滿足則作為偽邊緣點(diǎn)而被刪2.如權(quán)利要求1所述的方法，其中，步驟(d)進(jìn)一步包括基于所述二維圖像中的特征點(diǎn)的特征向量和所述參考圖像中的特征點(diǎn)的特征向量，計(jì)算所述二維圖像和所述參考圖像中每一對(duì)特征點(diǎn)的歐幾里得距離，當(dāng)所述歐幾里得距離小于閾值時(shí)，判斷該對(duì)特征點(diǎn)為匹配點(diǎn)。3.如權(quán)利要求1或2所述的方法，其中，N=1或2。4.一種裝置，包括(a)用于輸入二維圖像的模塊；(b)用于利用DWT(離散小波變換)變換對(duì)所述二維圖像進(jìn)行N級(jí)分解，得到所述二維圖像的低頻部分的模塊；(c)用于對(duì)所述低頻部分進(jìn)行特征提取，從而得到多個(gè)特征點(diǎn)和相關(guān)的特征向量的模塊；(d)用于使用所述多個(gè)特征點(diǎn)和相關(guān)的特征向量對(duì)所述二維圖像和參考圖像進(jìn)行圖像匹配，其中，模塊(c)進(jìn)一步包括(c.1)用于基于所述二維圖像的所述低頻部分，產(chǎn)生多尺度的差分空間的模塊D(x，y，ko)=[G(x,y,ko)-G(x,y,o)]*I(x，y)其中，k為固定的系數(shù)，I(x，y)為所述二維圖像的所述低頻部分，G為高斯函數(shù)，σ為尺度因子。(c.2)用于在所述差分空間中進(jìn)行候選特征點(diǎn)檢測(cè)的模塊，其中，將每一個(gè)待檢測(cè)點(diǎn)和同一尺度的8個(gè)相鄰點(diǎn)和上下相鄰尺度對(duì)應(yīng)的腫2個(gè)共有沈個(gè)點(diǎn)進(jìn)行比較，如果該點(diǎn)是沈個(gè)點(diǎn)中的最大或最小值時(shí)，就認(rèn)為是該待檢測(cè)點(diǎn)是在該尺度下的一個(gè)候選特征點(diǎn)。(c.3)用于在所述特征候選點(diǎn)檢測(cè)中得到的多個(gè)特征候選點(diǎn)中進(jìn)行篩選，得到特征點(diǎn)的模塊；以及(c.4)用于基于所述特征點(diǎn)的鄰域梯度信息生成所述特征點(diǎn)的特征向量的模塊，其中，模塊(c.3)進(jìn)一步包括用于刪除低對(duì)比度的點(diǎn)的模塊；以及用于刪除偽邊緣點(diǎn)的模塊；其中，模塊(c.4)進(jìn)一步包括用于在所述差分空間中所述特征點(diǎn)所在的尺度中的，將所述特征點(diǎn)的16*16鄰域劃分為16個(gè)4*4的塊，并在每個(gè)4*4的塊上計(jì)算8個(gè)方向的梯度方向和梯度模的大小，從而形成8個(gè)特征向量，并在所述特征點(diǎn)的16*16鄰域中形成1個(gè)特征向量的模塊，其中，所述用于刪除低對(duì)比度的點(diǎn)的模塊進(jìn)一步包括用于在每一個(gè)候選特征點(diǎn)處對(duì)D(x，y,ko)進(jìn)行二階泰勒展開(kāi)，并對(duì)泰勒展開(kāi)式求導(dǎo)得到D'(x，y，kcO，如果|D'(x，y，k0)|<0.03則刪除該候選特征點(diǎn)的模塊；其中，用于刪除偽邊緣點(diǎn)的模塊進(jìn)一步包括用于針對(duì)每一個(gè)候選特征點(diǎn)，判斷是否滿足以下標(biāo)準(zhǔn)，若不滿足則作為偽邊緣點(diǎn)而被刪除的模塊Dxx^,y)*D^ix,γ)-{0^χ,γ))2<η其中，Dxx(x，y)表示D(x，y，kcO對(duì)參數(shù)χ的二階偏導(dǎo)，Dxy(x，y)表示D(x，y，k0)分別對(duì)參數(shù)x，y進(jìn)行求偏導(dǎo)運(yùn)算，Dyy(x，y)表示D(x，y，kcO對(duì)參數(shù)y的二階偏導(dǎo)，η=10。5.如權(quán)利要求4所述的裝置，其中，模塊(d)進(jìn)一步包括用于基于所述二維圖像中的特征點(diǎn)的特征向量和所述參考圖像中的特征點(diǎn)的特征向量，計(jì)算所述二維圖像和所述參考圖像中每一對(duì)特征點(diǎn)的歐幾里得距離，當(dāng)所述歐幾里得距離小于閾值時(shí)，判斷該對(duì)特征點(diǎn)為匹配點(diǎn)的模塊。6.如權(quán)利要求4或5所述的裝置，其中，N=1或2。7.—種處理器，其被配置為執(zhí)行如權(quán)利要求1-3中任一項(xiàng)所述的方法。8.一種計(jì)算機(jī)程序產(chǎn)品，其包含由處理器執(zhí)行的指令，所述指令當(dāng)由所述處理器執(zhí)行時(shí)，使得所述處理器能夠執(zhí)行如權(quán)利要求1-3中任一項(xiàng)所述的方法。全文摘要本發(fā)明涉及基于DWT(離散小波變換)的自適應(yīng)特征點(diǎn)提取和圖像匹配的方法、裝置和計(jì)算機(jī)程序產(chǎn)品。在本發(fā)明中，采用haar小波對(duì)圖像進(jìn)行DWT分解。對(duì)分解后的低頻部分進(jìn)行特征提取來(lái)獲得特征點(diǎn)及其相關(guān)的特征向量。最后，利用兩個(gè)圖像各自的特征點(diǎn)及其相關(guān)的特征向量對(duì)兩個(gè)圖像進(jìn)行圖像匹配。文檔編號(hào)G06K9/46GK102542278SQ20121001173公開(kāi)日2012年7月4日申請(qǐng)日期2012年1月16日優(yōu)先權(quán)日2012年1月16日發(fā)明者張萌萌,李澤明申請(qǐng)人:北方工業(yè)大學(xué)