一種用于描述圖像特征的多維方向梯度表示方法
【專利摘要】本發(fā)明提供一種用于描述圖像特征的多維方向梯度表示方法，包括：以圖像中每個像素點為中心分別定義A×A大小的矩陣，其中的A取3～30的奇數(shù)；在定義的每個矩陣中針對中心像素點計算x和y兩個方向的梯度；對基于每個矩陣得到的梯度計算結(jié)果進行加權(quán)計算，得到每個矩陣針對其中心像素點的x方向梯度和y方向梯度；再在進一步定義的N×N的塊內(nèi)，將0?180度的范圍分為相同角度的5?9個單位，采用線性插值統(tǒng)計每個單位內(nèi)的梯度權(quán)重；以圖像中的每個像素點為中心，做一個M×M的矩陣，在這個矩陣中找到梯度的最大值vmax和最小值vmin；重新計算梯度權(quán)重。本發(fā)明的方法利用方向梯度的塊區(qū)域算法，同時整合角度上的線性插值，能很好的描述物體特征，同時保證了計算速度。
【專利說明】
一種用于描述圖像特征的多維方向梯度表示方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于計算機圖像處理領(lǐng)域，用于精確描述圖像物體特征。
【背景技術(shù)】
[0002] 局部圖像特征描述是計算機視覺的一個基本研究問題，在尋找圖像中的對應(yīng)點以 及物體特征描述中有著重要的作用。它是許多方法的基礎(chǔ)，因此也是目前視覺研究中的一 個熱點。同時它也有著廣泛的應(yīng)用，舉例來說，在利用多幅二維圖像進行三維重建、恢復(fù)場 景三維結(jié)構(gòu)的應(yīng)用中，其基本出發(fā)點是要有一個可靠的圖像對應(yīng)點集合，而自動地建立圖 像之間點與點之間的可靠對應(yīng)關(guān)系通常都依賴于一個優(yōu)秀的局部圖像特征描述子。又比 如，在物體識別中，目前非常流行以及切實可行的方法之一是基于局部特征的，由于特征的 局部性，使得物體識別可以處理遮擋、復(fù)雜背景等比較復(fù)雜的情況。
[0003] 局部圖像特征描述的核心問題是不變性(魯棒性)和可區(qū)分性。然而，特征描述子 的可區(qū)分性的強弱往往和其不變性是矛盾的，也就是說，一個具有眾多不變性的特征描述 子，它區(qū)分局部圖像內(nèi)容的能力就稍弱；而如果一個非常容易區(qū)分不同局部圖像內(nèi)容的特 征描述子，它的魯棒性往往比較低。而另一方面，如果我們通過統(tǒng)計局部圖像灰度直方圖來 進行特征描述，這種描述方式具有較強的不變性，對于局部圖像內(nèi)容發(fā)生旋轉(zhuǎn)變化等情況 比較魯棒，但是區(qū)分能力較弱，例如無法區(qū)分兩個灰度直方圖相同但內(nèi)容不同的局部圖像 塊。所以，一個優(yōu)秀的特征描述子不僅應(yīng)該具有很強不變性，還應(yīng)該具有很強的可區(qū)分性。
[0004] 在現(xiàn)有的諸多的局部圖像特征描述子中，SIFT(Scale Invariant Feature Transform)是其中應(yīng)用最廣的，它在1999年首次提出，至2004年得到完善。由于SIFT對尺 度、旋轉(zhuǎn)以及一定視角和光照變化等圖像變化都具有不變性，并且SIFT具有很強的可區(qū)分 性，自它提出以來，很快在物體識別、寬基線圖像匹配、三維重建、圖像檢索中得到了應(yīng)用， 局部圖像特征描述子在計算機視覺領(lǐng)域內(nèi)也得到了更加廣泛的關(guān)注，涌現(xiàn)了一大批各具特 色的局部圖像特征描述子。SURF(Speeded Up Robust Features)是對SIFT的改進版本，它 利用Haar小波來近似SIFT方法中的梯度操作，同時利用積分圖技術(shù)進行快速計算，SURF的 速度是SIFT的3-7倍，大部分情況下它和SIFT的性能相當，因此它在很多應(yīng)用中得到了應(yīng) 用，尤其是對運行時間要求高的場合。ASIFT(Affine SIFT)通過模擬所有成像視角下得到 的圖像進行特征匹配，可以很好地處理視角變化的情況，尤其是大視角變化下的圖像匹配。 MROGH(Multi_support Region Order-based Gradient Histogram)則是特征匯聚策略上 尋求創(chuàng)新，之前的局部圖像特征描述子，其特征匯聚策略都是基于鄰域內(nèi)點的幾何位置的， 而MR0GH基于點的灰度序進行特征匯聚。LBP(Local Binary Pattern，局部二值模式)是一 種用來描述圖像局部紋理特征的算子，首先由T.Ojala, M.PictikSinen和D.Harwood在1994 年提出，之后出現(xiàn)很多變種，如CLBP，LBPHF等等，用于圖像局部紋理特征提取。LBP已經(jīng)成功 應(yīng)用于人臉檢測，唇語識別，表情檢測，動態(tài)紋理等等領(lǐng)域，其具有旋轉(zhuǎn)不變性和灰度不變 性等顯著的優(yōu)點。
[0005] 最近幾年局部圖像特征描述子的發(fā)展趨勢是:快速、低存儲。這兩個趨勢使得局部 圖像特征描述子可以在快速實時、大規(guī)模應(yīng)用中發(fā)揮作用，而且有利于將許多應(yīng)用做到手 機上去進行開發(fā)，實實在在的將計算機視覺技術(shù)應(yīng)用于我們周圍的世界中。上述現(xiàn)有技術(shù) 中使用SIFT和LBP等算子來描述圖像特征的方法在計算速度、資源消耗以及對特征描述的 貼合度上，都仍然存在不足和缺陷。為了進一步滿足快速和低存儲這兩個需求，有必要研發(fā) 一種新的圖像特征描述方法。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于:提供一種計算速度更快、資源消耗更低、特征描述貼合度更高 的圖像特征描述方法。
[0007] 本發(fā)明的上述目的通過以下技術(shù)方案實現(xiàn)：
[0008] 提供一種用于描述圖像特征的多維方向梯度表示方法，包括：
[0009] 1)以圖像中每個像素點為中心分別定義AXA大小的矩陣，其中的A取3~30的奇 數(shù)；
[0010] 2)在步驟1)定義的每個矩陣中針對中心像素點計算1和7兩個方向的梯度；
[0011] 3)對步驟2)基于每個矩陣得到的梯度計算結(jié)果進行加權(quán)計算，得到每個矩陣針對 其中心像素點的x方向梯度和y方向梯度，即圖像中每個像素點都對應(yīng)得到1個x方向的梯度 值和1個y方向的梯度值；
[0012] 4)定義一個NXN大小的塊，所述的N取正整數(shù);在定義的塊內(nèi)，將0-180度的范圍分 為相同角度的5-9個單位，采用線性插值統(tǒng)計每個單位內(nèi)的梯度權(quán)重；
[0013] 5)以圖像中的每個像素點為中心，做一個M X M的矩陣，其中M為步驟4)所述的N取 值的整數(shù)倍，在這個矩陣中找到梯度的最大值vmax和最小值vmin;重新計算梯度權(quán)重，計算 方法為：（v -vmin)/(vmax-vmin) 〇
[0014]本發(fā)明的方法中，步驟1)所述的AXA矩陣，A優(yōu)選為5~15;更優(yōu)選5。
[0015] 本發(fā)明的方法中，步驟2)所述的在每個矩陣中針對中心像素點計算1和7兩個方向 的梯度，優(yōu)選的計算方法是：以中心像素點所在列為對稱軸計算每組對稱點之間的像素值 差；以中心像素點所在的行為對稱軸計算每組對稱點之間的像素值差。
[0016] 本發(fā)明的方法中，步驟3)所述的加權(quán)計算，優(yōu)選通過定義一個與步驟1)所述矩陣 相同大小的高斯核來完成所述的加權(quán)計算。
[0017] 本發(fā)明的方法中，步驟4)優(yōu)選的NX N大小的塊，N取8。
[0018]本發(fā)明的方法中，步驟4)優(yōu)選將所述的0-180度的范圍分為9個單位，每個單位20 度。
[0019] 本發(fā)明的方法中，步驟5)優(yōu)選的M XM的矩陣，M取32。
[0020] 本發(fā)明的方法利用方向梯度的塊區(qū)域算法，可以減少局部光照不均勻造成的梯度 差異化過大，提高梯度描述的適應(yīng)性，同時整合角度上的線性插值，能很好的描述物體特 征，同時保證了計算速度。
【具體實施方式】
[0021] 以下通過列舉實施例的方式對本發(fā)明的技術(shù)方案做進一步的說明。
[0022] 實施例1
[0023] -種用于描述圖像特征的多維方向梯度表示方法，包括以下步驟：
[0024] 1.方向梯度的計算
[0025] a)針對圖像中的每一個點，定一個5 X 5的矩陣，矩陣中每個點位置以英文字母標 記如下： abode f g h i j
[0026] k 1 m n 〇 p q r s t u V W ：x y
[0027] b)在步驟a)定義的每個矩陣中都針對位置如m點的中心點按如下方法計算梯度： [0028]先計算x方向梯度：
[0029] gradxl=(a-e)*CXl+(b_d)*CX2//第1行
[0030] gradx2 = (f-j)*CX3+(g-i)*CX4//第 2 行 [0031 ] gradx3 = (k_o)*CX5+( l_n)*CX6//第 3 行
[0032] gradx4=(卩-1:)*〇父7+(9-8)*〇父8//第4行
[0033] gradx5 = (u-y)*CX9+(v_x)*CX10//第 5 行 [0034] 其中CX1~CX9為高斯系數(shù)
[0035]得到gradxl~grad5這5個x方向的梯度后，再對這5個值進行加權(quán)相加，得到m點的 x方向梯度。
[0036]同理，可得m點的y方向梯度。
[0037] 2.在圖像中定義一個8 X 8的塊，在這個塊內(nèi)，對方向梯度做統(tǒng)計，按照0-180度，每 20度為一個單位，統(tǒng)計這個9個單位內(nèi)的權(quán)重。在統(tǒng)計時采用線性插值，如一個點的梯度為 23度，那么（23-20)/20 X梯度值得到值歸為20度至40度這個區(qū)間；
[0038] 3.以圖像中的每一個像素為中心，做一個32X32的矩陣，在這個矩陣中找到步驟1 計算得到的梯度的最大值vmax和最小值vmin。重新計算梯度權(quán)重為（v-vmin)/(vmax-vmin)，以減少局部光照不均勻造成的梯度差異化過大，提高梯度描述的適應(yīng)性。
【主權(quán)項】
1. 一種用于描述圖像特征的多維方向梯度表示方法，包括： 1) 以圖像中每個像素點為中心分別定義A X A大小的矩陣，其中的A取3~30的奇數(shù)； 2) 在步驟1)定義的每個矩陣中針對中心像素點計算1和7兩個方向的梯度； 3) 對步驟2)基于每個矩陣得到的梯度計算結(jié)果進行加權(quán)計算，得到每個矩陣針對其中 心像素點的X方向梯度和y方向梯度，即圖像中每個像素點都對應(yīng)得到1個X方向的梯度值和 1個y方向的梯度值； 4) 定義一個NXN大小的塊，所述的N取正整數(shù);在定義的塊內(nèi)，將0-180度的范圍分為相 同角度的5-9個單位，采用線性插值統(tǒng)計每個單位內(nèi)的梯度權(quán)重； 5) 以圖像中的每個像素點為中心，做一個M X M的矩陣，其中M為步驟4)所述的N取值的 整數(shù)倍，在這個矩陣中找到梯度的最大值vmax和最小值vmin;重新計算梯度權(quán)重，計算方法 為：（v-vmin)/(vmax_vmin)〇2. 權(quán)利要求1所述的方法，其特征在于:步驟1)所述的AXA矩陣，A為5~15;優(yōu)選為5。3. 權(quán)利要求1所述的方法，其特征在于:步驟2)所述的在每個矩陣中針對中心像素點計 算X和y兩個方向的梯度，計算方法是：以中心像素點所在列為對稱軸計算每組對稱點之間 的像素值差；以中心像素點所在的行為對稱軸計算每組對稱點之間的像素值差。4. 權(quán)利要求1所述的方法，其特征在于：步驟3)所述的加權(quán)計算，是通過定義一個與步 驟1)所述矩陣相同大小的高斯核來完成所述的加權(quán)計算。5. 權(quán)利要求1所述的方法，其特征在于:步驟4)所述的N X N大小的塊，N取8。6. 權(quán)利要求1所述的方法，其特征在于：步驟4)是將所述的0-180度的范圍分為9個單 位，每個單位20度。7. 權(quán)利要求1所述的方法，其特征在于:步驟5)的M XM的矩陣，M取32。
【文檔編號】G06K9/46GK105913068SQ201610268754
【公開日】2016年8月31日
【申請日】2016年4月27日
【發(fā)明人】石柱國
【申請人】北京以薩技術(shù)股份有限公司