基于改进的图像兴趣点特征提取匹配研究

本文算法的优越性， 使用 8 × 8 像素的典型图像， 每 3 部分来 绿， 蓝三个渠道值。 这样的结果是 192 相应正常化研究红， 元特征向 量。 本 文 的 程 序 由 三 部 分 组 成 ， 首 先， 本文使用 Hough 变换在二维变换 空 间 找 到 一 组 特 征 。 下 一 步， 使用 RANSAC 改善二维变换估计， 最后计算基本矩阵和使用极线 几何拒绝额外离群。 本文已经采用不变特征提取图像兴趣 特征， 仿真结果如图 3 和图 4 所示。图 3 显示的是极线几何 不变形特征提取与特征匹配 。从图 3 中可以看出， 这种极线 几何符合图像的基本特征 。 采用相似不变特征形成的两个 基本矩阵计算和极线约束用来选 兴趣点组特征提取和匹配 ， 择最后一套相关匹配。 图 4 显示提取图像中物体的实验结 果。在这个试验中， 已经解决了同形异义物体之间的两个观 点。值得注意的是在这种情况下图像中对象之间发生了较 大规模变化。
3
Hough 变换的集群特征匹配算法
Hough 变换的基本思想是点线的对偶性 。 一方面， 图像
空间中共线的点对应着参数空间里相交的线 ； 另一方面， 在 参数空间中相交于同一个点的所有直线在图像空间里都有 共线的点与之对应。 因此 Hough 变换把在图像空间中的直 线检测问题转换为参数空间中对点的检测问题 ， 通过在参数 空间里进行简单的累加统计完成检测任务 。 Hough 变换的 Hough 变换采用直线极坐标方程 ， 优点是对噪声不敏感， 变
计算机视觉和图像处理中的一个概念 。 它指的是使用计算 机提取图像信息， 决定每个图像的点是否属于一个图像特 征。特征提取的结果是把图像上的点分为不同的子集 ， 这些 子集往往属于孤立的点 。 连续的曲线或者连续的区域 。 特 征提取是图象处理中的一个初级运算 ， 也就是说它是对一个 图像进行的第一个运算处理 。 它检查每个像素来确定该像 素是否代表一个特征。假如它是一个更大的算法的一部分 ， 那么这个算法一般只检查图像的特征区域 。 作为特征提取 的一个前提运算， 输入图像一般通过高斯模糊核在尺度空间 中被平滑。此后通过局部导数运算来计算图像的一个或多 个特征。常用的图像特征有颜色特征 、 纹理特征、 形状特征、
1
引言
图像特征提取是图像处理研究领域的主要内容之一 ， 是
传统的常用的特征提取与匹配方法主要有颜色直方图 基于统计方法和边界特征法等 ， 颜色直方图其优点在 算法， 于： 它能简单描述一幅图像中颜色的全局分布 ， 即不同色彩 在整幅图像中所占的比例 ， 特别适用于描述那些难以自动分 割的图像和不需要考虑物体空间位置的图像 。 但是其缺点 主要有无法描述图像中颜色的局部分布及每种色彩所处的 空间位置； 统计方法的典型代表是一种称为灰度共生矩阵的 纹理特征分析方法 Gotlieb 和 Kreyszig 等人在研究共生矩阵 中各种统计特征基础上 ， 通过实验， 得出灰度共生矩阵的四 个关键特征： 能量、 惯量、 熵和相关性。该方法对图像的特征 但 是 算 法 的 复 杂 度 较 高， 不利于实时的 可以有效 的 提 取， 计算。 本文为了更好的找到对应的图像中有大变化的视角规 模和光线， 针对传统的图像兴趣点提取算法由于图像背景环 难以提取出用户感兴趣的信息 ， 提出了一种改进 境的干扰，
1 x T L + x 2 x 2 x
T
T
2
（ 1）
表示的是尺度空间协调和 L（ x ） 是近似的
拉普拉斯。二次系数计算逼近平滑领域样本 。 将部分图像 的兴趣点位置作为极值的三维二次尺度空间的拉普拉斯定 位兴趣点。 x =－ L 2 x
2 －1
L x
（ 2）
一般的图像都有一个强大的匹配说明不变的图像区域 。 本文采用了是使用群体的兴趣点来恢复图像的为二位变换 参数。兴趣点的重复性改进意味着找到一组重复兴趣点的 概率是非常大的。如图 1 所示， 在兴趣点组的基础上提出的 图像的二维变换不变特征原理图的从一组图像中提取仿射 不变特征的图像对过程原理 。
Points of Interest Based on Improved Image Feature Extraction Algorithm
ZHANG Jing， DONG Wei， LI Hong － juan， LIU Xu － ning
（ Shijiazhuang University，Shijiazhuang Hebei 050035 ，China） ABSTRACT： Study the optimization problem of interest points in images feature extraction accuracy． Because the image complexity and image noises，it is difficult for the traditional extraction algorithm of interest point in images to extract the user interested information． In order to solve the above problem，this paper proposed an improved feature extraction algorithm of image interest points． Firstly，the points of interest groups to form the image areas with geometric invariant description． Then the Hough transform method of image transform was used，so that each match was equivalent to the local 2D transformation． The simulation results show that， the improved algorithm can effectively extract the image information，save the execution time，and reduce the complexity． KEYWORDS： Feature extraction； Image points of interest； Image transformation； Laplacian 空间关系特征。
第 29 卷
第2 期
计
算
机
仿
真
2012 年 2 月
文章编号： 1006 － 9348 （ 2012 ） 02 － 0288 － 03
基于改进的图像兴趣点特征提取匹配研究
张 静， 董 伟， 李红娟， 刘旭宁
（ 石家庄学院， 河北 石家庄 050035 ） 摘要：研究图像兴趣点特征提取精确度优化问题 。由于图像的复杂以及图像中噪声的干扰， 使得传统的图像兴趣点提取算 提出了一种改进的图像兴趣点特征提取算法。首先利用群体的兴趣 法难以提取出用户感兴趣的信息 。为了解决上述问题， 点形成几何不变描述的图像区域 ， 然后采用 Hough 变换方法对图像进行变换操作 ， 使每次匹配都相当于局部的二维转变 。 仿真结果表明， 提出的改进的算法能够有效提取出图像中有效信息 ， 同时节约了算法的执行时间， 降低了复杂度。 关键词：特征提取； 图像兴趣点； 图像变换； 拉普拉斯算子 中图分类号：TP391 文献标识码：B
基金项目： 中央高校基本科研业务专项资金项目 （ CZQ11006 ） 收稿日期： 2011 － 08 － 20 修回日期： 2011 － 10 － 15
— 288 —
的图像兴趣点特征提取算法 。 算法首先利用群体的兴趣点 形成了由所有的特征点 可以形成几何不变描述的图像区域 ， 描述所形成的重采样的图像 ， 且该图像由兴趣点所设定 。 然 后采用 Hough 变换方法对图像进行变换操作 ， 这种做法意味 着每次匹配都相当于局部的二维 （ 投影 ） 转变。 仿真结果表 提出的改进的算法能够有效提取出图像中有效信息 ， 同 明， 时节约了算法的执行时间 ， 降低了复杂度。 本文难点技术问题即创新点就在于采用了图像的特征 然后再采用 Hough 变换集群特征匹 点来形成重采样的图像 ， 配， 有效提取出图像兴趣点特征 。
— —
3 ） 遍历累加器矩阵， 找出变换域中最大值点 ， 这个值提 供了图像平面上的共线点所在直线的参数 ， 于是得到了倾斜 角度 θ。 通过上述的步骤， 检测出图像的倾斜角度 ， 只要将倾斜 就可以获得校正的图像 。 的图像反方向旋转 θ 角，
4
仿真结果与分析
本文采用的是 MATLAB6. 5 仿真软件。为了验证和比较
2
图像提取原理
图像的点特征通常被称为兴趣点 ， 指的是图像中具有特
殊性质的像素点， 也就是图像重要特征。 它具有很大的优 点， 主要有旋转的不变性以及不随着光照条件变化等特点 ， 图像的兴趣点位于极值拉普拉斯的图像尺度空间 。 该功能 选择的结果为 2 个兴趣点的三维结构， 它可以非常有效地实 施使用拉普拉斯金字塔 。 金字塔算子的优点是最低的样本 数量是用来代表的形象在每个规模 ， 从而通过一个固定的解 决方案大大加快计算速度 。 要找到图像极大和极小的尺度空间拉普拉斯 ， 首先选取 图像样本极领域在每个层面上取 ± 1 的采样间隔。 接着找 到极值分像素和分规模拟合精度的三维二次尺度空间的拉 普拉斯算子。 L（ x） = L + X = （ x， y， s） 其中，
T
图1
图像兴趣点组的图像二维变换原理
换方程为： ρ = xcos θ + ysin θ （ 3） y） 其中， ρ 为极径， θ 为极角。 根据式 （ 1 ） ， 原图像中的点 （ x， y） 空间的 对应新参数空间（ ρ， θ） 的一条正弦曲线， 显然在（ x， 一条直线映射到（ ρ， θ） 空间中的一点。检测直线的方法是设 法将原图像的带信息的点全部映射到新参数空间去 ， 新参数 空间中的最大值的点就是原空间的直线的极径和极角 。 利用 Hough 变换的特性， 可以将 Hough 变换离散化以具 备可计算性， 离散化即将参数空间 （ ρ， θ ） 平均分割为一个个 － 90° ≤ 单元， 可对应于一个二维矩阵的累加器 。一般来说， － D max ≤ ρ ≤ D max ， D max 表示图像四边顶点的最 θ≤90° ， 其中， 大距离。在计算 Hough 变换时， 离散的 （ ρ， θ ） 空间初始值为 0 。然后， y） ， 对于原图像上的每一个点 （ x， 令 θ 从 － 90° / D e 到 90° / D e ， 其中 D e 为 θ 的分割数， 通过式 （ 1 ） 求出对应的 ρ， 并且将 ρ 量化， 将相应的累加器相加。所以， 变换完毕后 x － y 平面上的点位于线 xcos θ j + ysin θ j = ρ i 上， 这时， 这些点共 线的精度是由 ρ － θ 平面的细分精度决定。 为了减少运算时间和空间 ， 提高处理效率。 基于 Hough 变换的图像检测的实现步骤如下 ： 1 ） 在 ρ 和 θ 合适的最小值和最大值之间建立离散的 （ ρ， θ） 空间， 表示为 F（ ρ， θ） ， 初始时所有元素为 0 。 2 ） 利用先验知识， 限定参数 ρ 和 θ 的取值范围， 以加快 进行 算法的运行效率。对二值图像上的像素点按顺序遍历 ， Hough 变换， 即计算出这个点在 （ ρ， θ） 的正弦曲线， 并且在在 对应的累加器上累加 1 。