[发明专利]基于各向异性高斯核和梯度搜索的图像斑点检测方法

说明书

本发明公开了基于各向异性高斯核和梯度搜索的图像斑点检测方法。本发明解决了现有方法估计斑点形状不准确且计算复杂的缺陷，其实现步骤为：利用MATLAB将输入图像转化为灰度图像；用高斯拉普拉斯斑点检测得到候选斑点；根据斑点重叠率筛选候选斑点，得到初始斑点；对每个初始斑点选择局部图像；利用MATLAB产生归一化的各向异性高斯拉普拉斯滤波器，并对局部图像滤波，得到响应，并把中心位置的响应作为目标函数；利用梯度搜索法寻找目标函数最大值对应参数作为最终斑点检测结果；利用MATLAB显示并比较斑点检测结果。本发明检测精确度高且计算复杂度低，可用于图像特征检测，图像配准和图像识别中。

技术领域

本发明属于图像特征检测技术领域，涉及一种斑点检测方法，具体是一种基于各向异性高斯核和梯度搜索的图像斑点检测方法，可用于灰度图像中的斑点检测。

背景技术

斑点检测是图像特征检测技术领域的重要组成部分。斑点检测方法的目的在于检测图像中比周围区域较亮或较暗的具有一定几何形状的区域，这些区域就被称为斑点。斑点检测是区域检测的一种特例，是许多特征生成、目标识别等方法的重要预处理环节。与其他图像特征相比，斑点提供了边缘，轮廓和角点所不能提供的区域信息，因此斑点检测在图像配准和立体视觉中扮演了非常重要的角色。相比单纯的角点，它的稳定性更好，抗噪声能力更强，因此可以用于图像中的目标识别和跟踪，纹理分析和纹理识别等多个领域。

利用图像的尺度空间表示，两维的图像信号被映射到三维的尺度空间中，斑点检测就等价于发现图像尺度空间表示的局部极大值或局部极小值点，其中，极大值对应于暗斑，极小值对应于亮斑。目前，斑点检测方法主要有基于函数对位置梯度的微分方法和基于查找函数局部极值的分水岭算法。常见的微分方法有高斯拉普拉斯算法，高斯尺度差分算法和Hessian行列式算法等，这些算法均采用各向同性高斯核，因此对于图像的平移，旋转和坐标尺度变换具有不变性或协变性，但是只能检测圆形斑点。在实际的计算机视觉系统中，输入图像常常遭受仿射变换，斑点的形状也多种多样，上述方法均不能很好地检测斑点。对此学者们提出了仿射自适应的微分斑点检测方法和基于广义高斯拉普拉斯算子的斑点检测算法，这两种算法均能同时检测圆形和椭圆形斑点，并且能较好地描述斑点，但是前者需要不断迭代，后者计算复杂度高，而且由于二者均是在离散空间中进行参数搜索，故检测的精确度都会受到参数离散化精细程度的影响。

发明内容

本发明的目的在于克服已有技术的不足，提出一种精度更高，复杂度降低的基于各向异性高斯核和梯度搜索的斑点检测方法，在连续空间中对斑点的位置和形状参数进行搜索，以提高斑点定位和形状估计精度，同时降低了计算复杂度。

为实现上述技术目的，本发明的技术方案如下：

本发明是一种基于各向异性高斯核和梯度搜索的图像斑点检测方法，其特征在于，包括有如下步骤：

(1)转化输入图像为灰度图像：利用MATLAB软件读取要检测的图像，如果图像是彩色图像则将其转化为灰度图像；

(2)检测候选斑点：利用现有的高斯拉普拉斯斑点检测方法得到候选斑点B_i＝(x_i,y_i,σ_i,δ_i)，其中，(x_i,y_i)表示第i个斑点的初始位置估计，σ_i表示第i个斑点的初始尺度估计，δ_i表示第i个斑点的极性，δ_i＝1时表示亮斑，δ_i＝-1时表示暗斑；