[发明专利]基于尺度不变特征变换的低维度特征模型图像处理方法

摘要

本发明公开了一种基于尺度不变特征变换的低维度特征模型图像处理方法，针对关键点方向的求解，本发明对梯度的求解方法利用的是用每个像素的相邻的8个像素点去求解，而不是像文献[1]中利用上下左右4个点去求解梯度。SIFT是图像的局部特征，而一副图像中只有局部信息是不够全面的，所以有必要对所提取出来的局部特征增加一些全局特征，本发明借用了物理学中转动惯量的概念为图像增加了全局特征。同时，要对描述子去冗余，本发明选择采用对提取出来的描述子作进一步的DCT变换，过滤掉那些信息量较少的信息从而达到了去冗余的目的。

主权项

1.一种基于尺度不变特征变换的低维度特征模型图像处理方法，其特征在于：包括如下步骤：(1)对输入图像建立尺度空间，生成DoG空间；(2)在DoG空间中检测出所有局部极值点；(3)滤除不好的局部极值点，实现对关键点的初步定位；(4)滤除边缘响应的局部极值点，实现对关键点的准确定位；(5)包括步骤(51)、(52)和(53)：(51)统计关键点邻域梯度直方图，得到关键点的主方向和大小；(52)对关键点邻域按其主方向进行旋转，得到关键点邻域内各个像素点旋转后的梯度方向和大小，按旋转后各个像素点的位置和方向排列生成128维SIFT描述子；(53)对128维SIFT描述子作DCT变换，并对变换后的序列进行取舍以生成低维向量，具体方法为：首先将128维SIFT描述子按顺序分为16组序列{A_i}，i＝1,2,…,16，每组序列包括8个数据，记为A_i＝{a_i1,a_i2,a_i3,a_i4,a_i5,a_i6,a_i7,a_i8}；然后对A_i作DCT变换，得到C_i＝{c_i1,c_i2,c_i3,c_i4,c_i5,c_i6,c_i7,c_i8}，取C_i的前四个数构成C_i′＝{c_i1,c_i2,c_i3,c_i4}，16组序列重新构成64维向量；(6)包括步骤(61)、(62)和(63)：(61)求取关键点邻域的质量和重心，具体方法为：记某关键点邻域内像素点(i,j)的像素值为K(i,j)，将各个像素值视为物理学中平面物体的质点质量，则该关键点邻域的质量为该关键点邻域的重心为：其中：1≤i≤N为该关键点邻域的x轴取值范围，1≤j≤N为该关键点邻域的y轴取值范围；(62)求取关键点邻域绕其重心旋转的转动惯量，具体方法为：(63)对转动惯量进行标准化，得到关键点邻域的NMI特征为：(7)将步骤(5)得到的64维向量和步骤(6)得到的NMI特征组合为一个65维向量，作为一个关键点的描述子；该方法中涉及的像素点的梯度、幅值和角度的求解方法为：将像素点O(x,y)上、左、下和右四个相邻点分别标记为A、B、C和D，将像素点O左上、左下、右下和右上四个相邻点分别标记为a、b、c和d，先使用A、B、C和D求解像素点O的梯度为gradI₁(x,y)，再使用a、b、c和d求解像素点O的梯度为gradI₂(x,y)，最后使用gradI₁(x,y)和gradI₂(x,y)的平均值作为像素点O的梯度：像素点O的梯度为：像素点O的幅值为：像素点O的角度为：其中：I₁为求解gradI₁(x,y)所使用到的像素函数，I₂为求解gradI₂(x,y)所使用到的像素函数。