基于尺度不变特征变换的低维度特征模型图像处理方法与流程

技术特征：

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)统计关键点领域梯度直方图，得到关键点的主方向和大小；

(52)对关键点领域按其主方向进行旋转，得到关键点领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)求取关键点领域的质量和重心，具体方法为：记某关键点领域内像素点(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，则该关键点领域的质量为该关键点领域的重心为：

$\stackrel{\‾}{i}=\frac{\underset{i=1}{\overset{N}{\Σ}}\underset{j=1}{\overset{N}{\Σ}}(i\×K(i,j\left)\right)}{m},\stackrel{\‾}{j}=\frac{\underset{i=1}{\overset{N}{\Σ}}\underset{j=1}{\overset{N}{\Σ}}(j\×K(i,j\left)\right)}{m}$

其中：1≤i≤N为该关键点领域的x轴取值范围，1≤j≤N为该关键点领域的y轴取值范围；

(62)求取关键点领域绕其重心旋转的转动惯量，具体方法为：

$\mathrm{\μ}=\underset{i=1}{\overset{N}{\Σ}}\underset{j=1}{\overset{N}{\Σ}}\[{(i-\stackrel{\‾}{i})}^2+{(j-\stackrel{\‾}{j})}^2\]\×K(i,j);$

(63)对转动惯量进行标准化，得到关键点领域的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。

2.根据权利要求1所述的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：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：

${\mathrm{gradI}}_1(x,y)=(\frac{\∂I_1}{\∂x},\frac{\∂I_1}{\∂y},),{\mathrm{gradI}}_2(x,y)=(\frac{\∂I_2}{\∂x},\frac{\∂I_2}{\∂y},)$

${\mathrm{\θ}}_1(x,y)={\tan }^{-1}(\frac{\∂I_1}{\∂y}/\frac{\∂I_1}{\∂x}),{\mathrm{\θ}}_2(x,y)={\tan }^{-1}(\frac{\∂I_2}{\∂y}/\frac{\∂I_2}{\∂x})$

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。