一种用于从局部不变特征点中提取直线的方法与流程

本发明涉及一种数字图像处理领域，具体说是一种用于从局部不变特征点中提取直线的方法。

背景技术：

局部不变特征点是指对图像的各种变化，例如几何、光照、模糊、视点等变化保持不变的局部特征点，局部不变特征点通常存在着一个局部支撑区域，它与图像分割不同，可以是图像的任何子集，其边界不一定要对应图像属性(如颜色和材质)的变化，而且多个不变特征区域间可能有交叉。局部不变特征点的检测具有重要的意义，不仅可以提高处理速度，同时还是一种新的图像表述方法，使得图像不进行分割就可以描述物体或局部。利用提取的局部不变特征点难以直接用于目标的识别，需要通过将其组成一定的曲线或区域才能作为目标的主要特征，经过多年的发展，出现了一系列在局部不变特征点基础进一步提取形状的方法，但就己发表的成果来看，这些方法还存在以下问题：

(1)有效的局部特征点容易受周围异常点的干扰，导致提取的特征对目标识别的作用大大降低；

(2)提取的结果与目标实际的形状存在较大的误差。

技术实现要素：

本发明提供了一种用于从局部不变特征点中提取直线的方法，通过对局部不变特征点进行密度估计，运用方格单元分割的方法，能够有效地去除干扰特征点的影响，方法简单易行，输出结果可靠。

为实现本发明的目标所采用的技术方案是：方法包括以下步骤：

步骤1：利用局部不变特征点提取算法提取输入图像的局部不变特征点，结果记为I₀，局部不变特征点的数量记为M；

步骤2：从I₀中循环选取两点P_i和P_j，i∈[1,M]，j∈[i,M]，计算P_i和P_j之间的欧氏距离D_ij，当D_ij小于阈值T_D时，更新P_i和P_j并继续步骤2，当D_ij大于等于阈值T_D时，进入步骤3；

步骤3：以D_ij为长边，W₀为短边构造包含P_i和P_j的矩形R₀；

步骤4：为了估计局部特征点密度ρ，以D_ij为长边，W₁为短边在矩形R₀的两侧分别构造矩形R₁和R₂，且矩形R₁和R₂的长边分别与矩形R₀的长边重合；

步骤5：统计矩形R₀、R₁和R₂中的特征点数，分别记为M₀、M₁和M₂，并对矩形R₀周围的特征点数N_L用以下公式进行估计：

N_L＝2max(M₁,M₂)+M₀ (1)

式(1)，max为求最大值函数；

步骤6：用以下公式计算局部特征点密度ρ：

式(2)，和分别为矩形R₁和R₂的面积；

步骤7：对矩形R₀进行k等分，得到k个等面积的方格单元，记为r_t，t∈[1,k]，利用以下公式计算每个方格单元r_t至少包含一个局部特征点的概率：

式(3)，S_r和分别为方格单元r_t和矩形R₂的面积；

步骤8：统计包含局部特征点的方格单元的数量C；

步骤9：用以下公式计算k个方格单元中至少有C个方格单元包含特征点的概率P₀：

步骤10：用以下公式计算虚警数N_FA：

步骤11：将虚警数N_FA小于阈值δ的矩形R₀包含的局部特征点判定为直线，更新P_i和P_j并继续步骤2，直到遍历所有局部特征点。

所述的步骤1中的局部不变特征点提取算法是指SIFT算法、SURF算法、Harris算法和SUSAN算法。

所述的步骤2中的循环选取方法指的是由i∈[1,M]和j∈[i,M]构成内外双重循环，遍历所有局部不变特征点，共有M(M-1)/2组局部不变特征点对。

本发明的有益效果是：能够准确的局部不变特征点集中的直线，可以应用于包含直线边缘的目标提取。

附图说明

图1是本发明的总体处理流程图。

具体实施方式

下面结合附图详细描述本发明的具体实施方式。

在步骤101，输入待处理图像I₀。

在步骤102，对步骤101的待处理图像I₀利用SURF局部不变特征点提取算法提取局部不变特征点，结果记为I₀，并将局部不变特征点的数量记为M。

在步骤103，判断收否遍历所有特征点对，如果是，则算法流程结束，进入步骤116，否则进入步骤104。

在步骤104，从M(M-1)/2组局部不变特征点对中选取两点P_i和P_j，i∈[1,M]，j∈[i,M]。

在步骤105，计算步骤104中的P_i和P_j之间的欧氏距离D_ij。

在步骤106，判断步骤105中P_i和P_j之间的欧氏距离D_ij是否大于阈值T_D时，如果是，则进入步骤107，否则进入步骤103，为了排除短直线的干扰，将阈值T_D设置为10个像素。

在步骤107，以D_ij为长边，W₀为短边构造包含P_i和P_j的矩形R₀，以D_ij为长边，W₁为短边在矩形R₀的两侧分别构造矩形R₁和R₂，且矩形R₁和R₂的长边分别与矩形R₀的长边重合，为了使提取的直线与物体的实际边界保持一致，将W₀将设置为为了对矩形R₀周围的特征点数做出更为准确的估计，将W₁设置为

在步骤108，统计矩形R₀、R₁和R₂中的特征点数，分别记为M₀、M₁和M₂，并对矩形R₀周围的特征点数N_L用以下公式进行估计：

N_L＝2max(M₁,M₂)+M₀ (6)

式(6)，max为求最大值函数。

在步骤109，用以下公式计算局部特征点密度ρ：

式(7)，和分别为矩形R₁和R₂的面积。

在步骤110，对矩形R₀进行k等分，得到k个等面积的方格单元，记为r_t，t∈[1,k]，利用以下公式计算每个方格单元r_t至少包含一个局部特征点的概率：

式(8)，S_r和分别为方格单元r_t和矩形R₂的面积。

在步骤111，统计包含局部特征点的方格单元的数量C。

在步骤112，用以下公式计算k个方格单元中至少有C个方格单元包含特征点的概率P₀：

在步骤113，用以下公式计算虚警数N_FA：

在步骤114，判断虚警数N_FA是否小于阈值δ，如果是，则进入步骤115，否则进入步骤103。为了保证提取结果的准确性，将阈值δ设置为2。

在步骤115，输出局部不变特征点中直线。

在步骤116，算法结束。