专利名称：图像稳定特征点的提取方法及其装置的制作方法
技术领域：
本发明涉及图像处理领域，尤其涉及一种图像稳定特征点的提取方法及其装置。
背景技术：
目前，数字图像是较为常用的信息载体。从图形的角度来说，若图像中的某一像 素点是图像特征点，那么在某个距离内，该点必然在某方向或多个方向上的变化剧烈，例如 “团渍”区域易提取图像特征点。在众多数字图像处理技术中，图像特征点如同“地标”，在 图像局部区域定位上起到关键作用。以下列举的图像处理技术都是依靠图像特征点匹配或 再同步来完成其重要环节上的工作，包括图像识别技术、基于内容的图像检索技术、图像 拼接技术、图像匹配技术和数字图像水印技术等。从图像特征点提取方法的角度看，如果某个点是图像特征点，则在其的某个方向 上代价函数值的变化是最大的。因此，构造适当的代价函数，在不同的图像缩放尺度或图像 内容背景上，能够较快地提取图像特征点，是图像特征点提取方法的重要内容。同时，也需 要要求图像特征点方法能够抵抗常见的图像处理操作，如缩放图像，即提取的图像特征点 具有尺度不变性。尺度在这里表示图像不同的大小比例。因此，建立在尺度空间理论上的 图像特征点提取方法具有尺度不变的性质。现有技术提供以下几种图像特征点提取方法(I)Moravec提取方法。该方法的滤波函数窗口是一个2值函数，很容易受到噪声 的影响，该方法只考虑了每隔45度的方向变化，而没有在全部的方向上进行考虑，该方法 对于边缘的响应过于剧烈。(2)Harris角点方法对Moravec方法做了直接的改进，用高斯函数来作为滤波函 数，用一阶泰勒展开式来表示在所有方向上的变化，但是Harris角点方法不支持图像的尺 度变化，即图像的缩放。(3) Harris Laplacian方法是在Harris角点方法的基础上，利用尺度空间理论， 寻找多尺度空间的最大响应点。该方法提取的图像特征点重现率较Harris角点方法高，同 时具有尺度不变性，但缺点是迭代遍历尺度空间时的运算量大，这大大限制了其在实时性 场合的应用。(4) SIFT (Scale Invariant Feature Transform)方法简化了 Harris Laplacian 方法中尺度空间的构造方式，采用差值滤波函数的局部极值来刻画图像特征点的尺度不变 性，优点是运算速度较快，但缺点是图像特征点重现率较前者低，这同样限制了其在对重现 率要求较高场合的应用。发明人在实现本发明的技术方案的同时发现现有技术至少存在以下缺陷目前关 于各类图像特征点的提取方法，都没有量化出图像特征点的稳定性。
发明内容
本发明所要解决的技术问题在于提供一种图像稳定特征点的提取方法及其装置，能够实现量化出图像特征点的稳定性。为解决上述技术问题，本发明一种图像稳定特征点的提取方法及其装置采用如下 技术方案一种图像稳定特征点的提取方法，包括对读入的数字图像点阵数据进行滤波处理，构建图像尺度空间；通过区域阈值控制，获得尺度不变的图像特征点点集合；计算所述图像特征点的稳定因子，根据所述图像特征点的稳定因子通过阈值控 制获得图像稳定特征点点集合。在所述对读入的数字图像点阵数据进行滤波处理，构建图像尺度空间之前，还包 括读入数字图像点阵数据。所述通过区域阈值控制，获得尺度不变的图像特征点点集合包括遍历所述图像尺度空间，选取局部响应极值，获得所述尺度不变的图像特征点点集合。所述计算所述图像特征点的稳定因子，根据所述图像特征点的稳定因子通过阈值 控制获得图像稳定特征点点集合包括根据所述图像特征点在所述尺度空间的当前层的局部响应值，计算所述图像特征 点的稳定因子；筛选出所述稳定因子大于某一阈值的图像特征点；获得图像稳定特征点点集合。所述阈值为0.1。一种图像稳定特征点的提取装置，包括尺度空间生成模块、特征点检测模块和特 征点量化模块，其中，所述尺度空间生成模块用于对读入的数字图像点阵数据进行滤波处理，构建图像 尺度空间；所述特征点检测模块用于通过区域阈值控制，获得尺度不变的图像特征点点集 合；所述特征点量化模块用于计算所述图像特征点的稳定因子，根据所述图像特征点 的稳定因子通过阈值控制获得图像稳定特征点点集合。还包括读取模块，所述读取模块用于读入数字图像点阵数据。所述特征点检测模块包括计算子模块、筛选子模块和获得子模块，其中，所述计算子模块用于根据所述图像特征点在所述尺度空间的当前层的局部响应 值，计算所述图像特征点的稳定因子；所述筛选子模块用于筛选出所述稳定因子大于某一阈值的图像特征点；所述获得子模块用于获得图像稳定特征点点集合。本发明提供的一种图像稳定特征点的提取方法及其装置，通过滤波后图像依次等 比例缩小来构建图像的尺度空间，再通过检验图像尺度空间的局部区域极值点来获得图像 特征点，通过图像特征点与二维高斯函数的乘积来量化其稳定性，并在阈值控制下，提取出 具有尺度不变性质的图像稳定特征点，量化了图像特征点的稳定性。
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例描述 中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些 实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附 图获得其他的附图。
图1为本发明实施例一图像稳定特征点的提取方法的流程示意图；图2为本发明实施例一图像稳定特征点的提取装置的结构示意图；图3为本发明实施例二图像稳定特征点的提取方法的流程示意图；图4为本发明实施例二中尺度空间构建方法的结构示意图；图5为本发明实施例二中特征点检测方法的结构示意图；图6为本发明实施例二中稳定因子计算方法的结构示意图；图7为本发明实施例二中Lena图像中通过阈值控制获得的图像特征点集合示意 图；图8为为本发明实施例二通过稳定因子阈值从图7所示的图像特征点集合中筛选 出的图像稳定特征点示意图；图9为将图7缩小至原图大小的0. 7倍后提取的图像特征点集合示意图；图10为将图7缩小至原图大小的0. 7倍，再顺时针旋转30度后提取出的图像特 征点集合示意图；图11为本发明实施例二图像稳定特征点的提取装置的结构示意图。
具体实施例方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发 明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施 例，都属于本发明保护的范围。本发明实施例提供一种图像稳定特征点的提取方法及其装置，量化了图像特征点 的稳定性。实施例一本发明实施例提供一种图像稳定特征点的提取方法，如图1所示，该方法包括步骤11、对读入的数字图像点阵数据进行滤波处理，构建图像尺度空间；步骤12、通过区域阈值控制，获得尺度不变的图像特征点点集合；步骤13、计算所述图像特征点的稳定因子，根据所述图像特征点的稳定因子通过 阈值控制获得图像稳定特征点点集合。根据经典SIFT方法近似表示图像尺度空间的原理，构建同样具有尺度不变性质 的图像特征点提取方法。概括地说，通过滤波后图像依次等比例缩小来构建图像的尺度空 间，通过检验图像尺度空间的局部区域极值点来获得特征点，通过图像特征点与2维高斯 函数的乘积来量化其稳定性。在阈值控制下，提取出具有尺度不变性质的图像稳定特征点。本发明实施例提供一种图像稳定特征点的提取装置，如图2所示，该装置包括尺度空间生成模块1、特征点检测模块2和特征点量化模块3。所述尺度空间生成模块1用于对对读入的数字图像点阵数据进行滤波处理，构建 图像尺度空间；所述特征点检测模块2用于通过区域阈值控制，获得尺度不变的图像特征 点点集合；所述特征点量化模块3用于计算所述图像特征点的稳定因子，根据所述图像特 征点的稳定因子通过阈值控制获得图像稳定特征点点集合。本发明实施例提供的一种图像稳定特征点的提取方法及其装置，通过滤波后图像 依次等比例缩小来构建图像的尺度空间，再通过检验图像尺度空间的局部区域极值点来获 得图像特征点，通过图像特征点与二维高斯函数的乘积来量化其稳定性，并在阈值控制下， 提取出具有尺度不变性质的图像稳定特征点，量化了图像特征点的稳定性。实施例二本发明实施例提供一种图像稳定特征点的提取方法，如图3所示，该方法包括步骤21、读入数字图像点阵数据；首先，读入2维数字图像I (x, y)。步骤22、通过对过滤波后图像依次等比例缩小来构建图像的尺度空间。采用立方插值将I (x，y)扩大至2倍大小，记为Γ Jx，。。将Γ J^y)分别与
窗口为5X5的高斯滤波函数G(XjA) = ^f进行卷积运算得到两个低通滤
2πσ
波图像，记为L。(x，y，σ) = G(x，y，σ)*Γ 0(x,y),L' 0(x,y, σ 2) = G(x,y, σ2)*1' 0(χ, y)，其中σ = 1.5。将滤波后图像L'。向下采样缩小至1/1. 5大小，记为I' 1;将1'工分 别与之前相同的高斯滤波函数进行卷积运算得到L1, L' 将滤波后图像L'工向下采样缩 小至1/1.5大小，记为I' 2 ；直至迭代计算出Lltl，L' 1(1。那么，我们知道Li, L' jni',
的图像尺寸是原始图像I大小的^T其中i = 0，1，K，10。然后，依次将每一组的Li (X，y，σ )与L' ,(χ, y，σ 2)做差，记为DiU, y, σ )= L' i(x, y, σ2) -Li (χ, y, σ)，其中 i = 0,1, K,10ο 称这一组01(叉，7，σ )为关于图像 I (χ， y)的尺度空间，即高斯差值金字塔，如图4所示。其中，在1994年Lindeberg在其论文 "Scale-space theory A basic tool for analyzing structures at differentscales, Journal of Applied Statistics，vol. 21，no. 2，pp. 225-270，1994，，证明了 Laplacian 算子的归一化函数W2G是具有真正的尺度不变性质的，2001年Mikolajczyk在论文 “Indexing based on scale invariant interest points, in Proc.IEEE Int.Conf. Computer Vision, vol. 2，pp. 525-531. Jul. 2001 ” 中阐述了通过计算的最大最小 值可以得到较其他方法更稳定的特征点。2004年David G. Lowe在其论文“Distinctive image features from scale-invariant keypoints,International Journal ofComputer Vision, 60 (2), pp. 91-110，2004” 中给出经典的 SIFT 方法，其中 D (x，y, σ ) = L (χ, y,
ko)-L(x,y,o),因为
权利要求
1.一种图像稳定特征点的提取方法，其特征在于，包括对读入的数字图像点阵数据进行滤波处理，构建图像尺度空间；通过区域阈值控制，获得尺度不变的图像特征点点集合；计算所述图像特征点的稳定因子，根据所述图像特征点的稳定因子通过阈值控制获得 图像稳定特征点点集合。
2.根据权利要求1所述的方法，其特征在于，在所述对读入的数字图像点阵数据进行 滤波处理，构建图像尺度空间之前，还包括读入数字图像点阵数据。
3.根据权利要求1所述的方法，其特征在于，所述通过区域阈值控制，获得尺度不变的 图像特征点点集合包括遍历所述图像尺度空间，选取局部响应极值，获得所述尺度不变的图像特征点点集合。
4.根据权利要求1所述的方法，其特征在于，所述计算所述图像特征点的稳定因子，根 据所述图像特征点的稳定因子通过阈值控制获得图像稳定特征点点集合包括根据所述图像特征点在所述尺度空间的当前层的局部响应值，计算所述图像特征点的 稳定因子；筛选出所述稳定因子大于某一阈值的图像特征点；获得图像稳定特征点点集合。
5.根据权利要求4所述的方法，其特征在于，所述阈值为0.1。
6.一种图像稳定特征点的提取装置，其特征在于，包括尺度空间生成模块、特征点检 测模块和特征点量化模块，其中，所述尺度空间生成模块用于对读入的数字图像点阵数据进行滤波处理，构建图像尺度 空间；所述特征点检测模块用于通过区域阈值控制，获得尺度不变的图像特征点点集合；所述特征点量化模块用于计算所述图像特征点的稳定因子，根据所述图像特征点的稳 定因子通过阈值控制获得图像稳定特征点点集合。
7.根据权利要求6所述的装置，其特征在于，还包括读取模块，所述读取模块用于读 入数字图像点阵数据。
8.根据权利要求6所述的装置，其特征在于，所述特征点检测模块包括计算子模块、 筛选子模块和获得子模块，其中，所述计算子模块用于根据所述图像特征点在所述尺度空间的当前层的局部响应值，计 算所述图像特征点的稳定因子；所述筛选子模块用于筛选出所述稳定因子大于某一阈值的图像特征点；所述获得子模块用于获得图像稳定特征点点集合。
全文摘要
本发明公开了一种图像稳定特征点的提取方法及其装置，涉及图像处理领域，能够实现量化出图像特征点的稳定性。方法包括对读入的数字图像点阵数据进行滤波处理，构建图像尺度空间；通过区域阈值控制，获得尺度不变的图像特征点点集合；计算所述图像特征点的稳定因子，根据所述图像特征点的稳定因子通过阈值控制获得图像稳定特征点点集合。本发明应用于图像识别和图像特征的提取。
文档编号G06T5/00GK102096817SQ200910242429
公开日2011年6月15日 申请日期2009年12月11日 优先权日2009年12月11日
发明者亓文法, 李晓龙, 杨斌, 王高阳, 陈绪东 申请人:北京北大方正电子有限公司, 北京大学, 北大方正集团有限公司