一种圆形图像的特征提取方法与流程

本发明涉及一种圆形图像的特征提取方法，属于图像处理的技术领域。

背景技术：

圆形图像在日常生活中非常常见，在人工智能或模式识别领域，对圆形图像所含内容的分类与识别具有非常重要的意义。例如对道路交通标志图像中圆形图像的识别，或者对于圆形中国象棋棋子图像内容的分类与识别。

圆形图像在利用摄像机等设备进行采集的过程中容易出现旋转，而旋转的圆形图像所提取特征的如具有旋转不变形，则对后续识别和分类具有非常大的意义。同时，由于光照和环境的影响，所采集到的圆形图像，容易受到环境光线的影响，造成整体像素值的增大或减少。目前对于图像具有旋转不变性的特征提取方法一般为采用hu不变矩，hu不变矩具有旋转、平移、尺度不变等特性。但hu不变矩的方法运算量巨大，对处理器性能提出了较高要求，且hu不变矩不能解决光照敏感的缺点。

线性插值算法和双线性插值算法是现有技术中图像处理的常用算法。线性差值算法即在一条线段上，已知线段两端点对应的函数值，利用线性关系计算线段上其余点对应函数值的方法。例如：线段平行于横轴，线段的两个端点的横坐标分别为x1和x2，对应的函数值分别为f(x1)和f(x2)，则线段上横坐标为x的点对应的函数值为：

双线性插值算法的核心思想是在两个方向分别进行一次线性插值，步骤如下：(如图4所示)

已知函数f在q11＝(x1,y1)，q12＝(x1,y2)，q21＝(x2,y1)以及q22＝(x2,y2)四个点的值，

预求未知函数f在点p＝(x,y)的值。

第一步：在x方向进行线性插值，得到：

其中，r1＝(x,y1)

其中，r1＝(x,y2)

第二步：在y方向进行线性差值，得到：

最终即可得到所要的结果f(x,y)。

技术实现要素：

针对现有技术的不足，本发明提供一种圆形图像的特征提取方法。

发明概述：

本发明所述圆形图像的特征提取方法，在归一化后的灰度圆形图像内，找出多个同心圆，在每个同心圆上等间距找到足够多的点(不同同心圆上找到的点的数量不相同)，将这些点的像素放到矩阵中，形成行阶梯矩阵。通过线性插值算法，对行阶梯矩阵逐行拉伸变换。处理完成后，对矩阵每一列像素的灰度值累加，形成列累加和曲线。按照一定的规则，调整矩阵中列的顺序，选择原始归一化图像中的像素灰度平均值做阈值对矩阵二值化，通过列平移最终形成二值化的特征矩阵。

本发明的技术方案为：

一种圆形图像的特征提取方法，包括步骤如下：

1)输入彩色图像image1，将所述彩色图像image1灰度变换为灰度图像image2；计算灰度图像image2中的所有像素点的灰度平均值ga；所述彩色图像image1为四个边与圆形图像的轮廓外缘相切的正方形图像；灰度变换为图像处理中的常用方法，为所属领域技术人员所熟知。

2)设灰度图像image2中圆形图像的轮廓半径为r，将灰度图像image2缩放为半径为r的标准圆形图像image3；

3)计算标准圆形图像image3的圆心坐标c(xc，yc)；

4)在标准圆形图像image3上以圆心c为圆心，做w个同心圆，w个同心圆的半径分别记为r1，r2，…，rm，…，rw；相邻同心圆的半径差值σn≥1；σn为恒定值或不定值，可以为整数或浮点数；同心圆的数量可根据图像纹理复杂程度决定，图像纹理越复杂，所选取的同心圆数量越多。

5)在每一个同心圆上，等间距选取若干个样本点；半径为rm的同心圆上采集的样本点数为pm，则同心圆上所选择的样本点数分别为p1，p2，…，pm，…，pw；每个同心圆上的第一个样本点ym0选择在圆心的正右侧，即ym0的y坐标值为r，x坐标值为r+rm，其他样本点以第一个样本点ym0为基准，逆时针编号；第m个同心圆的第n个样本点ymn的x坐标和y坐标分别为：

6)计算ymn坐标的灰度值，存入矩阵，得到w×pw的矩阵mt1；

7)将矩阵mt1的每一行中的pm个元素进行拉伸操作，使每一行的ampm元素拉伸到所在行的最后一列位置，该行中其余位置的元素值按照线性插值方法计算，生成矩阵mt2；

其余位置的元素值按照线性插值方法计算的具体过程如下：

矩阵mt2第m行第u个元素对应矩阵mti中第m行第u0＝u×k个元素，其中，缩放系数k＝(pm-1)/(pw-1)；对u0取整记为v，则矩阵mt2中的m行的第u个元素的值为：f＝(u0-v)amv+(1+v-u0)am(v+1)；

u0一般为浮点数，不论u0是整数还是浮点数，对u0取整记为v，取整用的方法是直接删除小数点之后的小数。用上述方法遍历矩阵mt1的所有元素位置，求得矩阵mt2；

8)对矩阵mt2二值化处理，得到矩阵mt3；二值化阈值为ga；

二值化公式为：

由于二值化所选阈值为image2中的所有像素点的灰度平均值ga，当图像面临光照变化时，图像中的所有像素均呈现相同的变化趋势及相似的灰度变化大小，因此提取出的特征对光照不敏感。

将矩阵mt2中每一列元素累加，得到一维矩阵mt4；mt4＝[d1d2...dpw]；

9)查找矩阵mt4内的最小值元素dz；z为最小值元素对应的列号；

10)将矩阵mt3中列号小于z的所有列，平移到矩阵mt3的第pw列之后，得到新矩阵mt6；

mt6即为图像image1的特征矩阵；mt6内的元素为1或0。

根据本发明优选的，所述步骤2)中将灰度图像image2缩放为半径为r的标准圆形图像image3的方法为，双线性插值算法，缩放比例为r/r。通过双线性插值算法对图形进行缩放操作为图像处理中的常用方法，为所属领域技术人员所熟知。

根据本发明优选的，所述步骤5)中，pm＝7×rm。样本数pm的选择，与半径有关系，半径越小，pm越小。

根据本发明优选的，所述步骤6)中，采用双线性插值算法计算ymn坐标的灰度值。ymn的坐标值一般为浮点数，需采用双线性插值算法进行处理；

根据本发明优选的，所述步骤7)中，将矩阵mt1中的每一行中的pm个元素进行拉伸操作，是通过双线性插值算法实现。

根据本发明优选的，所述步骤8)中，将矩阵mt2中每一列元素累加，得到一维矩阵mt4的计算方法为：mt4＝mt5×mt2，其中，mt5为元素均为1的单行矩阵，列数为w；即mt5＝ones(1,w)。

根据本发明优选的，所述步骤9)中，当出现连续相同最小值时，选择列号最小的一个元素作为dz。

本发明的有益效果为：

1.本发明所述圆形图像的特征提取方法，对矩阵mt2二值化处理时，所选取的阈值为image2中的所有像素点的灰度平均值ga，当图像面临光照变化时，图像中的所有像素均呈现相同的变化趋势及相似的灰度变化大小，因此本发明提取出的特征对光照不敏感；

2.本发明所述圆形图像的特征提取方法，矩阵mt6中的元素是通过各同心圆获得的，且根据同心圆矩阵拉伸后列投影，找到列累加最小值后进行了平移，相当于对所有同心圆进行了同步旋转，以投影统计最小值作为特征矩阵的首列；因此，特征矩阵mt6具有旋转不变性，可用于对识别样本和目标的特征提取。

附图说明

图1为本发明所述彩色图像image1；

图2为本发明所述灰度图像image2；

图3为本发明圆形图像的特征提取方法中，在同心圆上等间距选取若干个样本点的示意图；

图4为现有技术中双线性差值算法示意图；

图5为未经旋转的圆形图像处理得到的灰度图像；

图6为未经旋转的圆形图像的直方图及灰度平均值图像；

图7为未经旋转的圆形图像对应的mt2矩阵图像；

图8为未经旋转的圆形图像对应的mt4矩阵曲线图；

图9为未经旋转的圆形图像对应的mt6矩阵图像；

图10为旋转35°的圆形图像处理得到的灰度图像；

图11为旋转35°的圆形图像的直方图及灰度平均值图像；

图12为旋转35°的圆形图像对应的mt2矩阵图像；

图13为旋转35°的圆形图像对应的mt4矩阵曲线图；

图14为旋转35°的圆形图像对应的mt6矩阵图像；

图15为旋转90°的圆形图像处理得到的灰度图像；

图16为旋转90°的圆形图像的直方图及灰度平均值图像；

图17为旋转90°的圆形图像对应的mt2矩阵图像；

图18为旋转90°的圆形图像对应的mt4矩阵曲线图；

图19为旋转90°的圆形图像对应的mt6矩阵图像；

图20为光照变弱的圆形图像处理得到的灰度图像；

图21为光照变弱的圆形图像的直方图及灰度平均值图像；

图22为光照变弱的圆形图像对应的mt2矩阵图像；

图23为光照变弱的圆形图像对应的mt4矩阵曲线图；

图24为光照变弱的圆形图像对应的mt6矩阵图像；

图25为不同的圆形图像处理得到的灰度图像；

图26为不同的圆形图像的直方图及灰度平均值图像；

图27为不同的圆形图像对应的mt2矩阵图像；

图28为不同的圆形图像对应的mt4矩阵曲线图；

图29为不同的圆形图像对应的mt6矩阵图像。

具体实施方式

下面结合实施例和说明书附图对本发明做进一步说明，但不限于此。

实施例1

如图1-3所示。

一种圆形图像的特征提取方法，包括步骤如下：

1)输入彩色图像image1，将所述彩色图像image1灰度变换为灰度图像image2；计算灰度图像image2中的所有像素点的灰度平均值ga；所述彩色图像image1为四个边与圆形图像的轮廓外缘相切的正方形图像；灰度变换为图像处理中的常用方法，为所属领域技术人员所熟知。

2)设灰度图像image2中圆形图像的轮廓半径为r，将灰度图像image2缩放为半径为r的标准圆形图像image3；

3)计算标准圆形图像image3的圆心坐标c(xc，yc)；图像左上角为坐标原点，则xc＝r，yc＝r；

4)在标准圆形图像image3上以圆心c为圆心，做w个同心圆，w个同心圆的半径分别记为r1，r2，…，rm，…，rw；相邻同心圆的半径差值σn＝2；w＝22。

5)在每一个同心圆上，等间距选取若干个样本点；半径为rm的同心圆上采集的样本点数为pm，则同心圆上所选择的样本点数分别为p1，p2，…，pm，…，pw；每个同心圆上的第一个样本点ym0选择在圆心的正右侧，即ym0的y坐标值为r，x坐标值为r+rm，其他样本点以第一个样本点ym0为基准，逆时针编号；第m个同心圆的第n个样本点ymn的x坐标和y坐标分别为：

6)计算ymn坐标的灰度值，存入矩阵，得到w×pw的矩阵mt1；

7)将矩阵mt1的每一行中的pm个元素进行拉伸操作，使每一行的ampm元素拉伸到所在行的最后一列位置，该行中其余位置的元素值按照线性插值方法计算，生成矩阵mt2；

其余位置的元素值按照线性插值方法计算的具体过程如下：

矩阵mt2第m行第u个元素对应矩阵mti中第m行第u0＝u×k个元素，其中，缩放系数k＝(pm-1)/(pw-1)；对u0取整记为v，则矩阵mt2中的m行的第u个元素的值为：f＝(u0-v)amv+(1+v-u0)am(v+1)；

对u0取整用的方法是直接删除小数点之后的小数。用上述方法遍历矩阵mt1的所有元素位置，求得矩阵mt2；

8)对矩阵mt2二值化处理，得到矩阵mt3；二值化阈值为ga；

二值化公式为：

由于二值化所选阈值为image2中的所有像素点的灰度平均值ga，当图像面临光照变化时，图像中的所有像素均呈现相同的变化趋势及相似的灰度变化大小，因此提取出的特征对光照不敏感。

将矩阵mt2中每一列元素累加，得到一维矩阵mt4；mt4＝[d1d2...dpw]；

9)查找矩阵mt4内的最小值元素dz；z为最小值元素对应的列号；

10)将矩阵mt3中列号小于z的所有列，平移到矩阵mt3的第pw列之后，得到新矩阵mt6；

mt6即为图像image1的特征矩阵；mt6内的元素为1或0。

实施例2

如实施例1所述的圆形图像的特征提取方法，所不同的是，所述步骤2)中将灰度图像image2缩放为半径为r的标准圆形图像image3的方法为，双线性插值算法，缩放比例为r/r；image3的分辨率为90×90。通过双线性插值算法对图形进行缩放操作为图像处理中的常用方法，为所属领域技术人员所熟知。

实施例3

如实施例1所述的圆形图像的特征提取方法，所不同的是，所述步骤5)中，pm＝7×rm。样本数pm的选择，与半径有关系，半径越小，pm越小。

实施例4

如实施例1所述的圆形图像的特征提取方法，所不同的是，所述步骤6)中，采用双线性插值算法计算ymn坐标的灰度值。

实施例5

如实施例1所述的圆形图像的特征提取方法，所不同的是，所述步骤7)中，将矩阵mt1中的每一行中的pm个元素进行拉伸操作，是通过双线性插值算法实现。

实施例6

如实施例1所述的圆形图像的特征提取方法，所不同的是，所述步骤8)中，将矩阵mt2中每一列元素累加，得到一维矩阵mt4的计算方法为：mt4＝mt5×mt2，其中，mt5为元素均为1的单行矩阵，列数为w；即mt5＝ones(1,w)。

实施例7

如实施例1所述的圆形图像的特征提取方法，所不同的是，所述步骤9)中，当出现连续相同最小值时，选择列号最小的一个元素作为dz。

利用实施例1-7所述圆形图像的特征提取方法分别对未旋转的圆形图像、旋转35°的圆形图像、旋转90°的圆形图像、光照变弱后的圆形图像进行特征提取，如图5-20。通过对比可知，图9、图14、图19的相似度很高，从而证明了特征矩阵mt6具有旋转不变性；通过对比可知，图9、图14、图19、图24的相似度很高，从而证明了提取出的特征对光照不敏感。图25-29为通过利用实施例1-7所述方法对不同的图像(即图25与图5、图10、图15、图20不同)进行特征提取的相关图像，通过对比可知，图29与图9、图14、图19、图24明显不同，证明了方法的有效性，即针对不同的图像的处理结果是不同的。