一种用于描述图像特征的多维方向梯度表示方法
【专利摘要】本发明提供一种用于描述图像特征的多维方向梯度表示方法，包括：以图像中每个像素点为中心分别定义A×A大小的矩阵，其中的A取3～30的奇数；在定义的每个矩阵中针对中心像素点计算x和y两个方向的梯度；对基于每个矩阵得到的梯度计算结果进行加权计算，得到每个矩阵针对其中心像素点的x方向梯度和y方向梯度；再在进一步定义的N×N的块内，将0?180度的范围分为相同角度的5?9个单位，采用线性插值统计每个单位内的梯度权重；以图像中的每个像素点为中心，做一个M×M的矩阵，在这个矩阵中找到梯度的最大值vmax和最小值vmin；重新计算梯度权重。本发明的方法利用方向梯度的块区域算法，同时整合角度上的线性插值，能很好的描述物体特征，同时保证了计算速度。
【专利说明】
一种用于描述图像特征的多维方向梯度表示方法
技术领域
[0001] 本发明属于计算机图像处理领域，用于精确描述图像物体特征。
【背景技术】
[0002] 局部图像特征描述是计算机视觉的一个基本研究问题，在寻找图像中的对应点以 及物体特征描述中有着重要的作用。它是许多方法的基础，因此也是目前视觉研究中的一 个热点。同时它也有着广泛的应用，举例来说，在利用多幅二维图像进行三维重建、恢复场 景三维结构的应用中，其基本出发点是要有一个可靠的图像对应点集合，而自动地建立图 像之间点与点之间的可靠对应关系通常都依赖于一个优秀的局部图像特征描述子。又比 如，在物体识别中，目前非常流行以及切实可行的方法之一是基于局部特征的，由于特征的 局部性，使得物体识别可以处理遮挡、复杂背景等比较复杂的情况。
[0003] 局部图像特征描述的核心问题是不变性(鲁棒性)和可区分性。然而，特征描述子 的可区分性的强弱往往和其不变性是矛盾的，也就是说，一个具有众多不变性的特征描述 子，它区分局部图像内容的能力就稍弱；而如果一个非常容易区分不同局部图像内容的特 征描述子，它的鲁棒性往往比较低。而另一方面，如果我们通过统计局部图像灰度直方图来 进行特征描述，这种描述方式具有较强的不变性，对于局部图像内容发生旋转变化等情况 比较鲁棒，但是区分能力较弱，例如无法区分两个灰度直方图相同但内容不同的局部图像 块。所以，一个优秀的特征描述子不仅应该具有很强不变性，还应该具有很强的可区分性。
[0004] 在现有的诸多的局部图像特征描述子中，SIFT(Scale Invariant Feature Transform)是其中应用最广的，它在1999年首次提出，至2004年得到完善。由于SIFT对尺 度、旋转以及一定视角和光照变化等图像变化都具有不变性，并且SIFT具有很强的可区分 性，自它提出以来，很快在物体识别、宽基线图像匹配、三维重建、图像检索中得到了应用， 局部图像特征描述子在计算机视觉领域内也得到了更加广泛的关注，涌现了一大批各具特 色的局部图像特征描述子。SURF(Speeded Up Robust Features)是对SIFT的改进版本，它 利用Haar小波来近似SIFT方法中的梯度操作，同时利用积分图技术进行快速计算，SURF的 速度是SIFT的3-7倍，大部分情况下它和SIFT的性能相当，因此它在很多应用中得到了应 用，尤其是对运行时间要求高的场合。ASIFT(Affine SIFT)通过模拟所有成像视角下得到 的图像进行特征匹配，可以很好地处理视角变化的情况，尤其是大视角变化下的图像匹配。 MROGH(Multi_support Region Order-based Gradient Histogram)则是特征汇聚策略上 寻求创新，之前的局部图像特征描述子，其特征汇聚策略都是基于邻域内点的几何位置的， 而MR0GH基于点的灰度序进行特征汇聚。LBP(Local Binary Pattern，局部二值模式)是一 种用来描述图像局部纹理特征的算子，首先由T.Ojala, M.PictikSinen和D.Harwood在1994 年提出，之后出现很多变种，如CLBP，LBPHF等等，用于图像局部纹理特征提取。LBP已经成功 应用于人脸检测，唇语识别，表情检测，动态纹理等等领域，其具有旋转不变性和灰度不变 性等显著的优点。
[0005] 最近几年局部图像特征描述子的发展趋势是:快速、低存储。这两个趋势使得局部 图像特征描述子可以在快速实时、大规模应用中发挥作用，而且有利于将许多应用做到手 机上去进行开发，实实在在的将计算机视觉技术应用于我们周围的世界中。上述现有技术 中使用SIFT和LBP等算子来描述图像特征的方法在计算速度、资源消耗以及对特征描述的 贴合度上，都仍然存在不足和缺陷。为了进一步满足快速和低存储这两个需求，有必要研发 一种新的图像特征描述方法。
【发明内容】
[0006] 本发明的目的在于:提供一种计算速度更快、资源消耗更低、特征描述贴合度更高 的图像特征描述方法。
[0007] 本发明的上述目的通过以下技术方案实现：
[0008] 提供一种用于描述图像特征的多维方向梯度表示方法，包括：
[0009] 1)以图像中每个像素点为中心分别定义AXA大小的矩阵，其中的A取3~30的奇 数；
[0010] 2)在步骤1)定义的每个矩阵中针对中心像素点计算1和7两个方向的梯度；
[0011] 3)对步骤2)基于每个矩阵得到的梯度计算结果进行加权计算，得到每个矩阵针对 其中心像素点的x方向梯度和y方向梯度，即图像中每个像素点都对应得到1个x方向的梯度 值和1个y方向的梯度值；
[0012] 4)定义一个NXN大小的块，所述的N取正整数;在定义的块内，将0-180度的范围分 为相同角度的5-9个单位，采用线性插值统计每个单位内的梯度权重；
[0013] 5)以图像中的每个像素点为中心，做一个M X M的矩阵，其中M为步骤4)所述的N取 值的整数倍，在这个矩阵中找到梯度的最大值vmax和最小值vmin;重新计算梯度权重，计算 方法为：（v -vmin)/(vmax-vmin) 〇
[0014]本发明的方法中，步骤1)所述的AXA矩阵，A优选为5~15;更优选5。
[0015] 本发明的方法中，步骤2)所述的在每个矩阵中针对中心像素点计算1和7两个方向 的梯度，优选的计算方法是：以中心像素点所在列为对称轴计算每组对称点之间的像素值 差；以中心像素点所在的行为对称轴计算每组对称点之间的像素值差。
[0016] 本发明的方法中，步骤3)所述的加权计算，优选通过定义一个与步骤1)所述矩阵 相同大小的高斯核来完成所述的加权计算。
[0017] 本发明的方法中，步骤4)优选的NX N大小的块，N取8。
[0018]本发明的方法中，步骤4)优选将所述的0-180度的范围分为9个单位，每个单位20 度。
[0019] 本发明的方法中，步骤5)优选的M XM的矩阵，M取32。
[0020] 本发明的方法利用方向梯度的块区域算法，可以减少局部光照不均匀造成的梯度 差异化过大，提高梯度描述的适应性，同时整合角度上的线性插值，能很好的描述物体特 征，同时保证了计算速度。
【具体实施方式】
[0021] 以下通过列举实施例的方式对本发明的技术方案做进一步的说明。
[0022] 实施例1
[0023] -种用于描述图像特征的多维方向梯度表示方法，包括以下步骤：
[0024] 1.方向梯度的计算
[0025] a)针对图像中的每一个点，定一个5 X 5的矩阵，矩阵中每个点位置以英文字母标 记如下： abode f g h i j
[0026] k 1 m n 〇 p q r s t u V W ：x y
[0027] b)在步骤a)定义的每个矩阵中都针对位置如m点的中心点按如下方法计算梯度： [0028]先计算x方向梯度：
[0029] gradxl=(a-e)*CXl+(b_d)*CX2//第1行
[0030] gradx2 = (f-j)*CX3+(g-i)*CX4//第 2 行 [0031 ] gradx3 = (k_o)*CX5+( l_n)*CX6//第 3 行
[0032] gradx4=(卩-1:)*〇父7+(9-8)*〇父8//第4行
[0033] gradx5 = (u-y)*CX9+(v_x)*CX10//第 5 行 [0034] 其中CX1~CX9为高斯系数
[0035]得到gradxl~grad5这5个x方向的梯度后，再对这5个值进行加权相加，得到m点的 x方向梯度。
[0036]同理，可得m点的y方向梯度。
[0037] 2.在图像中定义一个8 X 8的块，在这个块内，对方向梯度做统计，按照0-180度，每 20度为一个单位，统计这个9个单位内的权重。在统计时采用线性插值，如一个点的梯度为 23度，那么（23-20)/20 X梯度值得到值归为20度至40度这个区间；
[0038] 3.以图像中的每一个像素为中心，做一个32X32的矩阵，在这个矩阵中找到步骤1 计算得到的梯度的最大值vmax和最小值vmin。重新计算梯度权重为（v-vmin)/(vmax-vmin)，以减少局部光照不均匀造成的梯度差异化过大，提高梯度描述的适应性。
【主权项】
1. 一种用于描述图像特征的多维方向梯度表示方法，包括： 1) 以图像中每个像素点为中心分别定义A X A大小的矩阵，其中的A取3~30的奇数； 2) 在步骤1)定义的每个矩阵中针对中心像素点计算1和7两个方向的梯度； 3) 对步骤2)基于每个矩阵得到的梯度计算结果进行加权计算，得到每个矩阵针对其中 心像素点的X方向梯度和y方向梯度，即图像中每个像素点都对应得到1个X方向的梯度值和 1个y方向的梯度值； 4) 定义一个NXN大小的块，所述的N取正整数;在定义的块内，将0-180度的范围分为相 同角度的5-9个单位，采用线性插值统计每个单位内的梯度权重； 5) 以图像中的每个像素点为中心，做一个M X M的矩阵，其中M为步骤4)所述的N取值的 整数倍，在这个矩阵中找到梯度的最大值vmax和最小值vmin;重新计算梯度权重，计算方法 为：（v-vmin)/(vmax_vmin)〇2. 权利要求1所述的方法，其特征在于:步骤1)所述的AXA矩阵，A为5~15;优选为5。3. 权利要求1所述的方法，其特征在于:步骤2)所述的在每个矩阵中针对中心像素点计 算X和y两个方向的梯度，计算方法是：以中心像素点所在列为对称轴计算每组对称点之间 的像素值差；以中心像素点所在的行为对称轴计算每组对称点之间的像素值差。4. 权利要求1所述的方法，其特征在于：步骤3)所述的加权计算，是通过定义一个与步 骤1)所述矩阵相同大小的高斯核来完成所述的加权计算。5. 权利要求1所述的方法，其特征在于:步骤4)所述的N X N大小的块，N取8。6. 权利要求1所述的方法，其特征在于：步骤4)是将所述的0-180度的范围分为9个单 位，每个单位20度。7. 权利要求1所述的方法，其特征在于:步骤5)的M XM的矩阵，M取32。
【文档编号】G06K9/46GK105913068SQ201610268754
【公开日】2016年8月31日
【申请日】2016年4月27日
【发明人】石柱国
【申请人】北京以萨技术股份有限公司