图像特征提取算法研究

图像特征提取算法研究（精选10篇）

图像特征提取算法研究 第1篇

关键词：图像特征提取,SIFT,SURF,ASIFT

0 引言

图像特征提取技术广泛应用于计算机视觉技术和图像处理中[1]。如今图像特征的提取方法主要通过纹理特征、外在形状、颜色、区域、轮廓以及特殊点或线等几何或算术的描述, 特征提取算法主要要求这些特征尽可能的代表图像关键和本质的特点。

本文对经典的三种特征提取算法展开研究, 利用MATLAB和VC平台仿真实验, 并对实验结果进行分析比对, 比较不同特征提取算法的性能, 分析每个特征的优劣点。

1 图像特征提取算法理论

1.1 SIFT算法

SIFT算法经过在建立的图片尺度空间中寻找出极值点来表征图片特征, 并且通过计算极值点周围的梯度信息得到特征描述向量, 最后通过计算特征向量的相似度判定特征点是否匹配[2]。

算法的实现可分为如下四个步骤[3]:

(1) 构建尺度空间, 检测极值点;

(2) 去除伪特征点并得到亚像素级坐标;

(3) 为特征点分配方向值;

(4) 生成特征描述子。

SIFT描述算子是表征图像局部特征较好的特征描述子, 适合噪声干扰、光照等的复杂条件下的图像描述[4]。SIFT算法能提取丰富的图像特征点, 即使错误匹配的特征点数较多时, 结合RANSAC算法也能正确得到图像的配准结果。缺点是算法需要计算128维特征向量, 很难满足实时匹配吻合的效果。

SIFT在图像不变特征提取取得了巨大的优势, 有非常广泛的应用领域和前景, 如:智能驾驶、刑侦技术方面的跟踪和机动车追踪等方面。

1.2 SURF算法

在SIFT算法的基础上进行了简化和近似可以得到SURF算法, 将SIFT中的高斯二阶微分滤波经过借助积分图像的概念, 转化为对积分图像的加减运算, 是对SIFT算法的一种改进。积分图像通过不同尺寸的滤波模板求得Hsssian矩阵行列式的响应图像, 通过在响应图像上运用非最大值抑制, 进而求得各种不同尺寸的极值点[5]。

SURF算法由下面几个步骤组成[6]:

(1) 构建赫森矩阵;

(2) 尺度空间生成;

(3) 利用非极大值抑制初步确定特征点然后精确定位特征点;

(4) 选取特征点主方向确定;

(5) 构造SURF特征点描述算子。

快速高效是SURF的主要优点, 然而其也有如下的不足之处:SURF特征点的选择过于依赖局部区域的像素, 并且相对SIFT算法特征点提取较少, 而且角度偏差会造成较大的特征点偏差, 使得匹配率降低。

SURF算法作为SIFT算法的改进版, 凭借快速高效的优点, 在许多实时性要求较高的领域得到广泛应用。

1.3 ASIFT算法

仿射尺度不变特征变换 (ASIFT) 可以实现较大角度仿射变形的匹配, 满足应用的需要, SIFT算法仅仅对四个参数才有完全不变性, 分别是缩放、旋转和平移, 但ASIFT算法对其他的两个参数光轴经度角和纬度角也具有完全不变性。通过ASIFT算法可以更好地描述图像的旋转和倾斜不变点的特性。

ASIFT算法模拟足够的精度所造成的照相机光轴方向的变体的所有畸变, 然后采用SIFT算法。也就是说, 在SIFT算法的基础上, ASIFT算法对仿射变换的参数经度角和纬度角进一步模拟, 实现了在较大范围内的仿射不变性[7]。

ASIFT算法基本实现步骤如下:

(1) 构建仿射摄相机模型;

(2) 模拟摄相机光轴方向的改变;

(3) 对图像进行旋转倾斜变换;

(4) 应用SIFT算法对全部生成的模拟图像进行图像匹配。

ASIFT算法不但在SIFT算法不足的地方有所提高, 同时也保留了SIFT算法的优点, 即摄相机光轴的经度角和纬度角运用足够精度来模拟, 进而可以更好地抵抗图像间的仿射变换。通过ASIFT算法大仿射变换影像间的匹配得以实现, 同时匹配性能也比之前提出的算法要好。

总体上说, ASIFT特征在图像旋转、尺度变换和视角变化的条件下具有良好的不变性, 较传统的SIFT算法具有完全的仿射不变性, 且在图像配准中能够获得更多精确的匹配点。但ASIFT算法耗时比较长且匹配效率不高[8]。

由于ASIFT算法在图像旋转、尺度变换和视角变化具有的优点, 以及其在匹配速度、匹配精度方面优势明显, 越来越多的特征提取和匹配应用中采用该算法。

2 实验结果与分析

2.1 SIFT算法结果与分析

图一和图二分别展示了SIFT特征提取图和特征点匹配图。

由如上实验结果可以得知, SIFT算法可以提取较多稳定的图像局部不变特征点, 而且其图像匹配正确率比较高, 不过其程序运行的速度不太快, 很难达到实时的效果。

SIFT算法在图片的不变特征提取领域拥有非常大的优点, 但仍存在个别缺点:实时性偏低, 运行速度不快;有些情况下特征点较少;对边缘光滑的目标图片无法准确提取特征点等缺点。对模糊的图片和边缘平滑的图片, 检测出特征点过少。不仅如此, SIFT算法对圆图片几乎不能提取特征点。近年来, 人们不断研究改进该算法, 出现了许多新型高效的特征提取算法, 其中比较著名和有效的有SURF和CSIFT算法。

2.2 SURF算法结果与分析

图三展示了使用SURF算法来提取图像特征的结果。

图四为采用SURF算法匹配结果。

通过图三和图四可知, SURF算法有较好特征提取和匹配效果, 而且调试程序时, 能够较快的提取图像特征, 有很好的实时性, 并且能够匹配较多的特征点, 综合性能比SIFT算法更加优越。

2.3 ASIFT算法结果与分析

使用ASIFT算法去匹配两幅角度偏差较大的图片, 得到图五所示实验结果。

图五中采用了ASIF算法对一组倾斜度t等于36的两幅图片进行图片特征匹配, 共有120对特征匹配点, 其中116对是正确的, 4对特征匹配点错误, 正确率达96.7%。

而在同样的情况下, 采用SIFT算法对这两幅图片进行特征匹配情况却如图六所示, 没有特征匹配点。可见, ASIFT算法对于过度倾斜的图片有较好的匹配效果。

由实验结果可知, ASIFT算法仿射不变性相比SIFT算法更优, 在进行平移、旋转以及仿射变换操作下均可以得到比较高的匹配精确度, 同时鲁棒性也较好。

3 结束语

总之, SIFT算法、SURF算法和ASIFT算法各有其特点和用途, SIFT算法提取出的特征点丰富、独特性较高, 具有较好的兼容性, 能很好的和其他算法相结合改进, 但执行效率较低;而SURF最大的特点就是运行速度较快, 有很好的实时匹配效果, 对于要求快速匹配的领域应用广泛;对于ASFIT来说, 最突出的特点就是仿射不变性, 在图像旋转、尺度变换和视角变化的条件下具有良好的不变性, 特别适用于倾斜角度较大图像的特征提取和匹配。

参考文献

[1]王志瑞, 闫彩良.图像特征提取方法的综述[J].吉首大学学报 (自然科学版) , 2011, 32 (05) :43-47.

[2]黄超, 齐英剑.SIFT算法研究和应用[J].中国传媒大学学报 (自然科学版) , 2012, 19 (01) :68-72.

[3]苏顺谦.基于SIFT特征的无人机遥感影像拼接技术研究[J].科技广场, 2012, (07) :9-12.

[4]David G Lowe.Distinctive Image Features from Scale Invariant Keypoints[J].International Journal of Computer Vision, 2004, 60 (02) :91-110.

[5]纪利娥, 杨风暴, 王志社, 等.图像配准中特征点检测算法的探讨[J].电视技术, 2013, 37 (19) :27-31.

[6]吴一全, 陶飞翔, 曹照清.利用双树复小波变换和SURF的图像配准算法[J].系统工程与电子技术, 2014, 36 (05) :997-1003.

[7]MOREL J M, YU G.ASIFT:A new framework for fully affine invariant image comparison[J].SIAM Journal on Imaging Sciences, 2009, 2 (02) :1-31.

图像特征提取总结 第2篇

常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。

一、颜色特征

（一）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。

（二）常用的特征提取与匹配方法（1）颜色直方图 其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。

最常用的颜色空间：RGB颜色空间、HSV颜色空间。

颜色直方图特征匹配方法：直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。（2）颜色集

颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从 RGB颜色空间转化成视觉均衡的颜色空间（如 HSV 空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系（3）颜色矩

这种方法的数学基础在于：图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩（mean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布。（4）颜色聚合向量 其核心思想是：将属于直方图每一个柄的像素分成两部分，如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合像素，否则作为非聚合像素。（5）颜色相关图 二纹理特征

（一）特点：纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局部的偏差而无法匹配成功。作为一种统计特征，纹理特征常具有旋转不变性，并且对于噪声有较强的抵抗能力。但是，纹理特征也有其缺点，一个很明显的缺点是当图像的分辨率变化的时候，所计算出来的纹理可能会有较大偏差。另外，由于有可能受到光照、反射情况的影响，从2-D图像中反映出来的纹理不一定是3-D物体表面真实的纹理。

例如，水中的倒影，光滑的金属面互相反射造成的影响等都会导致纹理的变化。由于这些不是物体本身的特性，因而将纹理信息应用于检索时，有时这些虚假的纹理会对检索造成“误导”。

在检索具有粗细、疏密等方面较大差别的纹理图像时，利用纹理特征是一种有效的方法。但当纹理之间的粗细、疏密等易于分辨的信息之间相差不大的时候，通常的纹理特征很难准确地反映出人的视觉感觉不同的纹理之间的差别。

（二）常用的特征提取与匹配方法 纹理特征描述方法分类

（1）统计方法统计方法的典型代表是一种称为灰度共生矩阵的纹理特征分析方法Gotlieb 和 Kreyszig 等人在研究共生矩阵中各种统计特征基础上，通过实验，得出灰度共生矩阵的四个关键特征：能量、惯量、熵和相关性。统计方法中另一种典型方法，则是从图像的自相关函数（即图像的能量谱函数）提取纹理特征，即通过对图像的能量谱函数的计算，提取纹理的粗细度及方向性等特征参数（2）几何法

所谓几何法，是建立在纹理基元（基本的纹理元素）理论基础上的一种纹理特征分析方法。纹理基元理论认为，复杂的纹理可以由若干简单的纹理基元以一定的有规律的形式重复排列构成。在几何法中，比较有影响的算法有两种：Voronio 棋盘格特征法和结构法。（3）模型法

模型法以图像的构造模型为基础，采用模型的参数作为纹理特征。典型的方法是随机场模型法，如马尔可夫（Markov）随机场（MRF）模型法和 Gibbs 随机场模型法（4）信号处理法

纹理特征的提取与匹配主要有：灰度共生矩阵、Tamura 纹理特征、自回归纹理模型、小波变换等。

灰度共生矩阵特征提取与匹配主要依赖于能量、惯量、熵和相关性四个参数。Tamura 纹理特征基于人类对纹理的视觉感知心理学研究，提出6种属性，即：粗糙度、对比度、方向度、线像度、规整度和粗略度。自回归纹理模型（simultaneous auto-regressive, SAR）是马尔可夫随机场（MRF）模型的一种应用实例。三形状特征

（一）特点：各种基于形状特征的检索方法都可以比较有效地利用图像中感兴趣的目标来进行检索，但它们也有一些共同的问题，包括：①目前基于形状的检索方法还缺乏比较完善的数学模型；②如果目标有变形时检索结果往往不太可靠；③许多形状特征仅描述了目标局部的性质，要全面描述目标常对计算时间和存储量有较高的要求；④许多形状特征所反映的目标形状信息与人的直观感觉不完全一致，或者说，特征空间的相似性与人视觉系统感受到的相似性有差别。另外，从 2-D 图像中表现的 3-D 物体实际上只是物体在空间某一平面的投影，从 2-D 图像中反映出来的形状常不是 3-D 物体真实的形状，由于视点的变化，可能会产生各种失真。

（二）常用的特征提取与匹配方法 Ⅰ几种典型的形状特征描述方法

通常情况下，形状特征有两类表示方法，一类是轮廓特征，另一类是区域特征。图像的轮廓特征主要针对物体的外边界，而图像的区域特征则关系到整个形状区域。几种典型的形状特征描述方法：

（1）边界特征法该方法通过对边界特征的描述来获取图像的形状参数。其中Hough 变换检测平行直线方法和边界方向直方图方法是经典方法。Hough 变换是利用图像全局特性而将边缘像素连接起来组成区域封闭边界的一种方法，其基本思想是点—线的对偶性；边界方向直方图法首先微分图像求得图像边缘，然后，做出关于边缘大小和方向的直方图，通常的方法是构造图像灰度梯度方向矩阵。（2）傅里叶形状描述符法

傅里叶形状描述符(Fourier shape descriptors)基本思想是用物体边界的傅里叶变换作为形状描述，利用区域边界的封闭性和周期性，将二维问题转化为一维问题。由边界点导出三种形状表达，分别是曲率函数、质心距离、复坐标函数。（3）几何参数法

形状的表达和匹配采用更为简单的区域特征描述方法，例如采用有关形状定量测度（如矩、面积、周长等）的形状参数法（shape factor）。在 QBIC 系统中，便是利用圆度、偏心率、主轴方向和代数不变矩等几何参数，进行基于形状特征的图像检索。

需要说明的是，形状参数的提取，必须以图像处理及图像分割为前提，参数的准确性必然受到分割效果的影响，对分割效果很差的图像，形状参数甚至无法提取。（4）形状不变矩法

利用目标所占区域的矩作为形状描述参数。（5）其它方法近年来，在形状的表示和匹配方面的工作还包括有限元法（Finite Element Method 或 FEM）、旋转函数（Turning Function）和小波描述符（Wavelet Descriptor）等方法。Ⅱ基于小波和相对矩的形状特征提取与匹配

该方法先用小波变换模极大值得到多尺度边缘图像，然后计算每一尺度的 7个不变矩，再转化为 10 个相对矩，将所有尺度上的相对矩作为图像特征向量，从而统一了区域和封闭、不封闭结构。四空间关系特征

（一）特点：所谓空间关系，是指图像中分割出来的多个目标之间的相互的空间位置或相对方向关系，这些关系也可分为连接/邻接关系、交叠/重叠关系和包含/包容关系等。通常空间位置信息可以分为两类：相对空间位置信息和绝对空间位置信息。前一种关系强调的是目标之间的相对情况，如上下左右关系等，后一种关系强调的是目标之间的距离大小以及方位。显而易见，由绝对空间位置可推出相对空间位置，但表达相对空间位置信息常比较简单。空间关系特征的使用可加强对图像内容的描述区分能力，但空间关系特征常对图像或目标的旋转、反转、尺度变化等比较敏感。另外，实际应用中，仅仅利用空间信息往往是不够的，不能有效准确地表达场景信息。为了检索，除使用空间关系特征外，还需要其它特征来配合。

（二）常用的特征提取与匹配方法

图像特征提取算法研究 第3篇

关键词：MLS 点云模型 特征提取 线性相关性 有限元模型

1 概述

到目前为止，很多国内外学者对三维点云数据的特征提取进行了研究，但将提取的点云特征模型应用于建立工程有限元模型的研究未见报道[1][2][3]。邹冬、庞明勇等于2011年采用估算投影残差的方法来判别三维点云模型潜在的特征点，此算法能够准确地提取点云模型上的特征点和特征线，但特征识别时间代价太高[4]。故本文结合研究对象棱角分明的特点，以及文献[4]、[5]的优点与缺点，提出一种改进的基于MLS的点云模型特征提取的新算法，能够快速、简单、有效地提取研究对象的边界特征点和特征线，并应用于建立三维有限元模型，在很大程度上减少结构有限元分析时建模的工作量，从而加快建立所研究的结构有限元模型。

2 基于MLS的点云模型特征的提取算法

2.1 边界特征点的提取 假设预处理后的点云数据

2.2 自动生成特征线。由上述算法得到特征点集合P后，需要将这些特征点首尾连接，生成特征线集合L。本文结合最近点搜索方法和双向搜索方法来实现边界特征线的提取。

Step 1：在特征点集合P中，任取一点pi作为特征线的始点，记为pb，搜索离pb最近的点pi+1或者pi-1作为此特征线的终点pe，连接pbpe，记为l1，保存在特征线集合L 里。

将点集U按x，y，z三个方向最长轴的中值划分成8个新的点集。使用二叉树方法搜寻给定点pi的最近点集，用欧式距离公式计算各点集内的其中一点与pi（x，y，z）的距离，取其中距离值最小的点的集合作为最近点集。

由于距离公式涉及到开方运算，相对较慢，而比较距离的平方效果也一样。因此本文采用比较平方的形式，将两点间的距离公式定义为：

Step 2：以pb和pe作为新的起点，使用Step1的方法，从剩余的点集P中背向搜索相应的最近点pi+2与pi-1或pi+1与pi-2，作为下一终点连接起来，记为l2和l3，存入特征线集合L中，并对既为终点又为起始点的点加以标记。

Step 3：判断特征点集合P是否均为标记的点，若为空，则停止搜索，否则转到Step 1继续进行。

2.3 特征修复。在生成的特征线中不可避免地会产生一些缺陷，导致提取点云特征模型不完整，主要有两种情况[1]：一是单条特征边的缺口；另一种是两条或多条特征边在角部区域形成夹角的情况。所以生成特征线之后，需要为交汇的特征线建立合适的连接角点。结合以上两种情形，将改进后的特征修复方法介绍如下：

Step 1：从特征线集合L中任意选择一条特征线li，以其终点pe为中心，r为半径构造一个球邻域，查找r-邻域内的特征点或点集。若在此邻域内无其他的终点，则标记终点pe为缺口，并将半径r变为2r，继续搜索另一终点。

若有1个，则认为是单个特征边的缺口，将两终点连接起来，并将新生成的特征线存入L集合。若无，则接着扩大半径，迭代进行。为了能够覆盖特征线之间的空白区域，半径参数r应选择稍大一些。

Step 2：若r（2r）-邻域点N（p）是数目大于或等于2，则认为是两条或多条特征边缺口。设点pi，pj，pk∈N（p），先寻找某一特征终点pi的次尾部特征点pi-1，并和点pi建立直线li。同样为点pj，pk建立直线lj，lk。建立的三条直线反向延伸交于一点σ，记点σ为模型的角点。

3 实验结果和分析

本文通过在VC++6.0的环境下，使用OpenGL编程实现了点云特征的提取算法，获得了点云的特征模型。再通过导入AutoCAD 2007中获得CAD模型，接着再导入到ANSYS 12.0大型有限元软件中，经过一系列定义分析类型和材料参数，并对其施加网格划分等简单处理，最终将提取的点云特征模型应用于有限元模型的快速建立，为下一步进行结构有限元分析做好建模准备工作。

参考文献：

[1]邹冬，庞明勇.点云模型特征的提取算法[J].农业机械学报，2011，42（11）：222-227.

[2]陈义仁，王一宾，等.一种改进的散乱点云边界特征点提取算法[J].合肥：计算机工程与应用，2012，48（23）：177.

[3]马骊溟，徐毅，李泽湘.基于高斯曲率极值点的散乱点云数据特征点的提取[J].深圳：系统仿真学报，2008，20（8）：2341-2344.

[4]柯映林，范树迁.基于点云的边界特征提取直接提取技术[J].机械工程学报，2004，40（09）：116-120.

[5]贺美芳，周来水，朱延娟.基于局部基面参数化的点云数据边界自动提取[J].机械科学与技术，2004，23（8）：912-915.endprint

摘要：点云数据处理技术一直都是逆向工程所研究的重要领域之一，对准确而形象地再现真实物体有着重要的意义。其中三维点云模型的特征提取对展现物体模型的三维基本信息有着重要的作用。本文从工程结构有限元分析的角度，对三维点云数据的预处理技术及其特征提取的算法等逆向工程中的关键技术进行了研究，并提出了一种改进的特征提取算法，将其应用于工程有限元模型的快速建立，用来减少建模人员在有限元建模时的工作量。

关键词：MLS 点云模型 特征提取 线性相关性 有限元模型

1 概述

到目前为止，很多国内外学者对三维点云数据的特征提取进行了研究，但将提取的点云特征模型应用于建立工程有限元模型的研究未见报道[1][2][3]。邹冬、庞明勇等于2011年采用估算投影残差的方法来判别三维点云模型潜在的特征点，此算法能够准确地提取点云模型上的特征点和特征线，但特征识别时间代价太高[4]。故本文结合研究对象棱角分明的特点，以及文献[4]、[5]的优点与缺点，提出一种改进的基于MLS的点云模型特征提取的新算法，能够快速、简单、有效地提取研究对象的边界特征点和特征线，并应用于建立三维有限元模型，在很大程度上减少结构有限元分析时建模的工作量，从而加快建立所研究的结构有限元模型。

2 基于MLS的点云模型特征的提取算法

2.1 边界特征点的提取 假设预处理后的点云数据

2.2 自动生成特征线。由上述算法得到特征点集合P后，需要将这些特征点首尾连接，生成特征线集合L。本文结合最近点搜索方法和双向搜索方法来实现边界特征线的提取。

Step 1：在特征点集合P中，任取一点pi作为特征线的始点，记为pb，搜索离pb最近的点pi+1或者pi-1作为此特征线的终点pe，连接pbpe，记为l1，保存在特征线集合L 里。

将点集U按x，y，z三个方向最长轴的中值划分成8个新的点集。使用二叉树方法搜寻给定点pi的最近点集，用欧式距离公式计算各点集内的其中一点与pi（x，y，z）的距离，取其中距离值最小的点的集合作为最近点集。

由于距离公式涉及到开方运算，相对较慢，而比较距离的平方效果也一样。因此本文采用比较平方的形式，将两点间的距离公式定义为：

Step 2：以pb和pe作为新的起点，使用Step1的方法，从剩余的点集P中背向搜索相应的最近点pi+2与pi-1或pi+1与pi-2，作为下一终点连接起来，记为l2和l3，存入特征线集合L中，并对既为终点又为起始点的点加以标记。

Step 3：判断特征点集合P是否均为标记的点，若为空，则停止搜索，否则转到Step 1继续进行。

2.3 特征修复。在生成的特征线中不可避免地会产生一些缺陷，导致提取点云特征模型不完整，主要有两种情况[1]：一是单条特征边的缺口；另一种是两条或多条特征边在角部区域形成夹角的情况。所以生成特征线之后，需要为交汇的特征线建立合适的连接角点。结合以上两种情形，将改进后的特征修复方法介绍如下：

Step 1：从特征线集合L中任意选择一条特征线li，以其终点pe为中心，r为半径构造一个球邻域，查找r-邻域内的特征点或点集。若在此邻域内无其他的终点，则标记终点pe为缺口，并将半径r变为2r，继续搜索另一终点。

若有1个，则认为是单个特征边的缺口，将两终点连接起来，并将新生成的特征线存入L集合。若无，则接着扩大半径，迭代进行。为了能够覆盖特征线之间的空白区域，半径参数r应选择稍大一些。

Step 2：若r（2r）-邻域点N（p）是数目大于或等于2，则认为是两条或多条特征边缺口。设点pi，pj，pk∈N（p），先寻找某一特征终点pi的次尾部特征点pi-1，并和点pi建立直线li。同样为点pj，pk建立直线lj，lk。建立的三条直线反向延伸交于一点σ，记点σ为模型的角点。

3 实验结果和分析

本文通过在VC++6.0的环境下，使用OpenGL编程实现了点云特征的提取算法，获得了点云的特征模型。再通过导入AutoCAD 2007中获得CAD模型，接着再导入到ANSYS 12.0大型有限元软件中，经过一系列定义分析类型和材料参数，并对其施加网格划分等简单处理，最终将提取的点云特征模型应用于有限元模型的快速建立，为下一步进行结构有限元分析做好建模准备工作。

参考文献：

[1]邹冬，庞明勇.点云模型特征的提取算法[J].农业机械学报，2011，42（11）：222-227.

[2]陈义仁，王一宾，等.一种改进的散乱点云边界特征点提取算法[J].合肥：计算机工程与应用，2012，48（23）：177.

[3]马骊溟，徐毅，李泽湘.基于高斯曲率极值点的散乱点云数据特征点的提取[J].深圳：系统仿真学报，2008，20（8）：2341-2344.

[4]柯映林，范树迁.基于点云的边界特征提取直接提取技术[J].机械工程学报，2004，40（09）：116-120.

[5]贺美芳，周来水，朱延娟.基于局部基面参数化的点云数据边界自动提取[J].机械科学与技术，2004，23（8）：912-915.endprint

摘要：点云数据处理技术一直都是逆向工程所研究的重要领域之一，对准确而形象地再现真实物体有着重要的意义。其中三维点云模型的特征提取对展现物体模型的三维基本信息有着重要的作用。本文从工程结构有限元分析的角度，对三维点云数据的预处理技术及其特征提取的算法等逆向工程中的关键技术进行了研究，并提出了一种改进的特征提取算法，将其应用于工程有限元模型的快速建立，用来减少建模人员在有限元建模时的工作量。

关键词：MLS 点云模型 特征提取 线性相关性 有限元模型

1 概述

到目前为止，很多国内外学者对三维点云数据的特征提取进行了研究，但将提取的点云特征模型应用于建立工程有限元模型的研究未见报道[1][2][3]。邹冬、庞明勇等于2011年采用估算投影残差的方法来判别三维点云模型潜在的特征点，此算法能够准确地提取点云模型上的特征点和特征线，但特征识别时间代价太高[4]。故本文结合研究对象棱角分明的特点，以及文献[4]、[5]的优点与缺点，提出一种改进的基于MLS的点云模型特征提取的新算法，能够快速、简单、有效地提取研究对象的边界特征点和特征线，并应用于建立三维有限元模型，在很大程度上减少结构有限元分析时建模的工作量，从而加快建立所研究的结构有限元模型。

2 基于MLS的点云模型特征的提取算法

2.1 边界特征点的提取 假设预处理后的点云数据

2.2 自动生成特征线。由上述算法得到特征点集合P后，需要将这些特征点首尾连接，生成特征线集合L。本文结合最近点搜索方法和双向搜索方法来实现边界特征线的提取。

Step 1：在特征点集合P中，任取一点pi作为特征线的始点，记为pb，搜索离pb最近的点pi+1或者pi-1作为此特征线的终点pe，连接pbpe，记为l1，保存在特征线集合L 里。

将点集U按x，y，z三个方向最长轴的中值划分成8个新的点集。使用二叉树方法搜寻给定点pi的最近点集，用欧式距离公式计算各点集内的其中一点与pi（x，y，z）的距离，取其中距离值最小的点的集合作为最近点集。

由于距离公式涉及到开方运算，相对较慢，而比较距离的平方效果也一样。因此本文采用比较平方的形式，将两点间的距离公式定义为：

Step 2：以pb和pe作为新的起点，使用Step1的方法，从剩余的点集P中背向搜索相应的最近点pi+2与pi-1或pi+1与pi-2，作为下一终点连接起来，记为l2和l3，存入特征线集合L中，并对既为终点又为起始点的点加以标记。

Step 3：判断特征点集合P是否均为标记的点，若为空，则停止搜索，否则转到Step 1继续进行。

2.3 特征修复。在生成的特征线中不可避免地会产生一些缺陷，导致提取点云特征模型不完整，主要有两种情况[1]：一是单条特征边的缺口；另一种是两条或多条特征边在角部区域形成夹角的情况。所以生成特征线之后，需要为交汇的特征线建立合适的连接角点。结合以上两种情形，将改进后的特征修复方法介绍如下：

Step 1：从特征线集合L中任意选择一条特征线li，以其终点pe为中心，r为半径构造一个球邻域，查找r-邻域内的特征点或点集。若在此邻域内无其他的终点，则标记终点pe为缺口，并将半径r变为2r，继续搜索另一终点。

若有1个，则认为是单个特征边的缺口，将两终点连接起来，并将新生成的特征线存入L集合。若无，则接着扩大半径，迭代进行。为了能够覆盖特征线之间的空白区域，半径参数r应选择稍大一些。

Step 2：若r（2r）-邻域点N（p）是数目大于或等于2，则认为是两条或多条特征边缺口。设点pi，pj，pk∈N（p），先寻找某一特征终点pi的次尾部特征点pi-1，并和点pi建立直线li。同样为点pj，pk建立直线lj，lk。建立的三条直线反向延伸交于一点σ，记点σ为模型的角点。

3 实验结果和分析

本文通过在VC++6.0的环境下，使用OpenGL编程实现了点云特征的提取算法，获得了点云的特征模型。再通过导入AutoCAD 2007中获得CAD模型，接着再导入到ANSYS 12.0大型有限元软件中，经过一系列定义分析类型和材料参数，并对其施加网格划分等简单处理，最终将提取的点云特征模型应用于有限元模型的快速建立，为下一步进行结构有限元分析做好建模准备工作。

参考文献：

[1]邹冬，庞明勇.点云模型特征的提取算法[J].农业机械学报，2011，42（11）：222-227.

[2]陈义仁，王一宾，等.一种改进的散乱点云边界特征点提取算法[J].合肥：计算机工程与应用，2012，48（23）：177.

[3]马骊溟，徐毅，李泽湘.基于高斯曲率极值点的散乱点云数据特征点的提取[J].深圳：系统仿真学报，2008，20（8）：2341-2344.

[4]柯映林，范树迁.基于点云的边界特征提取直接提取技术[J].机械工程学报，2004，40（09）：116-120.

静态手势图像轮廓特征提取算法研究 第4篇

由于人手不是刚性物体, 通常的手部动作都会出现手指弯曲, 造成手指被遮挡的情况, 再加上环境中光照条件的影响, 在以往的手势轮廓特征提取的方法中常会出现手势图像漏检的情况[1]。针对这一关键问题, 本文采用主动轮廓与肤色统计融合的手势轮廓特征提取方法, 利用肤色统计的方法快速检测出手势轮廓作为主动轮廓搜索的初始轮廓曲线, 结合图像分块的方法尽量减少计算量。

1 手势轮廓特征提取算法

1.1 主动轮廓法提取手势轮廓特征

主动轮廓法的思路是建立一个连续光滑的闭合轮廓曲线, 把该曲线放置在手势图像轮廓边缘, 在内外约束力的作用下将此轮廓定位到手势图像曲线中较大梯度值的区域, 轮廓曲线的最终位置是有内外力构成的能量函数最小化的结果, 内力决定轮廓曲线的平滑度, 外力则约束轮廓曲线向手势图像特征方向移动[2], 手势图像轮廓曲线的能量函数可表示为:

其中, E*表示能量函数, Eint表示轮廓曲线的内部能量, Einage表示图像力产生的图像能, Econs表示由外部力产生的控制能。Eint可表示为:

其中, v' (s) 表示手势轮廓曲线的一阶导数, v″ (s) 表示手势轮廓曲线的二阶导数, Eint代表了一个能伸长且能弯曲的曲线轮廓内部变形能量, 其中α (s) , β (s) 代表能量函数的权值参数, 它们是控制曲线轮廓区域弹性和刚性分配比例的重要因素, 在通常情况下α (s) , β (s) 常被设置成常量[3]。Einage指手势图像力产生的图像能, 其在手势图像的非边界附近一般很大, 在手势图像的边界且很小, 利用图像能的这一特点, 使得手势图像曲线轮廓的能量函数在到达手势轮廓边界时达到最小, 从而实现对手势轮廓的定位。Econs表示因外力产生的控制能, 在一般情况下不予考虑。

1.2 基于肤色融合手势轮廓特征提取

主动轮廓法的手势特征轮廓提取算法虽然在通常情况下都能有效地提取手势图像特征, 然而其也有一定的局限性, 主动轮廓法要实现准确的手势特征轮廓提取, 要求初始轮廓曲线必须跟手势图像的轮廓边界非常接近时手势图像轮廓曲线的能量函数才会收敛, 而且在手势图像轮廓边界曲线是凹形时, 手势图像轮廓曲线的能量函数一般都不收敛[4]。针对这一问题, 本文提出了一种主动轮廓与肤色同届融合的手势轮廓特征提取算法。

主动轮廓与肤色统计融合的手势轮廓特征提取算法与主动轮廓法的主要区别就在于求梯度函数所用的方法上, 其主要思路是首先通过将手势图像进行二值化后再经计算转化成手势图像的边缘图G (x, y) , 然后求出G (x, y) 的梯度向量得到梯度向量场v (x, y) =[u (x, y) , v (x, y) ], 最后通过最小化如下能量函数得到手势图像轮廓能量场:

主动轮廓与肤色统计融合的手势轮廓特征提取算法的原理是:在临近手势图像边界时, 的值非常大, 当初始的手势轮廓曲线接近手势图像边界时, 要想最小化这个区域的ε, 那么就必须让, 从而在当手势轮廓曲线接近手势图像边缘时, , 公式 (3) 中的积分第二项趋近于零, 因此积分中只保留第一项, 最小化此项就得到了一个很小的变化场, 使得初始轮廓曲线逐渐向手势图像边界收敛, 由此就产生了一个收敛到手势图像边界的场, 使得无论初始轮廓曲线距离手势图像边界多远, 初始轮廓曲线都能收敛到手势轮廓的边界上。

2 实验结果与分析

本文的实验使用了市场上普通的摄像头在室内光照、复杂的背景下拍摄手势图像用于手势轮廓特征提取实验, 获得的手势轮廓特征对比结果如图1所示。由实验结果可以看出, 利用主动轮廓与肤色统计融合法提取的手势轮廓能更好地提取出真实手势的特征, 无论是在初始曲线距离手势轮廓边界的远近, 都能准确地提取出手势轮廓特征, 且对手势轮廓的凹形区域也有很高的提取准确率。

3 结论

本文提出了一种主动轮廓与肤色统计融合提取手势轮廓的算法。该算法在主动轮廓法的基础上首先通过将手势图像进行二值化后再经计算转化成手势图像的边缘图, 然后求出边缘图的梯度向量并得到梯度向量场, 最后通过最小化手势图像能量函数得到手势图像轮廓能量场, 利用手势图像能量场在离手势轮廓边界越近越小的特点, 使得原始轮廓曲线收敛于实际手势轮廓。结果证明在使用主动轮廓与肤色统计融合提取手势轮廓的算法提取手势特征轮廓时, 其应用局限性小, 很好地解决了原始曲线离手势轮廓边缘较远时有误差, 凹形区域不易识别等问题。

参考文献

[1]任海兵, 祝远新, 徐光佑, 等.基于视觉手势识别的研究综述[J].电子学报, 2000, 28 (2) :118-121.

[2]Zhao Shuying, Tan Wenjun, Wu Chengdong, et al.Research on Robotic Popular Science System Based on LEGO Bricks[C].Processdings-International Conference on Computer Science and Software Engineering (CSSE 2008) .2008-12, 733-36. (EI:20091912070800) .

[3]雷海龙, 杨胜, 刘红新.融合图像轮廓矩和傅里叶描述子的手势识别[J].微电子与计算机, 2011 (4) :103-105.

图像特征提取算法研究 第5篇

【关键词】脑出血；CT图像；图像分割；图像计分计算

【中图分类号】R-1 【文献标识码】B 【文章编号】1671-8801（2016）01-0163-02

脑出血发病凶险，进展快，如果得不到及时有效治疗，可严重影响患者生存质量，并可致残，危及生命【1】。为探究脑出血患者的CT图像分割与算法，以为患者救治提供有效参考，选取从2010年3月到2015年3月于我院救治的330例脑出血患者作为研究对象，患者均行颅脑扫描，进行图像分割，测量学重量，并进行计分计算，最后和临床疗效进行比对，明确CT图像分割与计分计算的临床价值。

1资料与方法

1.1一般资料

选取从2010年3月到2015年3月于我院救治的330例脑出血患者作为研究对象，男性213例，女性117例，年龄48-89岁，平均（64.6±2.2）岁。首次CT均行于脑出血发病后的8h内，并均证实存在脑出血症状。其中221例进行保守治疗，110例采用颅骨钻孔引流进行治疗，具体见下表。

1.2方法

1.2.1CT检查

采用西门子双排CT机进行CT扫描，所有患者均从颅底到颅顶进行10mm厚的连续扫描，血肿量用容积测量法，即工作台调出CT图像，选取TOO12，选择Volume cale，设置值域值，上限设为85Hu，下限45Hu，以手动圈住扫描层中的各个血肿，点Calculation即可测的血肿体积。

1.2.2CT图像分割

对患者CT图像进行两步分割，即粗分割与细分割，得出患者的颅内出血病灶。利用现行空间滤波、左右逐层扫描以及数学形态学等多种技术手段提取患者的颅内结构，源图像M（见图1）大小设置为512×512，先结合颅骨组织灰度高、宽度大等特征，再以线性空间滤波对源图像，进行处理，得出M1，即颅骨轮廓图像【2】。再行水平方向扫描提取出患者的颅内区域，从而得出患者颅内区域中的二值掩膜矩阵MB，之后以形态学理论对二值掩膜图像中的孔洞进行填充。最后结合二值掩膜矩阵、灰度图像，借助数学形态学得到患者的颅骨内区域图像MF（见图2）。

1.2.3图像提取算法

首先以线性空间滤波提取CT图M中颅骨的大致轮廓M1，之后对掩膜矩阵进行初始化，MB=ones（width，height）得到图像，再以图像M1分别以左右方向对M进行水平扫描，具体算法如下图所示。

1.2.4 计分计算算法

1.2.4.1三脑室变化：正常0分，缩小1分，小时2分。

1.2.4.2中线移位：正常0分，移位<0.5cm为3分，移位超过1.5cm计为1分，移位0.6-1cm为2分，1.1-1.5cm为3分，超过1.5cm为4分。

1.2.4.3侧脑室变化：正常0分，单侧变形到大部分消失为0分，双侧变形到大部分消失为2分，两侧脑室基本消失为3分。

1.2.4.4四叠体池、环池以及脚间池：正常均计为0分，模糊或变小计为1分，完全消失计为2分。

1.3统计学分析

本次实验数据采用SPSS20.0软件进行统计学分析，其中计量资料对比采用t检验，计数资料对比采用X2检验，以p<0.05为差异有统计学意义。

2结果

根据CT图像计分计算情况可分成轻型脑出血（≤5分），共71例（21.52%）；中型脑出血（6-10分），共190例（57.58%）；重型脑出血（≥11分），共69例（20.90%）。不同计分结果的脑出血患者的疗效存在显著差异（p<0.05），具体见下表。

计分计算结果的高低和血肿量呈正相关，血肿量越大，计分计算的结果越高，具体见表3。

3讨论

脑出血为常见脑血管疾病，亦称作出血性脑卒中【3】，发病凶险，如果得不到及时有效治疗，可严重影响患者生存质量，并可致残，危及生命。由本次研究可以看出，根据患者CT图像分割与脑出血患者的计分计算结果，可将脑出血病情分成轻型、中型、重型，不同程度的脑出血患者在疗效上存在统计学差异（P<0.05），且CT计分计算结果和血重量成正比例关系。由此可见，通过CT图像分割与计分计算能够有效反映出脑出血患者颅内压的升高情况，为救治方案的制定提供重要的临床参考作用。

参考文献：

[1]孙涛，李传富，刘伟，冯焕清. 基于特征向量的颅脑CT图像分割方法 [J]. 数据采集与处理，2010，05：605-610.

[2]毛慧华，王枫红，陈炽坤，赖泽鑫. 几种常用CT图像分割算法分析和探讨 [J]. 计算机与数字工程，2012，01：101-103+108.

图像特征点提取与描述算法研究 第6篇

双目图像立体匹配是双目视觉系统研究中的难点和热点,其核心是通过某种特定的匹配准则,在双目图像上找到同名特征间的对应关系,实质就是运用匹配算法,在待匹配特征中寻找最佳配准特征的过程。 若以左图获得的目标特征为源特征对象, 在右图中寻找最佳匹配特征的搜索过程,就是各种立体匹配算法的研究内容。

无论哪种立体匹配算法, 要想取得较好的匹配效果,都需要考虑解决三个问题:(1)如何定义特征,即选择哪种特征作研究对象;(2) 如何得到正确的对应匹配特征,防止误配和失配;(3)匹配的速度问题,特征匹配尤其是特征点的匹配搜索量很大,从而带来很大的计算工作量。

综合来讲,直接影响立体匹配算法的性能的关键技术包括四个方面:特征提取、特征描述、特征匹配、消除误匹配。 这四个关键技术以某些特定的规则结合到一起就可以形成一个新的计算方法。

目前应用较为广泛的是基于特征点的检测与描述算法,主要包括Harris、SIFT、SURF、FAST、ORB等。为此,本文在介绍上述常见算法的基础之上,提出了一种鲁棒性较高的O-SURF算法,并通过11组包含旋转、明暗、噪声等不同状态的测试图像,将Harris、SIFT、SURF、ORB特征检测子与SIFT、SURF、ORB特征描述子分别进行线性组合,从而对各种组合算法的优劣进行比较。

2 图像特征点提取与描述算法

2.1 Harris角点提取算法

Harris算法是Harris和Stephens等人在Moravecs算子的基础上进行改进,于1988年提出的一种特征点提取算子,它通过微分运算和自相关矩阵运算来检测角点。角点要求在水平以及竖直方向上均有较大变化的点。

其原理是取以目标像素点为中心的一个小窗口(一般为矩形区域)向任意方向以微小位移移动,用解析式表达其灰度变化量。

Harris算子用式(2.1) 的高斯函数代替二值窗口函数,给离中心点近的像素赋于更大的权重,从而减少噪声影响。

设以像素点(x,y)为中心的小窗口在x方向上移动u, 在y方向上移动v,Harris给出的灰度变化量的解析表达式为:

写成矩阵形式:

Harris采用如下的角点判定方法:矩阵M的两个特征向量Il和I2与矩阵M的主曲率成正比。Harris利用Il和I2来表征变化最快和最慢的两个方向。若二者都很大就是角点,一大一小就是边缘,两个都小则是处在变化缓慢的图像区域。根据两个特征值的和与矩阵M的迹相等,两个特征值的积与矩阵M的行列式相等,因此用(2.5)式来判断角点质量,根据该点的角点值是否为邻域最大,并且超过给定阈值来判断它是否是特征点,如果满足则可以认为该点即为所求的角点(k一般取0.04~0.06)。

Harris算子是一种有效的点特征提取算子,提取的特征点均匀合理,对图像旋转、灰度变化、噪声等不敏感,是一种比较稳定的特征提取算子。但它对尺度很敏感,不具有尺度不变性。

2.2 SIFT和SURF特征点匹配算法

SIFT算法是Lowe与1999 年提出的一种局部特征提取的算法,并在2004 年加以完善和总结,成为目前一种具有很好稳定性和鲁棒性的特征提取算法。 该算法有几个优点:(1) 在适当的参数设置下提取到的特征点的数目可观;(2)通过SIFT算法提取到的图像特征具有相当高的独特性,使其能在海量的数据库中进行准确的匹配;(3)SIFT特征具有旋转、尺度、平移及亮度不变性,甚至对视点的变化也具有一定的不变性。

SURF特征是Herbert?Bay等人于2006年提出来的,其全称为加速鲁棒特征(Speeded Up Robust Features),实质上是改进版的SIFT特征,主要特点是快速性,同时也具有尺度不变的特性,对光照变化、仿射、透视变化也具有较强的鲁棒性。

2.3 ORB特征点匹配算法

随着对特征点匹配速度的要求越来越高,Ethan Rublee等人于2011年在论文“ORB:an efficient altemative to SIFT or SURF”中提出了ORB算法,文献[4]指出,ORB特征点匹配速度比SIFT要快两个数量级,比SURF快一个数量级。

2.3.1 ORB特征点提取

ORB算法是通过FAST角点检测来提取特征点的。 首先建立图像金字塔,然后在金字塔的每一层检测FAST关键点, 再计算关键点的Harris响应值, 根据响应值的大小筛选出N个关键点, 作为最终检测到的特征点。

FAST算法中的角点被定义为,在像素点周围邻域内,有足够多的像素点与该点处于不同的区域。在灰度图像中,即为该点周围有足够多的像素点灰度值与该点差别足够大。以候选特征点D为例,比较D的灰度值与以D点为中心的圆周上所有点灰度值间的大小,如果圆周上与D点灰度值相差足够大的点的个数超过一定数量,则认为候选点D为特征点。FAST角点检测因为仅仅比较灰度值大小,具有计算简单、计算速度快的优点,但缺点在于其检测出的特征点并不具备尺度不变性,也不具备旋转不变性。

2.3.2 ORB特征描述子

ORB描述子建立在BRIEF特征描述子的基础之上,相比于BRIEF特征描述子具备了旋转不变性,是一种二进制码形式的描述子,用相对少量的灰度对比来表达图像特征点的领域,计算简单、快速。 定义S×S大小的图像领域P的测试准则为:

式(2.6)中p(x)是图像领域P在x=(u,v)T处的灰度值。 选择n个(x,y)测试点对时,唯一定义了二进制准则,通过这种方式生成的描述子即为n维二进制码串:

式(2.7)中,n可为128,256 或这512 等大小,具体选择需要考虑计算量、识别率以及存储空间。

上述描述子本身并没有方向, 还不具备旋转不变性。 ORB的解决方法是为每一个特征点分配方向。 以特征点为中心,同时该特征点作为坐标原点,在领域S内计算质心的位置,然后构造以特征点作为起点、质心作为终点的向量,该向量的方向即为特征点方向,计算过程如下:

用式(2.8)定义区域S的矩

式(2.8)中,f(x,y)表示图像的灰度值,则该区域质心位置为

那么,特征点的方向为:

3 特征点检测算法与描述算法实验分析

将Harris、FAST、SIFT、SURF、ORB特征检测子与SIFT、SURF、ORB特征描述子分别进行线性组合,对检测子和描述子进行配合测试,对11组测试图片进行特征点匹配,从而对各种算法的优劣进行对比。11组测试图片均为1800×1400像素大小,分别包括几种情况:(1)强烈亮度变化;(2)旋转;(3)仿射变换+尺度变化+旋转;(4)仿射变换+亮度变化+旋转;(5)仿射变换+噪音;(6)模糊+亮度变化;(7)旋转+噪音;(8)旋转+尺度变化;(9)亮度变化+旋转+模糊+噪音;(10)亮度变化+旋转+尺度变化;(11)亮度变化+旋转+尺度变化+强烈噪音。

30 组组合算法分别为Harris、FAST、SIFT、SURF、ORB特征检测子与SIFT、SURF、ORB特征描述子的线性组合。 例如算法组合5 即代表FAST检测子与SURF描述子的组合算法。

以ORB-SURF为例, 采用ORB算法提取特征点,SURF算法作为特征点的描述算法, 实验图像为第一组“强烈亮度变化”的测试图片测试结果为:匹配特征点对241,正确匹配226,运行时间63.87 秒。

图3 和图4 分别为30 组组合算法对11 组测试图像进行特征提取匹配后的正确匹配点对与运行时间。

图5 和图6 分别为30 组组合算法对11 组测试图像进行特征提取匹配后的平均匹配点对与平均运行时间。

从测试结果可以看出,O-SURF算法,即ORB检测子与SURF描述子配合的效果是最好的,对于大部分情况有较强的鲁棒性,仍能正确匹配出大量特征点,虽然匹配速度不及FAST这些以快速性著称的算法,不过相比于经典的SIFT和SURF有所提高。SIFT和SURF虽然具有很好的匹配效果,不过速度也相对较慢。FAST算法匹配迅速,在不考虑旋转和仿射变换的情况下有较好的匹配效果。Harris提取较为突出的角点特征,不过数量有限,且不支持尺度变化的情况。在噪音方面,SIFT和ORB明显强于其它算法。在亮度变化和仿射变换上,ORB的鲁棒性是最好的。因此,希望获得更多、更为精确的匹配点对,SIFT算法优于SURF算法,SURF算法又优于ORB算法,不过在计算速度上这个顺序刚好相反。对不不同应用场景,可以根据需要选择不同的算法或配合使用。

4 结束语

本文针对图像特征点匹配的多种算法,分析比较各自的优缺点以及适用场景,并将算法的特征提取与特征描述部分拆分开进行组合实验, 从而找出效果较好的O-SURF算法, 即ORB特征检测子与SURF特征描述子,针对大部分的明暗、旋转、仿射、噪声等变换情况具有较强的鲁棒性。 不过由于受速度限制,并不适用于在线的实时检测的系统,对于离线的图像拼接等处理具有较好的效果。

摘要：双目图像立体匹配是双目视觉系统研究中的重点,根据现有的图像特征点匹配算法,提取出特征检测和特征描述两部分,并将各种算法的特征检测部分与特征描述部分配合使用,利用Matlab测试了它们在不同旋转、尺度、光线变化等情况下的匹配性能,同时给出了实验结果及分析。

关键词：图像特征匹配,SURF,ORB

参考文献

[1]Harris C,Stephens M.A combined corner and edge detector[C].Proc of the 4th Alvey Vision Conference.Cambridge:MIT Press,1988:207-217.

[2]Lowe D G.Distinctive image features from scale-invariant keypoints[J].International Journal of Computer Vision,2004,60(2):91-110.

[3]H.Bay,et al.Van Gool.Surf:Speeded up robust features[C].European Conference on Computer Vision,2006,3951:404-417

[4]Rublee E,Rabaud V,Konolige K,以IIf.0RB:an efficient alternative to SIFT or SURF.Proceedings of the IEEE International Conference on Computer Vision,Barcelona,Spain,2011:2564-2571.

图像特征提取算法研究 第7篇

1)具有局部化的特点(图像的部分剪切不会影响剩余的特征点);

2)对几何变换具有不变特性(旋转、平移、伸缩等等);

3)对噪声具有不变特性(有损压缩、加性或乘性噪声等等)。

Harris算子是C.Harris和M.Stephen在1988年提出的一种基于静止图像的点特征提取算子。这种算子受信号处理中自相关函数启发,给出与自相关函数相联系的矩阵M。M矩阵的特征值是自相关函数的一阶曲率,对图像中的任意一点,如果它的水平曲率和垂直曲率都高于局部邻域中其它点,则认为该点是特征点。

Harris算子是一种有效的点特征提取算子,其优点总结起来有:计算简单、提取的点特征均匀而且合理、可以定量的提取特征点、稳定等。

但普通的Harris算子对受到攻击的图像进行特征点提取时存在一些问题,本文即对这些问题逐一进行分析和解决,最终实现攻击图像的Harris特征点的稳定提取。

1 几何攻击后彩色图像Harris特征点提取算法的实现

对于任意彩色图像,先进行图像亮度的计算,即计算YCb Cr彩色空间的Y值,如式(1)所示,再用Y进行Harris角点检测。

检测步骤为:

1)提取区域限制

由于图像经过旋转、剪切等几何攻击后会出现背景区域,而特征点提取时会把背景与图像边界上的点也当作特征点,故应该对提取区域进行限制。

我们使用行标记法进行提取区域限制,即标出图像非背景区域每行的开始点和结束点。

2)计算

根据:计算出三个矩阵。

3)高斯平滑

用高斯滤波器对进行平滑处理。我们选择高斯模板大小为55,方差σ=0.8。

4)计算角点响应矩阵E

根据E=det(M)-k(tr(M))2和计算E矩阵,取常数k=0.04。

5)非极大值抑制

①抑制邻域的确定

为了获得间距合理且较均匀的特征点分布,我们选择的邻域是以某像素点为中心的正方形,该正方形宽度为W,W由图像非背景像素点数n和常量ε所确定,即

根据实验结果,我们选择ε=71;

②背景及边界处理

对于步骤(1)中标记的图像背景区域,将E值置为0;同时对于距离边界小于(W-1)/2的点,也认为是边界点,将E值置为0。

③其它点E值处理

对于非背景和非边界点,如果其E值是以其为中心的WW区域的最大值,保留该点E值;否则将E值置为0。

6)门限处理

依照对E进行门限处理。门限ρ的取值也是影响特征点分布的重要参数。若ρ过大,提取的特征点将过少;若ρ过小,提取的特征点将过多。

根据实验结果选择ρ=1.6107。

2 结果分析

利用本文的Harris特征点提取算法,能提取出受到攻击的彩色图像的Harris特征点,并与未受攻击的图像Harris特征点保持基本一致,如图1所示。

实验证明本文的特征点提取算法能有效地抵抗几何攻击对图像特征点的干扰,在几何攻击具有较好的鲁棒性,同时对JPEG压缩、中值滤波、噪声等其他攻击也有一定的鲁棒性。该算法可广泛应用于二代图像水印技术,利用该特征点进行水印信息的嵌入。

摘要：针对二代数字水印技术利用数据特征嵌入水印信息的基本原理,基于Harris算子,设计了一种图像Harris特征点检测算法。该算法能使图像特征点合理分布,便于嵌入水印信息。实验表明该算法具有很好的鲁棒性、实用性和可操作性,可应用于二代图像水印技术。

关键词：图像处理,特征点,Harris算子

参考文献

[1]谢东海,詹总谦,江万寿.改进Harris算子用于点特征的精确定位[J].测绘信息与工程,2003,28(2):22-23.

[2]许海霞,王耀南,周维,等.基于图像角点的数字水印算法[J].计算机工程与应用,2008,44(20):89-92.

[3]王俊波,何迪.一种基于图像特征的鲁棒性数字水印算法[J].信息技术,2008,1:55-58.

图像特征提取算法研究 第8篇

机器视觉在机械行业中越来越广泛应用于产品识别、检测、装配等领域[1]。零件识别是现代化生产线上基于机器视觉的工业机器人实现自动化视觉检测的关键技术, 零件识别技术中必不可少的部分是特征取。特征提取常用的提取算子有Moravec算子[2]、Harris算子[3]、SUSAN算子[4]和SIFT算子[5]。

SIFT (尺度不变特征转换) 算法是目前用于图像识别中较为成功的特征提取算法, 因具有很好的尺度、旋转、视角和光照不变性被广泛应用, 如三维重建[6,7]、影像配准[8,9]、图像拼接[10,11]、目标识别[12]。

由于传送带上零件因摆放存在的遮挡、旋转等问题的存在, 文章选用SIFT算法对零件图像进行特征提取。但是该算法提取的是图像的局部区域特征点, 而组成机械零件的主要几何元素是直线或是圆边缘, 所以为了充分利用边缘角点特征, 在SIFT算法的基础上引入SUSAN角点检测算子[13]。因为SUSAN算子是用于检测图像角点特征较好的算法, 基于最小核差值的底层处理方法, 直接处理的是图像的灰度值, 速度快, 定位精度高, 有很好的抗噪性能。

所以将SIFT算法与SUSAN算法结合使用于零件图像的特征提取, 能有效检测出图像的角点, 更大限度的利用了图像边缘点信息。为了增强零件的图像边缘响应, 文章针对机械零件的几何特点, 首先选用均值滤波和拉普拉斯锐化预处理方法。

1 图像预处理

由于生产线环境、输入设备和光照条件不稳定的影响, 直接采集到的图像会受到噪声、光照的影响, 使得图像不清晰, 不利于提取特征点。为了降低噪声, 改善图像质量, 提高图像的边缘信息, 就要对图像进行预处理, 为提取图像特征提供更多的信息量。考虑到零件几何特征中的线边缘特征多的特点并通过实验得出, 对零件图像进行均值滤波和拉普拉斯锐化处理, 能使图像特征的提取效果更好。

1.1 均值滤波

滤波原理是利用窗口中像素的平均值来代替窗口中心的像素值。一幅MN的图像f (x, y) 经过大小为mn (m和n是奇数) 的加权均值滤波器w (s, t) 滤波的过程可由下式给出:

常用的滤波器模板有平均模板和高斯模板。为了使零件图像平滑更柔和, 边缘保留效果更好, 选用如图1所示的高斯模板进行滤波处理。

1.2 拉普拉斯锐化

图像锐化的目的是使经滤波后模糊化的图像边缘、轮廓线以及图像的细节变的清晰。因拉普拉斯滤波响应与滤波器作用的图像的突变方向无关, 各向同性, 具有旋转不变性, 是适合零件图像锐化的滤波算法。一个二维图像函数f (x, y) 的拉普拉斯算子定义为:

在x和y方向上的二阶微分分别是:

所以, 遵循以上三式, 两个变量的离散拉普拉斯算子是:

通过实验, 文章采用的模板如图2所示。

2 简化SIFT-SUSAN算法提取特征

2.1 SUSAN算法检测原理

SUSAN算法用预定义的掩板对图像的每个象素点进行局部运算操作。算法检测原理如图3所示。a、b、c、d是掩板在图像中位置, 中心点是掩板核, 外轮廓是掩板边缘。掩板内所有与核值相同或是相似的像素构成的区域称作相似核值区 (USAN) 。从图中可以看出角点就是USAN的面积占模板总面积1/4的像素点, 即b点。因此SUSAN检测原则就是判断USAN域中灰度相似的像素占整个掩板面积的比例。

模板在图上移动检测时, 分别用式 (6) 寻找USAN区域, 用式 (7) 计算该区域的面积。

式中:r0、r是模板核及其他点的位置;I (r0) 是模板核的灰度值;I (r) 是模板内其他像素的灰度值;t是灰度阈值;c (r, 0r) 是灰度比较的结果;S (r0) 是USAN的面积。

2.2 SUSAN-SIFT算法提取特征点

文章将算法用于零件识别的优点:1) 在作识别前, 针对零件图片特点选用均值滤波和拉普拉斯锐化预处理图片, 使零件纹理清晰, 边缘特征加强;2) 在SIFT算法中增加SUSAN检测算子, 增加边缘角点特征的检测;3) 文章在生成SIFT描述子时, 采用88的采样窗口, 只计算每个关键点32维特征向量即可, 缩短了提取时间。SUSAN-SIFT算法主要包括5个步骤:

1) 构建尺度空间。设I (x, y) 是零件输入图像, 则图像的尺度空间函数l (x, y, σ) , 等于尺度可变高斯函数G (x, y, σ) [14]和I (x, y) 的卷积:

为了有效的在尺度空间检测到稳定的关键点, 利用不同尺度的高斯差分核与图像卷积计算高斯差分尺度空间:

实际计算过程中, 用下式计算高斯差分核, ▽2是高斯因子:

2) 检测DOG尺度空间极值点。在图像域和尺度域中比较样点及同尺度和上下相邻尺度中共27个点的极值点, 作为图像在该尺度下局部区域的候选点。

3) SUSAN角点检测。用圆形模板扫描图像中每个位置, 用式6比较模板内各像素与核值的灰度, 用式7计算SUSAN的面积, tp用掩板内图像像素的平均值代替。本文采用的模板如图5所示圆形掩板, 能覆盖37个象素点, 半径是3.4个象素。

4) 为特征点选取主方向。用式 (12) 计算检测出的每个特征点的梯度模值和方向, 式中L所用的尺度为每个关键点各自所在的尺度。

以关键点为中心, 半径为1.5的邻域窗口内采样, 用直方图统计邻域像素的梯度方向, 选取直方图的主峰值作为关键点的主方向, 80%主峰值的局部峰值作为该点的辅助方向。

5) 生成SIFT特征向量。以关键点为中心旋转θ角度调整至0o, θ为该关键点的方向。再以关键点位中心取88的采样窗口, 利用式 (12) 计算窗口内每个点的模值m (i, j) 和方向θ ( (ii, j, ) j, ) 窗口内每个小格代表关键点邻域所在尺度空间的一个像素, 箭头长度代表梯度模值, 窗口内箭头方向代表该像素的梯度方向, 高斯窗口对其进行加权运算。利用直方图统计88小块上8个方向的梯度方向直方图, 绘制每个方向的累加值, 形成4个种子点。这样对每个关键点就形成228=32维的描述子, 降低了特征点维数的计算, 缩短了时间。并将向量归一化处理, 进一步去除了光照的影响, 增加了匹配的稳健性。

该算法的具体实现流程如图6所示。首先采用均值滤波和拉普拉斯锐化预处理图片, 利用简化SIFT算法提取特征点, 在提取过程中加入SUSAN算子, 完成零件图像的特征点匹配。运用MATLAB对该算法进行编程。

3 实验及结果分析

本文选择了几何特征典型的三类样本零件:六角螺母、垫片和轴承盖。分别采集三种零件图像各两张, 其中六角螺母两张图片的左右角度差15o, 大小比例为一倍, 垫片两张图片的上下角度差15o, 大小比例为1.5倍。在Matlab软件中分别采用SIFT算法和本算法完成三种零件不同形态的图像匹配。对比结果如表1所示, 垫片与螺母的对比实验如图7、图8所示, 图中绿色圆的圆心代表检测的特征点, 圆的数量代表特征点数的数量, 同一零件形态不同的图像中匹配成功的特征点用蓝色线对应连接。

4 结论

零件图片几何特征相对规则, 针对这一特点, 文章首先对采集的图像进行均值滤波和拉普拉斯锐化预处理, 增强图像边缘特征, 再利用简化SIFT算法提取特征点, 并在提取过程中加入SUSAN算子, 增加角点特征的提取。

图像特征提取算法研究 第9篇

点特征是图像的一种重要的局部特征。经典的特征点提取算法主要有Harris角点检测算法、SUSAN算法和Do G算法等三种。

2 特征点提取算法的评价

Deriche等人[1]对特征点提取算法做了较为全面的总结Schmid等人[2]提出以特征点的重复度 (Repeatability) 作为评价特征点提取算法性能优劣的一种通用指标。王永明等[3]通过对众多特征检测算法做了总结发现, 一种好的特征应该具备以下性质: (1) 重复度; (2) 准确性; (3) 独特性; (4) 数量性图像的内容; (5) 高效性。

3 三种经典的特征点提取算法

3.1 Harris角点检测算法

角点提取算法分为两类:基于边缘的方法和基于灰度变化的方法。经典的基于边缘算法有:Kitchen-Rosenfeld算法[4]、CSS算法[5]、Wang-Brady算法[6]、Freeman链码[7]等。

Moravec[8]基于图像灰度自相关函数的角点检测方法, Harris角点检测算法[9]是对Moravec算法的改进。

3.2 SUSAN算法

SUSAN算法是Smith等[10]提出的又一种经典的角点检测算法。该方法的优点是:简单、有效、抗噪声能力强、计算速度快。

3.3 Do G算法

Lowe[12]提出一种尺度不变特征检测的方法。这种算法采用高斯差分Do G尺度空间的极值点作为特征点, 提高了特征点的提取速度。

3.4 三种特征点提取算法性能比较

Harris算法角点定位准确且具有很好的旋转不变性, 性能稳定, 而且能够适应图像的微小尺度变化。SUSAN算法角点定位准确;Do G算法对于图像中存在灰度变化总体性能最佳。

参考文献

[1]Deriche R, Giraudon G.A Computational Approach for Corner and Vertex Detection.International Journal of Computer Vision, 1993, 10 (2) :101-124.

[2]Schmid C, Mohr R and Baucklage C.Comparing and Evaluating Interest Points[J].International Journal of Computer Vision, 2000, 37 (2) :151-172.

[3]王永明, 王贵锦.图像局部不变性特征与描述[M].北京:国防工业出版社, 2010.

[4]Kitchen L, Rosenfeld A.Gray Level Corner Detection[J].Pattern Recognition Letters, 1982, 3 (1) :95-102.

[5]Mokhtarian F, Suomela R.Robust Image Corner Detection Through Curvature Scale Space[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 1988, 20 (12) :1376-1381.

[6]Wang H, Brady M.Real-time corner detection algorithm for motion estimation[J].Image and Vision Computing, 1995, 13 (9) :695-703.

[7]Freeman H.A Corner-Finding Algorithm for Chain-Coded Curves.Transactions on Computers[J].IEEE, Mar 1977, 26 (3) :297-303.

[8]赵向阳, 杜立民.一种全自动稳健的图像自动拼接融合算法[J].中国图象图形学报, 2004, 9 (4) :417-422.

[9]Harris C, Stephens M.A combined corner and edge detector[C].Proceedings of the 4th Alvey Vision Conference, 1988, 15:147-151.

[10]Smith S, Brady J.SUSAN-a new approach to low level image processing[J].International Journal of Computer Vision, 1997, 23 (1) :45-78.

[11]Mikolajczyk K, Schmid C.Scale&affine invariant interest point detectors[J].International Journal of Computer Vision, 2004, 60 (1) :63-86.

图像特征提取算法研究 第10篇

关键词：感兴趣区域,提取,膨胀,图像特征

0引言

随着计算机数字图像处理技术的深入发展, 人们发现:图像的主要信息只集中在几个少数的关键区域中, 含有大量的冗余, 如能找出这些关键区域将会大大提高图像处理和分析的效率;图像的背景在不同的区域必然存在差异, 对不同的区域作独立的处理将大大提高背景参数提取时的精确度, 因此以这些感兴趣区域作为图像预处理的结果, 在此基础上进行更精细的图像处理将极大地提高整个系统的准确度。感兴趣区域 (ROI) 检测技术正是基于这种目的而发展起来的。

1ROI检测算法

近年来, 国内外研究者提出了许多ROI检测算法[1,2,3,4], 根据感兴趣区域的提取方法不同, 现有的感兴趣区域检测算法可分为三大类: (1) 基于交互的ROI 检测算法; (2) 基于变换的ROI检测算法; (3) 基于视觉特征的ROI检测算法。其中基于视觉特征的ROI检测算法是目前最为流行、应用最为广泛的算法。这种算法无论在自动化程度上还是在精确度上较前两种算法都具有明显的优势, 其中较具有代表性的有Itti等人提出的显著图 (Saliency Map) 模型[1]:首先, 融合图像的低层视觉特征 (如对比度、颜色、形状、尺寸、位置等) 形成一个显著图;然后, 使用动态神经网络按照显著度递减的顺序依次发现图像中的注意点;最后, 对提取的注意点进行聚类或采用区域生长的方法生成感兴趣区域。然而, 对于像细胞显微之类的图像而言, 每张图片中都存在成百上千需要检测的细胞, 假如采用这种算法的话, 则图中几乎每一个细胞都将至少对应一个注意点, 这样造成注意点的数量非常庞大, 再采用复杂的动态神经网络计算以及聚类运算将耗费相对比较大量的时间。同时, 在形成显著图阶段, 需要对图的每个点都做多个参数 (对比度、颜色、形状、尺寸、位置等) 的提取和计算, 这无疑又使系统的时间负担雪上加霜。而且, 实现起来的难度比较大。

因此, 深入研究这类图像的特点, 本文提出一种基于细胞显微图像特征的ROI自动提取算法, 该算法相比于以往的ROI检测算法有速度快、精度高、实现方法简单、全自动等优点, 对于检测目标数量很大的图像而言有很高的实用价值。

2算法的理论及实现

2.1图像的形状特征

图像的形状特征可以用图像的边缘来描述, 而且通过对图像做33结构元素的膨胀[5], 可以方便地得到二值图的边缘点。因此, 在计算图像的形状特征时就可以只考虑图像边缘的形状特征, 从而使需要计算的点的数量大大减少, 降低了计算量。

这里用边缘点分布的离散程度来表示边缘的形状特征:

$S=\{\begin{array}{l}\frac{\min (\delta {}_{x,}\delta {}_y)}{\max (\delta {}_{x,}\delta {}_y)}\delta {}_x\ne 0,\delta {}_y\ne 0.\\ 0\text{否}\text{则}\end{array}$

(1)

其中:$\delta {}_x=\sqrt{\frac{{\displaystyle \sum _{k=1}^n(}x{}_k-\overline{x}){}^2}{n}}$, $\delta {}_y=\sqrt{\frac{{\displaystyle \sum _{k=1}^n(}y{}_k-\overline{y}){}^2}{n}}$是边缘点横纵坐标的标准方差。

每次对图像做完膨胀之后, 边缘的形状特征S就会发生改变, 把这种改变设为:

Di=|Si-Si-1| (2)

并把它称作图像的相似度。

2.2图像边缘的消亡速度和相似度

图1是以细胞显微图像为实验载体所做的图像边缘随着图像的膨胀而逐步改变的实验示意图。图中被黑色像素点包围的是图像区域, 而黑色像素点正是图像的边缘点。

可以看出, 在图像的膨胀过程中, 图像的边缘有的会向外扩展, 有的则向内缩小, 也有的会相交重叠起来, 当然重叠之后边缘也就不成其为边缘了, 我们称这些边缘消亡了。随着图像的膨胀, 边缘也在逐步消亡, 这种消亡的速度时快时慢, 刚开始是比较慢的, 随后逐渐加快, 到了一定程度之后出现一个拐点, 速度会突然降下来。这是由于:每张细胞显微图像都会有许多细胞相对聚集的区域, 而且同一区域内, 细胞之间的间隔总是相差不大的;随着图像的膨胀, 细胞之间的间隔也在缩小, 缩小到一定程度之后细胞开始重叠, 边缘消亡也就发生了, 随着图像的继续膨胀, 近距离内的细胞逐渐粘连在一起, 当形成一个大的连通区域后, 图像出现短暂的稳定期, 细胞的重叠一下子不再发生或很少发生, 表现在边缘的消亡上就是消亡的速度突然变慢了。可以认为, 此时图像的边缘 (除了少数一些极小的边缘碎片) 达到了表示某一感兴趣区域的条件, 提取出这些边缘, 我们的目的也就达到了。因此, 可以将边缘消亡的速度是否突然变慢作为一个判别的条件, 来自动控制提取ROI的时机。

通过研究和大量的实验发现:当边缘的扩展、内缩和消亡同时存在时, 往往因消亡而引起的Si变化比扩大和内缩都要显著得多, 而且扩展和内缩所引起的图像特征的变化大部分被相互抵消了。因此边缘消亡的速度近似于图像的相似度Di。于是可以得到式 (3) :

Vi=Di (3)

其中:Vi表示图像的第i次膨胀和第i-1次膨胀之间边缘的消亡速度。

图2显示了图1中的原图用Di来表示边缘消亡的速度Vi时, 随着图像膨胀次数的增加, Di发生改变的曲线。

这里我们把D0定为0, i=4这一点正是Di急剧变小的拐点, 此时, 通过不断的扩展、内缩和消亡作用, 图像的边缘也逐渐由离散、互不关联而连接形成一些大的包含了某一区域内所有细胞的包围圈, 这些包围圈所表示的区域就是要找的感兴趣区域。

以上推导出来的理论实际上解决了如何控制计算机在适当的时候自动提取感兴趣区域的问题。然而, 为了准确地得到这些感兴趣区域, 还需要解决以下两个问题:

(1) 目前我们所能得到的只是一个个互不关联的边缘点, 如何确认这些点是属于哪条轮廓线的, 又如何提取这些各自代表了某一感兴趣区域的轮廓线呢?

(2) 这些大的轮廓线内部还包含了一些小的边缘未消亡干净时留下的碎片, 它们也组成了一些闭合的内部轮廓线, 如何去除这些内部轮廓线?

2.3轮廓线提取

为了解决上述问题, 首先采用了八邻域轮廓跟踪算法[6]。该方法给每一个像素点定义了一个链码方向 (如图3所示) 。

结合图4, 八邻域轮廓跟踪算法可以描述为:逐行逐列找到图像中最左上方的边界点 (这里定义的边界点为f (x, y) =1的点) 为起始点。从第一个边界点开始, 定义初始的搜索方向为该点的左下方;如果左下方的点是黑点, 则为边界点, 否则搜索方向顺时针旋转45度。这样一直到找到第一个黑点为止。然后把这个黑点作为新的边界点, 在当前搜索方向的基础上逆时针旋转135度, 用同样的方法继续搜索下一个黑点, 直到返回最初的边界点为止。如此一来就得到了一个闭合的轮廓线。

接下来为了去除该轮廓线内部的边缘点, 可采用区域填充的方法去遍历被包含在该轮廓线区域内的所有像素点, 并标记为非边缘点, 从而避免在继续作全图扫描的时候再度处理这些边缘点。

因此, 可以把轮廓线提取和消除内部边缘点的方法作如下算法描述:

初始化:把全图的像素点分为3种状态:0:背景像素点;1:属于图像的像素点;2:图像的边缘点。

step1 从左到右, 从上到下依次扫描全图的每个像素点, 判断点的状态是否为2, 若是则记录该点为P0并转入下一步, 否则继续扫描直到全图扫描完成。

step2 按八邻域轮廓跟踪算法顺序查找下一个边缘点存入以P0为首的链表中, 直到找到的点为P0为止。

step3 以P0为种子点对状态为1或2的点做填充遍历, 若找到的点状态为2则把它的状态改为1, 完成填充后转step1继续。

这样一来, 通过一次全图扫描, 图像中原本互不关联的边缘点, 形成一个个闭合的区域轮廓线。通过step3的处理, 消除了大轮廓线内部的边缘点, 使得每个包围圈都互不包含、互相独立, 它们就可以代表一个个沿着边缘精确划分的感兴趣区域。

2.4算法的具体实现

有了前面所讲的理论以及轮廓线的提取方法, 可以把基于细胞显微图像特征的ROI自动提取算法按如下方法实现:

step1 将原始图片做灰度化处理;

step2 利用灰度图自动阈值分割[7]得到初步的待处理的二值图M0;

step3 对M0作33结构元素的膨胀, 得到边缘点的集合P0;

step4 计算P0的形状特征, 记为S0;

step5 对上一次得到的二值图作33结构元素的膨胀处理, 得到的二值图记为Mi (i>0) , 同时得到的边缘点集合记为Pi;

step6 计算Pi的形状特征记为Si;

step7 计算一次膨胀前后图像的相似度:Di=Si-Si-1;

step8 重复step5到step7, 直到Di突然由大变小;

step9 按2.3节描述的方法得到代表图像ROI的区域轮廓线, 并去除轮廓线的内部边缘点。

3实验和结论

本文所讨论的细胞显微图像ROI自动提取技术是浙江省科技计划重点项目:病理学细胞显微图像自动分析诊断系统的一个重要组成部分, 该项技术目前已经用VC++语言实现了在Windows操作系统下的程序设计, 得到了一套功能完备的医用软件系统, 正待商用。利用该软件系统, 我们对一组由合作单位致力于生物工程技术研究的美国PathCom公司提供的24位真彩细胞显微图片做了基于本文方法的感兴趣区域提取实验, 实验结果如图5 所示。

在图5中, 深色的小圆为一个个细胞, 这里有两个明显的细胞聚集的区域, 在新算法的作用下, 这两个区域被成功地检测出来 (如黑色轮廓线所表示) 。结果表明:基于细胞显微图像特征的ROI自动提取算法能够快速有效地沿着细胞聚集区域的边缘做出量体裁衣般精确的提取, 尽量使得到的区域包含更多的有效信息。

在一台内存为512M, CPU为P4 3.0, 操作系统为Windows XP的PC机上, 几组不同的细胞显微图片的实验数据如表1所示。

可见, 随着图片的增大, 每张图片所需要的处理时间也在增加, 图片处理时间增加的比率基本上与图片增大的比率成正比。但是处理每张图片时平均所需的全图扫描次数却是基本上保持稳定的, 总是保持在4到5之间, 可以认为全图扫描次数为5。由于最主要用到的计算方法是二值比较, 外加少量的加、减、乘、除等基本运算, 因此大大降低了计算的复杂度。时间主要被消耗在做膨胀和轮廓线提取时的全图扫描上, 这也是整个系统时间复杂度的主要组成部分, 但扫描时仅仅用到了简单的二值比较, 使系统的时间复杂度被很好地控制在O (5n2) (设图的大小为nn) 。而且该算法完全做到了自动化, 无需人为提供任何的参数、权值等。

综上所述, 本文提出的基于细胞显微图像特征的ROI自动提取算法具有精确度高, 处理速度较快, 完全自动化等优点。对于在那些检测目标数量很大的图像中提取目标聚集的区域而言也有很高的实用价值。进一步的工作将着眼于如何减少全图的扫描次数上, 以进一步地提高效率、加快速度。

参考文献

[1]Itti L, Koth C, Niebur E.A model of saliency-based visual attention for rapid scene analysis[J].IEEE Transaction on Pattern Analysis and Machine Intelligence, 1998, 20 (11) :1254-1259.

[2]Moghaddam B, Biermann H, Margaritis D.Defining image content with multiple regions of interest.In:Proc IEEE Workshop on Content-Based Access of Image and Video Libraries, 1999:350.

[3]Seung Hyun Lee, Jeakyoung Moon, Minho Lee.A Region of Interest Based Image Segmentation Method Using a Biologically Motivated Se-lective Attention Model.In:2006International Joint Conference on Neural Networks, 2006:1413-1420.

[4]张鹏, 王润生.静态图像中的感兴趣区域检测技术[J].中国图象图形学报, 2005, 10 (2) :142-148.

[5]唐长青, 吕宏伯, 黄净, 等.数学形态学方法及其应用[M].北京:科学出版社, 1990:55.

[6]Fathy M, Siyal MY.A.windowbased edge detection technique for meas-uring road.traffic parameters in real time.Real-Time imaging, 293-305.