一種基于kaze算法的圖像特征提取方法
【專利摘要】本發明公開了一種基于KAZE算法的圖像特征提取方法，以解決現有圖像特征提取技術中存在的執行效率偏低的問題。首先構造非線性偏微分方程，利用AOS算法求解方程得到非線性尺度空間的所有圖像，然后進行特征點檢測和亞像素精確定位，隨后根據特征點的局部圖像結構來確定其主方向，根據選取的窗口計算出子區域的描述向量，將得到的描述向量用主成分分析方法進行降維處理，最后再進行特征匹配。本方法采用主成分分析方法對描述子進行降維，加快計算速度，對于圖像特征提取與匹配具有很好的承接作用，在提高算法的實時性和匹配率方面有較好的效果。
【專利說明】
-種基于KAZE算法的圖像特征提取方法
技術領域
[0001] 本發明屬于計算機視覺和圖像處理領域，具體設及一種基于KAZE算法的圖像特征 提取方法。
【背景技術】
[0002] 近年來，隨著圖像處理技術的進步，圖像特征提取得到了長足的發展。圖像特征提 取技術可W應用在日常生活、工農業檢測、生物技術、醫學檢測等方面。特征提取是圖像處 理中的一個初級運算，也就是對一個圖像進行的第一個運算處理。圖像特征可W分為全局 特征和局部特征。全局特征主要指圖像的方差，顏色直方圖等。而局部特征更側重于圖像局 部出現的特征，局部特征可W理解為穩定存在并且具有良好區分性質的點。在前景背景區 分、物體識別等方面發揮重要作用。
[0003] 局部不變特征是指局部特征的檢測或描述對圖像的各種變化，例如，對于視角變 化的不變性、對尺度變化的不變性、對旋轉變化的不變性、對形狀的不變性等等。基于局部 特征的應用包含=個基本步驟:檢測、描述W及匹配。好的局部圖像特征應具有速度快，特 征描述對尺度、光照、旋轉具有較好魯棒性，同時特征描述維數低，易于實現快速匹配同時 實時性強的特點。從圖像中提取的特征可W組成多個向量，兩個圖像之間可W通過某種距 離度量標準或者相似性的測量度來計算他們之間的相似度。
[0004] 如何從原始圖像中提取具有較強表示能力的圖像特征是圖像處理的一個研究熱 點。早期的局部特征提取有化rris角點檢測算子，"角點"經常被檢測在邊緣交界處，物體的 邊界處，紋理比較強烈的部分。傳統的SIFT、SURF算子對于尺度，光照，視角，旋轉的變化具 有較強的魯棒性，但是對于圖像邊緣和細節保留度較低，模糊嚴重，而KAZE算法中所采用的 非線性擴散濾波較好地解決了運個問題。KAZE算法在非線性尺度空間的基礎上進行特征點 檢測和定位，采用M-Sud方法進行特征點描述。安徽工業大學的李丹等人在四川大學學報 (2015年5月第52卷第3期)上發表了 "一種改進的KAZE特征檢測算法"的論文，該論文通過改 進特征點的捜索策略，利用圓改進特征向量描述方法等步驟嘗試提高算法的實時性，但存 在執行效率偏低的問題。
【發明內容】
[0005] 本發明要解決的技術問題是提出一種基于KAZE的圖像特征提取方案，能夠在保留 實時性的基礎上進一步提高匹配率，提高算法的執行效率。
[0006] 為解決上述技術問題，本發明提出的技術方案是一種基于KAZE的圖像特征提取方 法，包含W下步驟：
[0007] 步驟一:輸入圖像L，構造非線性偏微分方程，進行非線性擴散濾波，再利用AOS算 法求解方程得到非線性尺度空間的所有圖像；
[000引步驟二:特征點檢測，通過尋找不同尺度歸一化后的化SSian局部極大值來尋找特 征點，找到特征點的位置后，根據泰勒展開式，進行亞像素精確定位：
[0009] 步驟根據特征點的局部圖像結構來確定其主方向；
[0010] 步驟四：對于尺度參數為Oi的特征點，在梯度圖像上W特征點為中屯、取一個的窗 口，并將窗口劃分為子區域，計算出子區域的描述向量；
[0011] 步驟五:將得到的描述向量用主成分分析方法進行降維處理，得到降維后的描述 子，再進行特征匹配。
[0012] 上述非線性擴散濾波是通過非線性偏微分方程將圖像亮度在不同尺度上的變化 視為某種形式的流動函數的散S
，通過設置傳導函數C，控制擴散程 度和類別讓其自適應于圖像的局部結構，利用AOS算法得到非線性尺度空間的所有圖像。
[0013] 進一步，步驟五中所述的主成分分析方法包含W下步驟：
[0014] 步驟1:輸入描述子；
[0015] 步驟2:對描述子標準化；
[0016] 步驟3:構造協方差矩陣，得到特征向量和特征值；
[0017] 步驟4:排列出新的矩陣并篩選；
[0018] 步驟5:映射到新的矩陣中，得到降維后的描述子。
[0019] 又進一步，步驟二中，在構造的化SSian矩陣
中尋找極 值點時，為了加快捜索速度，每一個像素點和它當前尺度，上一尺度，下一尺度上圍繞它固 定的3*3大小的窗口下的像素點進行比較，W確保在尺度空間和二維圖像空間檢測到極值 點。
[0020] 步驟=中，確定特征點主方向是通過設置特征點捜索半徑，對圈內所有鄰點的一 階微分值通過高斯加權，使得靠近特征點的相應貢獻大，遠離特征點的相應貢獻小，將微分 值視作向量值，并將用扇形動窗口遍歷圓形區域獲得最長向量的角度確定為主方向。
[0021] 步驟四中，對于所述特征點，在梯度圖像上W特征點為中屯、取一個24〇iX24〇i的窗 口，并將窗口劃分為4X4個子區域，每個子區域大小為9〇iX9〇i，相鄰的子區域有寬度為化1 的交疊帶，每個子區域都用一個高斯核(01 = 2.5〇1)進行加權，然后計算出長度為4的子區域 描述向量:dv=(ELx，S ILxI，S |心|)，再通過另一個大小為4X4的高斯窗口對每個子 區域的向量dv進行加權，最后進行歸一化處理。運樣就得到了 4X4X4 = 64維的描述向量， 同理，也可W通過改變窗口大小，得到128維的描述向量。
[0022] 有益效果:本發明提出的基于KAZE的圖像特征圖提取的設計方案，相比于現有的 圖像特征提取算法，該方案具有如下優點：
[0023] (1)目前除了KAZEW外的特征檢測算法都是基于線性尺度空間，而KAZE所采用的 非線性尺度空間細節丟失少，邊緣保留更好，信息保留更完整。
[0024] (2)本方法采用主成分分析方法對描述子進行降維，加快計算速度，對于圖像特征 提取與匹配具有很好的承接作用，在提高算法的實時性和匹配率方面有較好的效果。
【附圖說明】
[0025] 圖1是整個基于KAZE的圖像特征提取與匹配的流程示意圖；
[0026] 圖2是對描述子進行主成分分析的流程圖。
【具體實施方式】
[0027] 現結合附圖對本發明的具體實施做進一步詳細的說明。
[0028] 本發明是一種采用主成分分析方法對描述子進行降維的特征提取方案。基于KAZE 圖像特征提取算法，考慮到主成分分析方法在數據處理方面可W在保留主要數據成分的前 提下進行有效降維，將該方法應用在描述子的處理上，在KAZE算法提取出特征點描述子后， 用主成分分析方法將描述子維數降低，去除噪音，提高圖像匹配效率。相比較現有的設計流 程和KAZE特征提取算法，本發明提出了一種使用主成分分析加速KAZE圖像特征提取速度的 方案。特征描述子的生成是特征提取的最后一步也是最關鍵的一步，每一個描述子包含了 特征點的位置，梯度方向，角度等信息，通過主成分分析的方法，降低描述子的維數，可W加 快方案實現速度。該方案的實現及應用過程如下：
[0029] 如圖1所示，基于KAZE的圖像特征提取方案，包含在W下具體步驟中：
[0030] 步驟一:針對輸入圖像，采用加性算子分裂算法(Additive Operator Splitting, AOS)來進行非線性擴散濾波。非線性擴散濾波是通過非線性偏微分方程講圖像亮度在不同 尺度上的變化視為某種形式的流動函數的散虔
。再利用AOS算法求 解方程，即可得到非線性尺度空間的所有圖像。
[0031] 步驟二:特征點檢測，通過尋找不同尺度歸一化后的化SSian局部極大值來尋找特 征點。在構造的化SSian矩陣
中尋找極值點時，為了加快捜索速 度，每一個像素點和它當前尺度，上一尺度，下一尺度上圍繞它固定的3*3大小的窗口下的 像素點進行比較，W確保在尺度空間和二維圖像空間檢測到極值點。找到特征點的位置后， 根據泰勒展開式，進行亞像素精確定巾
，
[0032] 步驟為了實現圖像的旋轉不變性，需要根據特征點的局部圖像結構來確定其 主方向。運里作者采用的方法與SURF相似，通過設置特征點捜索半徑，對圈內所有鄰點的一 階微分值通過高斯加權，是的靠近特征點的相應貢獻大，遠離特征點的相應貢獻小，將微分 值視作向量值，并用扇形滑動窗口遍歷圓形區域獲得最長向量的角度就是主方向。
[0033] 步驟四：對于尺度參數為Oi的特征點，在梯度圖像上W特征點為中屯、取一個24〇iX 24〇i的窗口，并將窗口劃分為4 X 4個子區域，每個子區域大小為9〇i X 9〇i，相鄰的子區域有 寬度為化1的交疊帶。每個子區域都用一個高斯核(01 = 2.5〇1)進行加權，然后計算出長度為 4的子區域描述向量:dv=(I：Lx，ELy，E|Lx|，E|Ly|)，再通過另一個大小為4X4的高斯窗 口對每個子區域的向量dv進行加權，最后進行歸一化處理。運樣就得到了 4X4X4 = 64維的 描述向量(同理也可W通過改變窗口大小，得到128維的描述向量）。
[0034] 步驟五:將得到的描述子用主成分分析方法進行降維處理，如圖2所示，對描述子 標準化后構造協方差矩陣，得到特征向量和特征值，篩選出保留的特征向量并且映射到新 的矩陣中，得到降維后的描述子，再進行特征匹配。具體操作如下：
[0035] (1)實際應用中，在計算主成分之前應先消除綱量的影響，常用的方法之一就是對 原始數據進行標準化，所W可W首先對原始的描述子進行標準化，方
[0037]
[0036] 便后續計算：
[00；3 引
[0039]
[0040]
[0041] (3)求出協方差矩陣的特征值和特征向量；
[0042] (4)將特征向量按對應特征值大小從上到下排列成矩陣，取前k行組成新的矩陣；
[0043] (5)將上一步得到的特征向量映射到新的空間矩陣中去，得到降維W后的描述子。
【主權項】
1. 一種基于KAZE的圖像特征提取方法，其特征在于包含以下步驟： 步驟一:輸入圖像L，構造非線性偏微分方程，進行非線性擴散濾波，再利用AOS算法求 解方程得到非線性尺度空間的所有圖像；步驟二：特征點檢測，通過尋找不同尺度歸一化后的Hessian局部極大值來尋找特征 點，找到特征點的位置后，根據泰勒展開式，進行亞像素精確定仡 步驟三:根據特征點的局部圖像結構來確定其主方向； 步驟四：對于尺度參數為特征點，在梯度圖像上以特征點為中心取一個的窗口，并 將窗口劃分為子區域，計算出子區域的描述向量； 步驟五:將得到的描述向量用主成分分析方法進行降維處理，得到降維后的描述子，再 進行特征匹配。2. 如權利要求1所述的一種基于KAZE的圖像特征提取方法，其特征在于所述非線性擴 散濾波是通過非線性偏微分方程將圖像亮度在不同尺度上的變化視為某種形式的流動函 數的散度I = diV(c(x,y,t)，VL),通過設置傳導函數c，控制擴散程度和類別讓其自適應于 圖像的局部結構，利用AOS算法得到非線性尺度空間的所有圖像。3. 如權利要求1所述的一種基于KAZE的圖像特征提取方法，其特征在于步驟五中所述 的主成分分析方法包含以下步驟： 步驟1:輸入描述子； 步驟2:對描述子標準化； 步驟3:構造協方差矩陣，得到特征向量和特征值； 步驟4:排列出新的矩陣并篩選； 步驟5:映射到新的矩陣中，得到降維后的描述子。4. 如權利要求1所述的一種基于KAZE的圖像特征提取方法，其特征在于步驟二中在構 造的Hessian矩陣Lhessian = 〇z(LxxLyy - Ry)中尋找極值點時，為了加快搜索速度，每一個 像素點和它當前尺度，上一尺度，下一尺度上圍繞它固定的3*3大小的窗口下的像素點進行 比較，以確保在尺度空間和二維圖像空間檢測到極值點。5. 如權利要求1所述的一種基于KAZE的圖像特征提取方法，其特征在于步驟三中確定 特征點主方向是通過設置特征點搜索半徑，對圈內所有鄰點的一階微分值通過高斯加權， 使得靠近特征點的相應貢獻大，遠離特征點的相應貢獻小，將微分值視作向量值，并將用扇 形動窗口遍歷圓形區域獲得最長向量的角度確定為主方向。6. 如權利要求1所述的一種基于KAZE的圖像特征提取方法，其特征在于步驟四中，對于 所述特征點，在梯度圖像上以特征點為中心取一個24 〇i X 24〇i的窗口，并將窗口劃分為4 X 4 個子區域，每個子區域大小為9〇1X9〇1，相鄰的子區域有寬度為2〇1的交疊帶，每個子區域都 用一個 〇1 = 2.5〇1的高斯核進行加權，然后計算出長度為4的子區域描述向量:dv= (ELx，E Ly，Σ I Lx I，Σ I Ly I )，再通過另一個大小為4 X 4的高斯窗口對每個子區域的向量dv進行加 權，最后進行歸一化處理，生成4X4X4 = 64維的描述向量。
【文檔編號】G06K9/46GK106022342SQ201610293834
【公開日】2016年10月12日
【申請日】2016年5月5日
【發明人】楊承杰, 孫力娟, 李林國, 郭劍, 朱春, 瞿佳雯
【申請人】南京郵電大學