基于等势线特征的图象特征域抽取研究

2010-09-17黄升郑华

微型电脑应用 2010年12期

黄升，郑华

0 引言

图象识别中特征点主要用于定位和匹配，图象识别能否得到正确的结果取决于图象特征点的提取是否精确。我们认为特征点是由特征域决定的，换言之，先找到稳健特征域，而后才能找到特征点,特征域的质心作为特征点参与图象识别的处理更接近于我们已知的视觉处理过程。

目前关于稳健特征域研究的文章并不多。Tuytelaars和Van Gool等人的区域提取法受限于CANNY算法提取的边缘精度[1]。KADIR等人的圆采样区域提取法受限于各个像素点繁复且不可再利用的区域熵值计算，导致其算法运行时间过长[2]。得益于物理学等势线定义的启发，我们从图象中挖掘边缘符合等势线特征的区域作为识别处理的参考依据。

1 特征域提取和计算

1.1 特征域定义

在这里我们参考物理学等势线的概念，对特征域提出的定义为：满足区域内任意一点像素灰度值小于（大于）其边界像素任意一点像素灰度值这个条件的区域（采用的灰度计算公式为I=（R+G+B）/3），即特征域。简而言之，和四周相比相对较暗（亮）的中心区域即为满足我们要求的图象特征域。因为无法保证在图象中区域边缘各点像素灰度值均相等，就这点而言我们所引用的是退化了的等势线定义。显然，这个定义描述的是一种图象像素级的底层特征，我们可以通过这个简明的特征实现对特征域的挖掘处理。

1.2 特征域的提取

关于如何提取满足我们定义的图象特征域，我们提出了两种方法：基于极小值灰度点的区域生长法和图象重排法。

1.2.1 基于极小值灰度点的区域生长法

在这里我们首先介绍极小值灰度点的定义。极小值灰度点是指灰度值均小于上下左右四相邻像素灰度值的像素点。与我们前面对特征域的定义相比较，可知极小值灰度点及其四相邻像素即可构成最小特征域。如何使这个最小特征域长成我们需要的特征域，最原始和最简单的一个方法是不断将其周围最小灰度值像素点并入区域内核。通过不断地将区域周围最小灰度值像素点并入区域并保证区域生长过程中，最小灰度值像素点总是优先进入区域内核，对取得符合我们定义的特征域具有直观的可行性。以极小值灰度点为起始点开始进行区域生长的过程可以视为点到线及线到面的的一个扩张过程（可参考图 1），这个过程，也可以视为图像的重组过程，因而我们将此方法称为基于极小值灰度点的区域生长法。

图1 （a）为各区域第一次生长情况，蓝色为生长点，橙色为被生长过程选取像素点；（b）为各区域第二次生长情况；（c）为各区域第七次生长情况，绿色代表该区域新近并入内核的像素点，共他颜色所代表意义与前述相同。

该方法的优点可归结如下：

（1）简单易行，区域性质的判断只需要对其内核最大灰度值及相应边界链表表头所代表的区域边界最小灰度值做比较，这个过程仅需链表及相关排序方法支持，不需要做复杂的计算；

（2）区域生长过程只需要处理3种情况：新像素点被并入区域边界、区域边界像素满足条件并入内核,以及两不同区域合并为同一区域，算法可递归实现。

其缺点则为：

（1）区域的挖掘成功与否依赖于其内部的极小值灰度点的存在，虽然大多数图象由于其编码方式不存在这类问题，但这一局限性始终无法克服；

（2）对于灰度变化剧烈的区域会引起过多的区域边界链表排序处理，区域平滑程度影响排序处理的CPU占用时间，而对图象做平滑处理有可能使部分生长点信息丢失，两者存在相互矛盾的地方；

（3）算法时间复杂度取决于图象各像素的分布和组织，目前无法对各区域生长过程中发生的排序做数理分析，现有的结论为当图象各个像素均被扫描4次即可完成算法处理；对于空间复杂度，若图象像素总数为m，则至少需要4m以上相应单位的内存存储处理过程中的信息，占用较多内存资源。

1.2.2 图象重排法

该方法需要对图象做预处理，将其各个像素点按其灰度值排序后，按灰度值的升（降）序将各个像素重新排入图象原定位置中并进行区域分析处理。在这个过程中，最大灰度值发生阶跃且超过一定阈值的区域被标记为特征域。

该方法的优点可归结如下：

（1）每个灰度级的所有像素点都重新排入图象中后，由于区域边缘可视为由未排入图象的较高灰度级像素组成，所有形成的区域都满足我们的特征域定义的要求，我们取最大灰度值发生阶跃且超过一定阈值的区域作为特征域，方法简易且结果稳健性高。

（2）若图象像素总数为 m，所挖掘区域总数为 n，则图象预处理时间复杂度为 O（m），各像素重排入图象中原定位置时间复杂度为 O（m），判断区域性质并存储相关细节信息的时间复杂度为O（n），总的时间复杂度为O（2m+n），实际由于n﹤﹤m，其时间复杂度为O（2m）= O（m），即时间复杂度仅与图象大小相关。

其缺点则为：

（1）区域的提取精度取决于区域最大灰度值的阶跃阈值的设定；

（2）若图象像素总数为m，则至少需要3m以上相应单位的内存资源，仍需占用较多资源。

1.2.3 两种方法的比较

（1）两种方法皆简易可行，但图象重排法具有更高的稳健性。

（2）两种方法皆占用较多的资源，但相对来说图象重排法的算法时空间复杂度更优。

1.3 图象特征域的计算

对于抽取的图象特征域，可采用Hu矩不变量来计算其相应数字特征。从1962年M.K.Hu提出该方法开始，Hu矩不变量就被广泛应用于视觉特征的计算中，有关的证明和计算可参考文献[1]和[2]。本质来说Hu矩不变量是一种区域描述子，多用于描述整幅图象的数字特征，而我们所抽取的图象特征域一般远小于整幅图象，可以考虑用所有七个Hu矩不变量构造特征域的特征向量。本文侧重对图象特征域抽取的研究，对其特征计算这里不做深入探讨。