商品图像局部特征提取算法研究与实现

白宗文　周美丽

摘 要： 研究商品图像局部兴趣点提取的方法，利用Matlab语言对提取商品图像局部特征Harris和Harris?Laplace算法进行建模仿真，开发了基于商品图像局部特征进行商品检索系统。当检索商品处在不同角度和背景中时，对此系统进行测试，并对测试结果进行比较分析，指出二者算法各自的特点，最后提出了改进算法的建议。

关键词： 商品图像； 局部特征提取算法； 角点检测； 兴趣点提取

中图分类号： TN919?34； TP391 文献标识码： A 文章编号： 1004?373X（2014）12?0056?03

Abstract：The method of local interesting point extraction for commodity images is studied in this paper. Simulation modeling of Harris and Harris?Laplace algorithms for local feature extraction of commodity image was performed by means of Matlab language. A commodity retrieval system based on commodity image local features was developed. The system was tested when the retrieval commodity was in different angles or in the different background. The test results were compared and analyzed. The characteristics of the two algorithms are pointed out. Some suggestions on algorithm improvement is proposed.

Keywords： commodity image； local feature extraction algorithm； corner detection； interesting point extraction

0 引 言

商品图像在实际生活中有很多的应用，在上网购物，在淘宝网上买东西，都需要查看商品图像，了解商品的信息。商品图像特征提取作为计算机视觉中最重要得一环在近年来也得到了足够的重视和大量的研究。随着人们获取图像的途径和所获图像数量的增多，数字图像处理里一些基础性的研究方向变得更加至关重要。局部特征技术作为图像特征抽取的关键技术近些年来得到了广泛的研究和应用。局部特征就是从图像的局部结构出发，用局部信息来构造出具有光照，几何变换不变性的描述子，局部特征不依赖于图像分割的结果因而其对于遮挡、重叠等情况具有良好的鲁棒性，由此局部特征也成为了目前特征提取领域的主流算法。

图像的局部特征具备在多种图像变换下的不变性、无需预先对图像分割、低冗余性和独特性等特点，被广泛用于图像分类及图像检索等领域。基于局部特征的应用包含3个基本步骤：检测、描述以及匹配。先利用检测算子检测出图像信号中的兴趣点，再利用描述子对兴趣点周边的区域进行鲁棒的特征描述，最后利用匹配算法匹配两幅图像的描述子[1]。

1 算法原理简介

本文是根据商品的局部特征角点的提取算法进行讨论、研究。现有的角点提取算法主要可分为两种：

（1） 基于边缘轮廓的角点提取算法，先提取图像信息中的边缘轮廓，再求角点，如Kitchen?Rosenfeld，CSS，Freeman链码法，Wang?Brady等是这类算法为代表；

（2） 直接对灰度图像进行角点检测，有Moravec，Harris，Trajkovic，SUSAN等是这类算法为代表[2]。

由于基于灰度的角点提取算法直接对图像中像素点的灰度值进行处理，避免了基于边缘轮廓的角点提取算法在提取轮廓时存在的误差，因此在实际研究中得到更多关注。其中的Harris算法与Harris?Laplace算法是该类算法中应用最为广泛的两种角点检测方法。Harris角点检测基本算法原理[3]：

将实对称矩阵对角化处理，式（1）中把R看成旋转因子，它对两个正交方向的变化分量不影响。[λ1，λ2]为两个正交方向的变化量分量提取出来的特征值，这两个特征值就表示了像素在两个方向上的变化量。特征值越大，则说明该方向上变化量越大，当两个特征值都大于阈值时则该点为角点。接下来就可以对角点、边缘，平坦区域进行分析。

Harris?Laplace兴趣点提取算法是基于Harris算子进行推到计算得到的，Harris?Laplace算法本质上是用多尺度下的Harris角点检测特征点的位置的方法[3]。该方法通过在一个局部结构下一个判别函数达到最大值时所处的尺度来表征最优尺度。特征区域的大小由Laplace算子确定，Laplace算子的核函数被认为起到了滤波器的作用。所以虽然Harris?Laplace算法和Harris算法都是针对商品图像兴趣点进行提取，可是Harris?Laplace算法的稳定性要更好一点，Harris?Laplace特征提取算子公式如下[4?5]：

式中：[σ]是Laplace公式的尺度；[Ixx]和[Lyy]是图像信号的二阶导数。根据以上的特征检测，可以得到图像上的边缘特征和Harris?Laplace兴趣点特征。

2 两种算法仿真测试

本文应用Matlab语言设计了基于Harris?Laplace算法和Harris算法提取兴趣点的商品局部特征检索系统，以briefcase包图像为务处理对象。

在此对处理对象建立了各种模型，比如商品图像所处角度不同，显示大小比例不同，所处背景噪声不同等各种情形，分别利用两种算法对各种商品图像模型进行了测试比较。

图1所示为图像正常模型下利用Harris算法和Harris?Laplace算法提取商品图像兴趣点的特点。

通过对商品图像briefcase进行大量的测试，发现当商品处在不同情形下两种算法的检索情况也有所改变。由于篇幅所限仅以上面三种模型的测试进行分析，当商品处在不同的角度，不同噪声和亮度时两种算法提取兴趣点的区别。

图2对当图像进行旋转变换时，Harris算法提取兴趣点的数目增多且兴趣点的位置也发生变化；而Harris?Laplace算法提取局部特征的性能比较稳定，可以从实验中看出，能够在图像进行旋转变换时提取相同的兴趣点，即具有仿射与尺度不变的特性[6?7]。

如图3对图像添加了噪声后提取兴趣点数目比不加噪声时提取的多，且高斯噪声的方差越大，Harris算法和Harris?Laplace算法提取的兴趣点数目也相应的增多且位置也有所变化，但Harris?Laplace算法还是较稳定；在图4中当商品图像亮度发生变化时，Harris算法和Harris?Laplace算法提取兴趣点数目和位置也不同，亮度亮时兴趣点提取得多，如图亮度变暗提取兴趣点提取得少。

3 结 语

通过上述仿真测试结果分析，可得出Harris算法计算简单，提取兴趣点特征均匀而且合理，稳定性和鲁棒性也较好，速度很快。但Harris算法存在定位精度不高的缺点，在需要精确定位的时候不能够满足精度的要求，且是定位性能差，需要确定阈值等[8?9]；而Harris?Laplace算法计算较复杂些，速度较慢，但定位精度很高，具有很高的稳定性。对比Harris和Harris?Laplace算法后，得出它们具有各自的优缺点。

对于Harris算法定位精度有偏差，之所以定位精度低，是因为在计算角点响应函数值时采用了差分方向导数计算方式，与理想的方向导数之间有误差，从而在非最大值抑制时将真正角点去除[10]。

为此，可以探索一种合理的方向导数求解方法来消除周围像素点对检测结果的影响是提高Harris算法检测定位精度的关键。而改进后的Harris?Laplac算法角点检测算法则在上述所建模型检测中具有较高的稳定性，在商品图像检索中值得推广。

参考文献

[1] 刘萍萍，赵宏伟.一种快速局部特征描述算法[J].自动化学报，2010（1）：40?45.

[2] 王崴，唐一平，任娟莉，等.一种改进的Harris角点提取算法[J].光学精密工程，2008（10）：1995?2001.

[3] 施鹏.局部特征描述子算法研究[D].上海：上海交通大学，2008.

[4] 章毓晋.基于内容的视觉信息检索[M].北京：科学出版社，2003.

[5] 王玉珠.图像角点检测算法研究[D].重庆：重庆大学，2007.

[6] 山东大学信息与工程学院.数字图像处理编程讲义：Harris角点检测算法[EB/OL].[2005?11?28].http：//www.docin.com/p?565252402.html.

[7] 田原，梁德群，吴更石.直接基于灰度图像的多尺度角点检测方法[J].信号处理，1998（z1）：6?9.

[8] 费旭东，荆仁杰.基于知识的快速角点提取[J].计算机学报，1994，17（1）：30?36.

[9] 袁杰，魏宝刚，王李冬.一种综合PHOG形状和小波金字塔能量分布特征的图像检索方法[J].电子学报，2011（9）：2114?2119.

[10] 周永华.基于色彩的图像检索系统研究及实现[D].南宁：广西大学，2006.

在此对处理对象建立了各种模型，比如商品图像所处角度不同，显示大小比例不同，所处背景噪声不同等各种情形，分别利用两种算法对各种商品图像模型进行了测试比较。

图1所示为图像正常模型下利用Harris算法和Harris?Laplace算法提取商品图像兴趣点的特点。

通过对商品图像briefcase进行大量的测试，发现当商品处在不同情形下两种算法的检索情况也有所改变。由于篇幅所限仅以上面三种模型的测试进行分析，当商品处在不同的角度，不同噪声和亮度时两种算法提取兴趣点的区别。

图2对当图像进行旋转变换时，Harris算法提取兴趣点的数目增多且兴趣点的位置也发生变化；而Harris?Laplace算法提取局部特征的性能比较稳定，可以从实验中看出，能够在图像进行旋转变换时提取相同的兴趣点，即具有仿射与尺度不变的特性[6?7]。

如图3对图像添加了噪声后提取兴趣点数目比不加噪声时提取的多，且高斯噪声的方差越大，Harris算法和Harris?Laplace算法提取的兴趣点数目也相应的增多且位置也有所变化，但Harris?Laplace算法还是较稳定；在图4中当商品图像亮度发生变化时，Harris算法和Harris?Laplace算法提取兴趣点数目和位置也不同，亮度亮时兴趣点提取得多，如图亮度变暗提取兴趣点提取得少。

3 结 语

通过上述仿真测试结果分析，可得出Harris算法计算简单，提取兴趣点特征均匀而且合理，稳定性和鲁棒性也较好，速度很快。但Harris算法存在定位精度不高的缺点，在需要精确定位的时候不能够满足精度的要求，且是定位性能差，需要确定阈值等[8?9]；而Harris?Laplace算法计算较复杂些，速度较慢，但定位精度很高，具有很高的稳定性。对比Harris和Harris?Laplace算法后，得出它们具有各自的优缺点。

对于Harris算法定位精度有偏差，之所以定位精度低，是因为在计算角点响应函数值时采用了差分方向导数计算方式，与理想的方向导数之间有误差，从而在非最大值抑制时将真正角点去除[10]。

为此，可以探索一种合理的方向导数求解方法来消除周围像素点对检测结果的影响是提高Harris算法检测定位精度的关键。而改进后的Harris?Laplac算法角点检测算法则在上述所建模型检测中具有较高的稳定性，在商品图像检索中值得推广。

参考文献

[1] 刘萍萍，赵宏伟.一种快速局部特征描述算法[J].自动化学报，2010（1）：40?45.

[2] 王崴，唐一平，任娟莉，等.一种改进的Harris角点提取算法[J].光学精密工程，2008（10）：1995?2001.

[3] 施鹏.局部特征描述子算法研究[D].上海：上海交通大学，2008.

[4] 章毓晋.基于内容的视觉信息检索[M].北京：科学出版社，2003.

[5] 王玉珠.图像角点检测算法研究[D].重庆：重庆大学，2007.

[6] 山东大学信息与工程学院.数字图像处理编程讲义：Harris角点检测算法[EB/OL].[2005?11?28].http：//www.docin.com/p?565252402.html.

[7] 田原，梁德群，吴更石.直接基于灰度图像的多尺度角点检测方法[J].信号处理，1998（z1）：6?9.

[8] 费旭东，荆仁杰.基于知识的快速角点提取[J].计算机学报，1994，17（1）：30?36.

[9] 袁杰，魏宝刚，王李冬.一种综合PHOG形状和小波金字塔能量分布特征的图像检索方法[J].电子学报，2011（9）：2114?2119.

[10] 周永华.基于色彩的图像检索系统研究及实现[D].南宁：广西大学，2006.

在此对处理对象建立了各种模型，比如商品图像所处角度不同，显示大小比例不同，所处背景噪声不同等各种情形，分别利用两种算法对各种商品图像模型进行了测试比较。

图1所示为图像正常模型下利用Harris算法和Harris?Laplace算法提取商品图像兴趣点的特点。

通过对商品图像briefcase进行大量的测试，发现当商品处在不同情形下两种算法的检索情况也有所改变。由于篇幅所限仅以上面三种模型的测试进行分析，当商品处在不同的角度，不同噪声和亮度时两种算法提取兴趣点的区别。

图2对当图像进行旋转变换时，Harris算法提取兴趣点的数目增多且兴趣点的位置也发生变化；而Harris?Laplace算法提取局部特征的性能比较稳定，可以从实验中看出，能够在图像进行旋转变换时提取相同的兴趣点，即具有仿射与尺度不变的特性[6?7]。

如图3对图像添加了噪声后提取兴趣点数目比不加噪声时提取的多，且高斯噪声的方差越大，Harris算法和Harris?Laplace算法提取的兴趣点数目也相应的增多且位置也有所变化，但Harris?Laplace算法还是较稳定；在图4中当商品图像亮度发生变化时，Harris算法和Harris?Laplace算法提取兴趣点数目和位置也不同，亮度亮时兴趣点提取得多，如图亮度变暗提取兴趣点提取得少。

3 结 语

通过上述仿真测试结果分析，可得出Harris算法计算简单，提取兴趣点特征均匀而且合理，稳定性和鲁棒性也较好，速度很快。但Harris算法存在定位精度不高的缺点，在需要精确定位的时候不能够满足精度的要求，且是定位性能差，需要确定阈值等[8?9]；而Harris?Laplace算法计算较复杂些，速度较慢，但定位精度很高，具有很高的稳定性。对比Harris和Harris?Laplace算法后，得出它们具有各自的优缺点。

对于Harris算法定位精度有偏差，之所以定位精度低，是因为在计算角点响应函数值时采用了差分方向导数计算方式，与理想的方向导数之间有误差，从而在非最大值抑制时将真正角点去除[10]。

为此，可以探索一种合理的方向导数求解方法来消除周围像素点对检测结果的影响是提高Harris算法检测定位精度的关键。而改进后的Harris?Laplac算法角点检测算法则在上述所建模型检测中具有较高的稳定性，在商品图像检索中值得推广。

参考文献

[1] 刘萍萍，赵宏伟.一种快速局部特征描述算法[J].自动化学报，2010（1）：40?45.

[2] 王崴，唐一平，任娟莉，等.一种改进的Harris角点提取算法[J].光学精密工程，2008（10）：1995?2001.

[3] 施鹏.局部特征描述子算法研究[D].上海：上海交通大学，2008.

[4] 章毓晋.基于内容的视觉信息检索[M].北京：科学出版社，2003.

[5] 王玉珠.图像角点检测算法研究[D].重庆：重庆大学，2007.

[6] 山东大学信息与工程学院.数字图像处理编程讲义：Harris角点检测算法[EB/OL].[2005?11?28].http：//www.docin.com/p?565252402.html.

[7] 田原，梁德群，吴更石.直接基于灰度图像的多尺度角点检测方法[J].信号处理，1998（z1）：6?9.

[8] 费旭东，荆仁杰.基于知识的快速角点提取[J].计算机学报，1994，17（1）：30?36.

[9] 袁杰，魏宝刚，王李冬.一种综合PHOG形状和小波金字塔能量分布特征的图像检索方法[J].电子学报，2011（9）：2114?2119.

[10] 周永华.基于色彩的图像检索系统研究及实现[D].南宁：广西大学，2006.