基于尺度不变特征变换的快速图像特征区域检测

丁 永 胜

(齐齐哈尔大学 理学院, 黑龙江 齐齐哈尔 161006)

尺度不变特征转换(scale-invariant feature transform, SIFT)是一种利用机器视觉提取图像局部特征[1-3]的算法, 其通过在空间尺度中寻找极值点, 提取图像的位置、 尺度、 旋转不变数等特征. 快速检测图像特征区域时, 图像中噪声等干扰信息对加速检测图像特征区域有一定干扰, 在检测图像特征区域前, 应对图像进行去噪处理, 有助于图像特征区域的快速检测. 目前已有许多检测图像特征区域的算法: 文献[4]采用神经网络算法检测图像特征区域, 通过分层检测图像的特征区域, 加强图像分割的精度, 但该方法运算过程复杂度较高, 不利于快速检测图像特征区域； 文献[5]提出一种相位一致性算法, 但未考虑图像噪声影响对图像特征区域检测的干扰作用, 导致图像特征区域检测精度较低, 实际应用效果较差； 文献[6]将全局约束理念融入到尺度不变特征变换的图像特征区域检测中, 降低了检测过程的实时性, 但得到图像特征区域检测结果存在较大延时, 检测结果不可靠.

针对上述问题, 本文提出一种基于尺度不变特征变换的快速图像特征区域检测方法, 以实现图像特征区域快速和准确检测, 并完成图像特征区域的全面检测.

1 快速图像特征区域检测方法

1.1 非局部均值滤波图像去噪 图像中通常均存在一定程度的噪声干扰, 对快速检测图像特征区域影响较大, 对图像特征区域检测精度也影响较大[7], 因此在对图像特征区域检测前需对图像进行去噪处理, 加速图像特征区域检测精度.

非局部均值滤波(NL-Means)算法对图像中各像素加权平滑处理时考虑了图像的局部结构相似性, 去噪效果较好[8], 噪声模型为

D(x)=N(x)+B(x),

(1)

其中:N(x)表示不含有噪声的图像;B(x)表示含有噪声的图像.

图像去噪过程如下： 假设噪声去除前的图像分别为d和NL[d], 其中d={d(x)|x∈X},X表示图像域. 利用图像中所有像素灰度值的加权平均获取该点的灰度估计值为

(2)

(3)

其中:ε为标准差; ‖·‖2表示范数. 定义权值ω(x,y)为

(4)

hk(L(x,y))=-exp{-L(x,y)/χ2},

(5)

其中χ表示衰减因子, 影响图像去噪性能.

1.2 快速图像特征区域检测

1.2.1 尺度空间构建与特征点区域确立 基于上述图像去噪结果, 构建图像高斯尺度空间, 尺度空间为高斯核G(x,y,ε)与去噪后图像的卷积[12], 表示为

C(x,y,ε)=G(x,y,ε)*X(x,y),

(6)

其中:C表示尺度空间; (x,y)为去噪后像素坐标;ε为高斯函数的标准差, 也称为尺度因子[13], 选取不同尺度因子可得不同尺度图像. 定义二维高斯核G(x,y,ε)为

(7)

为快速检测出图像中特征区域, 引入高斯差分尺度空间K(x,y,ε), 公式为

K(x,y,ε)=[G(x,y,tε)-G(x,y,ε)]*H(x,y)=C(x,y,tε)-C(x,y,ε),

(8)

其中:t为固定系数, 其值取决于尺度空间的阶数;H为Hessian矩阵. 若去噪后图像中像素点在高斯差分尺度空间中比相邻尺度空间中特征点的值大或小, 即定义该点所在区域为图像特征点所在区域.

1.2.2 特征点快速提取 由于高斯差分尺度空间对图像特征区域检测较敏感, 因此为快速获取较精确的图像特征区域, 需进一步提取图像特征点.

1) 删除低对比度像素点. 将尺度空间中的局部极值点(x0,y0,ε)展开, 得

(9)

设式(9)结果为0, 得最大图像域Xmax为

(10)

将式(10)代入式(9), 可得

(11)

式(11)可有效去除图像中对比度低、 不稳定的像素点, 有助于加速图像特征区域的检测效率, 且删除K(Xmax)绝对值小于0.03的像素点, 保留其绝对值大于0.03的像素点.

2) 删除边缘像素点. 图像边缘响应点对提升图像特征区域检测有较大帮助,K(Xmax)在横跨图像边缘处Kxx的曲率较大, 垂直于图像边缘方向Kxy的曲率较小, 利用Hessian矩阵计算主曲率, 计算公式为

(12)

已知主曲率与Hessian矩阵H的特征值间为正比关系, 假设φ和φ分别为数值较大和较小的特征值, 且有

(13)

假设特征值φ和φ存在, 且有φ=λφ, 其中λ为一固定常数, 则有

(14)

当tr(H)2/det(H)≤(λ+1)/λ存在时, tr/det为求解矩阵, 即确定该点为特征点, 该点所在区域即为图像特征区域; 反之, 该点为非特征点, 舍弃. 图像特征点确定后, 该点所在区域即为图像特征区域.

2 实验分析

为验证本文方法快速检测图像特征区域的有效性, 选取多幅实验室图像在MATLAB仿真实验平台上进行分析, 并与基于神经网络的快速图像特征区域检测方法和基于相位一致性的快速图像特征检测方法进行对比. 实验共设置包括人脸、 绿色植物和工业零件3组实验图像, 且每组实验中包括大小不同的5幅图像, 3种方法检测不同尺寸图像特征区域耗时列于表1.

表1 3种方法的图像特征区域检测耗时(s)

图1为3种方法对人脸图像特征区域检测耗时. 由图1可见, 3种方法检测人脸图像特征区域耗时均随图像尺寸的增大而增大, 本文方法检测人脸图像特征区域耗时最短, 神经网络检测人脸图像特征区域耗时最长. 图2为3种方法对绿色植物图像特征区域检测耗时. 由图2可见： 本文方法检测绿色植物图像特征区域耗时最短； 神经网络检测方法检测不同尺寸绿色植物图像特征区域耗时相差较大, 检测结果可信度较低； 相位一致性检测方法耗时始终较长, 应用在检测绿色植物图像特征区域中效率较低. 图3为工业零件图像特征区域检测耗时. 由图3可见, 本文方法检测工业零件图像特征区域耗时最短, 神经网络检测工业零件图像特征区域耗时波动较大.

图1 3种方法对人脸图像特征区域检测耗时Fig.1 Time consumption of three methods for image feature region detection of face

图2 3种方法对绿色植物图像特征区域检测耗时Fig.2 Time consumption of three methods for image feature region detection of green plant

图3 工业零件图像特征区域检测耗时Fig.3 Time consumption for image feature region detection of industrial part

上述实验结果表明, 本文方法可快速检测人脸图像、 绿色植物图像和工业零件图像特征区域, 且检测过程较稳定. 但由于一幅图像中可能包含多个特征区域, 且不同特征区域包含不同特征信息, 因此, 快速、 准确地检测出图像中包含的全部特征区域是检验本文方法有效的重要指标. 实验选择上述3组图像, 其中在人脸图像、 绿色植物图像和工业零件图像中分别预设7,12,15个特征区域 , 比较3种方法快速检测出图像特征区域的正确率, 且检测图像特征区域正确率高于0.72为优秀水平, 正确率在0.50～0.72为普通水平, 正确率低于0.50为较差水平, 结果分别列于表2～表4.

表2为本文方法快速检测图像特征区域结果. 由表2可见, 本文方法快速检测人脸图像、 绿色植物图像和工业零件图像的特征区域更全面, 多次正确检测出图像中所有的特征区域, 且对人脸图像、 绿色植物图像和工业零件图像的特征区域检测平均正确率分别为0.97,0.95,0.93, 处于优秀水平, 说明本文方法检测出的图像特征区域更全面, 检测精度更高.

表2 本文方法快速检测图像特征区域结果

表3为神经网络方法快速检测图像特征区域结果. 由表3可见, 该方法快速检测工业零件图像特征区域正确率较高, 平均检测正确率为0.81, 高于0.73, 表明该方法用于检测工业零件图像特征区域的效果较好； 但该方法正确检测绿色植物图像特征区域数量较低, 平均检测正确率为0.45, 低于0.50, 表明该方法用于检测绿色植物图像特征区域检测效果较差； 检测人脸图像特征区域的平均正确率为0.65, 处于普通水平. 实验结果表明, 该方法快速检测图像特征区域有一定的指向性, 不适用于人脸图像和绿色植物图像特征区域的检测, 检测结果可信度较差.

表3 神经网络方法快速检测图像特征区域结果

表4为相位一致性方法快速检测图像特征区域结果. 由表4可见, 该方法检测人脸图像特征区域和工业零件图像特征区域的平均正确率均较低, 分别为0.48和0.45, 检测绿色植物图像特征区域的平均正确率较高, 实际应用范围较窄.

表4 相位一致性方法快速检测图像特征区域结果

图4 不同方法对不同类型图像特征区域 检测的平均正确率Fig.4 Average correct rate of different methods for different types of image feature region detection

3种方法检测人脸图像、 绿色植物图像和工业零件图像特征区域检测的平均正确率如图4所示. 由图4可见, 本文方法检测人脸图像、 绿色植物图像和工业零件图像特征区域的平均正确率远高于神经网络和相位一致方法, 表明本文方法能较好地用于快速检测图像特征区域, 检测结果精度更高, 应用范围更广. 综合上述实验结果分析可知, 本文方法能快速检测图像特征区域, 且检测结果精度较高.

综上所述, 本文提出了一种基于尺度不变特征变换的快速图像特征区域检测方法, 先采用非局部均值滤波算法对图像进行去噪处理, 加强图像特征区域的清晰度, 便于后续快速检测图像特征区域, 再用尺度不变特征变换算法, 通过构建尺度空间确定特征点区域, 实现图像特征点的快速提取, 进一步实现图像特征区域检测. 实验结果表明, 该方法能快速、 准确地检测图像特征区域, 实用性较强.