基于尺度不變特征變換的快速圖像特征區(qū)域檢測

丁 永 勝

(齊齊哈爾大學(xué) 理學(xué)院, 黑龍江 齊齊哈爾 161006)

尺度不變特征轉(zhuǎn)換(scale-invariant feature transform, SIFT)是一種利用機(jī)器視覺提取圖像局部特征[1-3]的算法, 其通過在空間尺度中尋找極值點(diǎn), 提取圖像的位置、 尺度、 旋轉(zhuǎn)不變數(shù)等特征. 快速檢測圖像特征區(qū)域時, 圖像中噪聲等干擾信息對加速檢測圖像特征區(qū)域有一定干擾, 在檢測圖像特征區(qū)域前, 應(yīng)對圖像進(jìn)行去噪處理, 有助于圖像特征區(qū)域的快速檢測. 目前已有許多檢測圖像特征區(qū)域的算法: 文獻(xiàn)[4]采用神經(jīng)網(wǎng)絡(luò)算法檢測圖像特征區(qū)域, 通過分層檢測圖像的特征區(qū)域, 加強(qiáng)圖像分割的精度, 但該方法運(yùn)算過程復(fù)雜度較高, 不利于快速檢測圖像特征區(qū)域； 文獻(xiàn)[5]提出一種相位一致性算法, 但未考慮圖像噪聲影響對圖像特征區(qū)域檢測的干擾作用, 導(dǎo)致圖像特征區(qū)域檢測精度較低, 實(shí)際應(yīng)用效果較差； 文獻(xiàn)[6]將全局約束理念融入到尺度不變特征變換的圖像特征區(qū)域檢測中, 降低了檢測過程的實(shí)時性, 但得到圖像特征區(qū)域檢測結(jié)果存在較大延時, 檢測結(jié)果不可靠.

針對上述問題, 本文提出一種基于尺度不變特征變換的快速圖像特征區(qū)域檢測方法, 以實(shí)現(xiàn)圖像特征區(qū)域快速和準(zhǔn)確檢測, 并完成圖像特征區(qū)域的全面檢測.

1 快速圖像特征區(qū)域檢測方法

1.1 非局部均值濾波圖像去噪 圖像中通常均存在一定程度的噪聲干擾, 對快速檢測圖像特征區(qū)域影響較大, 對圖像特征區(qū)域檢測精度也影響較大[7], 因此在對圖像特征區(qū)域檢測前需對圖像進(jìn)行去噪處理, 加速圖像特征區(qū)域檢測精度.

非局部均值濾波(NL-Means)算法對圖像中各像素加權(quán)平滑處理時考慮了圖像的局部結(jié)構(gòu)相似性, 去噪效果較好[8], 噪聲模型為

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

(1)

其中:N(x)表示不含有噪聲的圖像;B(x)表示含有噪聲的圖像.

圖像去噪過程如下： 假設(shè)噪聲去除前的圖像分別為d和NL[d], 其中d={d(x)|x∈X},X表示圖像域. 利用圖像中所有像素灰度值的加權(quán)平均獲取該點(diǎn)的灰度估計(jì)值為

(2)

(3)

其中:ε為標(biāo)準(zhǔn)差; ‖·‖2表示范數(shù). 定義權(quán)值ω(x,y)為

(4)

hk(L(x,y))=-exp{-L(x,y)/χ2},

(5)

其中χ表示衰減因子, 影響圖像去噪性能.

1.2 快速圖像特征區(qū)域檢測

1.2.1 尺度空間構(gòu)建與特征點(diǎn)區(qū)域確立 基于上述圖像去噪結(jié)果, 構(gòu)建圖像高斯尺度空間, 尺度空間為高斯核G(x,y,ε)與去噪后圖像的卷積[12], 表示為

C(x,y,ε)=G(x,y,ε)*X(x,y),

(6)

其中:C表示尺度空間; (x,y)為去噪后像素坐標(biāo);ε為高斯函數(shù)的標(biāo)準(zhǔn)差, 也稱為尺度因子[13], 選取不同尺度因子可得不同尺度圖像. 定義二維高斯核G(x,y,ε)為

(7)

為快速檢測出圖像中特征區(qū)域, 引入高斯差分尺度空間K(x,y,ε), 公式為

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為固定系數(shù), 其值取決于尺度空間的階數(shù);H為Hessian矩陣. 若去噪后圖像中像素點(diǎn)在高斯差分尺度空間中比相鄰尺度空間中特征點(diǎn)的值大或小, 即定義該點(diǎn)所在區(qū)域?yàn)閳D像特征點(diǎn)所在區(qū)域.

1.2.2 特征點(diǎn)快速提取 由于高斯差分尺度空間對圖像特征區(qū)域檢測較敏感, 因此為快速獲取較精確的圖像特征區(qū)域, 需進(jìn)一步提取圖像特征點(diǎn).

1) 刪除低對比度像素點(diǎn). 將尺度空間中的局部極值點(diǎn)(x0,y0,ε)展開, 得

(9)

設(shè)式(9)結(jié)果為0, 得最大圖像域Xmax為

(10)

將式(10)代入式(9), 可得

(11)

式(11)可有效去除圖像中對比度低、 不穩(wěn)定的像素點(diǎn), 有助于加速圖像特征區(qū)域的檢測效率, 且刪除K(Xmax)絕對值小于0.03的像素點(diǎn), 保留其絕對值大于0.03的像素點(diǎn).

2) 刪除邊緣像素點(diǎn). 圖像邊緣響應(yīng)點(diǎn)對提升圖像特征區(qū)域檢測有較大幫助,K(Xmax)在橫跨圖像邊緣處Kxx的曲率較大, 垂直于圖像邊緣方向Kxy的曲率較小, 利用Hessian矩陣計(jì)算主曲率, 計(jì)算公式為

(12)

已知主曲率與Hessian矩陣H的特征值間為正比關(guān)系, 假設(shè)φ和φ分別為數(shù)值較大和較小的特征值, 且有

(13)

假設(shè)特征值φ和φ存在, 且有φ=λφ, 其中λ為一固定常數(shù), 則有

(14)

當(dāng)tr(H)2/det(H)≤(λ+1)/λ存在時, tr/det為求解矩陣, 即確定該點(diǎn)為特征點(diǎn), 該點(diǎn)所在區(qū)域即為圖像特征區(qū)域; 反之, 該點(diǎn)為非特征點(diǎn), 舍棄. 圖像特征點(diǎn)確定后, 該點(diǎn)所在區(qū)域即為圖像特征區(qū)域.

2 實(shí)驗(yàn)分析

為驗(yàn)證本文方法快速檢測圖像特征區(qū)域的有效性, 選取多幅實(shí)驗(yàn)室圖像在MATLAB仿真實(shí)驗(yàn)平臺上進(jìn)行分析, 并與基于神經(jīng)網(wǎng)絡(luò)的快速圖像特征區(qū)域檢測方法和基于相位一致性的快速圖像特征檢測方法進(jìn)行對比. 實(shí)驗(yàn)共設(shè)置包括人臉、 綠色植物和工業(yè)零件3組實(shí)驗(yàn)圖像, 且每組實(shí)驗(yàn)中包括大小不同的5幅圖像, 3種方法檢測不同尺寸圖像特征區(qū)域耗時列于表1.

表1 3種方法的圖像特征區(qū)域檢測耗時(s)

圖1為3種方法對人臉圖像特征區(qū)域檢測耗時. 由圖1可見, 3種方法檢測人臉圖像特征區(qū)域耗時均隨圖像尺寸的增大而增大, 本文方法檢測人臉圖像特征區(qū)域耗時最短, 神經(jīng)網(wǎng)絡(luò)檢測人臉圖像特征區(qū)域耗時最長. 圖2為3種方法對綠色植物圖像特征區(qū)域檢測耗時. 由圖2可見： 本文方法檢測綠色植物圖像特征區(qū)域耗時最短； 神經(jīng)網(wǎng)絡(luò)檢測方法檢測不同尺寸綠色植物圖像特征區(qū)域耗時相差較大, 檢測結(jié)果可信度較低； 相位一致性檢測方法耗時始終較長, 應(yīng)用在檢測綠色植物圖像特征區(qū)域中效率較低. 圖3為工業(yè)零件圖像特征區(qū)域檢測耗時. 由圖3可見, 本文方法檢測工業(yè)零件圖像特征區(qū)域耗時最短, 神經(jīng)網(wǎng)絡(luò)檢測工業(yè)零件圖像特征區(qū)域耗時波動較大.

圖1 3種方法對人臉圖像特征區(qū)域檢測耗時Fig.1 Time consumption of three methods for image feature region detection of face

圖2 3種方法對綠色植物圖像特征區(qū)域檢測耗時Fig.2 Time consumption of three methods for image feature region detection of green plant

圖3 工業(yè)零件圖像特征區(qū)域檢測耗時Fig.3 Time consumption for image feature region detection of industrial part

上述實(shí)驗(yàn)結(jié)果表明, 本文方法可快速檢測人臉圖像、 綠色植物圖像和工業(yè)零件圖像特征區(qū)域, 且檢測過程較穩(wěn)定. 但由于一幅圖像中可能包含多個特征區(qū)域, 且不同特征區(qū)域包含不同特征信息, 因此, 快速、 準(zhǔn)確地檢測出圖像中包含的全部特征區(qū)域是檢驗(yàn)本文方法有效的重要指標(biāo). 實(shí)驗(yàn)選擇上述3組圖像, 其中在人臉圖像、 綠色植物圖像和工業(yè)零件圖像中分別預(yù)設(shè)7,12,15個特征區(qū)域 , 比較3種方法快速檢測出圖像特征區(qū)域的正確率, 且檢測圖像特征區(qū)域正確率高于0.72為優(yōu)秀水平, 正確率在0.50～0.72為普通水平, 正確率低于0.50為較差水平, 結(jié)果分別列于表2～表4.

表2為本文方法快速檢測圖像特征區(qū)域結(jié)果. 由表2可見, 本文方法快速檢測人臉圖像、 綠色植物圖像和工業(yè)零件圖像的特征區(qū)域更全面, 多次正確檢測出圖像中所有的特征區(qū)域, 且對人臉圖像、 綠色植物圖像和工業(yè)零件圖像的特征區(qū)域檢測平均正確率分別為0.97,0.95,0.93, 處于優(yōu)秀水平, 說明本文方法檢測出的圖像特征區(qū)域更全面, 檢測精度更高.

表2 本文方法快速檢測圖像特征區(qū)域結(jié)果

表3為神經(jīng)網(wǎng)絡(luò)方法快速檢測圖像特征區(qū)域結(jié)果. 由表3可見, 該方法快速檢測工業(yè)零件圖像特征區(qū)域正確率較高, 平均檢測正確率為0.81, 高于0.73, 表明該方法用于檢測工業(yè)零件圖像特征區(qū)域的效果較好； 但該方法正確檢測綠色植物圖像特征區(qū)域數(shù)量較低, 平均檢測正確率為0.45, 低于0.50, 表明該方法用于檢測綠色植物圖像特征區(qū)域檢測效果較差； 檢測人臉圖像特征區(qū)域的平均正確率為0.65, 處于普通水平. 實(shí)驗(yàn)結(jié)果表明, 該方法快速檢測圖像特征區(qū)域有一定的指向性, 不適用于人臉圖像和綠色植物圖像特征區(qū)域的檢測, 檢測結(jié)果可信度較差.

表3 神經(jīng)網(wǎng)絡(luò)方法快速檢測圖像特征區(qū)域結(jié)果

表4為相位一致性方法快速檢測圖像特征區(qū)域結(jié)果. 由表4可見, 該方法檢測人臉圖像特征區(qū)域和工業(yè)零件圖像特征區(qū)域的平均正確率均較低, 分別為0.48和0.45, 檢測綠色植物圖像特征區(qū)域的平均正確率較高, 實(shí)際應(yīng)用范圍較窄.

表4 相位一致性方法快速檢測圖像特征區(qū)域結(jié)果

圖4 不同方法對不同類型圖像特征區(qū)域 檢測的平均正確率Fig.4 Average correct rate of different methods for different types of image feature region detection

3種方法檢測人臉圖像、 綠色植物圖像和工業(yè)零件圖像特征區(qū)域檢測的平均正確率如圖4所示. 由圖4可見, 本文方法檢測人臉圖像、 綠色植物圖像和工業(yè)零件圖像特征區(qū)域的平均正確率遠(yuǎn)高于神經(jīng)網(wǎng)絡(luò)和相位一致方法, 表明本文方法能較好地用于快速檢測圖像特征區(qū)域, 檢測結(jié)果精度更高, 應(yīng)用范圍更廣. 綜合上述實(shí)驗(yàn)結(jié)果分析可知, 本文方法能快速檢測圖像特征區(qū)域, 且檢測結(jié)果精度較高.

綜上所述, 本文提出了一種基于尺度不變特征變換的快速圖像特征區(qū)域檢測方法, 先采用非局部均值濾波算法對圖像進(jìn)行去噪處理, 加強(qiáng)圖像特征區(qū)域的清晰度, 便于后續(xù)快速檢測圖像特征區(qū)域, 再用尺度不變特征變換算法, 通過構(gòu)建尺度空間確定特征點(diǎn)區(qū)域, 實(shí)現(xiàn)圖像特征點(diǎn)的快速提取, 進(jìn)一步實(shí)現(xiàn)圖像特征區(qū)域檢測. 實(shí)驗(yàn)結(jié)果表明, 該方法能快速、 準(zhǔn)確地檢測圖像特征區(qū)域, 實(shí)用性較強(qiáng).