復雜場景下全景視覺圖像局部特征點檢測仿真

董富江,袁 淵

(寧夏醫(yī)科大學理學院,寧夏 銀川 750004)

1 引言

圖像信息可通過圖像特征得以體現(xiàn)[1],統(tǒng)計現(xiàn)有的圖像特征,可將其分為以下兩類,第一類為物體形狀、紋理和顏色等全局特征,第二類為斑點和角點等局部特征,全局特征與局部特征相比,具有描述性強的優(yōu)點,且提取過程復雜度較低,局部特征適用于復雜場景下的圖像識別[2]。在采集全景圖像時,光照條件和視角均不相同,且容易受到復雜背景的干擾,增加了提取圖像局部特征點的難度,在此背景下,對全景視覺圖像局部特征點檢測方法展開分析和研究具有重要意義。

王麗娜[3]等人首先劃分圖像,針對劃分得到的若干圖像塊,通過相位一致性中間矩獲得其對應的多矩圖,設置投票策略,對多矩圖中存在的特征點展開評分,選取評分最高的特征點作為圖像的局部特征點。該方法處理圖像時,容易丟失邊緣細節(jié)信息,存在邊緣保持能力差的問題。丁國紳[4]等人在鄰域范圍內粗匹配處理圖像像素信息,計算圖像相似程度,按照從高到低的順序對像素排序,選取前四組像素點,通過匹配校正特征點,完成特征點的提取。該方法檢測特征點所需的時間較長,且檢測結果不準確,存在檢測效率低和檢測準確率低的問題。

為了解決上述方法中存在的問題,提出復雜場景下全景視覺圖像局部特征點檢測方法。

2 全景視覺圖像去噪

采用經(jīng)驗模態(tài)分解(Empirical Mode Decomposition, EMD)方法將圖像x(t)分解的過程描述為:

(1)

式中,rZ代表剩余項;imfi代表分解得到的第i個IMF分量;Z代表IMF分量的數(shù)量。

圖像經(jīng)過EMD分解后被分解為低頻和高頻系數(shù),經(jīng)統(tǒng)計發(fā)現(xiàn),噪聲具有高頻特性,因此傳統(tǒng)的EMD方法對圖像去噪時,通常將圖像中的高頻分量直接丟棄,通過累加分解后的低頻IMF實現(xiàn)圖像的去噪處理,但這種去噪方式容易降低圖像的完整性,丟失圖像中存在的細節(jié)信息。

為了解決上述問題,結合經(jīng)驗模態(tài)分解方法和CLEAN算法對全景視覺圖像展開去噪處理,首先采用經(jīng)驗模態(tài)分解方法[5-6]分解全景視覺圖像,其次計算IMF分量對應的信息熵,高頻IMF分量的數(shù)量可通過IMF信息熵序列對應的最大值確定,最后通過CLEAN算法抑制高頻IMF分量中存在的噪聲,實現(xiàn)全景視覺圖像的去噪。

設Gi代表全景視覺圖像中imf對應的信息熵,可通過下式計算得到:

(2)

設gj是由分量信息熵之間的差值構成的序列,其表達式如下:

gj=|Gj+1-Gj|

(3)

假設信息熵差值序列中存在的第j個元素為最大值出現(xiàn)的地方,則需要對經(jīng)驗模態(tài)分解后的第1～j個IMF分量展開去噪處理。

CLEAN算法屬于頻域濾波方法[7-8],利用該方法對上述IMF分量展開去噪處理的具體過程如下:

1)令x=imfi,完成初始化處理;

2)對x展開傅里葉變換,將其轉移到頻域中,建立頻譜X=FFT(x),其中,FFT代表傅里葉變換;

3)將幅度最大值作為目標,搜索頻譜X中存在的頻率f1,并對其幅度σ1和相位γ1展開計算;

4)針對信號中存在的幅度最大的諧波分量x1,通過下式對其展開重構:

(4)

式中,t=1,2,…,T代表時間。

(5)

式中,n代表信號分量的數(shù)量。

對全景視覺圖像去噪的具體過程如下:

1)采用經(jīng)驗模態(tài)分解方法對全景視覺圖像展開分解處理,獲得Z個IMF分量;

2)計算imfi對應的信息熵值Gi;

3)根據(jù)Gi建立信息熵差值序列,以此確定全景視覺圖像中存在噪聲的IMF分量;

4)引入CLEAN算法對上述分量展開去噪處理;

5)疊加處理后的分量,實現(xiàn)全景視覺圖像的去噪處理。

3 局部特征點檢測

3.1 特征點提取

在HSV顏色空間[9-10]的基礎上多尺度分析全景視覺圖像,消除圖像中存在的冗余信息,提取全景視覺圖像的特征點。

采用二維小波分解方法處理全景視覺圖像Oi(x)的顏色、亮度、紋理和方向等特征信息,獲得上述信息的特征圖像Yi(x):

Yi(x)=WT[Oi(x)]

(6)

式中,WT代表二維小波分解。

設Di(x)代表上述特征的顯著圖像,可通過二維小波重構算法[11-12]重構上述特征圖像Yi(x)獲得:

(7)

式中,v(x)代表均值濾波器;h(x)代表高斯濾波器。

通過下式融合處理上述過程獲得的特征顯著圖Di(x),得到全景視覺圖像的局部特征顯著圖LM:

(8)

式中,li代表權值系數(shù);η代表調節(jié)系數(shù)。

譜殘差方法的主要作用是抑制圖像中出現(xiàn)頻率較高的特征,保持非常規(guī)特征的敏感性。經(jīng)過傅里葉變換后,圖像振幅譜S(f)對應的頻率與平均值之間成正比,即R[S(f)]∝1/f。

對數(shù)變換處理圖像的振幅,發(fā)現(xiàn)全局視覺圖像的平均振幅譜對應的對數(shù)具有一定的局部線性,可利用這個性質獲取全局視覺圖像的顯著區(qū)域。設T(f)代表全局視覺圖像的譜殘差,可通過下式計算得到:

T(f)=log[S(f)]-gnlog[S(f)]

(9)

全局視覺圖像的顯著信息存在于譜殘差中,因此傅里葉反變換處理譜殘差可以得到全局視覺圖像的顯著圖像,具體過程為:

1)傅里葉變換處理全景視覺圖像[13-14],獲取全景視覺圖像變換后對應的振幅譜S(f);

2)計算全景視覺圖像對應的相位譜A(f);

3)根據(jù)上述過程獲取的振幅譜S(f)和相位譜A(f)計算全景視覺圖像的譜殘差T(f);

4)反傅里葉變換處理圖像的A(f)和T(f),獲得全景視覺圖像的顯著圖像GM:

GM(x)=h(x)G-1{exp[T(f)+A(f)]}-2

(10)

式中,G-1代表反傅里葉變換。

結合全局特征顯著圖和局部特征顯著圖,獲得全景視覺圖像的最終特征顯著圖FM:

(11)

式中,ι代表調節(jié)系數(shù),通過上述特征顯著圖,獲得全景視覺圖像的局部特征點。

3.2 局部特征點選取

(12)

式中,δ代表加權指數(shù)。

通常情況下,信息熵Gi隨著Zλ的增大而增大,通過下式描述兩者之間的關系

Gβ(f)∝log[Zλ(Ci)/nβ]/(1-β)

(13)

式中,參數(shù)β在區(qū)間(0,1)內取值。

設DU代表特征點在全景視覺圖像中的分布均勻度,DU的值越大,表明特征點在全景視覺圖像中的分布越均勻,相反,DU的值越小,表明特征點聚集在全景視覺圖像中的某個區(qū)域中,DU可通過下式計算得到

(14)

設DD代表特征點的獨特性,具體指描述符向量空間中全局視覺圖像特征點的分布情況,獨特性DD越高,表明在全景視覺圖像描述符空間中特征點分布越均勻,獨特性DD的計算公式如下:

(15)

設SE代表特征點對應的覆蓋度,SE越大,表明在全景視覺圖像中特征點的分布范圍越大,SE的表達式如下:

(16)

式中,M×N代表全景視覺圖像的尺寸;DMST代表特征點圍成的最小凸多邊形對應的面積。

設Sn代表n個特征點對應的響應值之和,其表達式如下:

(17)

式中,Te(Ci)代表單個特征點在全景視覺圖像中對應的響應值。

根據(jù)特征點的DU、DD、SE、Sn獲取全景視覺圖像的局部特征點F:

F=w1DU+w2DD+w3SE+w4Sn

(18)

通過上式選取全景視覺圖像中的最優(yōu)局部特征點F,完成復雜場景下全景視覺圖像局部特征點檢測。

4 實驗與分析

為了驗證復雜場景下全景視覺圖像局部特征點檢測方法的整體有效性,需要對其展開測試。實驗所用樣本圖像均來自CIFAR-10(https:∥www.cs.toronto.edu/～kriz/cifar.html)數(shù)據(jù)集,該數(shù)據(jù)集由10個類別的60000個32×32彩色圖像組成,每個類共有6000個圖像。

復雜場景下采集全景視覺圖像時容易受到多種因素的影響,導致圖像中存在噪聲斑點,現(xiàn)采用所提方法、文獻[3]方法和文獻[4]方法對含噪全景視覺圖像展開去噪處理,結果如圖1所示。

圖1 不同方法的圖像去噪效果

由圖1可知,雖然文獻[3]方法的去噪效果優(yōu)于文獻[4]方法的去噪效果,但是仍然存在部分噪聲斑點,而采用所提方法可有效消除全景視覺圖像中存在的噪聲和斑點。說明所提方法的圖像去噪效果更高,有利于提升圖像特征點檢測效果。

為了客觀評價三種方法的去噪效果,引入邊緣保持能力ρEPI和有效視數(shù)φENL作為指標,對上述方法的去噪效果展開評價:

(19)

式中,(xi,yi)代表像素在圖像中對應的坐標;代表濾波后的圖像;U代表原始圖像;?代表標準差;代表圖像均值。根據(jù)式(19)計算得出三種方法的圖像去噪結果,如圖2所示。

圖2 去噪評價結果

根據(jù)圖2可知,所提方法的有效視數(shù)和邊緣保持能力均是最高的,表明所提方法全景視覺圖像去噪后,圖像具有良好的平滑性,且可有效保持圖像的邊緣信息。

現(xiàn)采用所提方法、文獻[3]方法和文獻[4]方法展開全局視覺圖像局部特征點檢測測試,測試上述方法的特征點檢測準確率和檢測效率,測試結果如表1所示。

表1 特征點檢測性能

根據(jù)表1中的數(shù)據(jù)可知,所提方法的圖像特征點檢測準確率高達99.7%,且檢測特征點用時最短,表明所提方法具有較高的檢測效率,因為所提方法建立了全景視覺圖像的顯著圖像,獲取圖像的特征點,并根據(jù)特征點的分布均勻性、獨特性、覆蓋度和響應值和選取最優(yōu)特征點,縮短了特征點的提取時間,提高了檢測準確率。

5 結束語

在圖像處理領域中,局部特征點檢測具有重要意義,目前全景視覺圖像局部特征點檢測方法存在去噪效果差、檢測準確率低和檢測效率低的問題,提出復雜場景下全景視覺圖像局部特征點檢測方法。首先對全景視覺圖像展開去噪處理,在此基礎上建立特征顯著圖像,根據(jù)顯著圖像完成局部特征點的檢測。該方法可有效消除全景視覺圖像中存在的噪聲和斑點,在檢測精度和檢測效率方面表現(xiàn)出良好的性能。