基于mmtd的sift圖像特征提取方法
【專利摘要】本發(fā)明公開了一種基于MMTD的SIFT圖像特征提取方法，該方法提高了圖像特征點(diǎn)提取準(zhǔn)確率，屬于圖像處理中的特征提取的研究領(lǐng)域。傳統(tǒng)的采用固定閾值篩選特征點(diǎn)的SIFT算法，很容易造成漏檢或者錯(cuò)檢特征點(diǎn)，導(dǎo)致后續(xù)圖像分割和圖像識(shí)別的精度較差。針對(duì)這樣的問題，本發(fā)明的方法根據(jù)圖像灰度化后的矩陣，運(yùn)用MMTD求出每個(gè)候選特征點(diǎn)8鄰域內(nèi)的距離比例函數(shù)，利用迭代化的方法自適應(yīng)地確定閾值，以此對(duì)特征點(diǎn)進(jìn)行篩選，減少特征點(diǎn)漏檢或者錯(cuò)檢的情況，最終達(dá)到提高后續(xù)圖像分割、圖像識(shí)別精度的效果。
【專利說明】[0001] 基于MMTD的SIFT圖像特征提取方法

【技術(shù)領(lǐng)域】
[0002] 本發(fā)明涉及圖像特征提取的【技術(shù)領(lǐng)域】，特別涉及一種基于MMTD的SIFT圖像特征 提取方法。

【背景技術(shù)】
[0003] 圖像特征包括像素灰度特征、色彩特征、區(qū)域特征、紋理特征、輪廓特征、邊緣特征 及角點(diǎn)特征等。特征提取是使用計(jì)算機(jī)提取圖像信息，決定每個(gè)圖像的點(diǎn)是否屬于一個(gè)圖 像特征。特征提取的結(jié)果是把圖像上的點(diǎn)根據(jù)不同的特征分為不同的子集，這些子集往往 屬于孤立的點(diǎn)、連續(xù)的曲線或者連續(xù)的區(qū)域。圖像特征提取的性能直接決定了后期圖像分 害!]、圖像識(shí)別效率和精度，是圖像處理研究領(lǐng)域的重要研究內(nèi)容。其中角點(diǎn)特征是圖像中最 常用的特征，角點(diǎn)檢測(cè)方法主要有Moravec算子、Harris算子、SUSAN算子等，角點(diǎn)檢測(cè)方法 計(jì)算量較小，但是對(duì)背景、視角、光照、大小和幾何畸變較敏感。
[0004] SIFT特征提取算法具有良好的尺度、旋轉(zhuǎn)、光照等不變特性，甚至對(duì)視角變化、幾 何畸變和成像噪聲也有較高的容忍性，因而成為了目前圖像特征提取方法的研究熱點(diǎn)。但 是傳統(tǒng)的SIFT特征提取算法采用固定灰度差閾值來提取特征點(diǎn)，灰度差閾值T決定了能夠 得到的特征點(diǎn)的數(shù)量。T越大，檢測(cè)到的極值點(diǎn)就越多，就有可能會(huì)誤檢一些極值點(diǎn)；T越 小，檢測(cè)到極值點(diǎn)就越少，有可能會(huì)漏檢。因此對(duì)于灰度細(xì)節(jié)比較豐富的圖像，灰度差閾值T 要根據(jù)具體情況來，對(duì)整幅圖像使用固定的T，檢測(cè)到的極值點(diǎn)的效果可能不理想，影響后 期的圖像分割和識(shí)別的精度。
[0005] 綜上所述，傳統(tǒng)的基于SIFT的特征提取算法采用固定閾值T，對(duì)不同的圖像要選 擇合適的閾值，比較繁瑣，而且配準(zhǔn)率不高，所以傳統(tǒng)的特征提取方法不能應(yīng)用在不同的圖 像中，需要對(duì)固定閾值T進(jìn)行了改進(jìn)，使其對(duì)細(xì)節(jié)豐富的圖像具有自適應(yīng)性，提高傳統(tǒng)SIFT 特征匹配的準(zhǔn)確率。而本發(fā)明能很好地解決上述問題。


【發(fā)明內(nèi)容】

[0006] 本發(fā)明目的在于提供一種基于MMTD (中介真值程度）的SIFT特征提取方法，解決 圖像SIFT特征提取中采用固定的T沒有考慮到不同圖像的差異，匹配效果并不是很好的問 題。所以針對(duì)不同的圖像，如何選取合適的閾值從而提高后期圖像匹配準(zhǔn)確率是圖像特征 點(diǎn)提取的重點(diǎn)問題。
[0007] 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：本方法是一種策略性的方法，通過 MMTD改進(jìn)閾值的方法和策略，改進(jìn)傳統(tǒng)SIFT特征提取算法，使其減少因固定閾值可能導(dǎo)致 的誤檢或者漏檢特征點(diǎn)的問題。
[0008] 目前的SIFT特征提取方法是，用固定的閾值來篩選掉D0G尺度空間檢測(cè)到的候選 特征點(diǎn)中存在的低對(duì)比度點(diǎn)和不穩(wěn)定的邊緣響應(yīng)點(diǎn)。但這種方式存在很多的缺點(diǎn)，在一些 特殊的圖像，如醫(yī)學(xué)圖像，醫(yī)生診斷所關(guān)注的焦點(diǎn)是對(duì)比度比較低的軟組織部分，傳統(tǒng)的方 法對(duì)任何圖像都采用固定的灰度差閾值T，這樣就會(huì)把需要的低對(duì)比度的部分過濾掉，大大 降低了后面的匹配精度。為了提高圖像配準(zhǔn)的精度，保留低對(duì)比度的點(diǎn)，我們要減小閾值來 提取更多的特征點(diǎn)；但是閾值太小會(huì)引入噪聲，采用固定的T沒有考慮到不同圖像的差異， 匹配效果并不是很好。為了解決這些問題，本發(fā)明提出了根據(jù)每幅圖像不同的灰度特性，利 用MMTD的方法迭代計(jì)算出灰度差閾值T，提高了傳統(tǒng)SIFT特征匹配的準(zhǔn)確率。
[0009] 方法流程： 如圖1所示，本發(fā)明提出一種基于MMTD的SIFT特征提取方法，其包括如下步驟： 1、尺度空間極值點(diǎn)檢測(cè)

【權(quán)利要求】
1. 一種基于MMTD的SIFT特征提取的方法，其特征在于，包括： 步驟1)根據(jù)公式（7)計(jì)算距離比率函數(shù)h(x，y)的公式，計(jì)算中心像素點(diǎn) center=x(i, j)與其周圍8個(gè)像素點(diǎn)的相似性距離； 步驟2)利用步驟1的方法循環(huán)計(jì)算每個(gè)候選特征點(diǎn)x(i，j)與其8個(gè)鄰域點(diǎn)的距離， 組成D ; 步驟3)確定初始閾值T= (max(D) +min(D))/2; 步驟4)根據(jù)初始閾值分割成兩部分，大于閾值T的ΤΙ，小于閾值T的T2 ; 步驟5)分別計(jì)算Tl，Τ2的均值Pl，Ρ2 ; 步驟6)計(jì)算新閾值ΤΤ=(Ρ1+Ρ2)/2 ; 步驟7)重復(fù)步驟4、步驟5和步驟6,直到兩部分閾值差d=T-TT，小于允許的值allow 即while ((d= (T-TT)) >=allow)，用新閾值TT取代原來閾值T，然后重復(fù)步驟4、步驟5和步 驟6 ; 步驟8)采用公式（6)計(jì)算出每個(gè)精確的特征點(diǎn)對(duì)應(yīng)的
，若』
〈T，視為對(duì) 比度低，把該特征點(diǎn)過濾掉；否則，保留下來。
2. 根據(jù)權(quán)利要求1所述的一種基于MMTD的SIFT特征提取的方法，其特征在于：確定 閾值T，去除低對(duì)比度的極值點(diǎn)和不穩(wěn)定的邊緣響應(yīng)點(diǎn)，得到精確的特征點(diǎn)。
3. 根據(jù)權(quán)利要求1所述的一種基于MMTD的SIFT特征提取的方法，其特征在于：步驟 1中根據(jù)公式（7)計(jì)算中心像素點(diǎn)與其周圍鄰域8個(gè)像素點(diǎn)的相似性距離。
4. 一種基于MMTD的SIFT特征提取的方法，其特征在于，包括如下步驟： 步驟1)尺度空間極值點(diǎn)檢測(cè)；
(1) (2) (3) 其中公式（1)為可變尺度的二維高斯函數(shù)G(x，y，〇)的計(jì)算方法，公式（2)中L(x，y ，σ)為圖像函數(shù)的尺度空間，I (x，y)為原始圖像；公式（3)建立DOG尺度空間金字塔模 型；把DOG尺度空間每個(gè)點(diǎn)與相鄰尺度和相鄰位置的點(diǎn)逐個(gè)進(jìn)行比較，得到的局部極值點(diǎn) 的就是特征點(diǎn)； 步驟2)精確確定極值點(diǎn)位置； 使用Taylor級(jí)數(shù)將尺度空間函數(shù)D(x，y，〇)在局部極值點(diǎn)A(x，y, 〇)處展開(最 高到2次項(xiàng)）：
(4) 其中X是距離局部極值點(diǎn)A(x，y，c〇的偏移量，式（4)對(duì)X求偏導(dǎo)數(shù)，令其為零，得 (5) 到興趣點(diǎn)精確的位置1，如下式： 將公式（5)代回公式（4)中，得：
(6) 所有極值點(diǎn)都可求出，如果該值小于某個(gè)閾值τ，視為對(duì)比度太低，則將對(duì)應(yīng)的 極值點(diǎn)剔除； 步驟3)關(guān)鍵點(diǎn)方向分配； 利用關(guān)鍵點(diǎn)鄰域像素的梯度方向分布特性為每個(gè)關(guān)鍵點(diǎn)指定方向參數(shù)，使算子具備旋 轉(zhuǎn)不變性；
(8) (9) 用公式（8)計(jì)算關(guān)鍵點(diǎn)（X，y)處梯度的模值，用公式（9)計(jì)算關(guān)鍵點(diǎn)處梯度的方向； 其中L為每個(gè)關(guān)鍵點(diǎn)各自所在的尺度； 步驟4)特征點(diǎn)描述子生成； 將每個(gè)關(guān)鍵點(diǎn)用一組向量（包括位置、尺度、方向等信息）描述出來，形成描述子；描述 子采用4X4X8 = 128維向量表征，即最終形成128維的SIFT特征向量，即特征描述符。
【文檔編號(hào)】G06K9/46GK104123554SQ201310141022
【公開日】2014年10月29日 申請(qǐng)日期:2013年4月23日 優(yōu)先權(quán)日:2013年4月23日
【發(fā)明者】周寧寧, 楊曉琳 申請(qǐng)人:南京郵電大學(xué)