一種植物葉片圖像局部自適應樹形結構特征匹配方法
【專利摘要】本發(fā)明涉及一種植物葉片圖像局部自適應樹形結構特征匹配方法，構建了DOG特征點匹配基底，利用基底在已匹配的和未匹配的特征點之間抽取特征線結構，通過特征線結構可以自適應的結合局部描述子信息和特征點的空間分布約束，形成動態(tài)的參考關系樹。有效避免了現(xiàn)有方法在植物葉片發(fā)生不規(guī)則形變、高噪聲點下的縮放和旋轉組合、局部高重復模式等情況下難以取得良好匹配結果的問題，實現(xiàn)了高魯棒性的植物葉部圖像特征匹配方法，其適應性和準確度已達到了實際應用的要求。同時，本發(fā)明易于與現(xiàn)有的大量基于圖片的特征描述子進行結合，擴展出各類具有不同特性的基于圖像的特征匹配方法，對于計算機視覺中的經(jīng)典問題有著重要的意義。
【專利說明】一種植物葉片圖像局部自適應樹形結構特征匹配方法

【技術領域】
[0001]本發(fā)明屬于模式識別領域，涉及計算機圖形【技術領域】，尤其涉及一種植物葉片圖像局部自適應樹形結構特征匹配方法。

【背景技術】
[0002]圖像特征匹配是建立兩個圖片中的特征點集合的對應關系，是圖像拼接、場景識另O、圖像檢索、三維建模等應用領域必不可少的基礎支撐部分。與具有較規(guī)則幾何形狀的工業(yè)零件相比，自然狀態(tài)下植物的表面輪廓和外形特征都更為復雜。在處理特征匹配時，上述難點的表現(xiàn)也更加突出。作為重要的植物器官之一的葉片，對其進行基于圖像特征匹配，具體可以概括為如下幾個難點:(I)植物葉片表面具有明顯的局部相似特征，例如紋理、葉片顏色和空間分布的對稱性等。這樣的高局部重復模式一直是現(xiàn)有的特征匹配算法中的難點；(2)自然拍攝情況下，植物葉片本身具有明顯的不規(guī)則繞卷、扭曲等形變。由于形變的不規(guī)則性，給匹配模型的統(tǒng)一約束和具體的特征描述帶來了困難；(3)自然狀態(tài)下，植物葉部圖像的實際拍攝環(huán)境容易受到焦距、拍攝角度等因素的影響，所以在實際進行特征匹配時，往往要處理的是大量混雜的噪聲點和旋轉、縮放變換的組合問題，這同樣給匹配工作帶來困難。如上的幾類難點導致植物葉部圖像特征匹配不僅需要好的特征點選取方法，還需要更具魯棒性和準確度的特征匹配方法。
[0003]綜上所述，現(xiàn)有植物葉部圖像特征匹配方法由于針對大多都是特定拍攝條件下的對象，具有光照均勻、噪點干擾小、空間位置變換簡單、葉片表面形變相對規(guī)則等特點，因此還存在一些不足，主要表現(xiàn)在:(I)面對植物葉片的局部不規(guī)則繞卷、扭曲形變，現(xiàn)有方法難以構建統(tǒng)一的模型來描述它，無法引入有效的空間幾何約束規(guī)則來提高特征匹配精度；
(2)在無法引入規(guī)則幾何約束的情況下，單純的使用局部描述子的相似性處理匹配問題，難以獲得滿意的匹配結果；(3)在處理大量噪聲點混雜和旋轉縮放變換的組合時，匹配的精度難以提高。


【發(fā)明內容】

[0004]為解決現(xiàn)有技術中存在的實際拍攝過程中引入的高噪聲點干擾和圖像旋轉、縮放組合變換等問題，本發(fā)明的目的在于提供一種植物葉片圖像局部自適應樹形結構特征匹配方法，能夠靈活的進行特征匹配，從而解決實際的特征匹配應用中，現(xiàn)有方法在這些問題上難以取得良好匹配的問題。
[0005]為了實現(xiàn)上述目的，本發(fā)明提供的植物葉片圖像局部自適應樹形結構特征匹配方法，構建了 DOG特征點匹配基底，利用基底在已匹配的和未匹配的特征點之間抽取特征線結構，通過特征線結構可以自適應的結合局部描述子信息和特征點的空間分布約束，形成動態(tài)的參考關系樹，具體包括以下步驟:
[0006]步驟S1:構建植物葉片圖像的多分辨率高斯差值金字塔基底，將已經(jīng)抽取的特征點映射到高斯差基底中；
[0007]步驟S2:在步驟SI完成特征點映射的情況下，結合空間信息，在特征點集合中建立出一個參考三角形結構；
[0008]步驟S3:利用步驟S2的參考三角形結構，計算出葉片的局部尺度信息和旋轉信息，根據(jù)此信息構建局部變換模型，完成對特征點的空間劃分；
[0009]步驟S4:從步驟S3的參考三角形上某點出發(fā)進行特征樹的生長匹配，從已知點出發(fā)不斷自適應的向未知點擴展。通過結合局部特征描述、基底上構建的特征點間線特征和空間分布進行篩選，直到完成整棵樹形結構匹配；
[0010]步驟S5:重復執(zhí)行S2-S4的過程，直至無法從未匹配的特征點中篩選出參考三角形結構，匹配完成。
[0011]其中，步驟SI的具體步驟如下:
[0012]步驟Sll:通過公式:
[0013]L(x,.ν, ?') = G(x,.V, ?') ? /(λ% I’)
[0014]計算高斯尺度空間圖像,其中?表示對X和y方向上的卷積操作，G(x, y, δ )是一個變尺度的高斯函數(shù)。
[0015]步驟S12:將相鄰兩個不同尺度的高斯核卷積圖像相減，得到高斯差值圖像D(x, y, δ )。
[0016]步驟S13:引入相鄰兩個尺度空間倍數(shù)常數(shù)k對相鄰圖片進行近似采樣，通過公式:
[0017]D(x, y, δ) = (G(.\\ r, kd) - G{x,.v, c>')) ? I(x, y)
[0018]得到金字塔式高斯差值圖像，其中用圖像降采樣倍率k為1.5或2。
[0019]其中，步驟S2的具體步驟如下:
[0020]步驟S21:獲取原圖的特征點集合和目標圖的特征點集合，從原圖的特征點集合中隨機的抽取連續(xù)的一段特征點子集，利用局部特征描述子，依次與目標特征點集合中隨機抽取的連續(xù)特征點子集進行匹配。
[0021]步驟S22:利用比值篩選法形成小規(guī)模候選匹配集合，從中隨機抽取三對特征點，通過形成的三對特征邊的相似性進一步驗證匹配的正確性。若三角形上有兩條特征邊都驗證失敗，則刪除兩條邊所夾的特征點，從候選匹配特征點集合中再次隨機選則點對繼續(xù)匹配，直至三對特征邊均通過驗證，從而形成參考三角形結構。
[0022]其中，步驟S3的具體步驟如下:
[0023]步驟S31:利用參考三角形的約束，將待匹配的特征點依據(jù)空間分布情況進行劃分。
[0024]步驟S32:假設圖中待匹配特征點分布相對均勻，根據(jù)參考三角形計算出最佳的網(wǎng)格分割參數(shù)，然后完成特征點分布位置到粗粒度的網(wǎng)格空間的映射。
[0025]其中，步驟S4的具體步驟如下:
[0026]步驟S41:設As為原圖特征點集合中參考三角形上一點，令為整個匹配樹的樹根。
[0027]步驟S42:從As出發(fā)，在以半徑rbMnc；h范圍內任意選擇一個點Ds，利用原圖中的距離向量和特征線，在目標圖中找出一條符合條件的匹配點DT。
[0028]步驟S43:以原圖中Ds為中心，在其不包括Ds所在的方格范圍的八鄰域內找出下一點Es，相對的在目標圖中求出對應匹配位置Evi^以Evilr為中心提取相鄰網(wǎng)格，取出網(wǎng)格中的所有特征點為備選特征點。
[0029]步驟S44:利用局部特征和動態(tài)構建的特征線策略篩選出選出最佳匹配點，如E1tO接著，以新匹配的特征點E/為新始發(fā)點繼續(xù)匹配，擴展搜索和匹配新的特征點，直至完成整棵匹配樹的匹配工作。
[0030]本發(fā)明有效避免了現(xiàn)有方法在植物葉片發(fā)生不規(guī)則形變、高噪聲點下的縮放和旋轉組合、局部高重復模式等情況下難以取得良好匹配結果的問題，實現(xiàn)了高魯棒性的植物葉部圖像特征匹配方法，其靈活的適應性和較高的準確度已達到了實際應用的要求。同時，本發(fā)明易于與現(xiàn)有的大量基于圖片的特征描述子結合，擴展出各類具有不同特性的基于圖像的特征匹配方法，對于目標跟蹤，場景建模，圖像拼接，圖像檢索等計算機視覺中的經(jīng)典問題有著重要的意義。

【專利附圖】

【附圖說明】
[0031]圖1為植物葉片圖像局部自適應樹形結構特征匹配方法的方法流程圖。
[0032]圖2為具有不規(guī)則卷曲形變的梧桐葉片。
[0033]圖3為梧桐樹葉片的第1、3、5、7層特征基底層級圖。
[0034]圖4為梧桐樹葉片的特征點提取和標注圖。
[0035]圖5為梧桐樹葉片的特征點剖分和參考三角形構建。
[0036]圖6為梧桐樹葉片的不規(guī)則形變和旋轉下的樹形匹配。
[0037]圖7為梧桐樹葉片的特征點匹配連線圖。
[0038]圖8為楓樹葉片高重復模式和旋轉下的匹配。

【具體實施方式】
[0039]以下結合附圖詳細說明本發(fā)明技術方法中所涉及的各個細節(jié)問題。應指出的是，所描述的實施例僅旨在便于對本發(fā)明的理解，而對其不起任何限定作用。
[0040]一種植物葉片圖像局部自適應樹形結構特征匹配方法，其流程如圖1所示。該特征匹配方法構建了 DOG特征點匹配基底，利用基底在已匹配的和未匹配的特征點之間抽取特征線結構，通過特征線結構可以自適應的結合局部描述子信息和特征點的空間分布約束，形成動態(tài)的參考關系樹。
[0041]具體包括以下步驟:
[0042]步驟S1:構建葉部圖像的多分辨率高斯差金字塔基底。
[0043]以如圖2所示的具有不規(guī)則卷曲形變的梧桐葉片為例，將已經(jīng)抽取的特征點映射到基底空間中:首先計算高斯尺度空間圖像L(x, v,= G(x, ν, δ) ? Ι(χ,.V)，其中?表示對X和y方向上的卷積操作，G(x，y，δ)是一個變尺度的高斯函數(shù)。通過相鄰的兩個不同尺度的高斯核卷積的圖像相減，得出高斯差值圖像D(x，y, δ )，再引入相鄰兩個尺度空間倍數(shù)常數(shù)k 對相鄰圖片進行近似采樣，通過 0 =M) - G(x0...?’)) ?/(.Y，.V)，根要滿足的縮放和變形要求，選擇合適的金字塔層級。最終得到的金字塔式響應值圖像。其中，圖像降采樣倍率常數(shù)k取值為1.5或2。
[0044]如圖3所示的選用7層高斯降采樣金字塔，k = 1.5時，梧桐葉片第1、3、5、7層的基底。
[0045]步驟S2:從未匹配特征點中篩選建立參考三角形結構。
[0046]完成特征點映射的情況下，獲取原圖的特征點集合和目標圖的特征點集合，從原圖的特征點集合中隨機的抽取連續(xù)的一段特征點子集，利用局部特征描述子，依次與目標特征點集合中隨機抽取的連續(xù)特征點子集進行匹配。如圖4所示的梧桐樹葉片的特征點提取和標注圖。
[0047]將待匹配特征點集合分成粒度更小的子集，在子集合間通過簡單的比值法的快速篩選出候選匹配點，隨機抽取3個空間相對接近并且特征描述子成功匹配的候選點。最后，使用高斯差金字塔基底上構建的路徑特征對三角形的三條邊進行判定和篩選，若三角形上有兩條特征邊都驗證失敗，則刪除兩條邊所夾的特征點，從候選匹配特征點集合中再次隨機選則點對繼續(xù)匹配，直至三對特征邊均通過驗證，從而形成參考三角形結構。最終得到一個穩(wěn)定的局部參考三角形結構。
[0048]如圖5所示的梧桐樹葉片的特征點剖分和參考三角形構建。
[0049]步驟S3:利用特征三角形構建局部縮放和旋轉匹配模型，完成對空間特征點的剖分。
[0050]利用參考三角形對應的三對頂點(As, Bs, Cs) — (AT, Bt, Ct)計算出原圖到目標圖的局部縮放比例，根據(jù)局部縮放參數(shù)獲得特征匹配中最佳的匹配基底層對，后續(xù)的特征線提取皆從此特征基底層抽取，以克服了縮放情況下的匹配問題。
[0051]計算出參考三角形各自的形心Os和0T，進一步得到局部的特征生長參考方向OrF和PZ。在結合局部空間的點搜索匹配過程中，當遇到搜索方向判定時，均通過比較各自的生長參考方向進行判定和篩選，以有效克服匹配中的旋轉問題。
[0052]初始化縮放比和旋轉參考方向，假設特征點分布相對均勻，通過規(guī)則格網(wǎng)對特征點分布區(qū)域進行均勻剖分。通過設置一個二維網(wǎng)格結構將所有的特征點編號映射到對應的網(wǎng)格中，方便后續(xù)快速的空間查詢和搜索比較。對特征點的空間進行劃分原則為:盡量減少每個單元格中的特征點數(shù)，提高匹配速度；適當?shù)谋Ａ糇銐虻膯卧癯叽缫栽黾犹卣鬟叺膮^(qū)分度，增加單次匹配的區(qū)分程度。通過網(wǎng)格映射，特征點在后續(xù)的空間搜索匹配中將更容易進行局部搜索和查詢，同時避免了大量的錯誤匹配。如圖6所示的梧桐樹葉片的不規(guī)則形變和旋轉下的樹形匹配。
[0053]步驟S4，從參考三角形上某點出發(fā)，利用樹形生長匹配策略進行特征樹的生長匹配。
[0054]設As為從原圖中提取的參考三角形上一點，令其為整個匹配樹的樹根。從As出發(fā)，在以半徑產(chǎn)‘范圍內任意選擇一個點Ds，利用原圖中的特征點向量和特征點間在基底上形成的特征線篩選出目標圖中符合條件的匹配點DT。
[0055]以原圖中Ds為中心，在其不包括Ds所在的方格范圍的八鄰域內找出下一點Es，相對的在目標圖中求出對應匹配位置Evil^以E*為中心提取相鄰網(wǎng)格，取出網(wǎng)格中的所有特征點為備選特征點。
[0056]以規(guī)則格網(wǎng)邊長的一半rleaf為半徑畫圓，提取與圓相交的網(wǎng)格，取出網(wǎng)格中的所有特征點為備選的待匹配特征點Εητ，利用局部特征描述子和動態(tài)的特征線約束篩選出最佳匹配點ΕΛ以新匹配的特征點E/為新的始發(fā)點，繼續(xù)向下匹配。以此增量式擴張的動態(tài)搜索策略搜索整個區(qū)域，直到整棵匹配樹完成所有可以擴展的匹配為止。
[0057]如圖7所示的梧桐樹葉片的特征點匹配連線圖。
[0058]步驟S5，迭代匹配。
[0059]重復執(zhí)行步驟S2?S4，剔除已完成匹配的特征點，在剩下的點中繼續(xù)尋找參考三角形結構，建立新的局部搜索匹配模型進行搜索，直至無法提取出新的參考三角形結構為止，此時匹配最終完成。如圖8所示的楓樹葉片高重復模式和旋轉下的匹配。
[0060]以上所述，僅為本發(fā)明中的【具體實施方式】，但本發(fā)明的保護范圍并不局限于此，任何熟悉該技術的人在本發(fā)明所揭露的技術范圍內，可理想得到的變換和改型，也應視為被涵蓋在本發(fā)明的保護范圍之內。
【權利要求】
1.一種植物葉片圖像局部自適應樹形結構特征匹配方法，其特征在于首先構建了 DOG特征點匹配基底，利用基底在已匹配的和未匹配的特征點之間抽取特征線結構，通過特征線結構可以自適應的結合局部描述子信息和特征點的空間分布約束，形成動態(tài)的參考關系樹，具體包括以下步驟: 步驟S1:構建植物葉片圖像的多分辨率高斯差值金字塔基底，將已經(jīng)抽取的特征點映射到高斯差基底中； 步驟S2:在步驟SI完成特征點映射的情況下，結合空間信息，在特征點集合中建立出一個參考三角形結構； 步驟S3:利用步驟S2的參考三角形結構，計算出葉片的局部尺度信息和旋轉信息，根據(jù)此信息構建局部變換模型，完成對特征點的空間劃分； 步驟S4:從步驟S3的參考三角形上某點出發(fā)進行特征樹的生長匹配，從已知點出發(fā)不斷自適應的向未知點擴展。通過結合局部特征描述、基底上構建的特征點間線特征和空間分布進行篩選，直到完成整棵樹形結構匹配； 步驟S5:重復執(zhí)行S2-S4的過程，直至無法從未匹配的特征點中篩選出參考三角形結構，匹配完成。
2.根據(jù)權利要求1所述的植物葉片圖像局部自適應樹形結構特征匹配方法，其特征在于:所述步驟SI具體步驟如下: 步驟Sll:通過公式:
計算高斯尺度空間圖像，其中?表示對X和y方向上的卷積操作，G(X, y, δ )是一個變尺度的高斯函數(shù)。 步驟S12:將相鄰兩個不同尺度的高斯核卷積圖像相減，得到高斯差值圖像D(x, y, δ )。 步驟S13:引入相鄰兩個尺度空間倍數(shù)常數(shù)k對相鄰圖片進行近似采樣，通過公式:
D(.v, v, δ) = (6χ.ν, yΛδ) - G(x, ν, ?')) ? /(λ' ν) 得到金字塔式高斯差值圖像，其中用圖像降采樣倍率k為1.5或2。
3.根據(jù)權利要求1所述的植物葉片圖像局部自適應樹形結構特征點匹配方法，其特征在于:所述步驟S2具體步驟如下: 步驟S21:獲取原圖的特征點集合和目標圖的特征點集合，從原圖的特征點集合中隨機的抽取連續(xù)的一段特征點子集，利用局部特征描述子，依次與目標特征點集合中隨機抽取的連續(xù)特征點子集進行匹配。 步驟S22:利用比值篩選法形成小規(guī)模候選匹配集合，從中隨機抽取三對特征點，通過形成的三對特征邊的相似性進一步驗證匹配的正確性。若三角形上有兩條特征邊都驗證失敗，則刪除兩條邊所夾的特征點，從候選匹配特征點集合中再次隨機選則點對繼續(xù)匹配，直至三對特征邊均通過驗證，從而形成參考三角形結構。
4.根據(jù)權利要求1所述的植物葉片圖像局部自適應樹形結構特征匹配方法，其特征在于:所述步驟S3的具體步驟如下: 步驟S31:利用參考三角形的約束，將待匹配的特征點依據(jù)空間分布情況進行劃分。步驟S32:假設圖中待匹配特征點分布相對均勻，根據(jù)參考三角形計算出最佳的網(wǎng)格分割參數(shù)，然后完成特征點分布位置到粗粒度的網(wǎng)格空間的映射。
5.根據(jù)權利要求1所述的植物葉片圖像局部自適應樹形結構特征匹配方法，其特征在于:所述步驟S4的具體步驟如下: 步驟S41:設As為原圖特征點集合中參考三角形上一點，令為整個匹配樹的樹根。 步驟S42:從As出發(fā)，在以半徑產(chǎn)aneh范圍內任意選擇一個點Ds，利用原圖中的距離向量:^和特征線，在目標圖中 找出一條符合條件的匹配點DT。 步驟S43:以原圖中Ds為中心，在其不包括Ds所在的方格范圍的八鄰域內找出下一點Es，相對的在目標圖中求出對應匹配位置Evi^以Evilr為中心提取相鄰網(wǎng)格，取出網(wǎng)格中的所有特征點為備選特征點。 步驟S44:利用局部特征和動態(tài)構建的特征線策略篩選出選出最佳匹配點，如ΕΛ接著，以新匹配的特征點E/為新始發(fā)點繼續(xù)匹配，擴展搜索和匹配新的特征點，直至完成整棵匹配樹的匹配工作。
【文檔編號】G06T7/00GK104077770SQ201410271272
【公開日】2014年10月1日 申請日期:2014年6月17日 優(yōu)先權日:2014年6月17日
【發(fā)明者】孫熊偉, 陳雷, 袁媛, 曾新華, 卞程飛, 吳娜, 李淼, 萬莉 申請人:中國科學院合肥物質科學研究院