[发明专利]一种三维图像尺度不变特征的候选点选取方法

说明书

技术领域

本发明属于数字图像处理领域，具体涉及一种三维图像尺度不变特征提取方法。

背景技术

三维图像能够清晰地表达物体的内部组织结构及其空间纹理，在医学影像分析、地质学分析等领域有着广泛的应用。三维图像的特征提取方法是进一步分析的基础，对分析结果有着至关重要的影响。

尺度不变特征最初应用于二维图像的分析，是一种与图像的分辨率无关、能够反映图像模式的本质大小的局部特征。近年来，这种特征被扩展到三维图像分析领域，应用于三维图像匹配、配准、分类等领域。多量性是尺度不变特征的一个重要属性，用以确保为进一步的分析提供足够的信息。然而，由于增加了一个维度的约束，三维图像的尺度不变特征更容易受到图像噪声的干扰，这样就会导致大量的尺度不变特征的候选点由于图像噪声的影响而退出候选点集，最终导致特征分布比较稀疏，不具备多量性，从而进一步降低了统计分析的性能。因此，增加尺度不变特征的数量是提高三维图像统计分析性能的一个重要前提。

尺度不变特征的提取基于尺度空间理论，包括以下几个步骤：使用不同的高斯核对图像进行平滑，建立高斯金字塔；然后对高斯金字塔相邻两层图像进行差分，生成差分金字塔；提取差分金字塔中满足一定条件的极值点作为候选点；通过插值技术获取亚像(体)素精度的候选点；排除候选点中不稳定的低对比度点、强边缘响应点(例如三维表面点、管状点)后，剩余的候选点即图像的尺度不变特征点；使用邻域图像信息对尺度不变特征点进行描述，生成特征点对应的描述子。为了增加尺度不变特征的数量，可以将原始图像各维度均放大一倍后再提取特征，但这种方法只能增加小尺度部分的特征，而且极大地增加了计算复杂度。本发明主要考虑对候选点的约束，并基于此极大的增加了尺度不变特征的数量，从而确保了基于尺度不变特征的三维图像的统计分析的性能。

发明内容

为了克服已有技术的不足，本发明的目的在于设计一种数量可控的三维图像尺度不变特征的候选点选取方法，从而为进一步增强三维图像的分析性能提供基础保障。

为实现上述目的，本发明提出一种三维图像尺度不变特征的候选点选取方法，包括以下步骤：

步骤Sa，使用离散的高斯核对三维图像进行平滑，生成该三维图像的高斯金字塔；

步骤Sb，对高斯金字塔每组中相邻两层平滑图像进行差分，生成三维图像的差分金字塔；

步骤Sc，设定一邻域的约束半径，遍历差分金字塔中的每一点，判断该点是否为以该点为中心点且具有所述约束半径的邻域中的极值点，如果是，则将所述极值点作为尺度不变特征的候选点。

本发明针对三维图像尺度不变特征缺乏多量性问题，通过使用不同的约束半径的邻域，可以根据候选点数量的需求，产生不同数量的尺度不变特征候选点，进一步产生不同数量的尺度不变特征。特征提取实验表明，使用较小的约束半径，能够增加尺度不变特征的数量；仿真数据的特征匹配实验表明，使用较小的约束半径，能够产生更多的正确匹配点。

附图说明

图1是本发明所述尺度不变特征的候选点选取方法框图。

图2是约束半径为1的差分空间邻域示意图。

图3是约束半径为的差分空间邻域示意图。

图4是约束半径为的差分空间邻域示意图。

图5是约束半径为2的差分空间邻域示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

参照图1，本发明所述的一种三维图像尺度不变特征的候选点选取方法，具体实施步骤如下：

步骤Sa，使用离散的高斯核对三维图像进行平滑，生成该三维图像的高斯金字塔；

依据离散的尺度空间理论，尺度空间被分为o×s层，对应于高斯金字塔中的平滑图像分为o组，每组s+3层。令x、y、z分别表示图像的三个维度，I₀(x，y，z)表示原始的三维图像，那么，高斯金字塔表示为L_ij(x，y，z，σ_i)，(i＝0，1，...，s+2，j＝0，1，...，o-1)。其中第j组、第i层的平滑图像为L_ij(x，y，z，σ_i)，计算方式如下：

L_ij(x，y，z，σ_i)＝G(x，y，z，σ_i)*I_j(x，y，z)，