[发明专利]一种用于图像特征处理的RATMIC描述子的构造方法

说明书

技术领域

本发明涉及图像处理领域，特别涉及一种用于图像特征处理的描述子的构造方法。

背景技术

长久以来，机器视觉认知一直是人们研究的热点，它是研究使用机器或计算机智能的认知周围物体的科学。然而，即使是一个非常简单的物体，要使用机器或计算机去识别它都是一件十分不容易的事。其中，最为关键的莫过于是物体特征的表示或描述，也就是说，究竟提取何种特征以及如何提取这些特征才能有效的区分不同物体。局部不变性特征的出现，为解决这一问题的提供了希望，它作为一种十分有效的手段已被成功地应用到广泛的领域和系统中，包括宽基线匹配、物体检测和识别、纹理识别、场景分类、机器人漫游和视觉数据挖掘等。

在图像不变性特征的提取中，Harris角点检测子通过计算二次矩矩阵的特征值来判断曲线的曲率，进而检测角点。Hessian检测子利用Hessian矩阵提取图像特征，主要响应角点和很强的纹理区域。然而Harris角点检测子和Hessian检测子不具备仿射不变性。因此，Krystian Mikolajczyk等人在自动尺度选择理论和二阶矩开方运算的基础上实现了带仿射不变性的Harris角点检测子和Hessian检测子。MSER(Maximally Stable Extremal Region)利用最大稳定极值区域的概念实现了具备仿射不变性的斑点区域检测。FAST(Features from Accelerated Segment Test)在AST标准的基础上，通过机器学习的方法建立判定树，从而进行角点检测，还可以通过在源图像上建立图像金字塔使其具备尺度不变性。然而，FAST角点检测子只能同时有效应对某一类场景的角点检测。为了使FAST角点检测子更具普遍性，Elmar Mair等人通过建立两棵头尾相连的判定树使AST标准能更有效地应对不同场景的角点检测，即AGAST(Adaptive and Generic Accelerated Segment Test)。

在图像不变性特征提取和描述的研究领域中，SIFT算法作为经典的算法。它不仅具备了尺度不变性，并且对仿射变换、亮度变换和图像投影变换具有鲁棒性，而且是后续多种不变性特征提取和描述算法的前期基础，思路源泉和对比依据。但是SIFT算法存在下述的三点不足：

一、构造时间消耗大

在Intel Core 2 Duo CPU 2.10GHz实验环境下利用SIFT算法对大小为680×850的图像进行9596个兴趣点的提取与描述的时间消耗比例图，整个过程耗时9298毫秒；最耗时的过程一个是主方向的估计，另一个是描述子的构造，这两个过程总共占了75%以上的时间；时间主要消耗在对兴趣区域内所有像素点进行梯度大小和方向的计算；确定主方向时，需要对兴趣区域进行旋转，其中涉及多次双线性插值计算，而SIFT描述子的构造在计算梯度时又必须与高斯概率密度函数相乘，增加了SIFT算法的计算量；通过上述分析，可以看出SIFT描述子的构造是非常耗时的，不适用于实时性设备；

二、只能有效应对均匀线性亮度变化

SIFT算法依赖着兴趣区域内采样点的梯度计算，当图像发生相同增量的亮度变化时，即原图像所有像素点的像素值从I(x,y)变成I(x,y)+Δ时，由于增量Δ相同，在计算梯度时，刚好相互抵消，因此SIFT算法对等增量亮度变化具有不变性；SIFT算法为了应对缩放亮度变化，即像素值从I(x,y)变成k*I(x,y)，SIFT算法通过将描述子向量进行欧氏距离单位化，实现亮度缩放变化不变性，由于以上两种亮度变化合成了均匀线性亮度变化，即图像所有像素点同时发生相同的线性亮度变化，因此，SIFT算法能够有效地应对线性亮度变化，即像素值从I(x，y)变成k*I(x，y)+Δ；但是当图像发生非均匀亮度变化f(x,y)*I(x,y)+Δ(x,y)时，梯度计算无法抵消非均匀亮度变化，从而影响到SIFT描述子的构造，从而进一步影响SIFT算法的性能；而这种非均匀亮度变化又是不同角度拍摄物体时经常发生的，所以SIFT算法对于亮度变化的鲁棒性具有一定局限性，不适用于非均匀亮度变化情况下的图像匹配；

三、固定地划分子区域降低了准确率

SIFT描述子在构造时，为了充分利用空间信息，把兴趣区域划分成固定子区域，最后将各个子区域的描述子向量串联起来形成SIFT描述子；SIFT算法为了具备旋转不变性，在划分子区域前，将兴趣区域旋转至兴趣区域的主方向；而SIFT算法又是通过统计兴趣区域内所有点的梯度方向确定兴趣区域的主方向，这种方法在Bin Fan等人的文献中被证明是不稳定的，同时也是描述子误差的主要来源；因此这种固定划分子区域方法降低了准确率。