[发明专利]基于缺失重要性的图像特征点自动检测方法

说明书

技术领域

本发明涉及计算机视觉中的图像特征自动检测领域，尤其涉及一种图像特征点的自动检测方法。

背景技术

特征点自动检测技术在图像检索、物体识别、视频跟踪以及增强现实等诸多领域有着重要应用。近些年来出现了较多特征点自动检测算法，比较有代表性的算法包括：（1）论文“SUSAN–A New Approach to Low Level Image Processing.International Journal of Computer Vision.1997,23(1):45-78”提出的SUSAN方法；（2）论文“Robust Image Corner Detection Through Curvature Scale Space.IEEE Trans on Pattern Analysis and Machine Intelligence.1998,20(12):1376-1381”提出的CSS方法；（3）论文“基于局部方向分布的角点检测及亚像素定位.软件学报.2008,19(11):2932-2942”提出的LOD方法。

上述方法中，SUSAN方法对图像噪音与阈值选择较为敏感；LOD方法尽管检测出的特征点具有较高的精度，但由于其步骤繁多且需要进行数据拟合，效率较低；CCS算法由于其优良的综合性能，是目前最为常用的检测方法。CSS方法的基本算法步骤为：步骤一，利用Canny边缘检测算子进行边缘检测；步骤二，在边缘图上将间断不完整的边缘连接为完整的边缘；步骤三，在连接后的边缘图上检测曲率极大值点；步骤四，通过在尺度空间进行跟踪寻找特征点的精确位置。

该方法的主要问题在于步骤一使用Canny算子带来的问题：（1）Canny边缘检测算子使用的高斯滤波导致图像边缘特征位置发生偏移，故此需要步骤四在多尺度空间跟踪特征点的精确位置，一方面实现相对复杂，另一方面通过跟踪获得的位置依旧不是十分准确；（2）Canny算子执行过程中进行的高斯滤波导致获得的边缘经常断裂而不完整，故此需要步骤二对边缘重新进行连接，连接过程经常会导致特征点位置偏移、缺失、错误，并最终影响特征检测的准确性。

发明内容

本发明主要解决数字图像中特征点自动检测问题，目的是提供一种不需要进行高斯滤波的简单而具有更高准确性的特征点自动检测方法。为实现本目的，本发明提供的方法主要包括以下步骤：

步骤S1：采集图像、输入计算机并将其转化为灰度图像；

步骤S2：计算图像中各点处的均值缺失重要性；

步骤S3：计算图像中各点处的标准差缺失重要性；

步骤S4：利用均值缺失重要性进行边缘点标记；

步骤S5：利用标准差缺失重要性进行特征点标记；

步骤S6：输出步骤S5所标记的特征点。

本发明提供的基于缺失重要性的图像特征点自动检测方法，在继承CSS算法的基本思路“先进行边缘检测而后在边缘图上进行特征点检测”的基础上进行了改进。相比于CSS算法，该方法通过基于统计量定义的均值重要性与标准差缺失重要性，不再使用Canny边缘检测算子进行边缘检测，避免了由于高斯滤波造成最终边缘检测结果不准确与不完整，并最终保证了在边缘图上进行特征点检测的准确性与完整性。此外，由于不再需要在尺度空间对特征点的位置进行跟踪，相对于现有的CSS方法，本发明提供的方法更为简单与易于实现。

附图说明

图1所示为本发明基于缺失重要性的图像特征点自动检测方法的流程图。

具体实施方式

如图1所示为本发明基于缺失重要性的图像特征点自动检测方法的流程图。本发明提供的方法的主要步骤包括：采集图像、输入计算机并将其转化为灰度图像；计算图像中各点处的均值缺失重要性；计算图像中各点处的标准差缺失重要性；利用均值缺失重要性进行边缘点标记；利用标准差缺失重要性进行特征点标记；输出所标记的图像特征点。各步骤的具体实施细节如下：

步骤S1：采集图像、输入计算机并将其转化为灰度图像；