[发明专利]一种图像特征提取和描述方法

说明书

技术领域

本发明涉及图像处理与计算机视觉领域，具体提供了一种适用于BoW(Bag of Words)模型应用在计算机视觉领域的图像特征提取与描述方法。

背景技术

图像分类作为图像处理的基础应用，长期以来受到各国专家学者以及工程技术人员的广泛关注。而BoW模型最初应用于文档处理领域，将文档表示成顺序无关的关键词的组合，通过统计文档中关键词出现的频率来进行匹配。近几年来，计算机视觉领域的研究者们成功地将该模型的思想移植到图像处理领域，通过对图像进行特征提取和描述，得到大量特征进行处理，从而得到用来表示图像的单词，并在此基础上构建视觉词典，然后对待分类图像采用相同的处理方法，将结果代入到训练的分类器中进行分类。该模型中最关键的步骤即为特征的提取与描述，传统方法中采用尺度无关特征变换(Scale-invariant Feature Transform，SIFT)方法应用于BoW模型，然而SIFT描述子只是针对图像的稳定特征点进行提取和描述，因此其必然存在信息丢失和遗漏的问题。在对图像应用SIFT描述子时，需要求图像具有较为标准的形式，例如图像尺寸足够大，关键物体所占比例足够大，这样才能保证有足够的特征点被提取后用到后续匹配。在特征点进行提取和描述的过程中，复杂度很高，需要消耗大量的计算时间，这也是对图像识别和分类任务不利的一面。而在BoW模型中，在进行特征提取环节之后，要应用聚类方法来生成视觉单词，因此如果在特征提取环节不能提供足够丰富的信息，则会直接影响生成的视觉单词的代表性，进而影响后续的分类准确度。因此，研究者们一直致力于对SIFT描述子进行改进或者用新的描述子来代替SIFT描述子应用于BoW模型中。例如采用PCA-SIFT描述子，通过一个正交矩阵变换把原数据变换到一个新的坐标系统中，从而实现高维数据向低维数据的转换，降低计算的复杂度。此外，还有加速鲁棒特征(Speeded Up Robust of Features，SURF)描述子，主要针对SIFT描述子进行了改进，其效率更高，鲁棒性更强。

发明内容

本发明的目的在于提供一种在应用于BoW模型时更高效的DF-SIFT(Dense Fast-SIFT)图像特征提取与描述方法。

本发明的目的是这样实现的：

本发明的一种图像特征提取和描述方法，包括：

(1)对输入图像进行格式判断，若是灰度图像则不作处理，若不是灰度图像，则转换为HSV模型；

(2)选取尺度参数；

(3)采用均匀采样方法，按选取的尺度参数，以相同像素间隔对图像的特征点进行提取，计算图像H通道、S通道、V通道的DF-SIFT描述子，将颜色信息应用到分类任务中，采样密度由参数步长进行控制，得到图像的密集特征；

(4)对密集特征进行描述。

图像H通道、S通道、V通道的DF-SIFT描述子的模型为：

s=0,ifmax=0max-minmax=1-minmax,otherwise,]]>

v＝max，

其中h代表色度，s代表饱和度、v代表亮度，max表示r，g，b三个分量中的最大值，min表示r，g，b三个分量中的最小值。

对密集特征进行描述，包括：

(1)将特征调整至0°；

(2)以特征点为圆心，以统一尺度为半径构造圆形区域，将落在该圆形区域的像素点分成4×4个不重叠的子区域；

(3)在每个子区域计算0°、45°、90°、135°、180°、225°、270°、315°八个方向的梯度值；