[发明专利]具有高稳定性的图像特征及其分析方法

说明书

本发明公开了具有高稳定性的图像特征及其分析方法，涉及图像特征与分析方法，包括在SIFT算法基础上的变换，具体包括以下步骤：S1，对图像进行尺度变化后，提取特征，包括梯度、极值、Harris角点、边缘归一化；S2，利用高斯微分函数筛选图像特征；S3，确定图像局部的梯度方向；S4，关键点描述。S1采用高斯差分金字塔进行尺度归一化。本发明尺度归一化的高斯拉普拉斯函数，能够产生最稳定的图像特征，进而有效计算出更为精确的特征方向，提高图像检测的精度。

技术领域

本发明涉及一种图像特征与分析方法，具体涉及具有高稳定性的图像特征及其分析方法。

背景技术

尺度不变特征转换(Scale-invariant feature transform或SIFT)是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量，此算法由David Lowe在1999年所发表，2004年完善总结。但目前还没有具体的实现和具体策略。

发明内容

本发明所要解决的技术问题是尺度空间变化的稳定特征点，并计算出关键点的方向，目的在于提供具有高稳定性的图像特征及其分析方法，解决上述问题。

具有高稳定性的图像特征及其分析方法，包括在SIFT算法基础上的变换，具体包括以下步骤：

S1，对图像进行尺度变化后，提取特征，包括梯度、极值、Harris角点、边缘归一化；

S2，利用高斯微分函数筛选图像特征；

S3，确定图像局部的梯度方向；

S4，关键点描述。S1，尺度归一化后的高斯拉普拉斯函数的极大值和极小值同其它的特征提取函数，例如：梯度，Hessian或Harris角特征比较，能够产生最稳定的图像特征，对后期的处理稳定性起决定性作用。S2，关键点定位：在每个候选的位置上，关键点的选择依据于它们的稳定程度的前三项。S3，方向确定：基于图像局部的梯度方向，分配给每个关键点位置一个或多个方向，用于寻找对于这些变换的不变性。S4，关键点描述：在每个关键点周围的邻域内，在选定的尺度上测量图像局部的梯度。这些梯度被变换成一种表示，这种表示允许比较大的局部形状的变形和光照变化。

进一步地，S1采用高斯差分金字塔进行尺度归一化。

本发明与现有技术相比，具有如下的优点和有益效果：

本发明具有高稳定性的图像特征及其分析方法，尺度归一化的高斯拉普拉斯函数，能够产生最稳定的图像特征，进而有效计算出更为精确的特征方向，提高图像检测的精度。

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，下面结合实施例，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例

本发明具有高稳定性的图像特征及其分析方法，0包括在SIFT算法基础上的变换，具体包括以下步骤：

S1，对图像进行尺度变化后，提取特征，包括梯度、极值、Harris角点、边缘归一化；

S2，利用高斯微分函数筛选图像特征；

S3，确定图像局部的梯度方向；