[发明专利]一种基于多尺度图像空间的多重约束线段提取方法

说明书

本发明公开了一种基于多尺度图像空间的多重约束线段提取方法，其步骤包括：1)对一选取的目标图像，构建该目标图像的多尺度图像空间模型，然后对该尺度图像空间模型中每层图像进行线段提取，并存储到该层对应的内存向量空间；2)将步骤1)提取的线段反投影映射到该目标图像，得到投影线段；然后将所提取线段及其投影线段构成一线段集合；3)基于几何约束，对该线段集合进行优化并提纯；4)对步骤3)处理后的线段集合进行基于灰度约束的二次优化；5)对二次优化后的线段集合进行提纯并更新。本发明现了对提取线段的合并和提纯，有效地消除了部分冗余线段。

技术领域

本发明涉及一种基于多尺度图像空间的线段提取方法，具体是一种基于多尺度图像空间的多重约束线段提取方法。属于计算机视觉、人工智能图像处理和摄影测量与遥感领域。

背景技术

线段是图像几何信息的重要组成部分，在计算机视觉、人工智能图像处理和摄影测量与遥感领域以及机器人视觉导航定位等领域中起着较为重要的作用。线段表达的图像结构信息比较丰富、受图像噪声的影响较小、精度较高、抗遮挡能力强；在以纹理缺失或者纹理不均匀的场景下，线段特征比点特征更容易提取。线段作为一种丰富的结构信息，能够直观表达结构化场景的边缘轮廓，在工程应用中，可以取得较好的实际应用效果。

但是，目前常规的研究主要聚焦于线段提取过程中的效率和准确度上，没有考虑到提取出的线段的长度，导致线段的后续匹配、重建处理中容易出现误处理且定位精度差。Canny算子边缘检测提取算法需要大量的决策设计参数，容易出现假阳性(误检)和假阴性(漏检)问题；PPHT(Progressive Probabilistic Hough Transform)算法容易出现假阴性和漏检必要的断线；LSD(Line Segment Detector)受线段相交、局部遮挡、图像模糊、图像噪声以及灰度畸变等影响而存在较严重的线段分段断裂问题；Akinlar等人提出了边缘检测算子Edge Drawing，并根据Edge Drawing提出了EDLines线段提取算法，但是没有有效解决提取出的线段的分段断裂效应，假阴性严重，容易漏检关键的线段特征。

发明内容

针对上述问题，本发明的目的在于提供一种基于多尺度图像空间的多重约束线段提取方法，本发明在依据模糊处理的思想来降低灰度畸变对特征提取的影响的前提下，通过融合在不同图像尺度空间提取的线段特征，获得长度更长的线特征。

本发明的步骤包括：1)利用高斯模糊方法对原始图像构建多尺度图像空间模型，对每个尺度的图像(即该尺度图像空间模型中每层图像)进行线段提取，并存储到对应于每个尺度而开辟的内存向量空间；2)将降尺度图像空间中提取的线段反投影映射到原始图像空间，得到投影线段和从原始图像中提取的所有线段向量集合；3)基于几何约束，对步骤2)得到的线段向量集合进行优化并提纯；4)对几何约束优化与提纯后的线段集合进行基于灰度约束的二次优化；5)对二次优化集合进行提纯并更新集合；6)设置线段长度阈值剔除二次优化集合中的无效短线段，得到最终的线段特征集合。

所述步骤1)利用高斯模糊方法对原始图像构建多尺度图像空间模型，对每个尺度的图像进行线段提取，并存储到对应于每个尺度而开辟的内存向量空间，包括以下步骤：①根据图像实际分辨率的大小，设置高斯滤波核函数的标准差因子并设置最大降采样次数，将原始图像上提取的线段作为基准线段用于后续优化提纯，并将其直接存储到优化集合中；②根据设置的尺度空间因子(高斯滤波核函数的标准差因子)，对图像进行降采样分层，得到低分辨率图像(降采样一次可以得到一个低分辨率图像，该图像称为一层)；③对该层的图像采用传统算法(LSD、EDLines)提取线特征，并存储线特征到LineVec存储空间中；④在不改变尺度空间因子情况下，重复②-③，直到达到最大降采样次数。

所述步骤2)将降尺度图像空间中提取的线段反投影映射到原始图像空间，得到投影线段和从原始图像中提取的所有线段向量集合，包括以下步骤：①新开辟一个内存向量空间，将原始图像上提取的线段直接存储到向量空间中；②将其他不同尺度图像中提取的线段全部反投影映射到原始图像上，然后再存储到上述开辟的向量空间中。