[发明专利]一种角点检测方法、装置、设备及计算机可读存储介质

说明书

本发明公开了一种角点检测方法、装置、设备及计算机可读存储介质，将目标图像进行高斯滤波，根据所述高斯滤波的结果重新选择合适的滤波尺度对所述目标进行滤波，得到第二滤波图像后计算第二滤波图像的平均曲率变化，选择曲率大于一定阈值的点计算强度度量CTI，曲率度量CTV和模式度量alpha，得到综合角点度量F，根据CTI、CTV和F按阈值选取初始角点，并对初始角点计算得到精确化的曲率度量CTV2、精确化的平均曲率变化curv2和全局重要因素，最后根据所述CTV2、curv2和全局重要因素确定最终角点。用本发明提供的角点检测方法进行图像分割能解决因虚假角点造成角点检测准确性和稳定性不高的问题。

技术领域

本发明涉及数字图像技术领域，尤其涉及一种角点检测方法、装置、设备及计算机可读存储介质。

背景技术

角点通常被定义为两条边的交点，如图1所示，角点的局部邻域应该具有两个不同区域的不同方向的边界。在实际应用中，大多数所谓的角点检测方法检测的是拥有特定特征的图像点，而不仅仅是“角点”。角点检测在图像特征提取、图像匹配与检索、高层次的人脸(情感)识别和图像语义理解等领域有着重要的应用。这些特征点在图像中有具体的坐标，并具有某些数学特征，如局部最大或最小灰度、某些梯度特征等。

目前基于轮廓的角点检测方法将角点模式主要分为5种：L型、T型、Y型、X型和星形，基于轮廓的方法在曲率计算中存在局部变化和噪声问题。角点像素模式的不完备定义使得角点检测器的分析和设计变得困难。而且这种基于轮廓的角点检测方法方法通常有许多未被检测到的漏检角点。基于导数(梯度)算子的方法在某些情况下可能无法提取平面曲线或角点度量，容易错误识别几何图像中的强边和弱边的结合点。例如，几何图像中的T型角是强边和弱边的结合点。强边的大导数中断了弱边的小导数，从而产生了较大的间隙，使得T型角在大多数现有检测器中被错误地识别为边缘。上述基于导数测度的方法和基于轮廓的方法都只能进行局部测度，这容易产生许多由噪声或错误尺度引起的虚假角点，角点检测准确性和稳定性都不高。

发明内容

本发明实施例提供一种角点检测方法、装置、设备以及计算机可读存储介质，能有效解决现有技术中虚假角点引起角点检测准确性和稳定性不高的问题。

本发明一实施例提供一种角点检测方法，包括：

将目标图像进行高斯滤波，得到第一滤波图像和所述目标图像的第一方向梯度；

根据所述目标图像的第一方向梯度，计算得到所述第一滤波图像的平均曲率变化；

根据所述第一滤波图像的平均曲率变化，选择对应的滤波尺度对所述目标图像进行滤波，得到第二滤波图像和所述目标图像的第二方向梯度；

根据所述目标图像的第二方向梯度，计算得出所述第二滤波图像的平均曲率变化；

选择第二滤波图像的平均曲率变化大于预设阈值的图像区域作为候选角点区域，计算所述候选角点区域的强度度量、曲率度量和模式度量；

根据所述候选角点区域的强度度量、曲率度量和模式度量，计算得到综合角点度量；

选择所述综合角点度量在候选角点邻域为最大值的点为初始角点；

根据所述初始角点的邻域内的轮廓分枝之间的夹角和中心区域中的轮廓点和周围区域的分枝的夹角，计算得到精确化的平均曲率变化、精确化的曲率度量和全局重要因素；所述初始角点邻域被划分为中心区域和周围区域，除去中心区域部分轮廓，轮廓线被分成若干分枝；

根据所述精确化的平均曲率变化、精确化的曲率度量和全局重要因素，从所述初始角点中确定最终角点。

作为上述方案的改进，所述根据所述第一方向梯度，计算得到所述第一滤波图像的平均曲率变化，具体包括：

根据所述第一方向梯度，计算得出所述第一滤波图像轮廓和第一滤波图像轮廓点在邻域的平均曲率变化图；