[发明专利]针对弱纹理表现的特征点描述符的提取方法

说明书

本申请公开了一种针对弱纹理表现的特征点描述符的提取方法、装置、设备及其存储介质，该方法包括：输入预设大小的肝脏图像；将所述肝脏图像经过高斯滤波单元和Filter单元处理后生成特征描述符；输出特征描述符和对应角点坐标。本申请提供的上述方案，能够提取到有效多的特征点对，并根据提取到的角度、尺寸、距离等额外信息，增加Filter层，有效过滤掉无效的特征点对。同时，本发明采取在PYNQ板上进行加速计算，结果能够达到60帧/s，满足系统实时性的要求。

技术领域

本发明涉及图像处理技术领域，具体涉及一种针对弱纹理表现的特征点描述符的提取方法、装置、设备及其存储介质。

背景技术

随着机器人辅助手术的普及和计算机视觉技术的发展，国内医用内窥镜设备市场繁荣，微创手术(Minimally invasive surgery,MIS)，在当下逐渐成为日常医学实践中的重要技术手段。微创手术由于创口小、疼痛轻、术后恢复快，近年来获得广泛应用。但在惠及患者的同时，微创手术却对手术操作者提出了更高的要求。微创手术是以内窥镜为媒介的多人间接眼-手协同操作。腔镜技术在微创手术中有很大的应用，在手术期间，内窥镜用于获取内窥镜图像信息，并用于可视化身体中的器官表面，在保证手术安全的同时，也能达到很好的效果。但是内窥镜有限的视界和直接深度感知的缺失给医生手术中定位带来困难，极大影响了手术操作的准确性和安全性。越高质量的三维点云图，就能够带来更好的深度信息。图像特征点的提取是三维重建中的基本图像处理，在计算机视觉中对图像的处理以及模式分类是其应用的核心，其关键步骤包括了图像的特征点检测并对特征点进行特征描述子的生成以及描述子的匹配。特征点检测算法将一副图像分解成感兴趣的点和无关信息，而将特征点周围信息以数学方式描述记忆就称为特征点的描述过程。

由于图像处理算法多数属于计算密集型算法，计算复杂度高，所以在传统PC平台上很难满足实时性的要求。因此对图像处理算法在嵌入式设备上进行移植和二次开发就成了关键突破口。能够进行图像处理算法移植的嵌入式设备有FPGA(Field ProgrammableGate Array)、GPU(Graphics Processing Unit)或者ASIC(Application-SpecificIntegrated Circuits)等，它们各有优点。基于嵌入式硬件加速是指利用专门的硬件设备而不是CPU来处理计算密集型任务，充分挖掘硬件的并行计算特点，使其能够不受限于体积和电池，能够部署在边缘端。GPU最早运用于图像显示任务的加速，后来研究者发现GPU适用于大量数据的并行运算，具有高带宽、高主频、高并行性等特点。GPU更加擅长于处理多重任务，尤其是重复计算的任务，比如图形学和深度学习。GPU允许设计并行处理数据的结构，具有更高的浮点吞吐量和更高的处理能力，内存宽带要比CPU处理器大得多。这些优点让GPU成为处理高性能运算的首要选择。但是，使用基于GPU的加速器在功耗方面效率低下。另外一种可替代的加速器是FPGA，现在的FPGA能够取得很好的平衡，在处理速度和功耗之间。但是更为重要的是FPGA能够提供数据流的约束，并且能够并行处理数据。这些优点都使得FPGA能够和GPU相互竞争。然而在完整的图像处理系统中，单个类型的嵌入式设备很难满足计算密集型算法和控制密集型算法的紧密结合。现今的算法处理系统中，多数属于异构系统。在异构系统中，FPGA和GPU负责图像处理算法的加速，而CPU负责整体的控制调度。