[发明专利]基于Canny算子和Hillbert‑Huang变换的SIFT图像特征点提取方法

摘要

本发明提供了一种基于Canny算子和Hillbert‑Huang变换的SIFT图像特征点提取方法，涉及图像处理领域，是基于Canny算子和Hillbert‑Huang变换，改进的SIFT图像特征点提取的方法，由于采用了Canny算子和Hillbert‑Huang变换融合的技术方案，改进了原有SIFT算法实时性不高，特征点有时较少以及对边缘光滑的目标无法准确提取特征点的缺陷，能够有效地增强了SIFT特征点的抗噪声能力，提高了算法的稳定性，为三维重建和目标定位等提供了良好的基础。

主权项

一种基于Canny算子和Hillbert‑Huang变换的SIFT图像特征点提取的方法，其特征在于包括下述步骤：步骤1：对输入的原图像I(x,y)定义尺度空间L(x，y，σ)，构建高斯金字塔： L(x，y，σ)＝G(x，y，σ)*I(x，y)    (1)G(x,y,σ)=12πσ2e-(x-m/2)2+(y-n/2)22σ2---(2)]]>其中G(x，y，σ)为高斯函数，m，n为高斯模板的维度，σ为尺度空间因子；步骤2：构建高斯差分金字塔(1)将图像金字塔分o组，一组称为一个Octave，每组分为多层，组内总层数为S，在每一组图像的顶层用高斯模糊生成3幅图像，高斯金字塔每组则有S+3层图像；(2)对原图像采用隔点采样法进行降采样，具体实施为：比例因子为2对原图像每隔一行一列取一点；(3)确定高斯金字塔的层数：原图像为金字塔的底部第一层，每次降采样所得到的新图像为金字塔的上一层的一张图像，每个金字塔共n层，金字塔的层数n根据图像的原始大小和塔顶图像的大小共同决定，其计算公式如下：n＝log2{min(M，N)}‑t   (3)其中，M，N为原图像的像素值，t为塔顶图像的最小维数的对数值；(4)计算高斯金字塔组内某一层图像的尺度σ(o,s)=σ02o+1s---(4)]]>其中σ0是基准层尺度，根据SIFT算法取值为1.6，o为组octave的索引，s为组内层的索引，根据SIFT算法取值为3，关键点的尺度坐标σ即关键点所在的组和组内的层，不同组相同层的组内尺度坐标相同；(5)计算DOG算子D(x，y，σ)＝(G(x，y，kσ)‑G(x，y，σ))*I(x，y)＝L(x，y，kσ)‑L(x，y，σ)    (5)其中k为组内总层数的倒数，即：k=21s---(6)]]>步骤3：对图像进行空间极值点的检测，具体步骤如下：将步骤2中计算得到的DOG算子D(x，y，σ)泰勒展开，得到D(X)=D+∂DT∂XX+12XT∂2D∂X2X---(7)]]>其中X＝(x，y，σ)T，使公式(5)的泰勒展开式求导结果值为零，得到中心偏移量X^=-∂2D-1∂X2∂D∂X---(8)]]>其中，代表相对插值中心的偏移量，根据SIFT算法在任何一个维度上，即x，y，σ三者中的任何一个数值超过0.5，则视为插值中心已经偏移；步骤4：将Canny算子和Hillbert‑Huang变换融合，具体步骤如下：(1)求解固有模态函数(Intrinsic Mode Function，IMF)，其中，I(x,y)为原图像，mI(x，y)表示对图像求均值曲面，mkI(x，y)表示第k次对图像mI(x，y)求均值曲面，原图像与mI(x，y)的差值为第一个IMF分量c1，得到第一个IMF分量后，将原图像与c1的差值mI(x，y)作为待处理部分继续分解，则可得到第二个IMF分量c2，以此类推可得到第n个IMF分量的分解表达式，具体公式如下：c1＝I(x，y)‑mI(x，y)c2＝I(x，y)‑c1‑m[I(x，y)‑c1]＝mI(x，y)‑m2I(x，y)c3＝I(x，y)‑c1‑c2‑m[I(x，y)‑c1‑c2]＝m2I(x，y)‑m3I(x，y)cn＝mn‑1I(x，y)‑mnI(x，y)    (9)将式(9)中c1至cn相加，得到二维IMF：I(x,y)=Σi=1ncn+mnI(x,y)---(10)]]>(2)计算图像的梯度1)确定图像I(x，y)的x方向偏微分Ex：Ex=∂G(x,y,σ)∂x*I(x,y)---(11)]]>2)确定图像I(x，y)的y方向的偏微分Ey：Ey=∂D(x,y,σ)∂x*I(x,y)---(12)]]>3)确定图像I(x，y)上点(i，j)的边缘梯度强度A(i，j)：A(i,j)=Ex2(i,j)+Ey2(i,j)---(13)]]>4)确定图像I(x，y)上点(i，j)的梯度方向α(i，j)：α(i,j)=arctanEx(i,j)Ey(i,j)---(14)]]>(3)利用非极大抑制消除错误点并得到单像素边缘点(4)利用双阈值二值化得到边界具体实施步骤为：1)预先设定检测需要的高低阈值，定义低阈值为T1，高阈值为T2，且T2＝2T1，T1＝12；2)对图像进行双阈值处理，对于任意边缘像素值在T1与T2之间的，如果能通过边缘连接到一个像素大于T2而且边缘所有像素大于最小阈值T1的则保留，否则丢弃，边缘梯度强度A(i，j)大于高阈值则是边缘，边缘梯度强度A(i，j)低于低阈值则不是边缘，边缘梯度强度A(i，j)介于高阈值和低阈值之间的，判断8邻域内是否存在高于高阈值的梯度幅值，存在则是边缘，否则不是边缘；(5)边界跟踪，得到边缘图像；1)将边缘梯度强度A(i，j)小于T1的像素的灰度值设为0，得到图像1；2)将边缘梯度强度A(i，j)小于T2的像素的灰度值设为0，得到图像2；3)对图像2进行扫描，当遇到第一个非零灰度的像素p(x,y)时，以p(x,y)为开始点跟踪轮廓线，直到图像2扫描结束，轮廓线的终点为q(x,y)，此时跟踪结束；4)找出图像2中q(x,y)点在图像1中相同位置对应的点s(x,y)，当s(x,y)点的8邻近区域中有非零像素s(x,y)存在，则将其包括到图像2中作为r(x,y)点，从r(x,y)开始，重复步骤1)，直到图像1和图像2中均没有非零像素为止，此时完成了对包含p(x,y)的轮廓线的连结；5)返回到步骤1)，寻找下一条轮廓线，重复步骤1)、2)和3)，直到图像2中找不到新轮廓线，即无非零灰度像素为止，对于Canny算子边缘检测消除边缘响应后得到关键点X＝(x，y，σ)T，关键点X＝(x，y，σ)T组成特征点点集R2；步骤5：1)使用SIFT方法得到特征点集R1，将特征点点集R1中的点和步骤4中得到的特征点点集R2所有点两两比较，判断坐标是否相等，相同则舍去R1中的点，不相同则将R1中的点与R2中对应点所在的3×3邻域内的点集R3比较，相同则舍去R1中的点，否则，将R1中的点与R2中的其他没有比较的边缘点比较，如果任何一次比较有和R1中参与比较的点坐标相同的点，则舍去R1中的该点，否则保留；2)计算标志点f1和f2，其中f1＝R1‑R2，f2＝size((R3‑R1)，1)，f1和f2为标志点，f1是点集R1与R2的差集，当f1为0时，去除点集R1中的对应点，f1为1时则保留点集R1中的对应点作为候选点，当f2为8时，保留点集R1中的对应点作为候选点，f2为7时，则舍去R1中的该点；3)将2)中确定的候选点计算其方向，具体步骤如下：求解关键点梯度的幅值：m(x,y)=(t1(x+1,y)-L(x-1,y))2+(L(x,y+1)-L(x,y-1))2---(15)]]>求解关键点梯度的方向：θ(x，y)＝tan‑1((L(x，y+1)‑L(x，y‑1))/(L(x+1，y)‑L(x‑1，y)))   (16)步骤6：将步骤1至步骤5利用Matlab进行仿真，并利用Matlab中plot()方法在图片中标记出匹配的特征点。