[发明专利]基于各向异性高斯核和梯度搜索的图像斑点检测方法

摘要

本发明公开了基于各向异性高斯核和梯度搜索的图像斑点检测方法。本发明解决了现有方法估计斑点形状不准确且计算复杂的缺陷，其实现步骤为：利用MATLAB将输入图像转化为灰度图像；用高斯拉普拉斯斑点检测得到候选斑点；根据斑点重叠率筛选候选斑点，得到初始斑点；对每个初始斑点选择局部图像；利用MATLAB产生归一化的各向异性高斯拉普拉斯滤波器，并对局部图像滤波，得到响应，并把中心位置的响应作为目标函数；利用梯度搜索法寻找目标函数最大值对应参数作为最终斑点检测结果；利用MATLAB显示并比较斑点检测结果。本发明检测精确度高且计算复杂度低，可用于图像特征检测，图像配准和图像识别中。

主权项

一种基于各向异性高斯核和梯度搜索的图像斑点检测方法，其特征在于，包括有如下步骤：(1)转化输入图像为灰度图像：利用MATLAB软件读取要检测的图像，如果图像是彩色图像则将其转化为灰度图像；(2)检测候选斑点：利用现有的高斯拉普拉斯斑点检测方法得到候选斑点Bi＝(xi,yi,σi,δi)，其中，(xi,yi)表示第i个斑点的初始位置估计，σi表示第i个斑点的初始尺度估计，δi表示第i个斑点的极性，δi＝1时表示亮斑，δi＝‑1时表示暗斑；(3)筛选候选斑点得到初始斑点：利用斑点的初始位置和尺度估计(xi,yi,σi)计算每个候选斑点Bi和其他候选斑点Bj的重叠面积Aij，以及重叠面积Aij与较小斑点面积min(Ai,Aj)的比值rij，j≠i，选定门限Tr，保留尺度较大的斑点，把剩下的不重叠的斑点作为初始斑点Cj＝(xj,yj,σj)，其中Ai表示第i个斑点的面积，min表示取二者中较小的值；(4)选取局部图像：根据初始斑点的位置和尺度估计(xj,yj,σj)，对每一个初始斑点Cj选择一幅局部图像Pj(x,y)；(5)产生各向异性高斯拉普拉斯滤波器：利用MATLAB软件产生归一化的各向异性高斯拉普拉斯滤波器其初始化参数根据初始斑点Cj＝(xj,yj,σj)选取；(6)对局部图像滤波得到目标函数：利用各向异性高斯拉普拉斯滤波器对局部图像Pj(x,y)进行滤波，得到Pj(x,y)的尺度归一化的各向异性高斯拉普拉斯响应Rj(x,y)，并把Rc＝Rj(xc,yc)作为目标函数；(7)梯度搜索函数的最大值：利用梯度搜索法，对目标函数Rc＝Rj(xc,yc)，在连续参数空间中搜索目标函数的最大值，则最大值对应的各参数即为该斑点的位置和形状的最终检测结果：Cj＝(uj,vj,σj,ρj,θj)＝argmax{Rc(u,v；σ,ρ,θ)}，其中，Cj即为第j个斑点的最终检测结果，(xc,yc)表示Rj中心点的坐标，argmax表示求函数的最大值对应的参数；(8)显示并比较检测结果：利用以上方法对图像中所有的初始斑点进行检测，并利用MATLAB软件把所有的斑点检测结果显示出来，并比较本方法与现有的广义高斯拉普拉斯方法的检测精确度及计算复杂度。