一種基于自適應(yīng)分?jǐn)?shù)階微分surf改進(jìn)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理領(lǐng)域，具體涉及一種基于自適應(yīng)分?jǐn)?shù)階微分SURF改進(jìn)方法。
【背景技術(shù)】
[0002] 圖像特征作為圖像的表征之一被廣泛應(yīng)用于圖像處理領(lǐng)域中，圖像特征的表示可 以分為：點(diǎn)特征、線特征和面特征，其中點(diǎn)特征在特征表示中應(yīng)用最為廣泛；而基于人工設(shè) 計(jì)的點(diǎn)特征可以分為矩特征、差分特征、空間-頻域特征和空間域分布特征四類，其中空 間-頻域特征和空間域分布特征應(yīng)用較為廣泛。
[0003] Lowe提出了一種基于尺度不變的特征提取算法（SIFT)，在各尺度空間上利用D0G 等擬合精細(xì)模型，篩選并確定關(guān)鍵點(diǎn)；在局部關(guān)鍵點(diǎn)的方向梯度圖計(jì)算基礎(chǔ)上，構(gòu)造對(duì)縮 放、旋轉(zhuǎn)、平移等無(wú)關(guān)的特征；但是，SIFT特征點(diǎn)維數(shù)較高、計(jì)算復(fù)雜并對(duì)噪聲較為敏感。隨 后出現(xiàn)了許多基于SIFT方法的改進(jìn)算法。Ke等人提出了 PCA-SIFT，通過(guò)主成分分析方法 提取特征的局部信息，生成了 36維特征矢量。而Bay等人則提出了一種快速魯棒的特征點(diǎn) 檢測(cè)算法一SURF，不僅大幅度提高了運(yùn)算速度并且在抗噪方面也要明顯優(yōu)于SIFT算法，與 SIFT相比，大幅度降低了特征維數(shù)，但其可區(qū)分性也隨之降低。
[0004] 為使點(diǎn)特征具有較好的辨識(shí)度，設(shè)計(jì)的特征描述子能夠?qū)D像的光照、位移、視 角、噪聲等具有較強(qiáng)的適應(yīng)能力。一般圖像描述子通常利用整數(shù)階差分（如方向直方圖等） 去刻畫局部紋理特征，但實(shí)際上整數(shù)階差分對(duì)平滑區(qū)域的紋理描述并不理想。

【發(fā)明內(nèi)容】

[0005] 為解決上述技術(shù)問(wèn)題，本發(fā)明提供了一種基于自適應(yīng)分?jǐn)?shù)階微分SURF改進(jìn)方 法，該方法以分?jǐn)?shù)階微分理論為基礎(chǔ)，探索一條提升SURF方法的點(diǎn)鄰域準(zhǔn)確表示的途徑， 以便更好地檢測(cè)和表示點(diǎn)特征。
[0006] 為達(dá)到上述目的，本發(fā)明的技術(shù)方案如下：
[0007] -種基于自適應(yīng)分?jǐn)?shù)階微分SURF改進(jìn)方法，SURF描述子以積分圖像作為后續(xù)特 征點(diǎn)表示的基礎(chǔ)，在計(jì)算主方向時(shí)利用移動(dòng)扇形區(qū)域內(nèi)的Haar小波響應(yīng)，水平方向上的響 應(yīng)為式（1)所示，豎直方向上的響應(yīng)為式（2)所示：
[0008] vx= ([L integrai(x, y+l)-Lintegral(x, y)] + [Lintegral(x+l, y+1)-Lintegral (x+1, y)])*wd (1)
[0009] Vy= ([L integral (x+1, y)-Lintegral(x, y)] + [L integral (x+1, y+1) ~Lintegral (x, y+l)])*wd (2)
[0010] 其中，LintegMl(x, y)表示積分圖像L(x, y)在（X，y)位置上的數(shù)值，wd表示高斯權(quán) 重；
[0011] 利用分?jǐn)?shù)階差分的形式重新計(jì)算水平方向和豎直方向上的響應(yīng)，水平方向的響應(yīng) 如式⑶中所示，豎直方向的響應(yīng)如式⑷中所示：
[0012]
[0013]
[0014] 本發(fā)明的一個(gè)較佳實(shí)施例中，進(jìn)一步包括，分?jǐn)?shù)階階次的自適應(yīng)選擇算法，局部區(qū) 域內(nèi)采樣點(diǎn)的梯度和方向可以由自適應(yīng)分?jǐn)?shù)階差分表示，對(duì)于二維圖像信號(hào)L(x，y)，其局 部自適應(yīng)分?jǐn)?shù)階階次的分?jǐn)?shù)階微分如式（5)和（6)表;^ :
[0017] 其中，< 表示臂長(zhǎng)方向上的自適應(yīng)分?jǐn)?shù)階階次集。
[0018] 本發(fā)明的一個(gè)較佳實(shí)施例中，進(jìn)一步包括，不規(guī)則區(qū)域內(nèi)臂長(zhǎng)的長(zhǎng)度反映局部紋 理的變化趨勢(shì)，臂長(zhǎng)說(shuō)明了該紋理變化的主方向，利用長(zhǎng)臂長(zhǎng)方向上的像素刻畫紋理特性， 梯度表示如式（7)和（8)所示：
[0019]

[0021] 其中，分?jǐn)?shù)階階次< 的選擇取決于水平方向和豎直方向上的較長(zhǎng)的臂長(zhǎng)。
[0022] 本發(fā)明的一個(gè)較佳實(shí)施例中，進(jìn)一步包括，局部不規(guī)則區(qū)域hp具有限制性，選取式 (5)和式（6)的前三項(xiàng)系數(shù)，如果任何臂長(zhǎng)方向上的h p等于1，則式（7)和式（8)分別調(diào)整 為式（9)和式（10): ·>-
〇
[0025] 本發(fā)明的一個(gè)較佳實(shí)施例中，進(jìn)一步包括，將顏色相似性添加到高斯權(quán)值函數(shù)中， 利用聯(lián)合權(quán)值wjPw。，wjPw。分別由式（11)和式（12)表示：
[0026]
[0027]
[0028] 其中，《,表示距離相似性權(quán)重，w。表示色彩相似性權(quán)重；I表示HIS彩色空間強(qiáng)度 分量，I (i，j)為同一尺度上I (X，y)的相鄰像素；σ d，σ。為調(diào)節(jié)相似性因子參數(shù)。
[0029] 本發(fā)明的有益效果是：
[0030] 其一、本發(fā)明的SURF改進(jìn)方法，保證描述子準(zhǔn)確性、高辨識(shí)度和獨(dú)特性同時(shí)，有效 降低了其維度，滿足了實(shí)時(shí)性要求，SURF描述子利用積分圖像作為后續(xù)特征點(diǎn)表示的基礎(chǔ)， 大幅度節(jié)省了計(jì)算時(shí)間。
[0031] 其二、本發(fā)明的方法，在加噪聲、旋轉(zhuǎn)和光照變化的情況下，檢測(cè)的特征點(diǎn)數(shù)和匹 配的點(diǎn)數(shù)比傳統(tǒng)的SURF高得多，并且匹配的準(zhǔn)確率也有所提高。
【具體實(shí)施方式】
[0032] 下面將對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施 例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通 技術(shù)人員在沒(méi)有作出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的 范圍。
[0033] 實(shí)施例
[0034] 本實(shí)施例中公開了一種基于自適應(yīng)分?jǐn)?shù)階微分SURF改進(jìn)方法，特征描述子的維 度對(duì)后續(xù)點(diǎn)特征的實(shí)時(shí)性應(yīng)用有著最直接的影響，維度較低的特征描述子對(duì)特征點(diǎn)的快 速匹配是較為理想的。然而，低維度描述子的獨(dú)特性，即辨識(shí)度，并不如高維度特征描述子 (如SIFT描述子等）好。而Speed Up Robust Features (SURF)則實(shí)現(xiàn)了保證描述子準(zhǔn)確 性、高辨識(shí)度和獨(dú)特性的同時(shí)，有效降低了其維度，滿足了實(shí)時(shí)性的要求。
[0035] 本實(shí)施例中，SURF描述子以積分圖像作為后續(xù)特征點(diǎn)表示的基礎(chǔ)，在計(jì)算主方向 時(shí)利用移動(dòng)扇形區(qū)域內(nèi)的Haar小波響應(yīng)，水平方向上的響應(yīng)為式（1)所示，豎直方向上的 響應(yīng)為式（2)所示：
[0036] vx= ([L integrai(x, y+l)-Lintegral(x, y)] + [Lintegral(x+l, y+1)-Lintegral (x+1, y)])*wd (1)
[0037] Vy= ([L integral (x+1, y)-Lintegral(x, y)] + [L integral (x+1, y+1) ~Lintegral (x, y+l)])*wd (2)
[0038] 其中，LintegMl(x, y)表示積分圖像L(x, y)在（x, y)位置上的數(shù)值，wd表示高斯權(quán) 重。
[0039] 利用分?jǐn)?shù)階差分的形式重新計(jì)算水平方向和豎直方向上的響應(yīng)，水平方向的響應(yīng) 如式⑶中所示，豎直方向的響應(yīng)如式⑷中所示：
[0040]
[0041]
[0042] (1)幅值確定
[0043] 分?jǐn)?shù)階階次的自適應(yīng)選擇算法，局部區(qū)域內(nèi)采樣點(diǎn)的梯度和方向可以由自適應(yīng) 分?jǐn)?shù)階差分表示，對(duì)于二維圖像信號(hào)L(x，y)，其局部自適應(yīng)分?jǐn)?shù)階階次的分?jǐn)?shù)階微分如式 (5)和（6)表不：
[0044]
[0045]
[0046] 其中，< 表示臂長(zhǎng)方向上的自適應(yīng)分?jǐn)?shù)階階次集。
[0047] 不規(guī)則區(qū)域內(nèi)臂長(zhǎng)的長(zhǎng)度反映局部紋理的變化趨勢(shì)，臂長(zhǎng)說(shuō)明了該紋理變化的主 方向，利用長(zhǎng)臂長(zhǎng)方向上的像素刻畫紋理特性，梯度表示如式（7)和（8)所示：
[0048]
[0050] 其中，分?jǐn)?shù)階階次《的選擇取決于水平方向和豎直方向上的較長(zhǎng)的臂長(zhǎng)。
[0051] 局部不規(guī)則區(qū)域hp具有限制性，選取式（5)和式（6)的前三項(xiàng)系數(shù)，如果任何臂 長(zhǎng)方向h的k等于1，則式（7)和式（8)分別調(diào)整為式（9)和式（10):
[0054] 上述式（9)和（10)可以更