一种基于圆形邻域的梯度直方图特征描述方法与流程

1.本发明属于计算机视觉和数字图像技术领域，具体涉及一种基于圆形邻域的梯度直方图特征描述方法。


背景技术：

2.图像的局部特征描述属于计算机视觉领域的基本研究工作之一，在两幅甚至多幅图像中寻找对应点，以及利用两幅或者多幅图像进行三维场景恢复中发挥着重要的作用。具体来说，在图像拼接、利用二幅甚至多幅二维图像恢复场景三维结构进行三维重建的应用中，其基础就是找到两幅甚至多幅图像之间的可靠的匹配点对集合。而计算机自动地建立图像间可靠的匹配点对的对应关系通常都依赖于图像的局部特征描述符。
3.然而，带匹配的图像之间往往由于拍摄位置、角度和光照上的差异，进而导致了图像块之间存在尺度、平移、旋转和光照变化，甚至有仿射变化等等。图像的局部特征描述子的关键性质之一就是对这些变化保持不变性。特征的尺度不变性就是人类在识别某个物体上的特征时，不论这个物体离得是远是近，该物体上的某个点都能被识别为一个特征。而尺度不变性的实现一般通过建立高斯尺度空间来实现，因为高斯核被证明是能够实现尺度变换的变换核。平移、旋转不变性就是当物体的位置、角度发生变化时，物体上的某些点依旧可以被识别特征点。为了实现特征描述符的旋转不变性，对特征定义主方向，然后在主方向上进行特征描述就可以实现旋转不变性。
4.图像的局部特征描述子的另一个关键性质就是可区分性。每一个特征描述子是独一无二的，与其他描述子之间是具有可区分性的。但特征描述符的可区分性和局部不变性之间是相互矛盾的，一个好的特征描述子就是要努力去找到这两者之间的平衡。
5.图像局部特征描述的效率问题也是人们关注的重点之一。一个好的特征描述符不仅要有可区分性和局部不变性，而且也要具备高效性。
6.现有的特征描述方法主要分为两大类，一种是二进制描述子，另一种是基于梯度计算的直方图描述法。经典的二进制描述子包括brisk、brief、lbp及其lbp的各种变体等等。二进制描述子的优点在于计算复杂度低、计算效率高，但其缺点是局部不变性稍弱。基于梯度计算的直方图描述法主要包括sift、surf等等。现有的特征描述子中最常用的就是sift特征描述子，因为其具有出色的局部不变性和良好的可区分性。sift特征描述过程分为两步：一是计算特征邻域内所有像素点的梯度直方图，梯度变化最大的方向对应特征的主方向；二是将特征邻域的坐标轴旋转至与梯度方向一致，对特征邻域进行分块并计算块内的梯度直方图，将块内的梯度直方图进行连接构成sift特征描述子。sift特征描述的最大缺点就是主方向校正前后两次计算特征邻域的梯度直方图所带来的效率差的问题。


技术实现要素：

7.本发明的目的是提供一种基于圆形邻域的梯度直方图特征描述方法，解决了现有特征描述方法计算复杂度高、效率差的问题。
8.本发明所采用的技术方案是，一种基于圆形邻域的梯度直方图特征描述方法，具体按照以下步骤实施：
9.步骤1、读入图像i，将图像i灰度化处理，读入特征点集合{x,y}，取特征点集合中的一个特征点(x,y)
x∈x,y∈y
，在图像i中以点(x,y)为中心选择一个半径为r的圆形区域，作为特征点(x,y)的特征邻域，记为h；
10.步骤2、将特征邻域h均匀地划分为m个同面积区域，；
11.步骤3、在每个同面积区域内分别计算一个n个柱的梯度直方图，记为di(j),其中i∈[1,m],j∈[1,n]；
[0012]
步骤4、将m个同面积区域的梯度直方图结合权重按位累加起来，得到整个特征邻域的梯度直方图dh(j)，将整个特征邻域的梯度直方图dh(j)的最高峰对应的柱作为特征的主方向，记为τ；
[0013]
步骤5、调整特征邻域的坐标轴与特征点的主方向一致，按顺序将同面积区域的直方图连接起来，构成特征(x,y)的特征描述符des，长度为m*n。
[0014]
本发明的特点还在于：
[0015]
步骤2具体过程为：
[0016]
用m-1个同心圆环将特征邻域h均分m个环形同面积区域。
[0017]
步骤2具体过程为：将特征邻域h均匀地划分为m个扇形同面积区域，每个扇形同面积区域的弧度为360/m度，并且依次为每个扇形同面积区域设定一个编号，记为order(i)＝i，i∈[1,2,
…
,m]。
[0018]
步骤3具体过程为：
[0019]
步骤3.1、分别在每个同面积区域内，将0～360度的梯度方向范围分为n个范围角，每个范围角对应一个柱，计算每个同面积区域内所有像素点梯度方向和梯度幅值，根据梯度方向确定像素点所属的柱；
[0020]
步骤3.2、将每个柱内所有像素点的梯度幅值累加，得到n个柱构成的梯度直方图，记为di(j)，其中i∈[1,m],j∈[1,n]。
[0021]
步骤3.1中计算每个同面积区域内所有像素点梯度方向和梯度幅值具体过程为：
[0022]
取每个同面积区域内的像素点位置为(s,t)，则每个像素点的梯度方向和梯度幅值表示为：
[0023][0024]
式(1)中，μ(s,t)表示每个像素点的梯度幅值，θ(s,t)表示每个像素点的梯度方向，l(s,t)表示每个像素点的灰度值。
[0025]
步骤4具体过程为：
[0026]
步骤4.1、对每个环形同面积区域定义权重wi，将每个环形同面积区域的梯度直方图乘以权重wi，记为di'＝di×
wi；
[0027]
步骤4.2、将m个环形同面积区域的梯度直方图di'(i∈[1,n])累加，得到整个圆形邻域h的梯度直方图dh，大小为1*n；
[0028]
步骤4.3、圆形邻域h的梯度直方图dh的梯度幅值最大的柱对应特征邻域的主方向τ。
[0029]
步骤4具体过程为：
[0030]
步骤4.1、每个扇形同面积区域的权重相等，将m个扇形同面积区域的梯度直方图中，m个对应同一范围角的柱的幅值累加起来，得到整个圆形邻域的梯度直方图dh(j)；
[0031][0032]
步骤4.2、将梯度直方图dh(j)的最高峰对应的柱作为特征的主方向，记为τ。
[0033]
步骤5具体过程为：
[0034]
步骤5.1、通过对每个环形同面积区域的梯度直方图di按位左移τ位来校正特征主方向，记为hi；
[0035]
步骤5.2、将m个环形同面积区域的梯度直方图hi由内而外连接起来，构成特征描述子d＝[h1,h2,
…
,hn]，其长度为n*m。
[0036]
步骤5中调整特征邻域的坐标轴与特征点的主方向一致具体过程为：根据特征的主方向更新每个扇形同面积区域的编号来校正特征主方向，更新每个扇形同面积区域的编号具体过程为：
[0037][0038]
式(3)中，reorder(i
′
)表示更新后编号。
[0039]
本发明的有益效果是：
[0040]
本发明的一种基于圆形邻域的梯度直方图特征描述方法，在特征主方向计算前后每个同面积区域包含的像素是一致的，因此对于环形梯度直方图通过按位移动来校正主方向，对于扇形梯度直方图通过跟新扇形区域的编号来校正主方向，避免了方形邻域主方向校正前后两次计算邻域内梯度直方图的问题,同时解决了现有的基于方形邻域的特征描述方法计算复杂度高、效率差的问题。相比于经典的sift的特征描述方法，基于圆形邻域的环形梯度直方图特征描述方法计算复杂度低，计算效率高。
附图说明
[0041]
图1是将圆形邻域分为环形同面积区域并在每个环形同面积区域内计算梯度直方图的示意图；
[0042]
图2是将图1的环形同面积区域的直方图乘以权重后累加得到的直方图并得到特征邻域主方向的示意图；
[0043]
图3是根据图2得到的主方向对环形同面积区域内直方图进行按位左移的示意图；
[0044]
图4是将各环形同面积区域的直方图由内向外连接起来构成描述子的示意图；
[0045]
图5是基于方形邻域和基于圆形邻域的特征描述的对比示意图；
[0046]
图6是采用本发明方法获得的基于圆形邻域的扇形同面积区域梯度直方图特征描述图。
具体实施方式
[0047]
下面结合附图及具体实施方式对本发明进行详细说明。
[0048]
实施例1
[0049]
本发明一种基于圆形邻域的梯度直方图特征描述方法，具体按照以下步骤实施：
[0050]
步骤1、读入图像i，对图像i进行灰度化处理得到灰度化图像，读入特征集合{x,y}，取特征集合的一个特征点(x,y)
x∈x,y∈y
，以(x,y)为中心，选择一个半径为r个像素的圆形区域作为特征(x,y)的特征邻域，记为h；
[0051]
步骤2、如图1所示，用m-1个同心圆环将特征邻域h均分m个环形同面积区域；
[0052]
步骤3、分别在每个同面积区域内，将0～360度的梯度方向范围分为n个范围角，每个范围角对应一个柱，计算每个同面积区域内所有像素点梯度方向和梯度幅值，根据梯度方向确定像素点所属的柱；
[0053]
计算每个同面积区域内所有像素点梯度方向和梯度幅值具体过程为：
[0054]
取每个同面积区域内的像素点位置为(s,t)，则每个像素点的梯度方向和梯度幅值表示为：
[0055][0056]
式(1)中，μ(s,t)表示每个像素点的梯度幅值，θ(s,t)表示每个像素点的梯度方向，l(s,t)表示每个像素点的灰度值。
[0057]
将每个柱内所有像素点的梯度幅值累加，得到n个柱构成的梯度直方图，记为di(j)，其中i∈[1,m],j∈[1,n]。
[0058]
步骤4、对每个环形同面积区域定义权重wi，将每个环形同面积区域的梯度直方图乘以权重wi，记为di'＝di×
wi；将m个环形同面积区域的梯度直方图di'(i∈[1,n])累加，得到整个圆形邻域h的梯度直方图dh，大小为1*n；圆形邻域h的梯度直方图dh的梯度幅值最大的柱对应特征邻域的主方向τ，如图3所示。
[0059]
步骤5、通过对每个环形同面积区域的梯度直方图di按位左移τ位来校正特征主方向，记为hi；将m个环形同面积区域的梯度直方图hi由内而外连接起来，构成特征描述子d＝[h1,h2,
…
,hn]，其长度为m*n，如图4所示。
[0060]
采用本发明一种基于圆形邻域的梯度直方图特征描述方法对图像的特征点进行描述，读入图像i(m,n)，其中m,n为图像的分辨率，假设其大小为512*512。读入特征集合{x,y}，取特征集合{x,y}中的一个特征为(x,y)。以特征(x,y)为中心，如图1所示取一个半径为10的圆形邻域。再将半径为10的圆形邻域划分为5个面积相同的环形同面积区域，每个环形同面积区域包含的像素数相同。
[0061]
其次，在每个环形同面积区域内计算一个18个柱的梯度直方图，记为d
i(i∈[1,5])
。计算环形同面积区域内每个像素点的的梯度直方图采用的公式为:
[0062]
[0063]
然后，对五个环形同面积区域的直方图di分别乘以权重系数wi，得di'＝di×
wi，其中权重系数wi为{0.5,0.3,0.1,0.1,0.1}。将加权后的直方图di'累加起来，得到如图2所示的整个圆形邻域的梯度直方图dh，dh的大小为1*18。取直方图dh中最高的柱作为特征邻域的主方向，记为τ。假设直方图dh中最高的柱为2，则τ＝2。
[0064]
最后，对各环形同面积区域的直方图di向左按位移动两位来校正特征主方向，得到hi，如图3所示。并将各个环形同面积区域的移动后的直方图由内向外进行连接，得到5*18维的特征描述子d＝[h1,h2,
…
,h5]，如图4所示。
[0065]
根据图1可知，本发明的一种基于圆形邻域的梯度直方图特征描述方法将特征邻域划分为多个环形同面积区域，并且在每个环形同面积区域内计算一个梯度直方图。
[0066]
根据图2可知，本发明的一种基于圆形邻域的梯度直方图特征描述方法将各个环形同面积区域的直方图乘以权重系数，并累加得到整个圆形邻域的梯度直方图。
[0067]
根据图3可知，本发明的一种基于圆形邻域的梯度直方图特征描述方法计算了整个圆形邻域的主方向，并根据特征主方向对每个环形同面积区域的直方图进行按位左移。
[0068]
根据图4可知，本发明的一种基于圆形邻域的梯度直方图特征描述方法将各个环形同面积区域的左移后的梯度直方图由内向外连接起来，构成特征描述子。
[0069]
根据图5可知，本发明的一种基于圆形邻域的梯度直方图特征描述方法与基于方形邻域的特征描述方法的对比示意图，方形邻域主方向计算前后的邻域内包含的像素是不一样的，圆形邻域主方向计算前后邻域内包含的像素是一致的。因此，基于圆形邻域的特征描述只需计算一次邻域内的梯度，提升了计算效率。
[0070]
实施例2
[0071]
本发明一种基于圆形邻域的梯度直方图特征描述方法，具体按照以下步骤实施：
[0072]
步骤1、读入图像i，将图像i灰度化处理，读入特征点集合{x,y}，取特征点集合中的一个特征点(x,y)
x∈x,y∈y
，在图像i中以点(x,y)为中心选择一个半径为r的圆形区域，作为特征点(x,y)的特征邻域，记为h；
[0073]
步骤2、将特征邻域h均匀地划分为m个扇形同面积区域，每个扇形同面积区域的弧度为360/m度，并且依次为每个扇形同面积区域设定一个编号，记为order(i)＝i，i∈[1,2,
…
,m]。
[0074]
步骤3、分别在每个同面积区域内，将0～360度的梯度方向范围分为n个范围角，每个范围角对应一个柱，计算每个同面积区域内所有像素点梯度方向和梯度幅值，根据梯度方向确定像素点所属的柱；
[0075]
计算每个同面积区域内所有像素点梯度方向和梯度幅值具体过程为：
[0076]
取每个同面积区域内的像素点位置为(s,t)，则每个像素点的梯度方向和梯度幅值表示为：
[0077][0078]
式(1)中，μ(s,t)表示每个像素点的梯度幅值，θ(s,t)表示每个像素点的梯度方向，l(s,t)表示每个像素点的灰度值。
[0079]
将每个柱内所有像素点的梯度幅值累加，得到n个柱构成的梯度直方图，记为di(j)，其中i∈[1,m],j∈[1,n]。
[0080]
步骤4、每个扇形同面积区域的权重相等，将m个扇形同面积区域的梯度直方图中，m个对应同一范围角的柱的幅值累加起来，得到整个圆形邻域的梯度直方图dh(j)；
[0081][0082]
将梯度直方图dh(j)的最高峰对应的柱作为特征的主方向，记为τ。
[0083]
步骤5、调整特征邻域的坐标轴与特征点的主方向一致具体过程为：根据特征的主方向更新每个扇形同面积区域的编号来矫正特征主方向，更新每个扇形同面积区域的编号具体过程为：
[0084][0085]
式(3)中，reorder(i
′
)表示更新后编号。
[0086]
并按照扇形区域的编号依次将m个扇形同面积区域的梯度直方图连接起来，构成特征(x,y)的特征描述符des，长度为m*n。
[0087]
采用本发明一种基于圆形邻域的梯度直方图特征描述方法对图像的特征点进行描述，读入图像i(m,n)，其中m,n为图像的分辨率，假设其大小为512*512。读入特征集合{x,y}，取特征点集{x,y}中的一个特征为(x,y)。以特征点(x,y)为中心，如图6的(a)部分所示取一个半径为10的圆形邻域。再将半径为10的圆形邻域划分为12个面积相同的扇形形区域，每个扇形同面积区域的弧度值为30度。并且对12个扇形同面积区域进行编号[1,2,
…
,12]，如图6所示。
[0088]
其次，分别在12个扇形内计算12个柱的梯度直方图，记为di(j)，其中i,j∈[1,12]，i代表的是12个扇形同面积区域，j表示梯度直方图的12个柱的编号。计算扇形同面积区域内每个像素点的的梯度直方图采用的公式为:
[0089][0090]
然后，将12个扇形同面积区域的梯度直方图按位累加起来，得到整个圆形邻域的梯度直方图dh(j)。再求梯度直方图dh(j)的最高峰对应的柱作为特征的主方向。dh(j)的计算公式为：
[0091][0092]
假设整个圆形邻域的梯度直方图的最高峰对应第2个柱，则τ＝2。更新每个扇形同面积区域的编号为reorder＝[11,12,1,
…
,10]，如图6的(b)部分所示。
[0093][0094]
按照扇形同面积区域编号的顺序将12个梯度直方图连接起来，构成特征(x,y)的
特征描述符des，记为[d1,d2,
…
,d
12
]，长度为12*12。
[0095]
根据图6可知，本发明的一种基于圆形邻域的梯度直方图特征描述方法将特征邻域均匀地划分为多个扇形同面积区域，并且在每个扇形同面积区域内计算一个梯度直方图。
[0096]
根据图6中后面的(b)部分可知，通过对扇形同面积区域进行重新编号的方式进行主方向校正，避免了再次计算特征邻域的梯度直方图所带来的计算复杂度提升的问题。
[0097]
在图5的对比中可知，传统的基于方形邻域的特征描述方法主要分为两个步骤：计算邻域内梯度直方图，得到特征主方向；进而校正特征主方向，重新计算过主方向的特征邻域的梯度直方图，构成特征描述符。主方向校正前后需要两次计算邻域内的梯度直方图，非常耗时耗力。本发明的基于圆形邻域的梯度直方图特征描述方法，在主方向校正前后圆形邻域包含的像素是不变的，且每个同面积区域内包含的像素也不变，因此每个同面积区域内的梯度直方图也不会发生变化。本发明通过对同面积区域进行更新位置的方法来校正主方向，只需计算一次邻域内的梯度直方图，极大地提高了计算效率。