基于亮度序均值標(biāo)準(zhǔn)差描述子的圖像對(duì)稱軸檢測(cè)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及計(jì)算機(jī)視覺(jué)中的圖像特征自動(dòng)檢測(cè)領(lǐng)域，特別是數(shù)字圖像中鏡像對(duì)稱 圖形對(duì)稱軸的檢測(cè)。
【背景技術(shù)】
[0002] 圖像中的鏡像對(duì)稱性度量在許多科學(xué)領(lǐng)域都有重要的應(yīng)用價(jià)值，例如利用人臉的 對(duì)稱特征進(jìn)行人臉的識(shí)別與定位[1]，利用人體的近似對(duì)稱性進(jìn)行醫(yī)學(xué)圖像處理等[2]。已 有的鏡像對(duì)稱軸檢測(cè)算法大致可以分為兩類：基于特征點(diǎn)的檢測(cè)方法和基于特征曲線的檢 測(cè)方法。
[0003] 近年來(lái)，基于特征點(diǎn)的對(duì)稱軸檢測(cè)方法研究取得了一系列成果。G. Loy和J. Eklundh[3]提出基于圖像的對(duì)稱特性對(duì)特征點(diǎn)進(jìn)行分組的方法，該方法能夠檢測(cè)局部 或全局對(duì)稱性并能夠在復(fù)雜的背景中定位對(duì)稱軸，但需要計(jì)算所有對(duì)稱性的方向和半 徑。Guo[4]等人提出了鏡面翻轉(zhuǎn)不變的特征描述符架構(gòu)（A framework for feature descriptors to be mirror reflection invariant，MIFT)，將 MIFT 應(yīng)用到最常用的 SIFT 描述符上進(jìn)行對(duì)稱軸檢測(cè)(簡(jiǎn)稱，M-sift)。其目的是將原本在鏡面翻轉(zhuǎn)情況下失效的匹配， 轉(zhuǎn)化成保持原有匹配所有優(yōu)勢(shì)同時(shí)又增加鏡面反射不變性。其關(guān)鍵在于支撐區(qū)域內(nèi)特征描 述符的重組，該方法的缺點(diǎn)在于：1)需要計(jì)算主方向的左指向特征信息和右指向特征信息； 2)支撐區(qū)域必須是常規(guī)形狀（正方形或者圓形）；3)每個(gè)特征需要指定主方向來(lái)增強(qiáng)魯棒 性。早期基于輪廓的鏡面反射對(duì)稱軸檢測(cè)是通過(guò)增強(qiáng)對(duì)稱邊緣檢測(cè)，從而尋找對(duì)稱目標(biāo)的
[5]。Wang等人[6]基于輪廓仿射不變性，提出一種旋轉(zhuǎn)、反射和平移對(duì)稱檢測(cè)框架，主要采 用分組投票方法來(lái)確定對(duì)稱類型。以上都是基于輪廓曲線的對(duì)稱性檢測(cè)方法，并沒(méi)有充分 利用圖像中的紋理信息。針對(duì)現(xiàn)有檢測(cè)方法中存在的問(wèn)題，本發(fā)明提出一種基于亮度序均 值標(biāo)準(zhǔn)差描述子[7]的圖像對(duì)稱軸檢測(cè)方法，不同于現(xiàn)有的方法，本方法基于曲線匹配進(jìn) 行圖像對(duì)稱軸的檢測(cè)。首先選擇與主方向確定無(wú)關(guān)的基于亮度序的曲線匹配描述子，獲得 一幅圖像中的所有匹配曲線對(duì)，然后引入梯度一致性度量和最小距離約束，由每組匹配曲 線對(duì)確定一個(gè)位點(diǎn)，最后對(duì)獲得的所有的位點(diǎn)進(jìn)行Hough變換確定圖像的對(duì)稱軸。本發(fā)明 提出的方法對(duì)圖像的亮度、對(duì)比度、旋轉(zhuǎn)以及噪聲有較好魯棒性，且易于實(shí)現(xiàn)。
[0004] 參考文獻(xiàn)：
[1] Gareth Loy, Alexander Zelinsky. Fast Radial Symmetry for Detecting Points of Interest [J]. IEEE Trans on ΡΑΜΙ, 2003, 25(8), 959-973.
[2] Alexander V Tuzikov, Olivier Colliot, and Isabelle Bloch . Brain Symetry Plane Computationin MR Images Using Inertia Axes and Optimization [A].16th International Conference on Pattern Recognition (ICPR 02) Volume I[C]. Canada, QC, Quebec City:August 11-15，2002，10516-10519.
[3] G. Loy, J. Eklu ndh, Detecting symmetry and symmetric constellatio ns of features, In: Proc. European Conf. on Computer Vision, 2006, 508-521.
[4] Guo Xiaojiej Cao Xiaochun. MIFT: A framework for feature descriptors to be mirror reflection invariant. Image and Vision Computing 2012, 30, 546-556.
[5] D. Shenj H. Ipj E. Teohj Robust detection of skewed symmetries by combining local and semi-local affine invariants, Pattern Recognit. 2001，34 (7):1417-1428.
[6] Wang Zhaozhongj Fu Lianruij Li Y. F. Unified detection of skewed rotation, reflection and translation symmetries from affine invariant contour features. Pattern Recognition, 2014,47, 1764-1776.
[7] 王志衡，智珊珊，劉紅敏，基于亮度序的均值標(biāo)準(zhǔn)差描述子，模式識(shí)別與人工智能， 2013，26(4) :409-416。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明針對(duì)數(shù)字圖像中的鏡像對(duì)稱軸檢測(cè)問(wèn)題，提供了一種基于曲線匹配的圖像 對(duì)稱軸檢測(cè)方法。為了實(shí)現(xiàn)本目的，本發(fā)明基于亮度序均值標(biāo)準(zhǔn)差描述子的圖像對(duì)稱軸檢 測(cè)方法，包括以下步驟： 步驟Sl :獲取圖像并將其轉(zhuǎn)化為灰度圖像； 步驟S2:檢測(cè)圖像中的曲線； 步驟S3 :利用f獻(xiàn)"干志衡等，某于亮度序的詢倌標(biāo)準(zhǔn)差描沭子，樽式識(shí)別與人工智 能，2013, 26,4,DD409-416"提供的方法計(jì)算圖像中任一曲線的亮度序均值標(biāo)準(zhǔn)差描述子， 以下簡(jiǎn)稱描述子； 步驟S4 :利用描述子進(jìn)行曲線匹配； 步驟S5 :對(duì)于一組匹配曲線對(duì)，按照下述步驟計(jì)算匹配曲線對(duì)上距離最小的梯度一致 點(diǎn)對(duì)的中點(diǎn)： 步驟S51 :獲得匹配曲線對(duì)上的梯度一致點(diǎn)對(duì)； 步驟S52 :計(jì)算距離最小的梯度一致點(diǎn)對(duì)的中點(diǎn)； 步驟S6 :利用Hough變換獲得圖像對(duì)稱軸。
[0006] 本發(fā)明提出的基于亮度序均值標(biāo)準(zhǔn)差描述子的圖像對(duì)稱軸檢測(cè)方法，直接利用現(xiàn) 有的曲線匹配技術(shù)，首先獲得一幅圖像中的所有匹配曲線對(duì)，然后查找每組匹配曲線對(duì)上 梯度一致的點(diǎn)對(duì)，并引入最小距離約束，獲取每組匹配曲線對(duì)上距離最小的梯度一致點(diǎn)對(duì) 的中點(diǎn)，最后對(duì)獲得的所有的中點(diǎn)位置進(jìn)行Hough變換確定圖像的對(duì)稱軸。該方法對(duì)圖像 的亮度、對(duì)比度、旋轉(zhuǎn)以及噪聲有較好魯棒性，且易于實(shí)現(xiàn)。
【附圖說(shuō)明】
[0007] 圖1為本發(fā)明基于亮度序均值標(biāo)準(zhǔn)差描述子的圖像對(duì)稱軸檢測(cè)方法流程圖。
[0008] 圖2a為實(shí)施例中使用的原始圖像。圖2b為利用Canny算子在圖2a上檢測(cè)的曲 線圖，圖中丟棄了像素?cái)?shù)少于20的曲線；圖2c為曲線匹配結(jié)果圖，每組匹配曲線對(duì)使用直 線連接；圖2d為圖2a對(duì)稱軸檢測(cè)結(jié)果圖。
【具體實(shí)施方式】
[0009] 如圖1所示為本發(fā)明基于亮度序均值標(biāo)準(zhǔn)差描述子的圖像對(duì)稱軸檢測(cè)方法流程 圖，包括：獲取圖像并將其轉(zhuǎn)化為灰度圖像、檢測(cè)圖像中的曲線、利用文獻(xiàn)[7]提供的方法 計(jì)算圖像中任一曲線的亮度序均值標(biāo)準(zhǔn)差描述子、利用描述子進(jìn)行曲線匹配、獲得匹配曲 線對(duì)上的梯度一致點(diǎn)對(duì)、計(jì)算距離最小的梯度一致點(diǎn)對(duì)的中點(diǎn)，最后利用Hough變換獲得 圖像對(duì)稱軸。各步驟的具體實(shí)施細(xì)節(jié)如下： 步驟Sl :獲取圖像并將其轉(zhuǎn)化為灰度圖像； 步驟S2 :檢測(cè)圖像中的曲線；具體方式為：利用Canny邊緣檢測(cè)算子對(duì)圖像進(jìn)行曲線 檢測(cè)，并舍棄像素?cái)?shù)少于20的曲線； 步驟S3:利用文獻(xiàn)"王志衡等，基于亮度序的均值標(biāo)準(zhǔn)差描述子，模式識(shí)別與人工智 能，2013，26,4，pp409-416"提供的方法計(jì)算圖像中任一曲線的亮度序均值標(biāo)準(zhǔn)差描述子， 以下簡(jiǎn)稱描述子； 步驟S4 :利用描述子進(jìn)行曲線匹配；具體方式為：記步驟S2獲得的曲線 的描述子分別為，其中為曲線個(gè)數(shù)，對(duì)于中的任 一描述子A，分別計(jì)算A與中其它-個(gè)描述子之間的歐式距尚，記與4 間歐式距離取得最小值、次小值的描述子分別為巧、，距離最小值、次小值分別為
【主權(quán)項(xiàng)】
1. 一種基于亮度序均值標(biāo)準(zhǔn)差描述子的圖像對(duì)稱軸檢測(cè)方法，其特征在于，包括步 驟： 步驟S1 ;獲取圖像并將其轉(zhuǎn)化為灰度圖像； 步驟S2 ;檢測(cè)圖像中的曲線；具體方式為；利用Canny邊緣檢測(cè)算子對(duì)圖像進(jìn)行曲線 檢測(cè)，并舍棄像素?cái)?shù)少于20的曲線； 步驟S3 :利巧專獻(xiàn)"書煮衡等，某于亮麼序的拘值標(biāo)準(zhǔn)差描沐子，樽式識(shí)別與人工智 能，2013, 26,4,卯409-416"提供的方法計(jì)算圖像中任一曲線的亮度序均值標(biāo)準(zhǔn)差描述子， W下簡(jiǎn)稱描述子； 步驟S4 :利用描述子進(jìn)行曲線匹配；具體方式為：記步驟S2獲得的曲線 的描述子分別為，其中y為曲線個(gè)數(shù)，對(duì)于a，心中的任 一描述子A，分別計(jì)算A與中其它乂_1個(gè)描述子之間的歐式距離，記與公_ 間歐式距離取得最小值、次小值的描述子分別為％、〇.，距離最小值、次小值分別為 卸沿馬)、絞':陽(yáng)利用KKDR(巧)=馬巧馬巧巧）計(jì)算描述子巧的NNDR值，女口果 巧DR位）< 與，則C巧q:為一組匹配曲線對(duì)，其中闊值I；取值范圍為0. 8?0. 85 ;記圖像中 匹配曲線對(duì)為K皮=0=...，玄，J：為匹配曲線對(duì)個(gè)數(shù)； 步驟S5 :對(duì)于一組匹配曲線對(duì)(C;，巧:.|，按照下述步驟計(jì)算匹配曲線對(duì)上距離最小的 梯度一致點(diǎn)對(duì)的中點(diǎn)： 步驟S51 ;獲得匹配曲線對(duì)上的梯度一致點(diǎn)對(duì)；具體方式為；對(duì)于圖像中的一組匹 配曲線對(duì)(C.i:嗎I，記點(diǎn)PsC為曲線C,上的一點(diǎn)，點(diǎn)P's 為曲線上的一點(diǎn)；記點(diǎn)P 在X方向和方向的梯度分量分別為、每P，點(diǎn)F在X方向和方向的梯度分量分別 為忠y和命 1。.，如果血，。、命和續(xù).y同時(shí)滿足如下；個(gè)條件；（1) I龍P -Ap.|<r2 ，口）I卻> -卻古I <了2，（3)庶^ -娘。。.化滬.命f < 0，闊值馬的取值范圍為0. 5?3,則P和 P,為供:cy上的一組梯度一致點(diǎn)對(duì)，記為巧/>:巧，同時(shí)記d'w=|護(hù)-巧I為梯度一致點(diǎn)對(duì) 巧:C巧的距離； 步驟S52;計(jì)算距離最小的梯度一致點(diǎn)對(duì)的中點(diǎn)；具體方式為；按照步驟S51計(jì)算 (Ci,巧)上所有的梯度一致點(diǎn)對(duì)，記距離最小的梯度一致點(diǎn)對(duì)為巧(巧，巧I，計(jì)算的中 點(diǎn)位直為A4 = I.巧-巧|y6 ; 步驟S6 ;利用Hou曲變換獲得圖像對(duì)稱軸，具體方式為：根據(jù)步驟S5獲得圖像中所有 匹配曲線對(duì)1C,,q I。表=1，1 _裝對(duì)應(yīng)的中點(diǎn)集合抖/;}，對(duì)集合{M,}進(jìn)行化U曲變換獲得圖 像的對(duì)稱軸。
【專利摘要】本發(fā)明涉及一種基于亮度序均值標(biāo)準(zhǔn)差描述子的圖像對(duì)稱軸檢測(cè)方法，包括：獲取圖像并將其轉(zhuǎn)化為灰度圖像、檢測(cè)圖像中的曲線、利用文獻(xiàn)提供的方法計(jì)算圖像中任一曲線的亮度序均值標(biāo)準(zhǔn)差描述子、利用描述子進(jìn)行曲線匹配、獲得匹配曲線對(duì)上的梯度一致點(diǎn)對(duì)、計(jì)算距離最小的梯度一致點(diǎn)對(duì)的中點(diǎn)，最后利用Hough變換獲得圖像對(duì)稱軸。本發(fā)明提供的方法對(duì)圖像的亮度變化、對(duì)比度變化、旋轉(zhuǎn)以及噪聲有較好魯棒性，運(yùn)算簡(jiǎn)單且易于實(shí)現(xiàn)。
【IPC分類】G06T7-60
【公開(kāi)號(hào)】CN104599294
【申請(qǐng)?zhí)枴緾N201510034581
【發(fā)明人】劉紅敏, 熊文俊, 鄧超, 王靜, 智珊珊, 王志衡, 賈利琴, 霍占強(qiáng), 姜國(guó)權(quán)
【申請(qǐng)人】河南理工大學(xué)
【公開(kāi)日】2015年5月6日
【申請(qǐng)日】2015年1月23日