边缘加强型的彩色空间最稳极值区域检测方法

摘要

本发明实施例公开了一种边缘加强型的彩色空间最稳极值区域检测方法，包括以下步骤：采用mPb边缘检测方法对彩色图像进行边缘检测得到边缘信息，并根据边缘信息和距离变换公式得到距离加权系数；在彩色空间中计算相邻像素之间表征其差异性的距离值；利用距离加权系数对所述距离值进行加权处理，得到最终的距离集；根据最终的距离集的分布情况得到距离阈值集；通过不断地提高距离阈值，将距离值小于阈值的相邻像素对合并到同一区域，将那些随着阈值的变化其面积变化率达到局部极小值的区域提取为最稳区域特征。本发明综合利用图像的边缘信息和颜色信息，在尽量保留最稳极值区域本身具有的不变性的同时，进一步提高其在模糊变换上的不变性。

说明书

技术领域

本发明属于图像局部特征提取领域，特别地涉及一种边缘加强型的彩色空 间最稳极值区域检测方法。

背景技术

图像局部不变特征近些年来已成为图像处理和计算机视觉领域的一个研究 热点，继人工智能和神经网络之后，它再一次点燃了人们对机器智能研究的热 情。图像局部不变特征研究的核心是“不变性”，即在识别一个物体时，不管这 个物体或远或近，也不管这个物体是否发生旋转，或是从不同的角度去观察这 个物体，都能对这个物体进行正确的辨认。常见的不变性有视角不变性、尺度 不变性、旋转不变性、光照不变性、仿射不变性等，但至今还没有一种局部特 征具有上述所有的不变性，一般的局部特征只能满足部分图像变换。此外，优 秀的局部特征除了具有好的不变性之外，还需要有较高的可区分性，从而使其 容易被区分和匹配。同时特征最好是局部的，这样可以减小其被遮挡的概率。 最后特征数量要尽可能多，并在图像上均匀分布，这样能更全面地表示图像的 内容，特征提取的时间越短越好，以便于实时应用。

图像局部不变特征主要可分为两种，一种是点特征，角点特征是早期比较 著名的点特征，它是图像中灰度值发生剧烈变化或边缘曲线上曲率极大值的点。 Harris角点检测子就是其中的典型代表，它根据图像中的像素点与其邻域像素 点之间的自相关矩阵来检测角点。Harris角点具有平移和旋转不变性，对光照 变化也不敏感，但对尺度缩放比较敏感，也不具备仿射不变性。针对Harris角 点尺度不变性差这一缺点，Mikolajczyk等人将尺度空间理论引入点特征的检 测，在图像的高斯尺度空间上对每幅图像进行Harris角点检测，然后通过特征 尺度选择函数将重复的角点进行处理，从而提出了具有旋转、光照、尺度不变 的Harris-Laplacian点特征检测子。Lowe将Harris-Laplacian检测子中用到的高 斯拉普拉斯算子用尺度域上的差分运算来代替，提出了著名的SIFT特征，其具 有尺度、光照、旋转等不变性，同时检测速度非常快，达到实时应用的要求。 另一种局部特征是区域特征，最稳极值区域MSER是其中比较典型的代表，它 是基于图像分水岭方法，通过不断提高阈值对灰度图像进行二值化处理，得到 一系列嵌套的区域特征，最后将那些随着阈值变化而其面积变化率达到局部极 小的区域作为最稳极值区域。MSER除了具有尺度、旋转、光照不变性外，还 具有仿射不变性。Mikolajczyk等人对当时比较典型的集中局部特征进行了性能 比较，MSER在绝大多数情况下性能都是最佳的，除了模糊变化下，MSER的 不变性不理想。针对这一问题，有人通过将基于灰度信息的MSER方法扩展到 颜色空间，有人通过在多尺度空间上进行MSER检测，一定程度上提高了MSER 在模糊变化方面的不变性，但这些方法或多或少的都降低了MSER在其他图像 变换上的不变性。其他应用较广的区域特征有基于特征点检测的 HA(Harris\Hessian-Affine)、基于边缘检测的EBR(Edge-Based Region)、基于局 部灰度极值的IBR(Intensity Extrema-Based Region)和显著性区域Salient  Region。这些区域特征只能对某些图像变换有良好的不变性，其整体性能不如 最稳极值区域特征。

发明内容

为解决上述问题，本发明的目的在于提供一种边缘加强型的彩色空间最稳 极值区域检测方法，综合利用图像的边缘信息和颜色信息，在尽量保留最稳极 值区域本身具有的不变性的同时，进一步提高其在模糊变换上的不变性，克服 了现有的最稳极值区域MSER对模糊变化不变性较差的不足。

为实现上述目的，本发明的技术方案为：

一种边缘加强型的彩色空间最稳极值区域检测方法，包括以下步骤：

S10，采用多尺度边缘概率mPb边缘检测方法对彩色图像进行边缘检测得 到边缘信息，并根据边缘信息和距离变换公式得到距离加权系数；

S20，在彩色空间中计算相邻像素之间表征其差异性的距离值；

S30，利用距离加权系数对所述距离值进行加权处理，得到最终的距离集；

S40，根据最终的距离集的分布情况得到距离阈值集；

S50，通过不断地提高距离阈值，将距离值小于阈值的相邻像素对合并到 同一区域，将那些随着阈值的变化其面积变化率达到局部极小值的区域提取为 最稳区域特征。

优选地，S10中采用多尺度边缘概率mPb边缘检测方法对彩色图像进行边 缘检测得到边缘信息具体为：分别在颜色空间的三个通道和纹理通道上对原始 图像进行边缘检测，并在每个通道中采用多尺度邻域模型，最后将多个通道、 多个尺度上的边缘信息进行线性组合得到最终的边缘信息。

优选地，S10中根据边缘信息和距离变换公式得到距离加权系数具体为：

得到边缘信息后，根据距离变化公式，为图像中的每个像素点赋值为与其 最近的边缘像素点之间的欧式距离，当所述欧氏距离小于一个给定的阈值，则 认为该像素为边缘像素点，反之，则该像素为区域内部像素点，距离加权系数 的设定原则是：对分别属于边缘和区域内部的相邻像素对，选取大于1的加权 系数；对同属于边缘或同属于区域内部的像素对，选取小于1的加权系数。

优选地，S20具体包括以下步骤：

S201，将输入的彩色图像从RGB颜色空间转换到具有较好光照不变性的 Opponent颜色空间；

S202，在Opponent颜色空间中计算相邻像素对之间的归一化欧氏距离；

S203，采用距离加权系数对该归一化欧氏距离进行加权处理，并将得到的 距离值按从小到大进行排序得到最终的距离集。

优选地，S40具体为，对所述最终的距离集中的距离进行量化，统计其直 方图分布情况，得到累积直方图，最后根据累积概率的倒数来得到距离阈值集， 并将该距离阈值集中的阈值按从小到大进行排序。

优选地，S50具体包括以下步骤，

S501，从所述的距离阈值集中取最小的一个阈值，将所述最终的距离集中 值小于该阈值的相邻像素对进行合并，得到多个第一极值区域，记录每个第一 极值区域的起始面积a₀和起始阈值d₀，a_i和d_i分别表示当前第一极值区域的面 积和所对应的阈值；

S502，从所述的距离阈值集中取出下一个阈值d_i+1，即增大阈值，将所述 最终的距离集中小于该阈值的像素对加入到所述第一极值区域中，得到第二极 值区域，其面积为a_i+1；

S503，判断所述第二极值区域相对于所述第一极值区域的面积变化率 a_i/a_i+1，若该面积变化率小于某个阈值，则将第二极值区域幅值给第一极值区 域，即a_i＝a_i+1，d_i＝d_i+1，转到步骤502；

S504，判断所述第二极值区域是否满足如下要求：

a)阈值变化幅度大于某个阈值m_thr，即m＝d_t-d₀＞m_thr；

b)区域面积在一个给定的范围内，即a_t∈[a_min，a_max]；

c)区域的短半轴大于某个阈值；

若满足上述三个条件，则所述第二极值区域就是稳定的区域特征，保存该区域 特征；

S505，若距离阈值集非空，则重置所述第一极值区域，a₀＝a_i＝a_t， d₀＝d_i＝d_t，转到S502，否则结束。

与现有技术相比，本发明的有益效果如下：

(1)本发明实施例用图像彩色空间中相邻像素之间的归一化欧氏距离来度 量相邻像素之间的差异性，并用边缘信息来强化该差异性，弱化模糊变化的影 响，从而大大提高了MSER对模糊变化的不变性差。

(2)本发明实施例采用了Opponent颜色空间，从而使提取的区域特征具 有比MSER更好的光照不变性。

(3)本发明实施例提出的区域特征检测方法在绝大多数的情况下都能检测 到比MSER更丰富的对应区域特征，即两幅图像间能进行一一匹配的区域特征 更丰富。

附图说明

图1为本发明实施例的边缘加强型的彩色空间最稳极值区域检测方法的步 骤流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实 施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅 仅用以解释本发明，并不用于限定本发明。

相反，本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替 代、修改、等效方法以及方案。进一步，为了使公众对本发明有更好的了解， 在下文对本发明的细节描述中，详尽描述了一些特定的细节部分。对本领域技 术人员来说没有这些细节部分的描述也可以完全理解本发明。

参见图1，所示为本发明实施例的一种边缘加强型的彩色空间最稳极值区 域检测方法的步骤流程图，其包括以下步骤：

S10，采用多尺度边缘概率mPb(multiscale Probability of boundary)边缘 检测方法对彩色图像进行边缘检测得到边缘信息，并根据边缘信息和距离变换 公式得到距离加权系数γ_ij；

具体地，分别在颜色空间的三个通道和纹理通道上对原始图像进行边缘检 测，并在每个通道中采用多尺度邻域模型，最后将多个通道、多个尺度上的边 缘信息进行线性组合得到最终的边缘信息。Pb边缘检测方法根据像素圆形邻域 内像素值分布情况为图像中的每个像素分配一个表征其成为边缘的概率值，若 该概率值大于某个阈值，则该像素点就是边缘像素点。得到边缘信息后，根据 距离变化公式，为图像中的每个像素点赋值为与其最近的边缘像素点之间的欧 式距离，当所述欧氏距离小于一个给定的阈值，则认为该像素为边缘像素点， 反之，则该像素为区域内部像素点，距离加权系数的设定原则是：对分别属于 边缘和区域内部的相邻像素对，选取大于1的加权系数；对同属于边缘或同属 于区域内部的像素对，选取小于1的加权系数。这样可将图像的区域边缘进行 加强，区域内部进行平滑，从而减小模糊变化对图像边缘的弱化。

S20，在彩色空间中计算相邻像素之间表征其差异性的距离值；

在一具体应用实例中，S20具体包括以下步骤：

S201，将输入的彩色图像从RGB颜色空间转换到具有较好光照不变性的 Opponent颜色空间；

将原始的彩色图像进行颜色空间的转换，从RGB颜色空间转换到具有良 好光照不变性的Opponent颜色空间，转换公式如下：

$\left(\begin{array}{c}{O}_1\\ O_2\\ O_3\end{array}\right)=\left(\begin{array}{c}\frac{R-G}{\sqrt{2}}\\ \frac{R+G-2}{\sqrt{6}}\\ \frac{R+G+B}{\sqrt{3}}\end{array}\right)$

其中O₃表示强度信息，O₁、O₂表示颜色信息和部分强度信息。为使Opponent 颜色空间具有完全的光照不变性，用O₃分量来归一化O₁、O₂分量，从而将O₁、O₂分量中的强度信息剥离出去。

S202，在Opponent颜色空间中计算相邻像素对之间的归一化欧氏距离，相 邻像素i和像素j之间的第一距离计算公式如下：

$d_{\mathrm{ij}}^2=\underset{k=1}{\overset{3}{\Sigma }}\frac{{(O_{\mathrm{ki}}-O_{\mathrm{kj}})}^2}{O_{\mathrm{ki}}+O_{\mathrm{kj}}}$

S203，采用距离加权系数对该归一化欧氏距离进行加权处理，并将得到的 距离值按从小到大进行排序得到最终的距离集。

S30，利用距离加权系数对所述距离值进行加权处理，得到最终的距离集；

S40，根据最终的距离集的分布情况得到距离阈值集；

具体为，对所述最终的距离集中的距离进行量化，统计其直方图分布情况， 得到累积直方图，最后根据累积概率的倒数来得到距离阈值集，并将该距离阈 值集中的阈值按从小到大进行排序。

S50，通过不断地提高距离阈值，将距离值小于阈值的相邻像素对合并到 同一区域，将那些随着阈值的变化其面积变化率达到局部极小值的区域提取为 最稳区域特征。

具体地，S50进一步包括以下步骤，

S501，从所述的距离阈值集中取最小的一个阈值，将所述最终的距离集中 值小于该阈值的相邻像素对进行合并，得到多个第一极值区域，记录每个第一 极值区域的起始面积a₀和起始阈值d₀，a_i和d_i分别表示当前第一极值区域的面 积和所对应的阈值；

S502，从所述的距离阈值集中取出下一个阈值d_i+1，即增大阈值，将所述 最终的距离集中小于该阈值的像素对加入到所述第一极值区域中，得到第二极 值区域，其面积为a_i+1；

S503，判断所述第二极值区域相对于所述第一极值区域的面积变化率 a_i/a_i+1，若该面积变化率小于某个阈值，则将第二极值区域幅值给第一极值区 域，即a_i＝a_i+1，d_i＝d_i+1，转到步骤502；

S504，判断所述第二极值区域是否满足如下要求：

a)阈值变化幅度大于某个阈值m_thr，即m＝d_t-d₀＞m_thr；

b)区域面积在一个给定的范围内，即a_t∈[a_min，a_max]；

c)区域的短半轴大于某个阈值；

若满足上述三个条件，则所述第二极值区域就是稳定的区域特征，保存该区域 特征；

S505，若距离阈值集非空，则重置所述第一极值区域，a₀＝a_i＝a_t， d₀＝d_i＝d_t，转到S502，否则结束。

通过以上技术方案，用图像彩色空间中相邻像素之间的归一化欧氏距离来 度量相邻像素之间的差异性，并用边缘信息来强化该差异性，弱化模糊变化的 影响。与基于灰度空间的MSER相比，该方法得到的区域特征不仅具有良好的 尺度、光照、旋转、视角不变性，而且还具有良好的模糊不变性，大大提高了 MSER在这方面的不足。同时，在绝大多数的图像变换下都能检测到比MSER 更丰富的对应区域特征，即两幅图像间能进行一一匹配的区域特征更丰富。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发 明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明 的保护范围之内。