基于边缘点自相似性的不规则图像的识别方法

摘要

本发明提出基于边缘点自相似性的不规则图像的识别方法，获取待检测图像的边缘点，并对边缘点分类，获取初始边缘线；给每个边缘点分配基准方向和计算其特征向量，并对特征向量归一化处理；利用归一化后的特征向量计算初始边缘线上每个边缘点的局部和整体自相似性值，将其加权组合作为该边缘点的最终自相似性值；获取每条初始边缘线上自相似性高的边缘点集合，在集合中获取自相似性值高于低阈值的边缘点并对其重新分类，获取校正边缘线；将所有低于低阈值的点和小于长度阈值的校正边缘线上的点标记为不规则边缘点，不规则边缘点形成的图像为不规则图像。本发明的识别方法，应用在图像对比识别中提高图像对比识别的准确率。

说明书

技术领域

本发明涉及计算机图像对比识别领域，特别是指一种基于边缘点自相似性的不规则图像的识别方法。

背景技术

目前，图像广泛应用于内容的表达和信息的承载，图像特征匹配技术在图像检索识别领域有着广泛的应用；从现有的图像中快速准确地识别出匹配的图像，或者从一幅图像中快速准确地识别出匹配的局部图像具有重要的意义。现有技术中图像特征点和特征区域自动匹配技术均取得了较大进展，而对于不匹配的图像特征点和特征区域中是否包含干扰图像的识别方法较少。目前针对干扰图像的识别是针对一种具体化的干扰图像进行特定的识别，这种识别方法的应用范围有限，不能推广在大范围内使用。

基于上述问题，本发明将一般自然因素或人为因素引起的干扰图像拟合为不规则图像，只要能识别这种不规则图像，就可大范围推广应用。因此，本发明提出一种基于边缘点自相似性的不规则图像的识别方法。

发明内容

本发明提出一种基于边缘点自相似性的不规则图像的识别方法，能够在待检测的图像中识别出拟合为不规则图像的干扰图像，提高图像对比识别检测的准确率。而且，该方法应用在图像识别领域，解决了现有技术中不规则图像识别方法应用局限性的问题。

本发明的技术方案是这样实现的：

一种基于边缘点自相似性的不规则图像的识别方法，包括以下步骤：

步骤一：在计算机中输入待检测的图像，利用canny边缘检测算法获取该图像的所有边缘点；

步骤二：对所有边缘点进行分类，同类边缘点属于一个图像轮廓的一条初始边缘线，获取待检测的图像的所有的初始边缘线，给每个边缘点分配一个基准方向，并提取每个边缘点的特征向量，且对每个特征向量进行归一化处理；

步骤三：根据每个边缘点归一化处理后的特征向量计算每条初始边缘线上每个边缘点的局部自相似性值和整体自相似性值，并将局部自相似性值和整体自相似性值的加权组合作为该边缘点最终的自相似性值；

步骤四：设定一个高阈值，获取每条初始边缘线上的自相似性值高于高阈值的边缘点的集合，剔除每条初始边缘线上自相似性值低于高阈值的边缘点；

步骤五：计算上述集合中每个边缘点与其最邻近边缘点的自相似性值，设定一个低阈值，获取集合中所有的自相似性值高于低阈值的边缘点，将该集合中低于低阈值的边缘点标记为不规则边缘点；

步骤六：对步骤五中高于低阈值的边缘点分类，同一类边缘点形成一个图像轮廓的校正边缘线，给所有的校正边缘线设定一个长度阈值，获取小于该阈值的校正边缘线，将该校正边缘线上的点标记为不规则边缘点；

步骤七、步骤五和步骤六中标记的不规则边缘点形成的图像为识别的不规则图像。

优选的是，所述的基于边缘点自相似性的不规则图像的识别方法中，所述步骤三中根据每个边缘点归一化处理后的特征向量计算每条初始边缘线上的边缘点最终的自相似性值的方式为：设定和为边缘线上的任意两个边缘点，其特征向量分别为和，则

边缘线上任意两个边缘点和的相似性值为：，这里向量内积的计算方式为向量对应元素相乘再相加，得到两个边缘点和的相似性值；

边缘点的局部自相似性值为：取该边缘点所在的边缘线上与该边缘点相邻且位于其两侧的四个边缘点、、、，则边缘点的局部自相似性值为：

；

边缘点的整体自相似性值为：假定该边缘线上共有n个边缘点，则边缘点的整体自相似性值为：

；

设定局部自相似性和整体自相似性的权值为，且，，将局部自相似性值和整体自相似性值组合，则边缘点的最终自相似性值为：

；

归一化处理后的特征向量的范围在0到1之间，则自相似性值在0到1之间表示相似程度，自相似性值为0时是完全不相似状态，为1时是完全相似状态。

优选的是，所述的基于边缘点自相似性的不规则图像的识别方法中，所述步骤二中给每一个边缘点分配一个基准方向的方式为：

对于任一个边缘点，构造以当前边缘点为中心的局部邻域，计算该邻域内所有像素点的梯度值和方向，利用直方图统计该邻域内所有像素点的梯度值和方向，直方图内包含将0~180度的方向范围均分的9个直方柱，180~360度均分并合并在9个直方柱上；

计算每个边缘点对相邻两个方向的加权系数，再根据加权系数和梯度值计算每个边缘点对相邻两个方向的贡献权值，将贡献权值累加至该边缘点所在的直方图的每个直方柱上，直方图峰值所在方向为该边缘点的基准方向。

优选的是，所述的基于边缘点自相似性的不规则图像的识别方法中，所述步骤二中任一个边缘点的特征向量的提取方式为：

设定任一边缘点为，该边缘点的基准方向为，将坐标轴旋转至基准方向；在旋转后的坐标系中沿着四个方位分别取距离边缘点预定个像素位置的点、、、，构造以、、、、为中心的5个局部邻域，计算每个像素点的梯度值和每个像素点对相邻两个方向的贡献权值；统计5个局部邻域的方向分布直方图，得到5个直方图；该边缘点的特征向量为：；最后对每个边缘点的特征向量进行归一化处理。

本发明的有益效果为：本发明中，先考虑每条初始边缘线，根据特征向量计算每条初始边缘线上的边缘点的自相似性，获取自相似较大的边缘点集合，剔除自相似性较小的边缘点；再在自相似性较大的所有边缘点集合中根据预定的方式重新计算每个边缘点的自相似性，获取自相似性值高于低阈值的边缘点集合，增加边缘点的连续性；对集合中高于低阈值的边缘点重新分类，得到校正边缘线；将长度低于长度阈值的校正边缘线上的点和集合中低于低阈值的点标记为不规则边缘点，不规则边缘点构成不规则图像。该方法应用在图像对比识别中，能够排除图像识别中不匹配特征区域的干扰图像，提高图像对比识别的准确率，降低误判率。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据实施例获得其他的附图。

图1为现有特定技术特征识别和本发明中特定技术特征识别的对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1：一种基于边缘点自相似性的不规则图像的识别方法，应用在动车组的故障识别，包括以下步骤：

步骤一：在计算机中输入待检测的一幅动车上的局部图像，利用canny边缘检测算法获取该图像的所有边缘点；具体过程如下：

1、在计算机上将该图像处理为灰度图像；

2、对灰度图像进行高斯模糊以减少图像噪声的干扰；

3、计算降噪后的图像中每个像素点的梯度值和方向；

4、对每个像素点的梯度值进行非极大值抑制，初步得到图像边缘点集合；5、采用双阈值方法进行边缘连接，剔除虚假边缘，补全边缘缺口，获得更精确的边缘点集合。

步骤二：对所有边缘点进行分类，同类边缘点属于一个图像轮廓的一条初始边缘线，获取待检测的图像的所有的初始边缘线，给每一个边缘点分配一个基准方向，并提取每个边缘点的特征向量，且对每个边缘点的特征向量进行归一化处理；

每一个边缘点分配一个基准方向的方式为：

1、对于任一个边缘点，构造以当前边缘点为中心的8*8邻域，计算该邻域内所有像素点的梯度值和方向，利用直方图统计该邻域内所有像素点的梯度值和方向，直方图内包含将0~180度的方向范围均分的9个直方柱，每个直方柱20度，180~360度均分并合并在9个直方柱上；

2、计算每个边缘点对相邻两个方向的加权系数，再根据加权系数和梯度值计算每个边缘点对相邻两个方向的贡献权值，将贡献权值累加至该边缘点所在的直方图的每个直方柱上，直方图峰值所在方向为该边缘点的基准方向。

每一个边缘点的特征向量的提取方式为：

1、设定任一边缘点为，该边缘点的基准方向为，将坐标轴旋转至基准方向，坐标变换为；在旋转后的坐标系中沿着四个方位分别取距离边缘点预定个像素位置的点、、、，构造以、、、、为中心的5个8*8邻域，计算每个像素点的梯度值，计算每个像素点对相邻两个方向的贡献权值；

2、统计5个8*8邻域的方向分布直方图，得到5个直方图；该边缘点的特征向量为：；最后对每个边缘点的特征向量进行归一化处理。

步骤三：根据每个边缘点归一化处理后的特征向量计算每条初始边缘线上每个边缘点的局部自相似性值和整体自相似性值，并将局部自相似性值和整体自相似性值的加权组合作为边缘点最终的自相似性值；

每条初始边缘线上的边缘点的最终的自相似性值的计算方式为：设定和为边缘线上的任意两个边缘点，其特征向量分别为，，则

边缘线上任意两个边缘点和的相似性值为：；这里向量内积的计算方式为向量对应元素相乘再相加，得到两个边缘点和的相似性值；

边缘点的局部自相似性值为：取该边缘点所在的边缘线上与该边缘点相邻且位于其两侧的四个边缘点、、、，边缘点的局部自相似性值为：

；

边缘点的整体自相似性值为：假定该边缘线上共有n个边缘点，边缘点的整体自相似性值为：

；

设定局部自相似性和整体自相似性的权值为，选取，，将局部自相似性值和整体自相似性值组合，边缘点的自相似性值为：

；

归一化处理后的特征向量的范围在0到1之间，则自相似性值在0到1之间表示相似程度，自相似性值为0时是完全不相似状态，为1时是完全相似状态。

步骤四：将高阈值设为0.7，获取每条初始边缘线上的自相似性值高于0.7的边缘点的集合，剔除每条初始边缘线上自相似性值低于高阈值的边缘点。

步骤五：计算步骤四的集合中的任意两个边缘点的自相似性，将低阈值设为0.2，获取集合中所有的自相似性值高于0.2的边缘点，将该集合中低于0.2的边缘点标记为不规则边缘点。

步骤六：对步骤五中高于低阈值的边缘点分类，同一类边缘点形成一个图像轮廓的校正边缘线，给所有的校正边缘线设定长度阈值10，获取边缘线长度小于10的校正边缘线，将该校正边缘线上的点标记为不规则边缘点。

步骤七、统计步骤五和步骤六中的不规则边缘点，不规则边缘点形成不规则图像；

步骤八，利用TEDS系统进行动车组故障识别时，将步骤七中识别出的不规则图像默认为干扰因素，不是动车组的故障状态，在动车组故障检测时不标记，降低故障误判，提高得到的故障检测图的精确度。

图1中的两幅图均为采集的动车组的某个待检测部位的图像。图1中的a图的框中的图像为现有技术中识别出的标记为故障的不匹配技术特征图像；图1中的b图的框中的图像为排除水渍、油污、反光等干扰图像后的标记为故障的不匹配技术特征图像，对比明显显示出b图中识别出的故障部位更精确，降低误报率，提高识别的准确性。

本发明的基于边缘点自相似性的不规则图像的识别方法还可应用在图像识别领域的其他方向，能够排除不规则干扰图像，进一步准确识别对比图像中不匹配特征图像。

本发明中出现的邻域根据具体情况来选择，也可选为8*16等其他邻域。上述高阈值、低阈值、长度阈值可根据实际检测图像的类型来选取。

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、改进等，均应包含在本发明的保护范围之内。