基于亮度序均值標準差描述子的圖像對稱軸檢測方法
【技術領域】
[0001] 本發(fā)明涉及計算機視覺中的圖像特征自動檢測領域，特別是數(shù)字圖像中鏡像對稱 圖形對稱軸的檢測。
【背景技術】
[0002] 圖像中的鏡像對稱性度量在許多科學領域都有重要的應用價值，例如利用人臉的 對稱特征進行人臉的識別與定位[1]，利用人體的近似對稱性進行醫(yī)學圖像處理等[2]。已 有的鏡像對稱軸檢測算法大致可以分為兩類：基于特征點的檢測方法和基于特征曲線的檢 測方法。
[0003] 近年來，基于特征點的對稱軸檢測方法研究取得了一系列成果。G. Loy和J. Eklundh[3]提出基于圖像的對稱特性對特征點進行分組的方法，該方法能夠檢測局部 或全局對稱性并能夠在復雜的背景中定位對稱軸，但需要計算所有對稱性的方向和半 徑。Guo[4]等人提出了鏡面翻轉不變的特征描述符架構（A framework for feature descriptors to be mirror reflection invariant，MIFT)，將 MIFT 應用到最常用的 SIFT 描述符上進行對稱軸檢測(簡稱，M-sift)。其目的是將原本在鏡面翻轉情況下失效的匹配， 轉化成保持原有匹配所有優(yōu)勢同時又增加鏡面反射不變性。其關鍵在于支撐區(qū)域內特征描 述符的重組，該方法的缺點在于：1)需要計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)每個特征需要指定主方向來增強魯棒 性。早期基于輪廓的鏡面反射對稱軸檢測是通過增強對稱邊緣檢測，從而尋找對稱目標的
[5]。Wang等人[6]基于輪廓仿射不變性，提出一種旋轉、反射和平移對稱檢測框架，主要采 用分組投票方法來確定對稱類型。以上都是基于輪廓曲線的對稱性檢測方法，并沒有充分 利用圖像中的紋理信息。針對現(xiàn)有檢測方法中存在的問題，本發(fā)明提出一種基于亮度序均 值標準差描述子[7]的圖像對稱軸檢測方法，不同于現(xiàn)有的方法，本方法基于曲線匹配進 行圖像對稱軸的檢測。首先選擇與主方向確定無關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，然后引入梯度一致性度量和最小距離約束，由每組匹配曲 線對確定一個位點，最后對獲得的所有的位點進行Hough變換確定圖像的對稱軸。本發(fā)明 提出的方法對圖像的亮度、對比度、旋轉以及噪聲有較好魯棒性，且易于實現(xiàn)。
[0004] 參考文獻：
[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準差描述子，模式識別與人工智能， 2013，26(4) :409-416。

【發(fā)明內容】

[0005] 本發(fā)明針對數(shù)字圖像中的鏡像對稱軸檢測問題，提供了一種基于曲線匹配的圖像 對稱軸檢測方法。為了實現(xiàn)本目的，本發(fā)明基于亮度序均值標準差描述子的圖像對稱軸檢 測方法，包括以下步驟： 步驟Sl :獲取圖像并將其轉化為灰度圖像； 步驟S2:檢測圖像中的曲線； 步驟S3 :利用f獻"干志衡等，某于亮度序的詢倌標準差描沭子，樽式識別與人工智 能，2013, 26,4,DD409-416"提供的方法計算圖像中任一曲線的亮度序均值標準差描述子， 以下簡稱描述子； 步驟S4 :利用描述子進行曲線匹配； 步驟S5 :對于一組匹配曲線對，按照下述步驟計算匹配曲線對上距離最小的梯度一致 點對的中點： 步驟S51 :獲得匹配曲線對上的梯度一致點對； 步驟S52 :計算距離最小的梯度一致點對的中點； 步驟S6 :利用Hough變換獲得圖像對稱軸。
[0006] 本發(fā)明提出的基于亮度序均值標準差描述子的圖像對稱軸檢測方法，直接利用現(xiàn) 有的曲線匹配技術，首先獲得一幅圖像中的所有匹配曲線對，然后查找每組匹配曲線對上 梯度一致的點對，并引入最小距離約束，獲取每組匹配曲線對上距離最小的梯度一致點對 的中點，最后對獲得的所有的中點位置進行Hough變換確定圖像的對稱軸。該方法對圖像 的亮度、對比度、旋轉以及噪聲有較好魯棒性，且易于實現(xiàn)。
【附圖說明】
[0007] 圖1為本發(fā)明基于亮度序均值標準差描述子的圖像對稱軸檢測方法流程圖。
[0008] 圖2a為實施例中使用的原始圖像。圖2b為利用Canny算子在圖2a上檢測的曲 線圖，圖中丟棄了像素數(shù)少于20的曲線；圖2c為曲線匹配結果圖，每組匹配曲線對使用直 線連接；圖2d為圖2a對稱軸檢測結果圖。
【具體實施方式】
[0009] 如圖1所示為本發(fā)明基于亮度序均值標準差描述子的圖像對稱軸檢測方法流程 圖，包括：獲取圖像并將其轉化為灰度圖像、檢測圖像中的曲線、利用文獻[7]提供的方法 計算圖像中任一曲線的亮度序均值標準差描述子、利用描述子進行曲線匹配、獲得匹配曲 線對上的梯度一致點對、計算距離最小的梯度一致點對的中點，最后利用Hough變換獲得 圖像對稱軸。各步驟的具體實施細節(jié)如下： 步驟Sl :獲取圖像并將其轉化為灰度圖像； 步驟S2 :檢測圖像中的曲線；具體方式為：利用Canny邊緣檢測算子對圖像進行曲線 檢測，并舍棄像素數(shù)少于20的曲線； 步驟S3:利用文獻"王志衡等，基于亮度序的均值標準差描述子，模式識別與人工智 能，2013，26,4，pp409-416"提供的方法計算圖像中任一曲線的亮度序均值標準差描述子， 以下簡稱描述子； 步驟S4 :利用描述子進行曲線匹配；具體方式為：記步驟S2獲得的曲線 的描述子分別為，其中為曲線個數(shù)，對于中的任 一描述子A，分別計算A與中其它-個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
【主權項】
1. 一種基于亮度序均值標準差描述子的圖像對稱軸檢測方法，其特征在于，包括步 驟： 步驟S1 ;獲取圖像并將其轉化為灰度圖像； 步驟S2 ;檢測圖像中的曲線；具體方式為；利用Canny邊緣檢測算子對圖像進行曲線 檢測，并舍棄像素數(shù)少于20的曲線； 步驟S3 :利巧專獻"書煮衡等，某于亮麼序的拘值標準差描沐子，樽式識別與人工智 能，2013, 26,4,卯409-416"提供的方法計算圖像中任一曲線的亮度序均值標準差描述子， W下簡稱描述子； 步驟S4 :利用描述子進行曲線匹配；具體方式為：記步驟S2獲得的曲線 的描述子分別為，其中y為曲線個數(shù)，對于a，心中的任 一描述子A，分別計算A與中其它乂_1個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':陽利用KKDR(巧)=馬巧馬巧巧）計算描述子巧的NNDR值，女口果 巧DR位）< 與，則C巧q:為一組匹配曲線對，其中闊值I；取值范圍為0. 8?0. 85 ;記圖像中 匹配曲線對為K皮=0=...，玄，J：為匹配曲線對個數(shù)； 步驟S5 :對于一組匹配曲線對(C;，巧:.|，按照下述步驟計算匹配曲線對上距離最小的 梯度一致點對的中點： 步驟S51 ;獲得匹配曲線對上的梯度一致點對；具體方式為；對于圖像中的一組匹 配曲線對(C.i:嗎I，記點PsC為曲線C,上的一點，點P's 為曲線上的一點；記點P 在X方向和方向的梯度分量分別為、每P，點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同時滿足如下；個條件；（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對，記為巧/>:巧，同時記d'w=|護-巧I為梯度一致點對 巧:C巧的距離； 步驟S52;計算距離最小的梯度一致點對的中點；具體方式為；按照步驟S51計算 (Ci,巧)上所有的梯度一致點對，記距離最小的梯度一致點對為巧(巧，巧I，計算的中 點位直為A4 = I.巧-巧|y6 ; 步驟S6 ;利用Hou曲變換獲得圖像對稱軸，具體方式為：根據(jù)步驟S5獲得圖像中所有 匹配曲線對1C,,q I。表=1，1 _裝對應的中點集合抖/;}，對集合{M,}進行化U曲變換獲得圖 像的對稱軸。
【專利摘要】本發(fā)明涉及一種基于亮度序均值標準差描述子的圖像對稱軸檢測方法，包括：獲取圖像并將其轉化為灰度圖像、檢測圖像中的曲線、利用文獻提供的方法計算圖像中任一曲線的亮度序均值標準差描述子、利用描述子進行曲線匹配、獲得匹配曲線對上的梯度一致點對、計算距離最小的梯度一致點對的中點，最后利用Hough變換獲得圖像對稱軸。本發(fā)明提供的方法對圖像的亮度變化、對比度變化、旋轉以及噪聲有較好魯棒性，運算簡單且易于實現(xiàn)。
【IPC分類】G06T7-60
【公開號】CN104599294
【申請?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, 姜國權
【申請人】河南理工大學
【公開日】2015年5月6日
【申請日】2015年1月23日