数字图像中基于梯度与颜色特征的直线自动匹配方法

摘要

本发明涉及一种数字图像中直线自动匹配方法，包括：采集图像并输入计算机；提取图像中的直线段；确定直线邻域并划分子区域；将各点高斯梯度与其所在子区域的平均高斯梯度分别进行内积与外积运算获得梯度特征；将各点颜色对其所在子区域的平均颜色进行归一化获得颜色特征；基于梯度特征计算直线的梯度均值描述向量与梯度标准差描述向量；基于颜色特征计算直线的颜色均值描述向量与颜色标准差描述向量；计算直线的描述向量之间的欧式距离，分别赋予不同权重系数后求和，获得直线之间的相似度；进行匹配并输出结果。本发明提供的方法不需要借助任何先验条件，同时利用了梯度与颜色两种图像特征，能够适用于不同类型的图像，具有更加广泛的适应性。

主权项

1.一种数字图像中基于梯度与颜色特征的直线自动匹配方法，其特征在于，包括：步骤S1：采集图像并输入计算机；步骤S2：利用直线提取技术提取图像中的直线段；步骤S3：将所述直线为中轴线的矩形区域确定为直线邻域，并将其划分为7个大小为N×5矩形子区域；具体包括：记直线的长度为N，将所述直线为中轴线，大小为N×35的矩形区域确定为直线邻域；沿垂直于直线方向，将该矩形邻域划分为7个大小为N×5的矩形子区域G₁，G₂，...，G₇，记7个矩形子区域包含的像素个数分别为#G₁，#G₂，...，#G₇；步骤S4：将直线邻域内各点的高斯梯度与其所在矩形子区域的平均梯度分别进行内积与外积运算，获得各点的梯度特征；具体包括：记直线邻域内各点为{X_k|X_k∈G_i)，点X_k的高斯梯度为其中f_x(X_k)，f_y(X_k)分别表示水平竖直方向上的梯度，其所在矩形子区域G_i内各点的平均梯度为$▿{\bar{f}}_i=[{\bar{f}}_{\mathrm{xi}},{\bar{f}}_{\mathrm{yi}}]=\frac{1}{\#G_i}\underset{X_k\in G_i}{\Sigma }▿f\left(X_k\right),$将X_k的高斯梯度与平均梯度分别作内积与外积运算，获得点X_k的梯度特征g(X_k)＝[g₁(X_k)，g₂(X_k)]，其中$g_1\left(X_k\right)=f_x\left(X_k\right)·{\bar{f}}_{\mathrm{xi}}+f_y\left(X_k\right)·{\bar{f}}_{\mathrm{yi}},$$g_2\left(X_k\right)=f_x\left(X_k\right)·{\bar{f}}_{\mathrm{yi}}-f_y\left(X_k\right)·{\bar{f}}_{\mathrm{xi}};$步骤S5：将直线邻域内各点的颜色对其所在矩形子区域的平均颜色进行归一化，获得各点的颜色特征；具体包括：记直线邻域内各点X_k的颜色为Color(X_k)＝[R_k，G_k，B_k](R_k，G_k，B_k分别表示红、绿、蓝三个颜色分量)，其所在矩形子区域G_i内各点的平均颜色为Color(G_i)＝[R_mi，G_mi，B_mi]，将点X_k处的颜色Color(X_k)对平均颜色Color(G_i)进行归一化，获得点X_k的颜色特征c(X_k)[c₁(X_k)，c₂(X_k)，c₃(X_k)]，其中c₁(X_k)＝R_miG_k/R_kG_mi，c₂(X_k)＝R_miB_k/R_kB_mi，c₃(X_k)＝G_miB_i/G_iB_mi；步骤S6：计算各子区域的梯度均值与标准差向量，将各子区域的梯度均值向量组成一个向量并归一化获得直线的梯度均值描述向量，将各子区域的梯度标准差向量组成一个向量并归一化获得直线的梯度标准差描述向量；具体包括：记矩形子区域G_i中步骤S4获得的点X_k的梯度特征为g(X_k)＝[g₁(X_k)，g₂(X_k)]，计算G_i内各点梯度特征的均值向量$V_{\mathrm{gmi}}=[V_{\mathrm{gmi}}^1,V_{\mathrm{gmi}}^2,V_{\mathrm{gmi}}^3,V_{\mathrm{gmi}}^4],$其中$V_{\mathrm{gmi}}^1=\frac{1}{\#G_i}\underset{g_1\left(X_k\right)>0}{\Sigma }{g}_1\left(X_k\right),$$V_{\mathrm{gmi}}^2=\frac{1}{\#G_i}\underset{g_1\left(X_k\right)<0}{\Sigma }\left|g_1\left(X_k\right)\right|,$$V_{\mathrm{gmi}}^3=\frac{1}{\#G_i}\underset{g_2\left(X_k\right)>0}{\Sigma }{g}_2\left(X_k\right),$$V_{\mathrm{gmi}}^4=\frac{1}{\#G_i}\underset{g_2\left(X_k\right)<0}{\Sigma }\left|g_2\left(X_k\right)\right|;$计算G_i内各点梯度特征的标准差向量其中$V_{\mathrm{gsi}}^1=\frac{1}{\#G_i}\sqrt{\underset{g_1\left(X_k\right)>0}{\Sigma }{(g_1\left(X_k\right)-V_{\mathrm{gmi}}^1)}^2},$$V_{\mathrm{gsi}}^2=\frac{1}{\#G_i}\sqrt{\underset{g_1\left(X_k\right)<0}{\Sigma }{\left(\right|g_1\left(X_k\right)|-V_{\mathrm{gmi}}^2)}^2},$$V_{\mathrm{gsi}}^3=\frac{1}{\#G_i}\sqrt{\underset{g_2\left(X_k\right)>0}{\Sigma }{(g_2\left(X_k\right)-V_{\mathrm{gmi}}^3)}^2},$$V_{\mathrm{gsi}}^4=\frac{1}{\#G_i}\sqrt{\underset{g_2\left(X_k\right)<0}{\Sigma }{\left({|g}_2\left(X_k\right)\right|-V_{\mathrm{gmi}}^4)}^2};$将子区域G₁，G₂，...，G₇对应的梯度均值向量组成一个向量并归一化，获得直线的梯度均值描述向量V_gm＝[V_gm1，V_gm2，...，V_gm7]/||[V_gm1，V_gm2，...，V_gm7]||，其中||·||表示向量的取模运算；将子区域G₁，G₂，...，G₇对应的梯度标准差向量组成一个向量并归一化，获得直线的梯度标准差描述向量V_gs＝[V_gs1，V_gs2，...，V_gs7]/||[V_gs1，V_gs2，...，V_gs7]||；步骤S7：计算各子区域的颜色均值与标准差向量，将各子区域的颜色均值向量组成一个向量并归一化获得直线的颜色均值描述向量，将各子区域的颜色标准差向量组成一个向量并归一化获得直线的颜色标准差描述向量；具体包括：记矩形子区域G_i中步骤S5获得的点X_k的颜色特征为c(X_k)＝[c₁(X_k)，c₂(X_k)，c₃(X_k)]，计算G_i内各点颜色特征的均值向量$V_{\mathrm{cmi}}=[V_{\mathrm{cmi}}^1,V_{\mathrm{cmi}}^2,V_{\mathrm{cmi}}^3],$其中，$V_{\mathrm{cmi}}^1=\frac{1}{\#G_i}\underset{X_k\in G_i}{\Sigma }{c}_1\left(X_k\right),$$V_{\mathrm{cmi}}^2=\frac{1}{\#G_i}\underset{X_k\in G_i}{\Sigma }{c}_2\left(X_k\right),$$V_{\mathrm{cmi}}^3=\frac{1}{\#G_i}\underset{X_k\in G_i}{\Sigma }{c}_3\left(X_k\right);$计算G_i内各点颜色特征标准差向量$V_{\mathrm{csi}}=[V_{\mathrm{csi}}^1,V_{\mathrm{csi}}^2,V_{\mathrm{csi}}^3],$其中$V_{\mathrm{csi}}^1=\frac{1}{\#G_i}\sqrt{\underset{X_k\in G_i}{\Sigma }{(c_1\left(X_i\right)-V_{\mathrm{cmi}}^1)}^2},$$V_{\mathrm{csi}}^2=\frac{1}{\#G_i}\sqrt{\underset{X_k\in G_i}{\Sigma }{(c_2\left(X_i\right)-V_{\mathrm{cmi}}^2)}^2},$$V_{\mathrm{csi}}^3=\frac{1}{\#G_i}\sqrt{\underset{X_k\in G_i}{\Sigma }{(c_3\left(X_i\right)-V_{\mathrm{cmi}}^3)}^2};$将子区域G₁，G₂，...，G₇对应的颜色均值向量组成一个向量并归一化，获得直线的颜色均值描述向量V_cm＝[V_cm1，V_cm2，...，V_cm7]/||[V_cm1，V_cm2，...，V_cm7]||；将子区域G₁，G₂，...，G₇对应的颜色标准差向量组成一个向量并归一化，获得直线的颜色标准差描述向量V_cs＝[V_cs1，V_cs2，....，V_cs7]/||[V_cs1，V_cs2，....，V_cs7]||；步骤S8：分别计算直线的梯度均值描述向量、梯度标准差描述向量、颜色均值描述向量和梯度标准差描述向量这四个描述向量之间的欧式距离，然后赋予不同的权重系数后求和，获得直线之间的相似度；利用下述方式计算任意两条直线直接的相似度：记两条直线L₁，L₂对应的梯度均值描述向量、梯度标准差描述向量、颜色均值描述向量和颜色标准差描述向量分别为V_gm1、V_gs1、V_cm1、V_cs1与V_gm2、V_gs2、V_cm2、V_cs2，计算L₁，L₂之间的相似度S(L₁，L₂)＝αβ·S₁+α(1-β)·S₂+(1-α)β·S₃+(1-α)(1-β)s₄，其中S₁＝||V_gm1-V_gm2||，S₃＝||V_gs1-V_gs2||，S₃＝||V_cm1-V_cm2||，S₄＝||V_cs1-V_cs2||,α为梯度颜色系数，其取值范围为0.3～0.7，β为均值标准差系数，其取值范围为0.3～0.7；步骤S9：基于预先设置的匹配准则，利用步骤S8获得的直线之间的相似度进行直线匹配，将相似度数值大于0.3的匹配作为错误匹配去除，输出结果。