【图像处理】高效斑点特征提取技术研究（Matlab代码实现）

news2024/9/25 19:17:28

👨‍🎓个人主页：研学社的博客

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

💥1 概述

1.1 斑点信号检测算法的复杂度分析

📚2 运行结果

🌈3 Matlab代码实现

🎉4 参考文献

💥1 概述

斑点特征是指与周围颜色和灰度有明显差异的区域，如一颗树、一块草地、栋房子
均可以看作斑点，其具有精度高、鲁棒性好、保持尺度不变等优点，但目前的斑点
特征提取算法(如 SIFT、SURF)的运算复杂度较高，不适合应用于实时性要求较高的系统。
为此，在分析斑点特征提取原理的基础上，提出了一种高效的斑点特征提取算法。研
究思路如图3.1所示，首先分析了斑点特征检测的运算复杂性，在对卷积函数分析的基础
上，设计了一种三层滤波函数，将特征检测转化成积分图像的加减运算;然后分析了基于
梯度的特征描述运算的复杂性，结合基于积分和基于量化的梯度运算的优点，设计了基
于积分-量化的梯度运算，并应用于特征描述中;最后在上述研究的基础上，设计了高效的
斑点特征提取算法，并通过实验对算法的精确性、鲁棒性和实时性进行测试。

1.1 斑点信号检测算法的复杂度分析

(1）斑点信号检测的基本原理
为了便于分析，本文首先对一维斑点信号进行分析，然后再将其扩展到二维图像上
去。设一个一维信号I(t)，I(t)上有一个尺度为4的斑点信号，如图3.2所示。

📚2 运行结果

高斯拉普拉斯算子

部分代码：

function [points] = log_Blob(img,o_nb_blobs)
% 功能：提取LoG斑点
% 输入：
% img –输入的图像
% o_nb_blobs -需要检测的斑点区域的数量
% 输出：
% points -检测出的斑点
% 参考文献：
% Lindeberg, T. Feature Detection with Automatic Scale Selection
% IEEE Transactions Pattern Analysis Machine Intelligence, 1998, 30,
% 77-116

% 输入图像
img = double(img(:,:,1));

% 设定检测到斑点的数量
if nargin==1
nb_blobs = 120;
else
nb_blobs = o_nb_blobs;
end

% 设定LoG参数
sigma_begin = 2;
sigma_end = 15;
sigma_step = 1;
sigma_array = sigma_begin:sigma_step:sigma_end;
sigma_nb = numel(sigma_array);

% 变量
img_height = size(img,1);
img_width = size(img,2);

% 计算尺度规范化高斯拉普拉斯算子
snlo = zeros(img_height,img_width,sigma_nb);
for i=1:sigma_nb
sigma = sigma_array(i);

snlo(:,:,i) = sigma*sigma*imfilter(img,fspecial('log', floor(6*sigma+1), sigma),'replicate');

end

% 搜索局部极值
snlo_dil = imdilate(snlo,ones(3,3,3));
blob_candidate_index = find(snlo==snlo_dil);
blob_candidate_value = snlo(blob_candidate_index);
[tmp,index] = sort(blob_candidate_value,'descend');

blob_index = blob_candidate_index( index(1:min(nb_blobs,numel(index))) );

[lig,col,sca] = ind2sub([img_height,img_width,sigma_nb],blob_index);

points = [lig,col,3*reshape(sigma_array(sca),[size(lig,1),1])];

end