點特徵是影像最基本的特徵，它是指那些灰度信號在二維方向上都有明顯變化的點，如角點、圓點等。基於點特徵是指利用點特徵進行圖像的匹配或進行目標識別、跟蹤。基於點特徵進行處理，可以減少參與計算的數據量，同時又不損害圖像的重要灰度信息，在匹配運算中能夠較大的提高匹配速度。
基本介紹
- 中文名：基於點特徵
- 外文名：point based feature
- 學科：計算機
- 定義：利用點特徵進行圖像的匹配
- 有關術語：點特徵
- 領域：人工智慧
簡介,點特徵提取運算元分類,圖像配準,基於子圖像角點特徵的快速圖像配準方法,背景,方法簡介,
簡介
基於點特徵是指利用點特徵進行圖像配準與匹配，目標描述與識別，光束計算，運動目標跟蹤、識別和立體像對 3D建模等眾多領域。主要因為點特徵屬於局部特徵，對遮擋有一定魯棒性；通常圖像中可以檢測到成百上千的點特徵，以量取勝；點特徵有較好的辨識性，不同物體上的點容易區分。
點特徵提取運算元分類
目前已有的點特徵提取運算元的方法，大致可以歸為兩大類：一類是基於模板的方法;另一類是基於幾何特徵的提取方法。前一種方法可歸納為：首先設計一系列點模板，然後計算模板與所有圖像子視窗的相似性，以相似性判斷位於子視窗中心的像元是否為特徵點。由於該算法計算耗時大，而且模板定義複雜，在實踐中較少使用。後一種方法基於幾何特徵的提取算法 ，依賴點不同幾何特性進行提取，計算簡便，因而得到廣泛使用。基於幾何特徵的點提取，又分為兩種方法。第一種方法也是最早提出的基於幾何形狀的方法之一。這種方法可以描述如下：對於一幅數字圖像，首先對其進行圖像分割，提取邊界構成鏈碼，然後找出邊界上轉折較大的點作為角點。這種方法在算法和處理步驟上過於複雜，且在分割時所產生的誤差將導致提取點的結果偏差很大。此類算法計算步驟多，耗時較大，在實時匹配中較少使用。第二基於幾何特徵的點提取方法，直接依據圖像的灰度信息進行提取。
在攝影測量中 , 有一些較為著名的點特徵提取運算元，如：Moravec運算元、Forstner運算元與 Hannah運算元等。Moravec 運算元是 Moravec 於 (1977) 年提出的，是一種利用灰度方差提取點特徵的運算元，主要是在四個方向上，選擇具有最大、最小灰度方差的點作為特徵點。
圖像配準
圖像配準與相關是圖像處理研究領域中的一個典型問題和技術難點，其目的在於比較或融合針對同一對象在不同條件下獲取的圖像，例如圖像會來自不同的採集設備，取自不同的時間，不同的拍攝視角等等，有時也需要用到針對不同對象的圖像配準問題。具體地說，對於一組圖像數據集中的兩幅圖像，通過尋找一種空間變換把一幅圖像映射到另一幅圖像，使得兩圖中對應於空間同一位置的點一一對應起來，從而達到信息融合的目的。 該技術在計算機視覺、醫學圖像處理以及材料力學等領域都具有廣泛的套用。根據具體套用的不同，有的側重於通過變換結果融合兩幅圖像，有的側重於研究變換本身以獲得對象的一些力學屬性。20世紀以來醫學成像技術經歷了從靜態到動態，從形態到功能，從平面到立體的飛速發展。將各種圖像結合起來，在同一圖像上顯示各自的信息，為臨床醫學診斷提供多數據多信息的圖像，這成為極具套用價值的技術，而準確高效的圖像配準則又是關鍵和難點。
基於子圖像角點特徵的快速圖像配準方法
背景
圖像配準的套用非常廣泛，如模式識別、自動導航、醫學診斷、計算機視覺等領域。 目前在圖像的配準方面已開展了許多研究工作，提出了多種圖像配準方法。目前大多數對 圖像配準的研究集中在特徵提取，特徵描述，相似性度量，多種配準方法的比較等，而較少 關注配準的實時性。常見的配準方法可以分為兩類：基於特徵的配準方法，如Harris角點法、SIFT法 等；基於區域的配準方法，如互信息，FMT等。其中基於區域的配準方法不需要提取特徵， 適用於灰度信息大於結構信息的情況，且要求兩幅圖像的灰度函式必須相似或至少統計相 關；從幾何學的角度講，它僅能處理平移和小角度旋轉的情況，大角度旋轉或尺度縮放必然 意味著計算複雜度和時間複雜度的提高，因此適用範圍較窄。而基於特徵的配準方法可以 配準兩幅自然屬性完全不同的圖像，並適應兩幅圖像間複雜的幾何和光學畸變，因此成為 近年來研究的熱點。但它的瓶頸是如何正確檢測出對應的特徵，並進行低複雜度、魯棒的特 征描述，以提高匹配搜尋的效率。由於拍攝環境和景物分布的原因，使得拍攝得到的圖像在 對比度，結構清晰度，紋理特徵等方面分布極不均勻。直接在大圖上進行特徵提取時（簡 稱大圖法），在特徵模糊區域提取的特徵點反而可能成為正確匹配的干擾點，導致失配；另 外，大量的特徵點擴展了搜尋空間的範圍，導致搜尋效率和實時性下降。
方法簡介
一種基於子圖像角點特徵的快速圖像配準方法，其特徵在於，具體步驟包括： 步驟一、選取參考子圖和待配準子圖； 從參考圖像中選取一子圖作為參考子圖，從待配準圖像中選取一坐標空間與參考子圖 相同的子圖作為待配準子圖； 步驟二、提取參考子圖和待配準子圖的角點； 步驟三、對參考子圖和待配準子圖上提取的角點進行特徵描述，獲得各角點的特徵向 量； 步驟四、將待匹配子圖和參考子圖上角點的特徵向量進行相似性度量和特徵匹配，最 終得到K個匹配點對； 該步驟的具體過程為： 1) 針對每一所提取的角點
，尋找與Pi鄰近的P個點構成Pi的距離鄰域，i= 1，2… N，N為兩幅子圖上所提取角點的總個數； 2) 依次計算待配準子圖中每一角點特徵向量到參考子圖中所有角點特徵向量的馬氏 距離，將馬氏距離小於設定閾值dMthl的兩角點定義為匹配點對，多個匹配點對構成匹配隊 列1 ; 3) 在匹配佇列1中，剔除不在對應距離領域的匹配點對，得到K個匹配點對； 步驟五、基於K個匹配點對，採用最小二乘法計算待配準圖像和參考圖像之間的變換 矩陣H，利用所述變換矩陣H將待配準圖像配準到參考圖像上； 所述參考子圖的選取過程為： 首先將參考圖像分割成n個大小相同的子圖，其次計算每個子圖的熵和平均梯度，然 後選出熵和平均梯度之和最大的子圖作為參考子圖。
