專利名稱：：一種水面倒影圖像檢測方法
技術(shù)領(lǐng)域：
：本發(fā)明屬于圖像處理
技術(shù)領(lǐng)域：
，涉及一種圖像檢測方法。
背景技術(shù)：
：Shapecontext方^去(#JALKSergeBelongie,JitendraMalik,andJanPuzicha.應(yīng)用形狀上下文實(shí)現(xiàn)圖片匹配和物體識別IEEETrans.PatternAnalysisandMachineIntelligence，24(4):509_522，April2002)采用一種基于圖像中物體的輪廓的描述符，它能夠很好的描述圖像區(qū)域內(nèi)的特征而且具有比其他基于輪廓的描述符更高的匹配精確度。它是每一個采樣點(diǎn)的特征集，其中圖片中每一個點(diǎn)的特征來源于它的周圍的其他采樣點(diǎn)的分布。首先，通過以每一個采樣點(diǎn)為圓心點(diǎn)建立一個對數(shù)極坐標(biāo)系，該方法將對數(shù)極坐標(biāo)系劃分為60個面元，其中角度均分為12個，半徑設(shè)置為5個長度。通過統(tǒng)計(jì)每一個面元內(nèi)的采樣點(diǎn)的數(shù)目，建立一個其他采樣點(diǎn)相對于中心采樣點(diǎn)的分布直方圖H。這個直方圖就被定義為當(dāng)前采樣點(diǎn)的Shapecontext0然后，應(yīng)用卡方距離去計(jì)算每個采樣點(diǎn)的直方圖的相似度。利用各個采樣點(diǎn)之間的相似程度作為邊權(quán)，應(yīng)用Hungarian算法求出相互匹配的對應(yīng)采樣點(diǎn)對。最后，Shapecontext通過應(yīng)用TPS(樣條函數(shù))進(jìn)行模板轉(zhuǎn)換，根據(jù)匹配點(diǎn)對調(diào)整原來的采樣點(diǎn)的位置，進(jìn)而優(yōu)化匹配。
發(fā)明內(nèi)容本發(fā)明的目的在于改進(jìn)Shapecontext方法，提供一種具有水平翻轉(zhuǎn)不變性的圖像識別方法，能夠應(yīng)用于物體水面倒影的檢測上。本發(fā)明采用如下的技術(shù)方案一種水面倒影圖像檢測方法，包括下列步驟(1)通過邊緣檢測和采樣的方法獲得待檢測物體的輪廓；(2)在對數(shù)極坐標(biāo)下，計(jì)算每個采樣點(diǎn)的分布直方圖，步驟如下對于每一個采樣點(diǎn)pi，以該點(diǎn)作為對數(shù)極坐標(biāo)系的原點(diǎn)，X軸作為極軸建立該采樣點(diǎn)的對數(shù)極坐標(biāo)系，劃分面元，在該對數(shù)極坐標(biāo)系下，根據(jù)其他采樣點(diǎn)q與原點(diǎn)Pi所形成的向量與X軸的角度和該向量的長度確定其他采樣點(diǎn)q所屬面元，得到采樣點(diǎn)Pi相對其他各采樣點(diǎn)的離散數(shù)集，即分布直方圖；在所有面元中找出采樣點(diǎn)最密集的面元，然后找出采樣點(diǎn)第二密集的面元，同時保證采樣點(diǎn)第二密集的面元和采樣點(diǎn)最密集的面元不在同一個角度間隔里面，若是在同一個間隔，則舍棄當(dāng)前第二密集的，去尋找采樣點(diǎn)第三密集的面元，直至它們不在同一個角度間隔；假設(shè)對數(shù)極坐標(biāo)的旋轉(zhuǎn)方向是由最密集面元指向次密集的面元，將主方向的位置進(jìn)行調(diào)整，建立極徑長度X極坐標(biāo)角度的直方圖分布矩陣，使得采樣點(diǎn)最密集的面元始終保持在形成的分布矩陣的第一列，得到對采樣點(diǎn)Pi的具有翻轉(zhuǎn)不變性的描述符；(3)利用卡方距離公式，計(jì)算采樣點(diǎn)之間的相似度；(4)將圖片中的對應(yīng)點(diǎn)進(jìn)行匹配，方法如下將卡方距離Cij作為鄰接矩陣，每個采樣點(diǎn)之間的相似度作為邊權(quán)，讓相互匹配的點(diǎn)的邊權(quán)值之和為目標(biāo)，利用KM匹配算法，尋找每個采樣點(diǎn)的匹配對，并利用角度投票的投票器排除錯誤的匹配對，根據(jù)匹配結(jié)果，取出對稱軸，將倒影和原物體輪廓投射到同一個平面下；(5)應(yīng)用TPS-RPM模型轉(zhuǎn)換，優(yōu)化采樣點(diǎn)的匹配結(jié)果。作為優(yōu)選實(shí)施方式，其中的步驟(1)采用SERB輪廓邊緣檢測及采樣的方法，獲得待檢測物體的輪廓；其中的步驟(4)，采用下面的方法假設(shè)、(10為圖片上的一個采樣點(diǎn)Pi的分布直方圖，hj(k)是圖片上另一個采樣點(diǎn)q^的分布直方圖，應(yīng)用卡方距離公式<formula>formulaseeoriginaldocumentpage4</formula>計(jì)算每個采樣點(diǎn)的分布直方圖的相似度，其中，K表示對2k=l矣⑷+乂⑷數(shù)極坐標(biāo)系的對應(yīng)的面元總數(shù)。本發(fā)明利用Shapecontext形成分布直方圖的方式，針對于水面反射倒影檢測，提出了一種新型的檢測圖片倒影的方法，可以實(shí)現(xiàn)在復(fù)雜背景之下，對于圖片中原來的物體和水面中倒影的匹配。本發(fā)明提出的方法同樣是采用了對數(shù)極坐標(biāo)系下關(guān)于采樣點(diǎn)的分布形成的直方圖，因而不僅保留了Shapecontext的所有優(yōu)點(diǎn)，比如尺度不變性，旋轉(zhuǎn)不變性，而且允許一定程度的幾何失真等優(yōu)點(diǎn)，另外增加了水平翻轉(zhuǎn)不變的性質(zhì)，具有更加廣泛的應(yīng)用領(lǐng)域，而且實(shí)用性更強(qiáng)。本方法與傳統(tǒng)的Shapecontext方法比較有以下幾點(diǎn)優(yōu)點(diǎn)1)本發(fā)明通過一種設(shè)定主方向和主方向的旋轉(zhuǎn)方式，實(shí)現(xiàn)了對于翻轉(zhuǎn)圖片的識另IJ?？梢詼p少進(jìn)行匹配時所要存儲的模板的數(shù)量。同時，采用新的匹配方法提高了匹配的精確度。2)對于圖片在提取邊界的時候采用的是SERB—種全新的邊界檢測方法，通過本發(fā)明可以得到圖片上顯著物體的輪廓故而可以有效的減少背景的干擾。所以說，本發(fā)明具有更大的應(yīng)用范圍。而且對于結(jié)果上本發(fā)明匹配精確率也有很大程度的提高。本發(fā)明可以適應(yīng)于復(fù)雜背景的圖片物體倒影的檢測。同時本發(fā)明與MIFT(參見文獻(xiàn)Guo,X.，Cao,X.，Zhang,J.,Li,X.=Mift=Amirrorreflectioninvariantfeaturedescriptor.MIFT一禾中鏡面反身寸不變性特征描述InProc.ACCV(2009))相比較的優(yōu)點(diǎn)有1)本發(fā)明利用的是圖片中物體的輪廓，而非圖片上每一塊區(qū)域的梯度值，因此對于梯度的變化有一定的容忍性。而MIFT是建立在SIFT基礎(chǔ)上的，是依賴于圖片物體的梯度的，對于梯度的變化造成的干擾非常的敏感。2)是本發(fā)明是按照物體的輪廓去取點(diǎn)并且是實(shí)現(xiàn)匹配的，因此對于有模糊的主體紋理但是清晰的邊界的圖片有很好的匹配的效果。例如，水中倒影的和本體只有邊緣上比較清晰的，其他位置會相對的變化的比較模糊。3)對于MIFT無法檢測到的水面倒影圖片，通過應(yīng)用本發(fā)明可以得到很好的匹配結(jié)果。同時本發(fā)明同樣適應(yīng)于鏡面反射的檢測。對于鏡面反射的圖片，本發(fā)明能得到和MIFT相當(dāng)?shù)钠ヅ湫ЧD1本發(fā)明的總體流程圖；圖2(a)輸入圖片(b)經(jīng)過SERB提取邊界后的圖片(c)采樣點(diǎn)圖片(采樣點(diǎn)數(shù)目為400，黑色點(diǎn)表示采樣點(diǎn))；圖3初次匹配結(jié)果；圖4采用TPS-RPM優(yōu)化后結(jié)果；圖54組經(jīng)過不同方法處理的圖片的匹配效果圖，每組圖片的第一張是采用具有反轉(zhuǎn)特性的Shapecontext的匹配結(jié)果。第二張圖片是采用MIFT得到的匹配結(jié)果；第三張圖片是采用本發(fā)明的匹配方法得到的結(jié)果。具體實(shí)施例方式本發(fā)明是對于每一張圖片首先提取他們的邊界，然后圍繞邊界進(jìn)行采樣。在對當(dāng)前采樣點(diǎn)進(jìn)行計(jì)算該點(diǎn)的分布的直方圖同時，加入了翻轉(zhuǎn)水平不變性的特征。具體地，本方法是根據(jù)每個采樣點(diǎn)的分布直方圖的卡方相似性，然后通過運(yùn)用匹配算法去尋求相似性最高的2個采樣點(diǎn)，進(jìn)而得出相互匹配的2個采樣點(diǎn)。同時還通過利用TPS-RPM將得到的對應(yīng)點(diǎn)進(jìn)行優(yōu)化，實(shí)現(xiàn)更多和更精確的匹配。本發(fā)明的圖片的檢測和匹配的主要步驟如下1.提取圖片的邊界和采樣。對于輸入的圖片，為減少背景的干擾，可以通過邊緣檢測來獲得所需的物體輪廓，邊緣檢測的方法有Carmy邊緣算子，Sobel邊緣算子等，本發(fā)明采用一種新的輪廓邊緣檢測的方法StableExtremalRegionBoundary(SERB)(參見Riemenschneider,H.andDonoser,M.andBischof,H.:Findingstableextremalregionboundaries.獲取穩(wěn)定的極值區(qū)域的邊界InProc.AAPR(2009))，該方法不僅可以有效提取出圖片中物體和它的倒影的邊緣，而且可以去除背景和物體上細(xì)節(jié)信息的干擾。SERB的主要步驟是首先將灰度圖像按照灰度值分層，然后將每一層中相互鄰接的像素點(diǎn)標(biāo)記為相同的像素值，提取出每一層相同標(biāo)記值的區(qū)域的輪廓，判斷不同層的輪廓的相似度，穩(wěn)定的輪廓是在不同的層下相似度基本不變的。最后，提取出符合要求的穩(wěn)定的區(qū)域的輪廓。為了減少計(jì)算的復(fù)雜度，本發(fā)明通過采樣的方法，用一定數(shù)目的采樣點(diǎn)去表示物體和它的倒影。2.在對數(shù)極坐標(biāo)下，計(jì)算每個采樣點(diǎn)的分布直方圖。首先，這里采用與Shapecontext相同的對數(shù)極坐標(biāo)系，即同樣把對數(shù)極坐標(biāo)系分為60個面元。其中半徑R取5個值分別是R={0.125，0.25，0.5，1，2}，角度均分為12個分別為T={0，30，60，90，120，150，180，210，240，270，300，330}。為了讓所有的采樣點(diǎn)都能夠在對數(shù)極坐標(biāo)下，將R乘上圖片中所有采樣點(diǎn)之間距離的平均值。對于每一個面元中的采樣點(diǎn)應(yīng)用公式hi(k)=Pi:(q_Pi)ebin(k)}(1)其中公式中Pi表示當(dāng)前采樣點(diǎn)，示的是其他采樣點(diǎn)與當(dāng)前采樣點(diǎn)形成的向量，k表示面元編號。以當(dāng)前采樣點(diǎn)Pi作為對數(shù)極坐標(biāo)系的原點(diǎn)，將X軸作為極軸，這樣其他采樣點(diǎn)就會分布到對數(shù)極坐標(biāo)系的60個面元中去，利用采樣點(diǎn)q與原點(diǎn)(Pi)所形成的向量與X軸的角度和該向量的長度確定采樣點(diǎn)q所屬面元。通過統(tǒng)計(jì)每個面元中的采樣點(diǎn)的數(shù)目，得到采樣點(diǎn)的分布直方圖比(k)。應(yīng)用公式⑴可以得到采樣點(diǎn)相對其他各點(diǎn)的區(qū)域離散數(shù)集，也就是分布直方圖，該分布直方圖是5X12的矩陣。由于原來的Shapecontext是以χ軸或者y軸為主方向，并且旋轉(zhuǎn)方向定義為順時針或者逆時針，這樣編碼會導(dǎo)致當(dāng)物體出現(xiàn)水平翻轉(zhuǎn)的情況的時候，形成完全不同的直方圖。本發(fā)明采用的新的編碼方式是首先，在60個面元中找出采樣點(diǎn)最密集的面元，然后找出采樣點(diǎn)第二密集的面元，同時保證采樣點(diǎn)第二密集的面元和采樣點(diǎn)最密集的面元不在同一個角度間隔里面，若是在同一個間隔，則舍棄當(dāng)前第二密集的面元，去尋找采樣點(diǎn)第三密集的面元，直至它們不在同一個角度間隔。這是防止旋轉(zhuǎn)方向的錯誤選擇，進(jìn)而避免產(chǎn)生錯誤的分布直方圖。其次，當(dāng)選定最密集和次密集的面元后，本發(fā)明假設(shè)對數(shù)極坐標(biāo)的旋轉(zhuǎn)方向是由采樣點(diǎn)最密集域指向次密集的面元。最后，將主方向的位置進(jìn)行調(diào)整，使得采樣點(diǎn)最密集的面元始終保持在形成的分布矩陣的第一列，這樣是為了防止出現(xiàn)最密集區(qū)域和次密集面元對稱的情況的時候，出現(xiàn)錯誤的旋轉(zhuǎn)形成錯誤的分布直方圖。采用上述編碼方式，就可以得到具有翻轉(zhuǎn)不變性的描述符。3.計(jì)算采樣點(diǎn)之間的相似度通過步驟2得到了圖片上每一個采樣點(diǎn)相對于其它采樣點(diǎn)的Shapecontext(分布直方圖)，這個直方圖的矩陣形式是一個5X12的矩陣。然后就算每個采樣點(diǎn)的Iii(k)相似度。首先假設(shè)、(10為圖片上的一個采樣Api的分布直方圖，hj(k)是圖片上另外一個采樣點(diǎn)q^的分布直方圖。在這里應(yīng)用卡方距離公式，計(jì)算每個采樣點(diǎn)的分布直方圖的相似度，公式如下<formula>formulaseeoriginaldocumentpage6</formula>(2)其中公式中的Cu的值表示點(diǎn)Pi和q^的相似值。k表示對數(shù)極坐標(biāo)的對應(yīng)的面元，K等于60是面元的總數(shù)。應(yīng)用公式(2)可以得到每個點(diǎn)相對于其他采樣的點(diǎn)的相似程度值，這個值越小表示越相似。4.圖片中對應(yīng)點(diǎn)的匹配。通過步驟3可以得到一個包含所有對應(yīng)點(diǎn)的點(diǎn)集Cu。將Cu看作是鄰接矩陣。然后將每個點(diǎn)之間的相似程度看成是邊權(quán)，目標(biāo)是讓相互匹配的點(diǎn)的邊權(quán)值之和最小即滿足公式<formula>formulaseeoriginaldocumentpage6</formula>(3)其中，Η(π)表示的是所有相互匹配的采樣點(diǎn)的邊權(quán)的和，Pi表示其中一個采樣點(diǎn)集中的采樣點(diǎn)，表示另外一個采樣點(diǎn)集中與前一個點(diǎn)集中相互對應(yīng)的采樣點(diǎn)。采用的匹配方法是KM算法，該算法執(zhí)行的時間復(fù)雜度是0(N3).其中N是采樣點(diǎn)的數(shù)目。此時得到的匹配對中存在錯誤的匹配，通過一個角度投票的投票器去排除錯誤的匹配對，獲得符合要求的匹配。角度投票器的建立，首先是把角度均分為D個區(qū)間(本發(fā)明中D=18)，然后是計(jì)算形成的匹配對向量的角度，并且將該角度投放到各個區(qū)間中去，統(tǒng)計(jì)出得票對最多的區(qū)間并且認(rèn)定這個角度區(qū)間里面的匹配對為正確的匹配對。然后利用這個匹配結(jié)果，取出對稱軸將倒影和原物體輪廓投射到同一個平面下，用作是對下一步優(yōu)化的初始匹配條件。5、模型轉(zhuǎn)換提高匹配精度通過上一步使得物體和他的倒影在同一平面內(nèi)，而且對應(yīng)點(diǎn)之間還有一定的對應(yīng)關(guān)系。為了獲得更好的匹配對應(yīng)效果，本發(fā)明應(yīng)用一種新的求匹配點(diǎn)的方法TPS-RPM(參見文獻(xiàn)Chui，H.，Rangarajan,A.:Anewpointmatchingalgorithmfornon-rigidregistration.一種全新的對于非剛性的配置的點(diǎn)匹配算法CVIU89(2003)114-141)。該方法可以將2個平面內(nèi)的對應(yīng)點(diǎn)通過樣條函數(shù)變換和逐步退化的方式逐步進(jìn)行點(diǎn)對點(diǎn)匹配。首先假設(shè)原物體的采樣點(diǎn)S={Si，i=1,2,3.....U}，倒影的采樣點(diǎn)集為X={xj;j=1，2，3...N}；令f為TPS映射函數(shù)，主要目的是為了使采樣點(diǎn)滿足Xj=f(Si)。通過(4)，(5)兩式定義TPS映射函數(shù)f<formula>formulaseeoriginaldocumentpage7</formula><formula>formulaseeoriginaldocumentpage7</formula>其中，Etps(f)是能量函數(shù)，目的是查找出使該能量函數(shù)值達(dá)到最小的映射f。Yi指一個采樣點(diǎn)集當(dāng)前的位置，f(Xi)是指另一個采樣點(diǎn)集在函數(shù)f的作用下變化后的位置，sums是指采樣點(diǎn)的數(shù)目，η是權(quán)重函數(shù)，用于控制f的平滑性。通過求解(4)，(5)兩式得到符合要求的TPS映射函數(shù)f。只要讓所有的采樣點(diǎn)滿足下式<formula>formulaseeoriginaldocumentpage7</formula>其中2=1,(/化{1,2,..1/})，2^.=1，(/^{1，2，...巧)且e{0,1}主要用來標(biāo)；=1i=l定內(nèi)點(diǎn)和外點(diǎn)，λ，ζ分別是控制TPS轉(zhuǎn)換強(qiáng)度和判定外點(diǎn)的數(shù)目；IlLfll2是轉(zhuǎn)換平面控制平滑程；T是采樣點(diǎn)集之間的最小二次距離，當(dāng)T退化為0時就實(shí)現(xiàn)了采樣點(diǎn)的一一對應(yīng)。該方法首先計(jì)算采樣點(diǎn)集S和采樣點(diǎn)集X中采樣點(diǎn)之間的距離，然后通過迭代估算出點(diǎn)集S中采樣點(diǎn)需要移動的步長，計(jì)算采樣點(diǎn)移動后公式(4)的值；然后將T值退化，逐步求出符合要求的相互距離最小的采樣點(diǎn)，并且將無法找到最小距離對應(yīng)點(diǎn)的采樣點(diǎn)視為外點(diǎn)。通過上述步驟最終實(shí)現(xiàn)點(diǎn)對點(diǎn)匹配和排除外點(diǎn)的目的。圖2給出本發(fā)明的總體流程，以下針對一個圖片，具體說明書實(shí)施步驟1、輸入圖片預(yù)處理圖片和提取圖像邊界如圖2(a)所示對輸入圖片，并且應(yīng)用SERB的邊界檢測方法提取圖像邊界如圖2(b)所示。2、圍繞圖像邊界采樣為了減少計(jì)算量，用一定數(shù)目的采樣點(diǎn)去表示整張圖片。沿著圖2(b)中的輪廓取樣，得到的結(jié)果如圖2(c)所示，取采樣點(diǎn)數(shù)目為400.3、計(jì)算樣本點(diǎn)的分布直方圖應(yīng)用公式(1)，計(jì)算每個樣本點(diǎn)的直方圖值即hi(k)值。對于每個采樣點(diǎn)建立一個5X12的矩陣。然后構(gòu)成一個400X60的采樣點(diǎn)矩陣。4、計(jì)算圖片上采樣點(diǎn)的相似度。應(yīng)用公式(2)，計(jì)算采樣點(diǎn)分布直方圖的相似度。求得每個采樣點(diǎn)的之間的相似度，并且構(gòu)成鄰接矩陣。5、通過KM算法和角度投票，實(shí)現(xiàn)采樣點(diǎn)初次匹配KM算法可以有效的實(shí)現(xiàn)最小邊權(quán)的匹配。然后再通過角度投票的方法去除掉不符合要求的點(diǎn)。初次匹配效果如圖3所示。6、采用TPS-RPM優(yōu)化和角度投票機(jī)制實(shí)現(xiàn)優(yōu)化匹配通過上述步驟，得到了初始的匹配結(jié)果，然后將圖片反轉(zhuǎn)以后采用TPS-RPM的方法進(jìn)行優(yōu)化匹配。得到的結(jié)果如圖4所示。圖5是幾張不同的具有水面倒影的圖片按照水波強(qiáng)度排列。分別是應(yīng)用具有反轉(zhuǎn)特性的Shapecontext,即對于Shapecontext讓其采用本發(fā)明計(jì)算采樣點(diǎn)的分布的方法；MIFT和本發(fā)明的方法的比較結(jié)果。其中，由于原來的方法沒有采用和本發(fā)明一樣的邊緣提取方法和優(yōu)化方法，識別的效果不好，本發(fā)明具有識別水平翻轉(zhuǎn)圖片的能力能夠得到較好的識別效果；MIFT具有很好的識別水平翻轉(zhuǎn)圖片的能力，但是由于有水波的干擾導(dǎo)致識別效果不是很好。從而得出本方法具有更好的穩(wěn)定性和精確性對于檢測問題水面倒影上。權(quán)利要求一種水面倒影圖像檢測方法，包括下列步驟(1)通過邊緣檢測和采樣的方法獲得待檢測物體的輪廓；(2)在對數(shù)極坐標(biāo)下，計(jì)算每個采樣點(diǎn)的分布直方圖，步驟如下對于每一個采樣點(diǎn)pi，以該點(diǎn)作為對數(shù)極坐標(biāo)系的原點(diǎn)，X軸作為極軸建立該采樣點(diǎn)的對數(shù)極坐標(biāo)系，劃分面元，在該對數(shù)極坐標(biāo)系下，根據(jù)其他采樣點(diǎn)q與原點(diǎn)pi所形成的向量與X軸的角度和該向量的長度確定其他采樣點(diǎn)q所屬面元，得到采樣點(diǎn)pi相對其他各采樣點(diǎn)的離散數(shù)集，即分布直方圖；在所有面元中找出采樣點(diǎn)最密集的面元，然后找出采樣點(diǎn)第二密集的面元，同時保證采樣點(diǎn)第二密集的面元和采樣點(diǎn)最密集的面元不在同一個角度間隔里面，若是在同一個間隔，則舍棄當(dāng)前第二密集的，去尋找采樣點(diǎn)第三密集的面元，直至它們不在同一個角度間隔；假設(shè)對數(shù)極坐標(biāo)的旋轉(zhuǎn)方向是由最密集面元指向次密集的面元，將主方向的位置進(jìn)行調(diào)整，建立極徑長度×極坐標(biāo)角度的直方圖分布矩陣，使得采樣點(diǎn)最密集的面元始終保持在形成的分布矩陣的第一列，得到對采樣點(diǎn)pi的具有翻轉(zhuǎn)不變性的描述符；(3)利用卡方距離公式，計(jì)算采樣點(diǎn)之間的相似度；(4)將圖片中的對應(yīng)點(diǎn)進(jìn)行匹配，方法如下將卡方距離Cij作為鄰接矩陣，每個采樣點(diǎn)之間的相似度作為邊權(quán)，讓相互匹配的點(diǎn)的邊權(quán)值之和為目標(biāo)，利用KM匹配算法，尋找每個采樣點(diǎn)的匹配對，并利用角度投票的投票器排除錯誤的匹配對，根據(jù)匹配結(jié)果，取出對稱軸，將倒影和原物體輪廓投射到同一個平面下；(5)應(yīng)用TPS-RPM模型轉(zhuǎn)換，優(yōu)化采樣點(diǎn)的匹配結(jié)果。2.根據(jù)權(quán)利要求1所述的水面倒影圖像檢測方法，其特征在于，其中的步驟1采用SERB輪廓邊緣檢測及采樣的方法，獲得待檢測物體的輪廓。3.根據(jù)權(quán)利要求1所述的水面倒影圖像檢測方法，其特征在于，其中的步驟4，采用下面的方法假設(shè)h(k)為圖片上的一個采樣的分布直方圖，h“k)是圖片上另一個采樣點(diǎn)q」的分布直方圖，應(yīng)用卡方距離公式<formula>formulaseeoriginaldocumentpage2</formula>計(jì)算每個采樣點(diǎn)的分布直方圖的相似度，其中，K表示對數(shù)極坐標(biāo)系的對應(yīng)的面元總數(shù)。全文摘要本發(fā)明屬于圖像處理
技術(shù)領(lǐng)域：
，涉及一種水面倒影圖像檢測方法，包括下列步驟(1)通過邊緣檢測和采樣的方法獲得待檢測物體的輪廓；(2)在對數(shù)極坐標(biāo)下，計(jì)算每個采樣點(diǎn)的分布直方圖；(3)利用卡方距離公式，計(jì)算采樣點(diǎn)之間的相似度；(4)圖片中對應(yīng)點(diǎn)的匹配，利用KM匹配算法，尋找每個采樣點(diǎn)的匹配對，并利用角度投票的投票器排除錯誤的匹配對；(5)應(yīng)用TPS-RPM模型轉(zhuǎn)換，優(yōu)化采樣點(diǎn)的匹配結(jié)果。本發(fā)明的圖像檢測方法，可以實(shí)現(xiàn)在復(fù)雜背景之下，對于圖片中原來的物體和水面中倒影的匹配，不僅具有尺度不變性，旋轉(zhuǎn)不變性，而且允許一定程度的幾何失真等優(yōu)點(diǎn)，另外增加了水平翻轉(zhuǎn)不變的性質(zhì)。文檔編號G06T7/60GK101833763SQ20101015878公開日2010年9月15日申請日期2010年4月28日優(yōu)先權(quán)日2010年4月28日發(fā)明者張華,操曉春,郭曉杰申請人:天津大學(xué)