一、摘要
传统方式:通过提取布料图像的SURF特征进行形状分析。缺点:速度慢(SURF特征维度高)、匹配结果不符合人眼视觉特点(基于灰度图)。
本文:基于小波变换的自适应SURF特征提取算法和基于K-Means的布料图像颜色分析算法。通过融合图像形状特征、颜色特征加快布料匹配速度,使结果更见符合人眼视觉感受。
二、背景
常见图像匹配思路:基于灰度图像的匹配、基于特征图像的匹配。
基于灰度的图像匹配:根据全局最优化像素间的相似度来度量。
基于特征的图像匹配:提取图像特征点实现匹配。
三、算法简介
1、SURF算法
主要思想是:采用离散化和裁剪的DOH(Determinantof Hessian)来获取特征点,用Harr小波模板提取特征,并采用积分图像来加速计算DOH和Haar模板响应。
1.1 特征点检测
1.1.1 积分图像
功能:快速实现方框卷积滤波。
特点:使矩形区域内像素值与坐标无关,秩序根据矩形四个顶点坐标即可得到。
1.1.2 Hessian矩阵检测极值点
主要思想:用前面的方框滤波近似代替二阶高斯滤波,用det(H)估计Hessian矩阵H,来达到减小运算量。然后使用尺度空间金字塔进行非极大值抑制,当极值点满足比周围26个邻域值都大或者小的情况下,使其成为特征点。
1.2 特征描述子
1.2.1 确定特征点主方向