基于影像的多特征信息提取

冯 超 崔国庆

(1. 陕西能源职业技术学院, 陕西 咸阳 712000;2. 国家测绘地理信息局第一地形测量队, 陕西 西安 710054)

0 引言

现如今,基于计算机视觉系统提取影像特征信息已成为热门研究趋势,其分析的具体目的是使计算机软件具备类似人们的视觉效果的工作能力,得到三维场景的图形信息是其最本质的研究内容。机器视觉技术在工业用品的产品造型设计、三维轮廓精准测量等层面有着广泛的应用前景,是当今国际上的热门课题之一。尤其是在一些人们视觉效果没法认知的场所,如精准定量分析认知、风险情景认知、不可见物件认知等层面, 常见计算机视觉来代替人力视觉效果,用计算机视觉检测系统可以大幅度提高效率和制作的智能水准[1-4]。

国际上,计算机视觉技术近些年发展趋势迅速,尤其是在一些高新技术的优秀行业获得广泛运用。但国外硬件要求高,成本价格昂贵、软件在研发过程较复杂,图像解译算法较多,无法满足多数平台的要求。现阶段,伴随着中国配套设施基础设施建设的健全以及技术、资产的累积,计算机视觉技术在以上方面的使用也在慢慢被认知,逐渐开始在药品检验散装、包装印刷颜色检验、工业生产当场等行业运用,但真正采用航空摄影机器视觉技术进行精密加工精确测量的应用还很少。尤其是近些年,计算机辅助设计(computer aided design,CAD)技术的飞速发展为创建物体的几何模型搭建了良好的平台,绝大多数工业生产构件的几何图形类型都是有对应的CAD数据信息,怎样合理地使用这种CAD数据信息作为照来点评产品的图形精密度变成近些年的科学研究网络热点[5]。本文主要从两个方面进行考虑,一是针对计算机视觉技术的关键算法,通过点线面状要素解译进行改进和优化,提高算法的精度;另一方面是在对影像多特征的提取中,实现基于视觉模型的非参数曲线的自动提取寻找更符合此视觉模型的影像评价函数,充分利用已有的计算资源来提高处理效率。

1 研究区域概况及方法

研究区域位于宁夏回族自治区银川市东南约44 km的上海庙镇的鹰骏一号煤矿,行政区划隶属内蒙古自治区鄂托克前旗上海庙镇管辖,其北部为鹰骏二号井田,西部为榆树井井田,南部边界以长城为界。本次主要测量鹰骏一号煤矿铁路专用线推荐方案沿线地形地物以及取弃土场周边地形地物,如图1所示。摄影测量是测绘工程课程的一个支系,它的具体目的之一是从非接触式影像中获得靠谱而且精准的量测信息内容。航空摄影进入数据信息拍摄阶段,通过高清摄像机在野外采集影像数据,基于计算机视觉系统进行数据处理,并不一定是全部机器视觉应用都牵涉到精确测量问题。航空摄影与机器视觉的关键差别是航空摄影注重细节与测量精度。由于航空摄影的历史背景来自测绘工程课程内容,可以马上应用精准测量领域所拥有的各式各样的平差基础知识和方法,如精准测量统计分析方法——小二乘除法梯度下降法求得图形就紧紧围绕于航空摄影的整个过程[6-7]。

1.1 点状特征

点特征主要包含以下三种提取方法,分别是：

(1)兴趣算子法。兴趣点比较容易被获取,对数据信号噪音、图像互换、各种各样主要参数转变具备不错的可扩展性。

(2)基于小波变换的边缘点提取法。运用根据小波分析的多尺度剖析基础理论,先向图像作小波分析,测算小波分析的模值。

(3)角点检测法。角点测定法是根据灰度进行的,根据像素点行业的灰度级转变,测算点的折射率及梯度方向来检验角点。

此外也有一些在这几类算法的基本上开展优化的算法,主要适用于自身的科学研究。这类算法各具优点和缺点,有参考文献对以上五种算法开展了特性评定,霍夫(Harris)算法则被觉得是特性平稳、可扩展性最强的。以上优化算法针对处理图像融合、相机标定等领域都能充分发挥自身的优点;但在一些自动化要求高的特征提取中利用上述算法就不能很好地得到想要的信息。[8-9]

1.2 线状特征

线特点具有非常明显的线条特征,假如图像中在一对邻近界限正中间出现一个十分窄 (理想化状况下总宽为1个清晰度)的条状地区,并在该条状地区中的灰度具备几近同样的振幅特点,则称该条状地区为线[10-11]。边沿是影像部分区域特征不一样的这些区域之间的交界线,如房屋建筑、路面的边沿等,这也是一种条状特点。有参考文献里将造成这类变动的缘故归纳如下：①不一样的目标物的临接,即由目标物的界限组成；②目标表层光的折射特点的转变,即表层的图案设计差别产生界限；③目标表层三维限度的转变,即三维类型在图像中引发的边界效应；④照明光强度或方位的转变,即黑影在图像中引发的边界效应。

现阶段,国内与国际上比较常用的线特征提取方法如下。

1.2.1霍夫变换(Houghtransform,HT)

明确出该曲线图的叙述主要参数,进而获取影像中的标准曲线图(线特点)。

HT转换检验已经知道参数方程的曲线图(线特点),只需根据将点投射到相匹配的主要参数空间,决议出的主要参数空间较大点的坐标便是该曲线图的主要参数。但无论对哪种 HT转换,均需事先得出被检验曲线图的方程式或形状即可求得。其检测参数曲线f(x,a)= 0的算法可描述如下：

(1)在参数a的范围内量化参数空间,参数空间的位数n由向量a的参数数目给出。

(2)在适当的阈值化后的梯度影像中,对每个影像点(x1,x2),计算其在所有的第1步使用范围内的a,增大所有的满足f(x,a)= 0的累积单元A(a)为

(1)

1.2.2广义HT变换的线特征提取

假设已知期望区域的形状、尺寸和旋转。边界的方向(边缘方向)在直线与区域边界相交处得到。从图2中可以看出,区域边界的不同点x可以具有相同的边界方向,ψ(x) =ψ(x’)。也就是对于每一个ψ有可能存在多于一对的(r,a),这就用来确定潜在的参考点坐标。

图2 广义HT变换线性图

创建R-表的几何算法可描述如下：

(1)给期望物体构建R-表秒素。

(2)形成一个表示潜在参考点的数据结构A：A(x1,x2,S,τ),并令A(x1,x2,S,τ)为0。

(3)在阈值化后的梯度影像中,对每一个像素(x1,x2),确定其边缘方向ψ(x),找到所有的潜在参考点xR。

(2)

增大所有的A(xR,S,τ)

(3)

从广义视角来看,HT转换也必须要彻底界定总体目标物质的精准形状,才可以精准地获取[12-13]。因此其提取具有复杂形状的物体的前提是形状是实现定义的。尽管出现一些其他的调整方式,促使其可以检验并不了解精准形状的物体,其前提条件依然是得到用于类似物件实体模型的先验知识。

1.2.3 基于广义点线摄影测量的线特征提取

从“相切方程式”考虑,在点航空摄影的历程中提及的点便是物理学点,例如,小圆点、角点、相交点等。根据“共面方程式”的平行线航空摄影所涉及的则是物理学平行线,如房屋建筑的主架构线等。生活中的很多物件由很多的曲线图,其繁杂样子既非由物理学点组成也不是由物理学平行线组成的,没法立即运用相切或是共面标准开展精准获取复建。对于不可以马上用独立数学课分析法描述的趋势图(斜坡),则可以先用许多条按段趋势图(斜坡)来描述,那样就可以创建理论点航空摄影的数学分析模型[14-15]。

基于物理点的共线方程：

式中,像点a(x、y、-f)、摄影中心S(XS、YS、ZS)、与相应地面点A(X、Y、Z)都位于在一条直线上。其中，a1、a2、a3、b1、b2、b3、c1、c2、c3是由三个外方位的角元素φ、ω、κ所生成的3×3的正交旋转矩阵R的9个元素。

一般空间曲线的参数化表达为

(6)

式中,f(t)、g(t)、h(t)表示参数t在范围(a,b)的区域间的变化时曲线上点的运动轨迹变化量。由广义点摄影测量平差模型可知曲线提取的数学模型为

1.3 面状特征

面特征是将图形中显著的地区信息内容作为特点。地区型的基本特征是具备对比度较高的闭合地区的投射,例如，湖水、工程建筑、山林、市区等。闭合区域的存在是普遍的。在具体运用中通常先获取显著的区域特征,把地区的重心点或圆的圆心点作为特点,由于重心点对转动、放缩等转换是不会改变的,并在随机噪声和灰度变化下是稳定的。区域特征一般用切分的方式获取,切分的精密度可以对配准造成非常大的影响。图像的切分可以与配准全过程迭代开展。每一次迭代对特性给出简单的对应,并用于具体指导调节切分的主要参数。

2 采取的研究方案、技术路线

2.1 点状、面状特征的提取

对于面状特征先提取明显的区域特征,区域特征一般用分割的方法提取,同时与配准过程迭代进行。

2.2 线状特征的提取

(1)参数特征曲线。HT转换可以从存有噪音的空间获取出含有间断点的主要参数曲线图,其核心技术是将像素空间的点投射到主要参数空间,并统计分析边沿清晰度处在主要参数空间某点的概率,概率最高值可根据“决议”得到。

(2)非参数特征曲线。对于一条非参数曲线(线特征),即曲线图上的像素密度越大,则该非主要参数曲线图的目标曲线图的可能性就越大。因而,非主要参数曲线图的获取问题可被视作在比较有限像素结合中选择一子集合的排列与组合优化问题。首先要给出非参数曲线的视觉模型,并以此为基础设计曲线的评价函数,通过评价优劣进而判定目标曲线。

(3)对线状特征提取出来后,以此为初值,采用摄影测量中经典的平差方法—最小二乘模板匹配方法进行线状特征进行精确的提取。

2.3 技术路线

本研究在后期的实验中,拟分别对模拟影像(随机生成)和金属钣金件影像进行实验,并进行实验精度分析，技术路线如图3所示。

图3 影像获取技术路线

3 解决方案

(1)以基于视觉模型方法提取出的目标线特征的初值,其好坏直接影响小二乘模板匹配的收敛性和精度。因此本文拟据此视觉模型为基础,采用影像匹配中的匹配测度函数为评价函数,以此来判别影响中的目标函数。

(2)本文在曲线的提取过程中拟采用局部的自适应窗口化图像预处理,以此二值化后的影像为基础进行初值的提取。

4 结束语

本文针对影像识别、机器视觉中自动化量测中的特征提取问题进行研究,实现如下目标：①在对影像多特征的提取中,实现基于视觉模型的非参数曲线的自动提取，在此过程中设计寻找更符合此视觉模型的影像评价函数。对影像中存在的点状特征和面状特征,分别实现对其的提取研究,对提取出来的影像特征进行精度对比分析;②本文针对影像中多特征的提取问题,论述了影像特征提取的不同原理及方法，实现影像上多特征(点状特征、线状特征、面状特征)的提取、设计寻找更符合基于视觉模型提取的影像评价函数，论述基于点线摄影测量的特征提取方法的原理和函数模型，对基于视觉模型的特征提取的初值采用最小二乘模匹配精确的定位线状特征,从实验上对其进行分析评价。实验表明,该方法能够大幅提高无人机影像识别和机器视觉自动化的几何处理效率;同时,该方法的图像解译精度较高、影像特征处理效果好,能够满足现阶段高质量数据分析的要求,为影像的多特征提取提供一条有效的技术路径。