商品圖像局部特征提取算法研究與實現

白宗文　周美麗

摘 要： 研究商品圖像局部興趣點提取的方法，利用Matlab語言對提取商品圖像局部特征Harris和Harris?Laplace算法進行建模仿真，開發了基于商品圖像局部特征進行商品檢索系統。當檢索商品處在不同角度和背景中時，對此系統進行測試，并對測試結果進行比較分析，指出二者算法各自的特點，最后提出了改進算法的建議。

關鍵詞： 商品圖像； 局部特征提取算法； 角點檢測； 興趣點提取

中圖分類號： TN919?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2014）12?0056?03

Abstract：The method of local interesting point extraction for commodity images is studied in this paper. Simulation modeling of Harris and Harris?Laplace algorithms for local feature extraction of commodity image was performed by means of Matlab language. A commodity retrieval system based on commodity image local features was developed. The system was tested when the retrieval commodity was in different angles or in the different background. The test results were compared and analyzed. The characteristics of the two algorithms are pointed out. Some suggestions on algorithm improvement is proposed.

Keywords： commodity image； local feature extraction algorithm； corner detection； interesting point extraction

0 引 言

商品圖像在實際生活中有很多的應用，在上網購物，在淘寶網上買東西，都需要查看商品圖像，了解商品的信息。商品圖像特征提取作為計算機視覺中最重要得一環在近年來也得到了足夠的重視和大量的研究。隨著人們獲取圖像的途徑和所獲圖像數量的增多，數字圖像處理里一些基礎性的研究方向變得更加至關重要。局部特征技術作為圖像特征抽取的關鍵技術近些年來得到了廣泛的研究和應用。局部特征就是從圖像的局部結構出發，用局部信息來構造出具有光照，幾何變換不變性的描述子，局部特征不依賴于圖像分割的結果因而其對于遮擋、重疊等情況具有良好的魯棒性，由此局部特征也成為了目前特征提取領域的主流算法。

圖像的局部特征具備在多種圖像變換下的不變性、無需預先對圖像分割、低冗余性和獨特性等特點，被廣泛用于圖像分類及圖像檢索等領域。基于局部特征的應用包含3個基本步驟：檢測、描述以及匹配。先利用檢測算子檢測出圖像信號中的興趣點，再利用描述子對興趣點周邊的區域進行魯棒的特征描述，最后利用匹配算法匹配兩幅圖像的描述子[1]。

1 算法原理簡介

本文是根據商品的局部特征角點的提取算法進行討論、研究。現有的角點提取算法主要可分為兩種：

（1） 基于邊緣輪廓的角點提取算法，先提取圖像信息中的邊緣輪廓，再求角點，如Kitchen?Rosenfeld，CSS，Freeman鏈碼法，Wang?Brady等是這類算法為代表；

（2） 直接對灰度圖像進行角點檢測，有Moravec，Harris，Trajkovic，SUSAN等是這類算法為代表[2]。

由于基于灰度的角點提取算法直接對圖像中像素點的灰度值進行處理，避免了基于邊緣輪廓的角點提取算法在提取輪廓時存在的誤差，因此在實際研究中得到更多關注。其中的Harris算法與Harris?Laplace算法是該類算法中應用最為廣泛的兩種角點檢測方法。Harris角點檢測基本算法原理[3]：

將實對稱矩陣對角化處理，式（1）中把R看成旋轉因子，它對兩個正交方向的變化分量不影響。[λ1，λ2]為兩個正交方向的變化量分量提取出來的特征值，這兩個特征值就表示了像素在兩個方向上的變化量。特征值越大，則說明該方向上變化量越大，當兩個特征值都大于閾值時則該點為角點。接下來就可以對角點、邊緣，平坦區域進行分析。

Harris?Laplace興趣點提取算法是基于Harris算子進行推到計算得到的，Harris?Laplace算法本質上是用多尺度下的Harris角點檢測特征點的位置的方法[3]。該方法通過在一個局部結構下一個判別函數達到最大值時所處的尺度來表征最優尺度。特征區域的大小由Laplace算子確定，Laplace算子的核函數被認為起到了濾波器的作用。所以雖然Harris?Laplace算法和Harris算法都是針對商品圖像興趣點進行提取，可是Harris?Laplace算法的穩定性要更好一點，Harris?Laplace特征提取算子公式如下[4?5]：

式中：[σ]是Laplace公式的尺度；[Ixx]和[Lyy]是圖像信號的二階導數。根據以上的特征檢測，可以得到圖像上的邊緣特征和Harris?Laplace興趣點特征。

2 兩種算法仿真測試

本文應用Matlab語言設計了基于Harris?Laplace算法和Harris算法提取興趣點的商品局部特征檢索系統，以briefcase包圖像為務處理對象。

在此對處理對象建立了各種模型，比如商品圖像所處角度不同，顯示大小比例不同，所處背景噪聲不同等各種情形，分別利用兩種算法對各種商品圖像模型進行了測試比較。

圖1所示為圖像正常模型下利用Harris算法和Harris?Laplace算法提取商品圖像興趣點的特點。

通過對商品圖像briefcase進行大量的測試，發現當商品處在不同情形下兩種算法的檢索情況也有所改變。由于篇幅所限僅以上面三種模型的測試進行分析，當商品處在不同的角度，不同噪聲和亮度時兩種算法提取興趣點的區別。

圖2對當圖像進行旋轉變換時，Harris算法提取興趣點的數目增多且興趣點的位置也發生變化；而Harris?Laplace算法提取局部特征的性能比較穩定，可以從實驗中看出，能夠在圖像進行旋轉變換時提取相同的興趣點，即具有仿射與尺度不變的特性[6?7]。

如圖3對圖像添加了噪聲后提取興趣點數目比不加噪聲時提取的多，且高斯噪聲的方差越大，Harris算法和Harris?Laplace算法提取的興趣點數目也相應的增多且位置也有所變化，但Harris?Laplace算法還是較穩定；在圖4中當商品圖像亮度發生變化時，Harris算法和Harris?Laplace算法提取興趣點數目和位置也不同，亮度亮時興趣點提取得多，如圖亮度變暗提取興趣點提取得少。

3 結 語

通過上述仿真測試結果分析，可得出Harris算法計算簡單，提取興趣點特征均勻而且合理，穩定性和魯棒性也較好，速度很快。但Harris算法存在定位精度不高的缺點，在需要精確定位的時候不能夠滿足精度的要求，且是定位性能差，需要確定閾值等[8?9]；而Harris?Laplace算法計算較復雜些，速度較慢，但定位精度很高，具有很高的穩定性。對比Harris和Harris?Laplace算法后，得出它們具有各自的優缺點。

對于Harris算法定位精度有偏差，之所以定位精度低，是因為在計算角點響應函數值時采用了差分方向導數計算方式，與理想的方向導數之間有誤差，從而在非最大值抑制時將真正角點去除[10]。

為此，可以探索一種合理的方向導數求解方法來消除周圍像素點對檢測結果的影響是提高Harris算法檢測定位精度的關鍵。而改進后的Harris?Laplac算法角點檢測算法則在上述所建模型檢測中具有較高的穩定性，在商品圖像檢索中值得推廣。

參考文獻

[1] 劉萍萍，趙宏偉.一種快速局部特征描述算法[J].自動化學報，2010（1）：40?45.

[2] 王崴，唐一平，任娟莉，等.一種改進的Harris角點提取算法[J].光學精密工程，2008（10）：1995?2001.

[3] 施鵬.局部特征描述子算法研究[D].上海：上海交通大學，2008.

[4] 章毓晉.基于內容的視覺信息檢索[M].北京：科學出版社，2003.

[5] 王玉珠.圖像角點檢測算法研究[D].重慶：重慶大學，2007.

[6] 山東大學信息與工程學院.數字圖像處理編程講義：Harris角點檢測算法[EB/OL].[2005?11?28].http：//www.docin.com/p?565252402.html.

[7] 田原，梁德群，吳更石.直接基于灰度圖像的多尺度角點檢測方法[J].信號處理，1998（z1）：6?9.

[8] 費旭東，荊仁杰.基于知識的快速角點提取[J].計算機學報，1994，17（1）：30?36.

[9] 袁杰，魏寶剛，王李冬.一種綜合PHOG形狀和小波金字塔能量分布特征的圖像檢索方法[J].電子學報，2011（9）：2114?2119.

[10] 周永華.基于色彩的圖像檢索系統研究及實現[D].南寧：廣西大學，2006.

在此對處理對象建立了各種模型，比如商品圖像所處角度不同，顯示大小比例不同，所處背景噪聲不同等各種情形，分別利用兩種算法對各種商品圖像模型進行了測試比較。

圖1所示為圖像正常模型下利用Harris算法和Harris?Laplace算法提取商品圖像興趣點的特點。

通過對商品圖像briefcase進行大量的測試，發現當商品處在不同情形下兩種算法的檢索情況也有所改變。由于篇幅所限僅以上面三種模型的測試進行分析，當商品處在不同的角度，不同噪聲和亮度時兩種算法提取興趣點的區別。

圖2對當圖像進行旋轉變換時，Harris算法提取興趣點的數目增多且興趣點的位置也發生變化；而Harris?Laplace算法提取局部特征的性能比較穩定，可以從實驗中看出，能夠在圖像進行旋轉變換時提取相同的興趣點，即具有仿射與尺度不變的特性[6?7]。

如圖3對圖像添加了噪聲后提取興趣點數目比不加噪聲時提取的多，且高斯噪聲的方差越大，Harris算法和Harris?Laplace算法提取的興趣點數目也相應的增多且位置也有所變化，但Harris?Laplace算法還是較穩定；在圖4中當商品圖像亮度發生變化時，Harris算法和Harris?Laplace算法提取興趣點數目和位置也不同，亮度亮時興趣點提取得多，如圖亮度變暗提取興趣點提取得少。

3 結 語

通過上述仿真測試結果分析，可得出Harris算法計算簡單，提取興趣點特征均勻而且合理，穩定性和魯棒性也較好，速度很快。但Harris算法存在定位精度不高的缺點，在需要精確定位的時候不能夠滿足精度的要求，且是定位性能差，需要確定閾值等[8?9]；而Harris?Laplace算法計算較復雜些，速度較慢，但定位精度很高，具有很高的穩定性。對比Harris和Harris?Laplace算法后，得出它們具有各自的優缺點。

對于Harris算法定位精度有偏差，之所以定位精度低，是因為在計算角點響應函數值時采用了差分方向導數計算方式，與理想的方向導數之間有誤差，從而在非最大值抑制時將真正角點去除[10]。

為此，可以探索一種合理的方向導數求解方法來消除周圍像素點對檢測結果的影響是提高Harris算法檢測定位精度的關鍵。而改進后的Harris?Laplac算法角點檢測算法則在上述所建模型檢測中具有較高的穩定性，在商品圖像檢索中值得推廣。

參考文獻

[1] 劉萍萍，趙宏偉.一種快速局部特征描述算法[J].自動化學報，2010（1）：40?45.

[2] 王崴，唐一平，任娟莉，等.一種改進的Harris角點提取算法[J].光學精密工程，2008（10）：1995?2001.

[3] 施鵬.局部特征描述子算法研究[D].上海：上海交通大學，2008.

[4] 章毓晉.基于內容的視覺信息檢索[M].北京：科學出版社，2003.

[5] 王玉珠.圖像角點檢測算法研究[D].重慶：重慶大學，2007.

[6] 山東大學信息與工程學院.數字圖像處理編程講義：Harris角點檢測算法[EB/OL].[2005?11?28].http：//www.docin.com/p?565252402.html.

[7] 田原，梁德群，吳更石.直接基于灰度圖像的多尺度角點檢測方法[J].信號處理，1998（z1）：6?9.

[8] 費旭東，荊仁杰.基于知識的快速角點提取[J].計算機學報，1994，17（1）：30?36.

[9] 袁杰，魏寶剛，王李冬.一種綜合PHOG形狀和小波金字塔能量分布特征的圖像檢索方法[J].電子學報，2011（9）：2114?2119.

[10] 周永華.基于色彩的圖像檢索系統研究及實現[D].南寧：廣西大學，2006.

在此對處理對象建立了各種模型，比如商品圖像所處角度不同，顯示大小比例不同，所處背景噪聲不同等各種情形，分別利用兩種算法對各種商品圖像模型進行了測試比較。

圖1所示為圖像正常模型下利用Harris算法和Harris?Laplace算法提取商品圖像興趣點的特點。

通過對商品圖像briefcase進行大量的測試，發現當商品處在不同情形下兩種算法的檢索情況也有所改變。由于篇幅所限僅以上面三種模型的測試進行分析，當商品處在不同的角度，不同噪聲和亮度時兩種算法提取興趣點的區別。

圖2對當圖像進行旋轉變換時，Harris算法提取興趣點的數目增多且興趣點的位置也發生變化；而Harris?Laplace算法提取局部特征的性能比較穩定，可以從實驗中看出，能夠在圖像進行旋轉變換時提取相同的興趣點，即具有仿射與尺度不變的特性[6?7]。

如圖3對圖像添加了噪聲后提取興趣點數目比不加噪聲時提取的多，且高斯噪聲的方差越大，Harris算法和Harris?Laplace算法提取的興趣點數目也相應的增多且位置也有所變化，但Harris?Laplace算法還是較穩定；在圖4中當商品圖像亮度發生變化時，Harris算法和Harris?Laplace算法提取興趣點數目和位置也不同，亮度亮時興趣點提取得多，如圖亮度變暗提取興趣點提取得少。

3 結 語

通過上述仿真測試結果分析，可得出Harris算法計算簡單，提取興趣點特征均勻而且合理，穩定性和魯棒性也較好，速度很快。但Harris算法存在定位精度不高的缺點，在需要精確定位的時候不能夠滿足精度的要求，且是定位性能差，需要確定閾值等[8?9]；而Harris?Laplace算法計算較復雜些，速度較慢，但定位精度很高，具有很高的穩定性。對比Harris和Harris?Laplace算法后，得出它們具有各自的優缺點。

對于Harris算法定位精度有偏差，之所以定位精度低，是因為在計算角點響應函數值時采用了差分方向導數計算方式，與理想的方向導數之間有誤差，從而在非最大值抑制時將真正角點去除[10]。

為此，可以探索一種合理的方向導數求解方法來消除周圍像素點對檢測結果的影響是提高Harris算法檢測定位精度的關鍵。而改進后的Harris?Laplac算法角點檢測算法則在上述所建模型檢測中具有較高的穩定性，在商品圖像檢索中值得推廣。

參考文獻

[1] 劉萍萍，趙宏偉.一種快速局部特征描述算法[J].自動化學報，2010（1）：40?45.

[2] 王崴，唐一平，任娟莉，等.一種改進的Harris角點提取算法[J].光學精密工程，2008（10）：1995?2001.

[3] 施鵬.局部特征描述子算法研究[D].上海：上海交通大學，2008.

[4] 章毓晉.基于內容的視覺信息檢索[M].北京：科學出版社，2003.

[5] 王玉珠.圖像角點檢測算法研究[D].重慶：重慶大學，2007.

[6] 山東大學信息與工程學院.數字圖像處理編程講義：Harris角點檢測算法[EB/OL].[2005?11?28].http：//www.docin.com/p?565252402.html.

[7] 田原，梁德群，吳更石.直接基于灰度圖像的多尺度角點檢測方法[J].信號處理，1998（z1）：6?9.

[8] 費旭東，荊仁杰.基于知識的快速角點提取[J].計算機學報，1994，17（1）：30?36.

[9] 袁杰，魏寶剛，王李冬.一種綜合PHOG形狀和小波金字塔能量分布特征的圖像檢索方法[J].電子學報，2011（9）：2114?2119.

[10] 周永華.基于色彩的圖像檢索系統研究及實現[D].南寧：廣西大學，2006.