[發(fā)明專利]一種基于可見光單圖像的弱紋理表面微結(jié)構(gòu)特征提取方法

在審

• 申請?zhí)枺?/td>: 202210874829.9
• 申請日: 2022-07-25
• 公開（公告）號: CN115170832A
• 公開（公告）日: 2022-10-11
• 發(fā)明（設(shè)計）人: 王映輝;梁炎興
• 申請（專利權(quán)）人: 江南大學(xué)
• 主分類號: G06V10/54
• 分類號: G06V10/54;G06V10/762;G06V10/764;G06V10/82
• 代理公司: 哈爾濱市陽光惠遠(yuǎn)知識產(chǎn)權(quán)代理有限公司 23211
• 代理人: 呂永芳

本發(fā)明公開了一種基于可見光單圖像的弱紋理表面微結(jié)構(gòu)特征提取方法，屬于圖像處理技術(shù)領(lǐng)域。本發(fā)明在自然可見光場景下，通過拍攝弱紋理表面、灰度調(diào)整、K?Prototypes聚類自適應(yīng)網(wǎng)格劃分、Gabor核提取高頻細(xì)節(jié)特征等步驟，獲得弱紋理表面微幾何凹凸特征，解決了現(xiàn)有方法對弱紋理表面區(qū)域無法提取自身固有特征或提取精度低的問題，達(dá)到了對弱紋理表面的微觀結(jié)構(gòu)的特征識別和特征提取的目的，可應(yīng)用于物體識別、VR、AR、表面探傷、醫(yī)學(xué)診斷等重要領(lǐng)域。

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于可見光單圖像的弱紋理表面微結(jié)構(gòu)特征提取方法，屬于圖像處理技術(shù)領(lǐng)域。

背景技術(shù)

特征提取是計算機視覺實現(xiàn)場景理解和認(rèn)知任務(wù)中不可逾越的一步。盡管特征提取是一個古老的話題，國內(nèi)外諸多學(xué)者在此領(lǐng)域也做出了巨大的貢獻(xiàn)，但是對可見光圖像的弱紋理表面區(qū)域特征識別與提取仍然是一大難點。弱紋理表面區(qū)域是指在顏色、明暗、線條等特征變化的可視效果不明顯或者無可視性的區(qū)域。日常生活中存在著大量的弱紋理表面區(qū)域，如純色桌面、地面和墻面等。眾多復(fù)雜因素相互影響所致，其中光的入射角、反射角、觀測角的實時變化，光波頻率和強度對物體表面的相互作用，以及物體表面微幾何結(jié)構(gòu)的各向異性等，導(dǎo)致其表面特征難以提取。

由于RGB圖像獲取的快捷性和普適性，產(chǎn)生了眾多基于該類圖像的區(qū)域紋理特征提取方法，可見光圖像的弱紋理表面區(qū)域特征提取方法概括起來包括兩類：區(qū)域直接特征提取方法和區(qū)域間接特征提取方法。區(qū)域直接特征提取方法又可包括傳統(tǒng)特征提取法和深度學(xué)習(xí)法，區(qū)域間接特征提取方法包括深度圖法和周邊輔助法。

傳統(tǒng)特征提取法使用數(shù)學(xué)變換、統(tǒng)計學(xué)、模板匹配等方法，試圖尋找像素和特征之間的映射關(guān)系，以此建立特征描述子，代表方法如尺度不變特征變換(Scale-InvariantFeature Tsransform，SIFT)、定向快速旋轉(zhuǎn)BRIEF特征變換(Oriented Fast and RotatedBRIEF，ORB)、小波變換、梯度直方圖、隨機場法等。對于一般宏觀場景物體的特征提取，傳統(tǒng)方法已經(jīng)能有效解決并得到了廣泛應(yīng)用，但針對弱紋理表面區(qū)域，由于傳統(tǒng)方法離不開灰度差異或梯度的求解策略，而弱紋理表面的灰度差或梯度差微小，直接求解時會陷入局部極值，無法得到滿足實際約束條件的解，不能精確計算到能夠反映出微觀差異的級別，從而導(dǎo)致了該類方法的無效性。

深度學(xué)習(xí)法(如文獻(xiàn)Cimpoi,Mircea.Deep Filter Banks for TextureRecognition,Description,and Segmentation[J].International Journal of ComputerVision,2016,118(1):65-94；Mustafa.Ground Texture Classification withDeep Learning[C].Proc.of IEEE Signal Processing and CommunicationsApplications Conference,2018:1-4)，尤其是卷積神經(jīng)網(wǎng)絡(luò)(Convolutional NeuralNetwork,CNN)，通過多個卷積層在輸入圖像的整個區(qū)域上以較小的跨度對內(nèi)核進行卷積，得到紋理的特征向量。雖然深度學(xué)習(xí)法能學(xué)習(xí)到人工無法定義的、隱藏的紋理特征，但是非常依賴樣本訓(xùn)練，由于弱紋理表面區(qū)域的特征本身不明顯甚至不可觀察，導(dǎo)致人工標(biāo)注極其困難，極大限制了機器學(xué)習(xí)的準(zhǔn)確性和泛化性。

深度圖法(如文獻(xiàn)Q.Luming,L.Honggao,L.Jieqing,et al.Feature Fusion ofICP-AES,UV-Vis and FT-MIR for Origin Traceability of Boletus delis Mushroomsin Combination with Chemometrics[J].Sensors,2018,18(1):241)基于直接測量物體表面與傳感器(如TOF、超聲波、激光等)之間的距離，獲得物體表面的近似形貌，但該類方法這只適用于相對宏觀的物體或場景區(qū)域特征的提取，不適用于只能通過微小凹凸變化來描述特征的弱紋理表面區(qū)域，加之噪聲和光照的干擾，導(dǎo)致其精度較低甚至無效。