CN105683996B - 用于确定图像特征检测器的局部差分颜色的方法 - Google Patents
用于确定图像特征检测器的局部差分颜色的方法 Download PDFInfo
- Publication number
- CN105683996B CN105683996B CN201380080597.9A CN201380080597A CN105683996B CN 105683996 B CN105683996 B CN 105683996B CN 201380080597 A CN201380080597 A CN 201380080597A CN 105683996 B CN105683996 B CN 105683996B
- Authority
- CN
- China
- Prior art keywords
- response
- image
- filter
- vector
- determining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 30
- 230000004044 response Effects 0.000 claims abstract description 214
- 239000013598 vector Substances 0.000 claims abstract description 177
- 238000001514 detection method Methods 0.000 claims abstract description 29
- 230000006978 adaptation Effects 0.000 claims abstract description 25
- 239000011159 matrix material Substances 0.000 claims description 60
- 238000001914 filtration Methods 0.000 claims description 11
- 230000002401 inhibitory effect Effects 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 abstract description 10
- 238000004891 communication Methods 0.000 description 15
- 238000003860 storage Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 6
- 238000010191 image analysis Methods 0.000 description 6
- 230000002093 peripheral effect Effects 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 4
- 238000013500 data storage Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000017105 transposition Effects 0.000 description 3
- 238000007689 inspection Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- YIWGJFPJRAEKMK-UHFFFAOYSA-N 1-(2H-benzotriazol-5-yl)-3-methyl-8-[2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidine-5-carbonyl]-1,3,8-triazaspiro[4.5]decane-2,4-dione Chemical compound CN1C(=O)N(c2ccc3n[nH]nc3c2)C2(CCN(CC2)C(=O)c2cnc(NCc3cccc(OC(F)(F)F)c3)nc2)C1=O YIWGJFPJRAEKMK-UHFFFAOYSA-N 0.000 description 1
- MKYBYDHXWVHEJW-UHFFFAOYSA-N N-[1-oxo-1-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)propan-2-yl]-2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidine-5-carboxamide Chemical compound O=C(C(C)NC(=O)C=1C=NC(=NC=1)NCC1=CC(=CC=C1)OC(F)(F)F)N1CC2=C(CC1)NN=N2 MKYBYDHXWVHEJW-UHFFFAOYSA-N 0.000 description 1
- NIPNSKYNPDTRPC-UHFFFAOYSA-N N-[2-oxo-2-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-yl)ethyl]-2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidine-5-carboxamide Chemical compound O=C(CNC(=O)C=1C=NC(=NC=1)NCC1=CC(=CC=C1)OC(F)(F)F)N1CC2=C(CC1)NN=N2 NIPNSKYNPDTRPC-UHFFFAOYSA-N 0.000 description 1
- VCUFZILGIRCDQQ-KRWDZBQOSA-N N-[[(5S)-2-oxo-3-(2-oxo-3H-1,3-benzoxazol-6-yl)-1,3-oxazolidin-5-yl]methyl]-2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidine-5-carboxamide Chemical compound O=C1O[C@H](CN1C1=CC2=C(NC(O2)=O)C=C1)CNC(=O)C=1C=NC(=NC=1)NCC1=CC(=CC=C1)OC(F)(F)F VCUFZILGIRCDQQ-KRWDZBQOSA-N 0.000 description 1
- JAWMENYCRQKKJY-UHFFFAOYSA-N [3-(2,4,6,7-tetrahydrotriazolo[4,5-c]pyridin-5-ylmethyl)-1-oxa-2,8-diazaspiro[4.5]dec-2-en-8-yl]-[2-[[3-(trifluoromethoxy)phenyl]methylamino]pyrimidin-5-yl]methanone Chemical compound N1N=NC=2CN(CCC=21)CC1=NOC2(C1)CCN(CC2)C(=O)C=1C=NC(=NC=1)NCC1=CC(=CC=C1)OC(F)(F)F JAWMENYCRQKKJY-UHFFFAOYSA-N 0.000 description 1
- 230000008649 adaptation response Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- SFMJNHNUOVADRW-UHFFFAOYSA-N n-[5-[9-[4-(methanesulfonamido)phenyl]-2-oxobenzo[h][1,6]naphthyridin-1-yl]-2-methylphenyl]prop-2-enamide Chemical compound C1=C(NC(=O)C=C)C(C)=CC=C1N1C(=O)C=CC2=C1C1=CC(C=3C=CC(NS(C)(=O)=O)=CC=3)=CC=C1N=C2 SFMJNHNUOVADRW-UHFFFAOYSA-N 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 238000000985 reflectance spectrum Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/469—Contour-based spatial representations, e.g. vector-coding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
用于多通道特征检测的技术包括计算设备以用于确定对于一个或多个图像滤波器的多通道图像的每个图像通道的滤波器响应。计算设备基于滤波器响应确定局部差分颜色向量、对局部差分颜色响应应用滤波器响应来生成适应的响应并且基于适应的响应来确定多通道图像的总响应。
Description
背景技术
计算机视觉利用多种图像特征检测器来识别图像的特征或图像内的“感兴趣点”。图像特征检测器可根据特定算法/检测器识别被分析图像的边缘、角点、斑点（即，兴趣点的区域）和/或脊线。例如，Canny算法和Sobel滤波器执行边缘检测；Harris检测器执行角点检测；并且拉普拉斯-高斯（LoG）、海森-高斯行列式和高斯差分（DoG）检测器识别图像内的角点和斑点。特征检测系统常常利用算法和检测器的组合以更准确识别被分析图像的特征。
例如加速鲁棒特征（SURF）、尺度不变特征变换（SIFT）、Canny、Harris和Sobel等共同特征检测器检测和描述单通道图像（即，灰度图像）的特征。因此，作为特征检测的初步分析步骤，多通道图像（即，彩色图像）必须变换成单通道图像，其可以导致明显的图像信息丢失。例如，单通道灰度图像的图像像素值可作为多通道图像的道中的每个的对应像素值的线性组合而生成。如此，具有截然不同颜色但具有相同的单通道灰度表示的多通道图像像素之间的对比度由于灰度变换而失去。尽管一些算法利用基于感知的颜色模型（例如，CSIFT使用Kubelka-Munk理论，其使彩色物体的反射光谱模型化），它们使用全局颜色到灰度映射，其导致信息丢失。
附图说明
本文描述的概念通过示例而非限制的方式在附图中图示。为了图示的简单和清楚起见，在图中图示的元件不一定按比例绘制。在认为适当的地方，标号在图之中重复来指示对应或类似元件。
图1是用于执行多通道特征检测的计算设备的至少一个实施例的简化框图；
图2是图1的计算设备的环境的至少一个实施例的简化框图；
图3是用于对图1的计算设备执行多通道特征检测的方法的至少一个实施例的简化流程图；
图4是用于确定图1的计算设备上的局部差分颜色向量的方法的至少一个实施例的简化流程图；
图5和6分别是基于图3的多通道特征检测的方法和作为内核的SURF特征检测器的捕获图像和它的识别的兴趣点的图。
具体实施方式
尽管本公开的概念易受各种修改和备选形式的影响，其特定实施例已通过图中的示例示出并且将在本文详细描述。然而，应该理解没有将本公开的概念限制于公开的特定形式的意图，而相反，意图是要涵盖所有与本公开和附上的权利要求一致的所有修改、等同物和备选项。
在说明书中对“一个实施例”、“实施例”、“说明性实施例”等的引用指示描述的实施例可包括特定特征、结构或特性，但每个实施例可包括或可不一定包括该特定特征、结构或特性。此外，这样的短语不一定指相同的实施例。此外，当特定特征、结构或特性连同实施例描述时，认为连同其他无论是否明确描述的实施例实现这样的特征、结构或特性，这在本领域内技术人员的知识内。另外，应意识到采用“至少一个A、B和C”形式包括在列表中的项可以意指：（A）；（B）；（C）；（A和B）；（B和C）；或（A、B和C）。相似地，采用“A、B或C中的至少一个”形式列出的项可以意指：（A）；（B）；（C）；（A和B）；（B和C）；或（A、B和C）。
公开的实施例在一些情况下可采用硬件、固件、软件或其任何组合来实现。公开的实施例还可实现为由一个或多个暂时性或非暂时性机器可读（例如，计算机可读）存储介质携带或在其上存储的指令，这些指令可由一个或多个处理器读取并且执行。机器可读存储介质可体现为用于采用机器可读的形式存储或传送信息的任何存储设备、机构或其他物理结构（例如，易失性或非易失性存储器、媒体盘或其他媒体设备）。
在图中，一些结构或方法特征可采用特定设置和/或排序示出。然而，应意识到可不需要这样的特定设置和/或排序。相反，在一些实施例中，这样的特征可采用与在说明性图中示出的不同的方式和/或顺序设置。另外，在特定图中包括结构或方法特征并不意在暗指在所有实施例中需要这样的特征，并且在一些实施例中，可不包括这样的特征或其可与其他特征组合。
现在参考图1，用于多通道特征检测的计算设备100配置成检测多通道图像的特征（例如，例如角点、边缘、斑点等兴趣点）。为了这样做，计算设备100在识别图像特征方面利用来自多个图像通道的信息而不是单通道或灰度图像（例如，后变换图像）。在说明性实施例中，计算设备100配置成实现低复杂度非迭代算法以用于计算局部差分颜色（LDC）向量，其中内核的响应函数可以表达为线性或二次型函数。应意识到这样的情况涵盖广泛的单通道特征检测器，其具有能够适于与LDC向量一起使用的内核。例如，可计算二阶空间导数滤波器响应Dxx、Dxy和Dyy，其中x和y是图像的空间坐标。如此，LoG内核的响应可采用线性形式表达。SURF内核的响应可表达为二次型，
原始Harris内核的响应可表达为二次型，
其中k是算法参数。另外，Canny内核的平方响应（square response）可表达为二次型，其中Dx和Dy是一阶空间导数滤波器响应，其中x和y还是图像的空间坐标。
计算设备100可体现为能够多通道特征检测和执行本文描述的功能的任何类型的计算设备。例如，计算设备100可体现为蜂窝电话、智能电话、平板计算机、上网本、笔记本、ultrabook™、膝上型计算机、个人数字助理、移动互联网设备、台式计算机、混合设备和/或任何其他计算/通信设备。如在图1中示出的，说明性计算设备100包括处理器110、输入/输出（“I/O”）子系统112、存储器114、数据存储116、通信电路118和一个或多个外围设备120。另外，外围设备120包括拍摄装置122和显示器124。当然，在其他实施例中，计算设备100可包括其他或额外部件，例如通常在典型计算设备（例如，各种输入/输出设备）中发现的那些。另外，在一些实施例中，说明性部件中的一个或多个可包含在另一个部件中或另外来自另一个部件的一部分。例如，在一些实施例中，存储器114或其部分可包含在处理器110中。
处理器110可体现为能够执行本文描述的功能的任何类型的处理器。例如，处理器可体现为单核或多核处理器、数字信号处理器、微控制器或其他处理器或处理/控制电路。相似地，存储器114可体现为能够执行本文描述的功能的任何类型的易失性或非易失性存储器或数据存储。在操作中，存储器114可存储计算设备100的操作期间使用的各种数据和软件，例如操作系统、应用、程序、库和驱动器。存储器114经由I/O子系统112通信地耦合于处理器110，该I/O子系统110可体现为用于促进处理器110、存储器114和计算设备100的其他部件的输入/输出操作的电路和/或部件。例如，I/O子系统112可体现为或另外包括存储器控制器中枢、输入/输出控制中枢、固件设备、通信链路（即，点到点链路、总线链路、导线、电缆、光导、印刷电路板迹线，等）和/或用于促进输入/输出操作的其他部件和子系统。在一些实施例中，I/O子系统112可形成片上系统（SoC）的一部分并且连同处理器110、存储器114和计算设备100的其他部件一起包含在单个集成电路芯片上。
数据存储设备116可体现为为了数据的短期或长期存储而配置的任何类型的设备或多个设备，例如，存储器设备和电路、存储卡、硬盘驱动器、固态驱动器或其他数据存储设备。通信电路118可体现为能够通过网络（未示出）在计算设备100与其他远程设备之间实现通信的任何类型的通信电路、设备或其集合。为了这样做，根据例如网络类型（其可体现为能够促进计算设备100与远程设备之间的通信的任何类型的通信网络），通信电路118可使用任何适合的通信技术（例如，有线或无线通信）和关联的协议（例如，以太网、Bluetooth®、Wi-Fi®、WiMAX，等）来实施这样的通信。
计算设备100的外围设备120可包括任意数量的额外外围或接口设备。外围设备120中包括的特定设备可取决于例如移动计算设备100的类型和/或预期用途。如上文论述的，外围设备120包括拍摄装置122和显示器124。拍摄装置122可体现为用于捕获图像的任何外围或集成设备，例如静物拍摄装置、视频拍摄装置、网络摄像头或能够捕获视频和/或图像的其他设备。拍摄装置122可例如用于捕获其中特征被检测的多通道图像。计算设备100的显示器124可体现为任一个或多个显示屏，信息可在其上向计算设备100的观众显示。显示器124可体现为或另外使用任何适合的显示器技术，其包括例如液晶显示器（LCD）、发光二极管（LED）显示器、阴极射线管（CRT）显示器、等离子体显示器和/或其他显示器技术。显示器124可例如用于显示指示被分析图像的总响应的图像。尽管在图1中示出为是计算设备100的一体化部分，应意识到在其他实施例中，拍摄装置122和/或显示器124可远离计算设备100但通信耦合于计算设备100。
现在参考图2，在使用中，计算设备100对多通道特征检测建立环境200。如下文论述的，计算设备100基于局部差分颜色（LDC）向量和多通道图像的个别图像通道的滤波器响应来确定被分析的多通道图像的总图像响应。计算设备100的说明性环境200包括图像捕获模块202、图像分析模块204、显示器模块206和通信模块208。另外，图像分析模块204包括图像滤波模块210、局部差分颜色模块212和响应确定模块214。图像捕获模块202、图像分析模块204、显示器模块206、通信模块208、图像滤波模块210、局部差分颜色模块212和响应确定模块214中的每个可体现为硬件、软件、固件或其组合。另外，在一些实施例中，说明性模块中的一个可形成另一个模块的一部分。
图像捕获模块202控制拍摄装置122来捕获拍摄装置122的视场内的图像（例如，用于多通道特征检测）。根据特定实施例，图像可作为流播视频或作为个别图像/帧被捕获。在其他实施例中，图像捕获模块202可另外检索多通道图像以用于分析和特征检测。例如，多通道图像可利用通信模块208从远程计算设备（例如，在云计算环境中）接收。应意识到捕获的图像可体现为任何适合的多通道图像。例如，图像可以是三通道图像，例如RGB（红-绿-蓝）、HSL（色调-饱和度-亮度）或HSV（色调-饱和度-数值）图像。应进一步意识到本文描述的多通道图像特征检测可应用于任何类型的图像通道，其包括对于非彩色空间的通道（例如，RGB-D（深度）、红外、温度图、微波图或其他图像通道）。
图像分析模块204从图像捕获模块202检索用拍摄装置122捕获的图像。在说明性实施例中，图像分析模块204对图像扩展空间点建立坐标和参数（例如，用于尺度-空间表示和/或与尺度-空间检测器一起使用）。此外，如在下文更详细论述的，图像分析模块204对被分析图像应用各种滤波器、对图像的每个图像点（或其子集）确定LDC向量并且确定图像的每个图像点的总响应（或其子集）。
图像滤波模块210对一个或多个图像滤波器确定多通道图像的每个图像通道的滤波器响应（即，对图像应用图像滤波器的结果）。例如，在一些实施例中，图像滤波器可应用于图像的每个像素。在这样做时，应意识到图像滤波器可使用例如“开窗”方法而应用，其中图像滤波器应用于像素邻域（例如，具有图像滤波器内核的大小）。尽管图像滤波器一般应用于图像通道的个别像素，为了描述的简单和清楚起见，图像滤波器在本文可描述为应用于整个图像通道或其他结构而不是个别像素的值。在其中多通道图像包括三个通道的实施例中，图像滤波模块210对三个通道中的每个应用每个图像滤波器以及基于该滤波器生成对应的滤波器响应。应意识到，对于多通道图像的特定图像通道的滤波器响应可表示为向量，其包括图像通道对一个或多个图像滤波器的对应响应。另外，这样向量可称为对应图像通道的“响应向量”或“向量响应”。此外，在一些实施例中，采用的特定图像滤波器必须是线性或二次型图像滤波器。在其他实施例中，LDC向量可应用于原始图像通道的像素而没有任何之前的滤波或仅具有普通/恒等滤波器。
局部差分颜色模块212基于由图像滤波模块210确定的滤波器响应来确定局部差分颜色向量。如在下文详细论述的，局部差分颜色向量计算或确定为对图像通道的滤波器响应的线性组合限定权重并且产生极值（即，最小或最大，其取决于特定实施例）总响应的向量。对于线性形式，局部差分颜色模块212确定局部差分颜色向量是与对每个图像通道确定的总响应的向量共线性的向量。对于二次型，局部差分颜色向量确定为特征向量（或规格化特征向量），其对应于特定生成的对称矩阵的极值特征值（即，最大或最小特征值，其取决于特定实施例）。如此，在说明性实施例中，局部差分颜色向量可采用闭型表达，而不是计算为优化算法（例如，使成本函数最小化或最大化）的结果。
响应确定模块214对由图像滤波模块210生成的图像滤波器响应应用局部差分颜色向量来生成适应的响应并且基于该适应的响应来确定多通道图像的总响应。在说明性实施例中，响应确定模块214通过独立计算局部差分颜色向量和多通道图像的每个图像通道的响应向量的点积来对图像滤波器响应应用局部差分颜色向量。另外，如在下文更详细论述的，响应确定模块214通过基于采用的特定滤波器和/或特征检测算法的参数和适应的响应生成标量值来确定多通道图像的总响应。
在说明性实施例中，响应确定模块214还抑制多通道图像的总响应的空间非极值响应。即，在一些实施例中，响应确定模块214从总响应去除非兴趣点，其可基于预定义阈值来预定义。也就是说，兴趣点可识别为具有在阈值以上或以下（其取决于特定实施例）的局部极值响应的图像点。如此，仅兴趣点保留在总响应中。
显示器模块206配置成在显示器124上对计算设备100的用户呈现图像以供观看。例如，显示器模块206可显示一个或多个捕获/接收的图像（参见图5）和/或指示图像的总响应的图像（参见图6）。另外，应意识到显示器模块206可在特征检测过程的另一个阶段呈现图像的视觉描绘。例如，显示器模块206可在抑制非极值响应之前呈现个别滤波器响应、局部差分颜色向量、适应的响应和/或总响应的图形和/或文本描绘。
通信模块208通过网络处理计算设备100与远程设备之间的通信。如上文论述的，通信模块208可从远程计算设备接收多通道图像以供分析（例如，在云计算环境中或用于卸载执行）。如此，在一些实施例中，通信模块208还可将特征检测分析的结果（例如，总响应）传送到远程计算设备。
现在参考图3，在使用中，计算设备100可执行方法300以用于执行多通道特征检测。说明性方法300以图3的框302开始，其中计算设备100确定是否执行多通道特征检测。如果计算设备100确定执行多通道特征检测，计算设备100在框304中对图像扩展空间点建立坐标系。也就是说，计算设备100建立例如笛卡尔坐标系（例如，常用x-和y-轴）和额外参数（例如，尺度）以与尺度-空间图像特征检测器一起使用。
在框306中，计算设备100基于一个或多个图像滤波器（例如，海塞行列式、Canny、Sobel滤波器等）确定每个图像通道的滤波器响应。在这样做时，在框308中，计算设备100基于如上文论述的滤波器响应对每个图像通道生成响应向量（即，通过对个别图像通道应用图像滤波器）。例如，假设被分析的多通道图像是三通道RGB（红-绿-蓝）图像并且采用高斯滤波器的二阶偏导（即，海塞矩阵的分量）作为图像滤波器。因此，图像滤波器包括gxx、gyy和gxy，其是关于对应图像维度的二阶偏导。在这样的实施例中，图像滤波器中的每个（即，gxx、gyy和gxy中的每个）应用于红色通道来对红色图像通道生成响应向量。如上文论述的，图像滤波器可应用于图像的每个像素。因此，可对图像通道的每个像素生成响应向量。相似地，图像滤波器中的每个应用于蓝色图像通道和绿色图像通道，使得对通道中的每个生成响应向量。每个响应向量可以简化为标量值。例如，海塞行列式可以由二次型确定，其中B是预定义矩阵并且gxx、gyy和gxy是关于对应空间坐标x和/或y所采取的高斯滤波器的二阶偏导。当然，其他实施例可利用不同数量的图像滤波器和/或分析具有不同数量通道的图像。如此，在一般情况下，假设存在n个通道和p个滤波器。在这样的情况下，计算设备100生成具有大小/长度p（或，更具体地，大小p×1）的n个响应向量（即，每个通道一个），其中元素是对于对应图像滤波器的图像通道的滤波器响应。
在框310中，计算设备100基于每个图像通道的滤波器响应来确定局部差分颜色向量（例如，规格化LDC向量）。也就是说，计算设备100利用对于图像通道的响应向量来生成局部差分颜色向量。为了这样做，计算设备100可执行方法400以用于确定局部差分颜色向量，如在图4中示出的。说明性方法400以框402开始，其中计算设备100确定是否生成局部差分颜色向量。如果是这样的话，计算设备100在框404中对图像生成或另外确定对称形式矩阵A。应意识到计算设备102可使用任何适合的技术、算法和/或机制生成二次型矩阵的对称形式。例如，在一个实施例中，在框406中，计算设备100可计算A矩阵的每个，其中对于图像通道i和j，。在这样的实施例中，qij代表定位在第i行和第j列的A矩阵的元素，f是对于与f的指数相对应的图像通道的响应向量，T是转置算子（即，fT是f的转置），并且B是基于一个或多个图像滤波器的预定义矩阵。例如，在上文描述的关于海塞矩阵的实施例中，B矩阵可定义为：
并且是先验已知的。在另一个实施例中，B矩阵可基于图像和/或滤波器参数计算。在说明性实施例中，计算设备100在框408中将对于三通道图像（例如，RGB图像）的矩阵A计算为：
当然，在其他实施例中，被分析图像可包括更少或更大数量的通道，并且在这样的实施例中，矩阵A具有相应大小（例如，在其中被分析图像包括四个通道等的实施例中是4×4矩阵）。也就是说，矩阵A体现为n×n矩阵，其中n是图像通道的数量。
在框410中，计算设备100确定A矩阵的特征值。应意识到计算设备100可利用任何适合的技术、算法或机制来这样做。例如，计算设备100可在识别它的特征值中确定和利用A矩阵的特征方程。在框412中，计算设备100识别与A矩阵的极值特征值相对应的特征向量（即，最大或最小特征值，其取决于特定实施例）并且在框414中，计算设备100选择识别的特征向量作为局部差分颜色向量。在这样做时，在一些实施例中，计算设备100可在框416中生成对于识别特征向量的单位向量。即，计算设备100可使特征向量规格化来生成与特征向量相对应的单位向量，其可选为局部差分颜色向量。
参考图3，在框312中，计算设备100对生成/确定的局部差分颜色向量应用图像滤波器响应来生成对应的适应的响应。在这样做时，在框314中，计算设备100计算图像滤波器响应和局部差分颜色向量的点积（例如，来生成单一向量）。例如，在始终描述的海塞示例中，对图像的所有通道计算局部差分颜色向量和包括二阶偏导的向量的点积，其与向量的转置乘以局部差分颜色向量等价。具体地，对于图像的所有通道，将乘以局部差分颜色向量。在框316中，计算设备100基于适应的响应来生成总响应。在说明性实施例中，计算设备100基于适应的响应和使用的特定特征检测算法/滤波器来生成标量值。例如，在其中使用海塞矩阵的实施例中，计算设备100可利用海塞矩阵的参数和/或特征来生成总响应（例如，使用海塞行列式）。应意识到计算设备100可利用任何适合的技术、算法和/或机制来这样做。
在框318中，计算设备100在扩展空间中抑制总响应的空间非极值响应。即，在框320中，计算设备100可从总响应去除非兴趣点。如上文论述的，兴趣点和非兴趣点可基于预定义阈值来区分。例如，在一个实施例中，具有超出预定义阈值的局部极值响应或强度值的总响应的空间图像点被视为“感兴趣点”或“兴趣点”，而具有不超出预定义阈值的局部极值响应或强度值的总响应的空间图像点是非兴趣点。应意识到计算设备100可利用具有二次型响应函数（例如，SURF）的任何适合的特征检测算法并且可采用任何适合的方式识别“感兴趣点”。如上文指示的，根据特定算法，感兴趣点可包括角点、边缘、斑点和/或其他图像特性。此外，在一些实施例中，在框316中总响应的生成包括抑制空间非极值响应。
如上文论述的，计算设备100可生成并且显示指示被分析多的通道图像的总响应的图像以供用户观看。例如，简化的被分析图像500在图5中示出，并且简化的示例输出图像600（其基于图像500的多通道特征检测（利用SURF内核）而说明性地生成）在图6中示出。在简化的输出图像600中，识别的兴趣点/特征示出为不同的带阴影圆来意指具有对应的不同颜色的圆。当然，应意识到图像600是将使用本文公开的技术生成的现实世界输出图像的简化版本，并且这样的现实世界输出图像可使用具有更大范围的不同颜色和大小（其取决于例如原始分析图像）的更大或更小数量的圆来识别感兴趣点/特征。另外，应意识到与单通道灰度特征检测不同，由计算设备100对被分析的图像执行来生成如本文描述的输出图像的特征检测并未经受灰度变换中固有的信息损失。
示例
在下文提供本文公开的技术的说明性示例。技术的实施例可包括下文描述的示例中的任一个或多个及其任何组合。
示例1包括用于多通道特征检测的计算设备，该计算设备包括：图像滤波模块，用于对一个或多个图像滤波器确定多通道图像的每个图像通道的滤波器响应；局部差分颜色模块，用于基于滤波器响应确定局部差分颜色向量；和响应确定模块，用于（i）对局部差分颜色向量应用滤波器响应来生成适应的响应以及（ii）基于适应的响应来确定多通道图像的总响应。
示例2包括示例1的主旨，并且其中一个或多个滤波器由恒等滤波器（identityfilter）组成。
示例3包括示例1和2中的任一个的主旨，并且其中确定局部差分颜色向量包括确定与基于每个图像通道的滤波器响应对每个图像通道确定的总响应的向量共线性的向量。
示例4包括示例1-3中的任一个的主旨，并且其中确定局部差分颜色向量包括：确定多通道图像的对称形式矩阵；以及识别与对称形式矩阵的最小值特征值或最大值特征值相对应的特征向量。
示例5包括示例1-4中的任一个的主旨，并且其中确定局部差分颜色向量包括确定对于多通道图像的二次型矩阵的对称形式；并且识别与二次型矩阵的最小值特征值或最大值特征值相对应的特征向量。
示例6包括示例1-5中的任一个的主旨，并且其中确定二次型矩阵包括对图像通道i和j计算矩阵，其中，并且其中qij是在第i行和第j列的矩阵A的元素，f是基于图像通道的滤波器响应与f的指数相对应的图像通道的响应向量，T是转置算子，并且B是基于一个或多个图像滤波器的预定义矩阵。
示例7包括示例1-6中的任一个的主旨，并且其中确定局部差分颜色向量包括使识别的特征向量规格化来生成局部差分颜色向量。
示例8包括示例1-7中的任一个的主旨，并且其中确定多通道图像的每个图像通道的滤波器响应包括对多通道图像的每个像素确定多通道图像的每个图像通道的滤波器响应。
示例9包括示例1-8中的任一个的主旨，并且其中确定多通道图像的每个图像通道的滤波器响应包括基于每个图像通道的滤波器响应来生成对于每个图像通道的响应向量。
示例10包括示例1-9中的任一个的主旨，并且其中对局部差分颜色向量应用滤波器响应包括计算局部差分颜色向量和滤波器响应的点积。
示例11包括示例1-10中的任一个的主旨，并且其中确定局部差分颜色向量包括基于滤波器响应确定规格化局部差分颜色向量。
示例12包括示例1-11中的任一个的主旨，并且其中响应确定模块进一步抑制多通道图像的总响应的空间非极值响应。
示例13包括示例1-12中的任一个的主旨，并且其中抑制空间非极值响应包括从多通道图像的总响应去除非兴趣点，其中这些非兴趣点基于预定义阈值来识别。
示例14包括示例1-13中的任一个的主旨，并且进一步包括显示器模块，用于在计算设备的显示器上显示指示总响应的图像。
示例15包括示例1-14中的任一个的主旨，并且进一步包括图像捕获模块，用于用计算设备的拍摄装置捕获被捕获的图像，其中多通道图像是被捕获图像。
示例16包括示例1-15中的任一个的主旨，并且其中一个或多个图像滤波器包括一阶导数图像滤波器或二阶导数图像滤波器中的一个或多个。
示例17包括用于对计算设备执行多通道特征检测的方法，该方法包括由计算设备确定对于一个或多个图像滤波器的多通道图像的每个图像通道的滤波器响应；由计算设备基于滤波器响应确定局部差分颜色向量；由计算设备向局部差分颜色向量应用滤波器响应来生成适应的响应；以及由计算设备基于适应的响应确定多通道图像的总响应。
示例18包括示例17的主旨，并且其中一个或多个滤波器由恒等滤波器组成。
示例19包括示例17和18中的任一个的主旨，并且其中确定局部差分颜色向量包括确定与基于每个图像通道的滤波器响应对每个图像通道确定的总响应的向量共线性的向量。
示例20包括示例17-19中的任一个的主旨，并且其中确定局部差分颜色向量包括确定对于多通道图像的对称形式矩阵；并且识别与对称形式矩阵的最小值特征值或最大值特征值相对应的特征向量。
示例21包括示例17-20中的任一个的主旨，并且其中确定局部差分颜色向量包括确定对于多通道图像的二次型矩阵的对称形式；并且识别与二次型矩阵的最小值特征值或最大值特征值相对应的特征向量。
示例22包括示例17-21中的任一个的主旨，并且其中确定二次型矩阵包括对图像通道i和j计算矩阵，其中，并且其中qij是在第i行和第j列的矩阵A的元素，f是基于图像通道的滤波器响应与f的指数相对应的图像通道的响应向量，T是转置算子，并且B是基于一个或多个图像滤波器的预定义矩阵。
示例23包括示例17-22中的任一个的主旨，并且其中确定局部差分颜色向量包括使识别的特征向量规格化来生成局部差分颜色向量。
示例24包括示例17-23中的任一个的主旨，并且其中确定多通道图像的每个图像通道的滤波器响应包括对多通道图像的每个像素确定多通道图像的每个图像通道的滤波器响应。
示例25包括示例17-24中的任一个的主旨，并且其中确定多通道图像的每个图像通道的滤波器响应包括基于每个图像通道的滤波器响应对每个图像通道生成响应向量。
示例26包括17-25中的任一个的主旨，并且其中对局部差分颜色向量应用滤波器响应包括计算局部差分颜色向量和滤波器响应的点积。
示例27包括示例17-26中的任一个的主旨，并且其中确定局部差分颜色向量包括基于滤波器响应确定规格化局部差分颜色向量。
示例28包括示例17-27中的任一个的主旨，并且进一步包括由计算设备抑制多通道图像的总响应的空间非极值响应。
示例29包括示例17-28中的任一个的主旨，并且其中抑制空间非极值响应包括从多通道图像的总响应去除非兴趣点，其中这些非兴趣点基于预定义阈值来识别。
示例30包括示例17-29中的任一个的主旨，并且进一步包括在计算设备的显示器上显示指示总响应的图像。
示例31包括示例17-30中的任一个的主旨，并且进一步包括由计算设备的拍摄装置捕获被捕获图像，其中多通道图像是被捕获图像。
示例32包括示例17-31中的任一个的主旨，并且其中一个或多个图像滤波器包括一阶导数图像滤波器或二阶导数图像滤波器中的一个或多个。
示例33包括计算设备，其包括：处理器；和存储器，其具有存储在其中的多个指令，这些指令在由处理器执行时促使计算设备执行示例17-32中的任一个的方法。
示例34包括一个或多个机器可读存储介质，其包括存储在其上的多个指令，这些指令响应于被执行而导致计算设备执行示例17-32中的任一个的方法。
示例35包括用于多通道特征检测的计算设备，该计算设备包括：用于确定对于一个或多个图像滤波器的多通道图像的每个图像通道的滤波器响应的部件；用于基于滤波器响应确定局部差分颜色向量的部件；用于向局部差分颜色向量应用滤波器响应来生成适应的响应的部件；以及用于基于适应的响应确定多通道图像的总响应的部件。
示例36包括示例35的主旨，并且其中一个或多个滤波器由恒等滤波器组成。
示例37包括示例35和36中的任一个的主旨，并且其中用于确定局部差分颜色向量的部件包括用于确定与基于每个图像通道的滤波器响应对每个图像通道确定的总响应的向量共线性的向量的部件。
示例38包括示例35-37中的任一个的主旨，并且其中用于确定局部差分颜色向量的部件包括：用于确定对于多通道图像的对称形式矩阵的部件；以及用于识别与对称形式矩阵的最小值特征值或最大值特征值相对应的特征向量的部件。
示例39包括示例35-38中的任一个的主旨，并且其中用于确定局部差分颜色向量的部件包括用于确定多通道图像的二次型矩阵的对称形式的部件；和用于识别与二次型矩阵的最小值特征值或最大值特征值相对应的特征向量的部件。
示例40包括示例35-39中的任一个的主旨，并且其中用于确定二次型矩阵的部件包括用于对图像通道i和j计算矩阵的部件，其中，并且其中qij是在第i行和第j列的矩阵A的元素，f是基于图像通道的滤波器响应与f的指数相对应的图像通道的响应向量，T是转置算子，并且B是基于一个或多个图像滤波器的预定义矩阵。
示例41包括示例35-40中的任一个的主旨，并且其中用于确定局部差分颜色向量的部件包括用于使识别的特征向量规格化来生成局部差分颜色向量的部件。
示例42包括示例35-41中的任一个的主旨，并且其中用于确定多通道图像的每个图像通道的滤波器响应的部件包括用于对多通道图像的每个像素确定多通道图像的每个图像通道的滤波器响应的部件。
示例43包括示例35-42中的任一个的主旨，并且其中用于确定多通道图像的每个图像通道的滤波器响应的部件包括用于基于每个图像通道的滤波器响应来生成对于每个图像通道的响应向量的部件。
示例44包括示例35-43中的任一个的主旨，并且其中用于对局部差分颜色向量应用滤波器响应的部件包括用于计算局部差分颜色向量和滤波器响应的点积的部件。
示例45包括示例35-44中的任一个的主旨，并且其中用于确定局部差分颜色向量的部件包括用于基于滤波器响应确定规格化局部差分颜色向量的部件。
示例46包括示例35-45中的任一个的主旨，并且进一步包括用于抑制多通道图像的总响应的空间非极值响应的部件。
示例47包括示例35-46中的任一个的主旨，并且其中用于抑制空间非极值响应的部件包括用于从多通道图像的总响应去除非兴趣点的部件，其中这些非兴趣点基于预定义阈值来识别。
示例48包括示例35-47中的任一个的主旨，并且进一步包括用于在计算设备的显示器上显示指示总响应的图像的部件。
示例49包括示例35-48中的任一个的主旨，并且进一步包括用于用计算设备的拍摄装置捕获被捕获的图像的部件，其中多通道图像是被捕获的图像。
示例50包括示例35-49中的任一个的主旨，并且其中一个或多个图像滤波器包括一阶导数图像滤波器或二阶导数图像滤波器中的一个或多个。
示例51包括用于多通道特征检测的计算设备，该计算设备包括：局部差分颜色模块，用于基于多通道图像的每个图像通道的像素值来确定局部差分颜色向量；和响应确定模块，用于（i）对局部差分颜色向量应用每个图像通道的像素值来生成适应的响应以及（ii）基于适应的响应来确定多通道图像的总响应。
示例52包括示例51的主旨，并且其中确定局部差分颜色向量包括确定与基于每个图像通道的像素值对每个图像通道确定的总响应的向量共线性的向量。
示例53包括示例51和52中的任一个的主旨，并且其中确定局部差分颜色向量包括确定对于多通道图像的对称形式矩阵；并且识别与对称形式矩阵的最小值特征值或最大值特征值相对应的特征向量。
示例54包括示例51-53中的任一个的主旨，并且其中确定局部差分颜色向量包括使识别的特征向量规格化来生成局部差分颜色向量。
示例55包括示例51-54中的任一个的主旨，并且其中响应确定模块进一步抑制多通道图像的总响应的空间非极值响应。
示例56包括用于对计算设备执行多通道特征检测的方法，该方法包括由计算设备基于多通道图像的每个图像通道的像素值来确定局部差分颜色向量；由计算设备对局部差分颜色向量应用每个图像通道的像素值来生成适应的响应；以及由计算设备基于适应的响应确定多通道图像的总响应。
示例57包括示例56的主旨，并且其中确定局部差分颜色向量包括确定与基于每个图像通道的像素值对每个图像通道确定的总响应的向量共线性的向量。
示例58包括示例56和57中的任一个的主旨，并且其中确定局部差分颜色向量包括确定对于多通道图像的对称形式矩阵；并且识别与对称形式矩阵的最小值特征值或最大值特征值相对应的特征向量。
示例59包括示例56-58中的任一个的主旨，并且其中确定局部差分颜色向量包括使识别的特征向量规格化来生成局部差分颜色向量。
示例60包括示例56-59中的任一个的主旨，并且进一步包括由计算设备抑制多通道图像的总响应的空间非极值响应。
示例61包括计算设备，其包括：处理器；和存储器，其具有存储在其中的多个指令，这些指令在由处理器执行时促使计算设备执行示例56-60中的任一个的方法。
示例62包括一个或多个机器可读存储介质，其包括存储在其上的多个指令，这些指令响应于被执行而导致计算设备执行示例56-60中的任一个的方法。
示例63包括用于多通道特征检测的计算设备，该计算设备包括用于执行示例56-60中的任一个的方法的部件。
Claims (22)
1.一种用于多通道特征检测的计算设备，所述计算设备包括：
图像滤波模块，用于确定对于一个或多个图像滤波器的多通道图像的每个图像通道的滤波器响应；
局部差分颜色模块，用于基于所述滤波器响应确定局部差分颜色向量，其中确定所述局部差分颜色向量包括：（1）对于所述局部差分颜色向量的线性形式，确定与基于每个图像通道的滤波器响应对每个图像通道确定的总响应的向量共线性的向量；或者（2）对于所述局部差分颜色向量的二次型，确定对于所述多通道图像的二次型矩阵的对称形式，以及识别与所述二次型矩阵的最小值特征值或最大值特征值相对应的特征向量；以及
响应确定模块，用于（i）对所述局部差分颜色向量应用所述滤波器响应来生成适应的响应，以及（ii）基于所述适应的响应来确定所述多通道图像的总响应。
2.如权利要求1所述的计算设备，其中确定所述二次型矩阵包括对图像通道i和j计算矩阵，其中，并且
其中qij是在第i行和第j列的矩阵A的元素，T是转置算子，B是基于所述一个或多个图像滤波器的预定义矩阵，是基于图像通道i的滤波器响应的图像通道i的响应向量，并且是基于图像通道j的滤波器响应的图像通道j的响应向量。
3.如权利要求1所述的计算设备，其中确定所述局部差分颜色向量包括使识别的特征向量规格化来生成所述局部差分颜色向量。
4.如权利要求1所述的计算设备，其中确定所述多通道图像的每个图像通道的滤波器响应包括对所述多通道图像的每个像素确定多通道图像的每个图像通道的滤波器响应。
5.如权利要求1所述的计算设备，其中确定所述多通道图像的每个图像通道的滤波器响应包括基于每个图像通道的滤波器响应来生成每个图像通道的响应向量。
6.如权利要求5所述的计算设备，其中对所述局部差分颜色向量应用所述滤波器响应包括计算所述局部差分颜色向量和所述滤波器响应的点积。
7.如权利要求1所述的计算设备，其中确定所述局部差分颜色向量包括基于所述滤波器响应确定规格化局部差分颜色向量。
8.如权利要求1所述的计算设备，其中所述响应确定模块进一步抑制所述多通道图像的总响应的空间非极值响应。
9.如权利要求1所述的计算设备，其进一步包括显示器模块，用于在所述计算设备的显示器上显示指示所述总响应的图像。
10.一种用于对计算设备执行多通道特征检测的方法，所述方法包括：
由所述计算设备确定对于一个或多个图像滤波器的多通道图像的每个图像通道的滤波器响应；
由所述计算设备基于所述滤波器响应确定局部差分颜色向量，其中确定所述局部差分颜色向量包括：（1）对于所述局部差分颜色向量的线性形式，确定与基于每个图像通道的滤波器响应对每个图像通道确定的总响应的向量共线性的向量；或者（2）对于所述局部差分颜色向量的二次型，确定对于所述多通道图像的二次型矩阵的对称形式，以及识别与所述二次型矩阵的最小值特征值或最大值特征值相对应的特征向量；
由所述计算设备向所述局部差分颜色向量应用所述滤波器响应来生成适应的响应；以及
由所述计算设备基于所述适应的响应确定所述多通道图像的总响应。
11.如权利要求10所述的方法，其中确定所述二次型矩阵包括对图像通道i和j计算矩阵，其中，并且
其中qij是在第i行和第j列的矩阵A的元素，T是转置算子，B是基于所述一个或多个图像滤波器的预定义矩阵，是基于图像通道i的滤波器响应的图像通道i的响应向量，并且是基于图像通道j的滤波器响应的图像通道j的响应向量。
12.如权利要求10所述的方法，其中确定所述多通道图像的每个图像通道的滤波器响应包括对所述多通道图像的每个像素确定所述多通道图像的每个图像通道的滤波器响应。
13.如权利要求10所述的方法，其中对所述局部差分颜色向量应用滤波器响应包括计算所述局部差分颜色向量和所述滤波器响应的点积。
14.如权利要求10所述的方法，其进一步包括由所述计算设备抑制所述多通道图像的总响应的空间非极值响应。
15.一种用于多通道特征检测的计算设备，所述计算设备包括：
局部差分颜色模块，用于基于多通道图像的每个图像通道的像素值来确定局部差分颜色向量，其中确定所述局部差分颜色向量包括：（1）对于所述局部差分颜色向量的线性形式，确定与基于每个图像通道的滤波器响应对每个图像通道确定的总响应的向量共线性的向量；或者（2）对于所述局部差分颜色向量的二次型，确定对于所述多通道图像的二次型矩阵的对称形式，以及识别与所述二次型矩阵的最小值特征值或最大值特征值相对应的特征向量；以及
响应确定模块，用于（i）对所述局部差分颜色向量应用每个图像通道的像素值来生成适应的响应，以及（ii）基于所述适应的响应来确定所述多通道图像的总响应。
16.如权利要求15所述的计算设备，
其中所述响应确定模块进一步抑制所述多通道图像的总响应的空间非极值响应。
17.一种用于对计算设备执行多通道特征检测的装置，所述装置包括：
用于由所述计算设备确定对于一个或多个图像滤波器的多通道图像的每个图像通道的滤波器响应的部件；
用于由所述计算设备基于所述滤波器响应确定局部差分颜色向量的部件，其中确定所述局部差分颜色向量包括：（1）对于所述局部差分颜色向量的线性形式，确定与基于每个图像通道的滤波器响应对每个图像通道确定的总响应的向量共线性的向量；或者（2）对于所述局部差分颜色向量的二次型，确定对于所述多通道图像的二次型矩阵的对称形式，以及识别与所述二次型矩阵的最小值特征值或最大值特征值相对应的特征向量；
用于由所述计算设备向所述局部差分颜色向量应用所述滤波器响应来生成适应的响应的部件；以及
用于由所述计算设备基于所述适应的响应确定所述多通道图像的总响应的部件。
18.如权利要求17所述的装置，其中确定所述二次型矩阵包括对图像通道i和j计算矩阵，其中，并且
其中qij是在第i行和第j列的矩阵A的元素，T是转置算子，B是基于所述一个或多个图像滤波器的预定义矩阵，是基于图像通道i的滤波器响应的图像通道i的响应向量，并且是基于图像通道j的滤波器响应的图像通道j的响应向量。
19.如权利要求17所述的装置，其中用于确定所述多通道图像的每个图像通道的滤波器响应的部件包括用于对所述多通道图像的每个像素确定所述多通道图像的每个图像通道的滤波器响应的部件。
20.如权利要求17所述的装置，其中用于对所述局部差分颜色向量应用滤波器响应的部件包括用于计算所述局部差分颜色向量和所述滤波器响应的点积的部件。
21.如权利要求17所述的装置，其进一步包括用于由所述计算设备抑制所述多通道图像的总响应的空间非极值响应的部件。
22.一种计算机可读介质，其上存储有指令，所述指令在被执行时使计算机执行如权利要求10-14中的任一项所述的方法。
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| PCT/IB2013/003104 WO2015079282A1 (en) | 2013-11-28 | 2013-11-28 | Method for determining local differentiating color for image feature detectors |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN105683996A CN105683996A (zh) | 2016-06-15 |
| CN105683996B true CN105683996B (zh) | 2019-10-25 |
Family
ID=50434230
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201380080597.9A Active CN105683996B (zh) | 2013-11-28 | 2013-11-28 | 用于确定图像特征检测器的局部差分颜色的方法 |
Country Status (5)
| Country | Link |
|---|---|
| EP (1) | EP3074925A1 (zh) |
| JP (1) | JP2016538630A (zh) |
| KR (1) | KR101794465B1 (zh) |
| CN (1) | CN105683996B (zh) |
| WO (1) | WO2015079282A1 (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110363747B (zh) * | 2019-06-14 | 2024-07-02 | 平安科技（深圳）有限公司 | 智能化异常细胞判断方法、装置及计算机可读存储介质 |
| CN111931785A (zh) * | 2020-06-19 | 2020-11-13 | 国网山西省电力公司吕梁供电公司 | 一种电力设备红外图像目标的边缘检测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101510299A (zh) * | 2009-03-04 | 2009-08-19 | 上海大学 | 基于视觉显著性的图像自适应方法 |
| EP1944731A3 (en) * | 2007-01-12 | 2010-02-24 | Seiko Epson Corporation | Method and apparatus for detecting objects in an image |
| WO2013100779A1 (en) * | 2011-12-29 | 2013-07-04 | Intel Corporation | Generalized robust multichannel feature detector |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3496734B2 (ja) * | 1994-04-30 | 2004-02-16 | ソニー株式会社 | エッジ領域検出装置及び方法 |
| US6295373B1 (en) * | 1997-04-04 | 2001-09-25 | Raytheon Company | Polynomial filters for higher order correlation and multi-input information fusion |
| JP3659914B2 (ja) * | 2000-10-31 | 2005-06-15 | 松下電器産業株式会社 | 物体認識装置、物体を認識する方法、プログラムおよび記録媒体 |
| JP2006285310A (ja) * | 2005-03-31 | 2006-10-19 | Kanazawa Univ | 森林の樹冠の評価方法及びその樹冠評価プログラム |
| JP5465001B2 (ja) * | 2009-12-25 | 2014-04-09 | 三菱電機株式会社 | 対象推定装置 |
| US9165201B2 (en) * | 2011-09-15 | 2015-10-20 | Xerox Corporation | Systems and methods for detecting cell phone usage by a vehicle operator |
| CN102867301B (zh) * | 2012-08-29 | 2015-01-28 | 西北工业大学 | 一种根据信息熵得到图像显著性特征的方法 |
-
2013
- 2013-11-28 WO PCT/IB2013/003104 patent/WO2015079282A1/en active Application Filing
- 2013-11-28 EP EP13843069.9A patent/EP3074925A1/en not_active Withdrawn
- 2013-11-28 KR KR1020167010385A patent/KR101794465B1/ko active IP Right Grant
- 2013-11-28 JP JP2016526000A patent/JP2016538630A/ja active Pending
- 2013-11-28 CN CN201380080597.9A patent/CN105683996B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1944731A3 (en) * | 2007-01-12 | 2010-02-24 | Seiko Epson Corporation | Method and apparatus for detecting objects in an image |
| CN101510299A (zh) * | 2009-03-04 | 2009-08-19 | 上海大学 | 基于视觉显著性的图像自适应方法 |
| WO2013100779A1 (en) * | 2011-12-29 | 2013-07-04 | Intel Corporation | Generalized robust multichannel feature detector |
Non-Patent Citations (4)
| Title |
|---|
| 基于图像序列的运动目标检测与跟踪;李泽辉;《中国优秀硕士学位论文全文数据库》;20111215(第S1期);第6-8页第2.1.1部分，第27-31页第2.2.5部分 * |
| 基于局部特征的图像目标识别技术研究;曹健;《中国博士学位论文全文数据库》;20101115(第11期);第45-46页第3.2.2部分 * |
| 视频中运动目标检测与跟踪算法的研究;杨婷婷;《中国优秀硕士学位论文全文数据库》;20110815(第8期);第7-23页 * |
| 采用局部差分模型描述的彩色图像配准技术;吴攀超等;《西安交通大学学报》;20111031;第45卷(第10期);第32页第2部分-第33页第3部分 * |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2015079282A1 (en) | 2015-06-04 |
| JP2016538630A (ja) | 2016-12-08 |
| EP3074925A1 (en) | 2016-10-05 |
| CN105683996A (zh) | 2016-06-15 |
| KR101794465B1 (ko) | 2017-11-06 |
| KR20160060121A (ko) | 2016-05-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9582726B2 (en) | Systems and methods for image processing in a deep convolution network | |
| EP4109392A1 (en) | Image processing method and image processing device | |
| US20140177947A1 (en) | System and method for generating training cases for image classification | |
| EP2605187A1 (en) | Method, apparatus and system for identifying distracting elements in an image | |
| Krig et al. | Image pre-processing | |
| US20130279762A1 (en) | Adaptive search window control for visual search | |
| CN102693528B (zh) | 低光度图像中的噪声抑制 | |
| US20140212044A1 (en) | Image Matching Using Subspace-Based Discrete Transform Encoded Local Binary Patterns | |
| CN110852233A (zh) | 手部脱离方向盘的检测和训练方法、终端、装置、介质、系统 | |
| WO2012093381A1 (en) | Camera assembly with an integrated content analyzer | |
| CN112307853A (zh) | 航拍图像的检测方法、存储介质和电子装置 | |
| Liu et al. | UIQI: A comprehensive quality evaluation index for underwater images | |
| US10062002B2 (en) | Technologies for determining local differentiating color for image feature detectors | |
| CN105683996B (zh) | 用于确定图像特征检测器的局部差分颜色的方法 | |
| CN106415596B (zh) | 基于分割的图像变换 | |
| Paulus et al. | Color cluster rotation | |
| CN112883762A (zh) | 一种活体检测方法、装置、系统及存储介质 | |
| Buzzelli et al. | Consensus-driven illuminant estimation with GANs | |
| CN114463168A (zh) | 数据脱敏处理的方法、装置和电子设备 | |
| Losson et al. | CFA local binary patterns for fast illuminant-invariant color texture classification | |
| US20190206089A1 (en) | Backdrop color detection | |
| CN106530286A (zh) | 确定清晰度级别的方法及装置 | |
| US11543644B2 (en) | Digital imaging device and method for generating a digital color image | |
| CN110020624B (zh) | 图像识别方法、终端设备及存储介质 | |
| CN114004809A (zh) | 皮肤图像处理方法、装置、电子设备和介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |