基于机器学习的暗光图像的特征点提取方法技术

基于机器学习的暗光图像的特征点提取方法，解决了目前已有的技术对于相机实际拍摄得到的图像处理效果不佳且算法较复杂的问题，属于图像处理技术领域。本发明专利技术包括：S1、去除N帧相邻或相近的图像中的本底噪声；S2、对去除本底噪声后的N帧相邻或相近图像进行小波降噪，并剔除低于设定阈值的像素，获得降噪后的N帧相邻或相近图像；S3、利用光流法剔除降噪后N帧相邻或相近图像中光流方差超过光流方差矩阵均值的像素，获得去除较大跳动的N帧相邻或相近图像；S4、利用移动高斯卷积算法对去除较大跳动的N帧相邻或相近图像进行特征点提取，得到特征图像。本发明专利技术实现高精度、高鲁棒性的特征提取。征提取。征提取。

【技术实现步骤摘要】
基于机器学习的暗光图像的特征点提取方法


[0001]本专利技术涉及一种基于机器学习的暗光图像的特征点提取方法，属于图像处理


技术介绍

[0002]提取图像中的有用信息，利用这些带有有效信息的特征点即可进行方位校正、目标识别以及实时定位与地图构建(SLAM)等处理。目前已有的图像特征提取方法有许多，包括SIFT算法、SURF算法、BRIEF算法等角点检测算法以及其他许多特征提取方法得到图像特征点，这些方法大都是针对正常光图像的特征点进行提取。但是，在空间光通信、自动驾驶、实时定位等领域，相机实际得到的图像会存在图像较暗、低信噪比等许多问题，而已有的对于正常光图像的特征提取方法应用于暗光图像特征提取效果不佳。然而，在自动驾驶、无人机夜航、机器人夜间工作等领域而言，对于高精度暗光图像特征点提取均具有较强的实用需求、市场需求。
[0003]目前，已有的对于暗光图像的处理技术大多是采取各种深度学习算法将暗光图像进行提亮处理，提高图像对比度，恢复图像颜色等，这种方法主要为了尽可能好的复原图像，得到观感较好的视觉效果图。但是，就目前对于图像处理的应用领域而言，我们只需要找到图像中的某些能够被跟踪、容易被比较的高精度特征点即可，不需要整幅图像的全部信息。而且，对于暗光图像提亮处理的算法较为复杂且训练数据集大多采用一些质量较好的图像，导致算法对于实际图像的处理效果不佳、精度下降等。因此，就处理暗光图像或低信噪比条件下的图像而言，计算机视觉技术仍然面临着困难与挑战。
[0004]综上所述，目前已有的技术对于相机实际拍摄得到的图像处理效果不佳且算法较复杂。相机实际拍摄得到的图像亮度较低、噪点较多，针对这种情况比较可靠的方式是进行图像累加，效果有点类似于长曝光。但是由于较多强随机噪声的存在，仅靠长曝光处理之后进行图像叠加得到的结果仍然模糊，所以采取一边去噪、一边累加的处理。

技术实现思路

[0005]针对目前已有的技术对于相机实际拍摄得到的图像处理效果不佳且算法较复杂的问题，本专利技术提供一种高精度、高鲁棒性的基于机器学习的暗光图像的特征点提取方法。
[0006]本专利技术的一种基于机器学习的暗光图像的特征点提取方法，包括：
[0007]S1、去除N帧相邻或相近的图像中的本底噪声；
[0008]S2、对去除本底噪声后的N帧相邻或相近图像进行小波降噪，并剔除低于设定阈值的像素，获得降噪后的N帧相邻或相近图像；
[0009]S3、利用光流法剔除降噪后N帧相邻或相近图像中光流方差超过光流方差矩阵均值的像素，获得去除较大跳动的N帧相邻或相近图像；
[0010]S4、利用移动高斯卷积算法对去除较大跳动的N帧相邻或相近图像进行特征点提取，包括：
[0011]S41、将高斯卷积G1,G2,G3,...,G
N
分别作用于N帧相邻或相近图像I1,I2,I3,...,I
N
，得到N帧高斯卷积后的结果图像IG1,IG2,IG3,...,IG
N
：
[0012][0013]S42、计算N帧结果图像的均值：
[0014][0015]S43、建立目标函数采用深度学习框架进行优化，当目标函数收敛时，N帧结果图像趋于一致，再将这N帧结果图像使用高斯权重进行叠加合成，得到特征图像。
[0016]作为优选，高斯卷积G1,G2,G3,...,G
N
为：
[0017][0018]其中，x
j
、y
j
分别表示第j个卷积核的二维坐标，j＝1,2,
…
,N；(A1,A2,A3,...,A
N
)、(δx1,δx2,δx3,...,δx
N
)、(δy1,δy2,δy3,...,δy
N
)、(Dx1,Dx2,Dx3,...,Dx
N
)和(Dy1,Dy2,Dy3,...,Dy
N
)为待优化变量；
[0019](A1,A2,A3,...,A
N
)用于调整每帧图像的整体幅值；(δx1,δx2,δx3,...,δx
N
)、(δy1,δy2,δy3,...,δy
N
)分别用于调整每帧图像在x，y方向上的像素移动距离；(Dx1,Dx2,Dx3,...,Dx
N
)、(Dy1,Dy2,Dy3,...,Dy
N
)分别用于调整每帧图像在x，y方向上高斯卷积的坡度。
[0020]作为优选，S3包括：
[0021]S31、假设从N帧相邻或相近图像I1,I2,I3,...,I
N
中任取一张图像I
k
，将图像I
k
分别与剩余的N
‑
1帧图像之间使用稠密光流法，k∈{1,2,...,N}，得到光流矩阵O1,O2，...,O
N
‑1；S32、计算光流矩阵O1,O2,...,O
N
‑1的方差矩阵var(O1),var(O2),...,var(O
N
‑1)，并计算每个方差矩阵的均值mean(var(O1)),mean(var(O2)),...,mean(var(O
N
‑1))；
[0022]S33、提取方差矩阵var(O1),var(O2),...,var(O
N
‑1)中大于均值mean(var(O1)),mean(var(O2)),...,mean(var(O
N
‑1))的元素坐标，将N
‑
1帧图像中相应元素坐标处的图像灰度值取为0。
[0023]作为优选，S1中，用脉冲耦合神经网络去除N幅相邻或相近的图像中的本底噪声。
[0024]本实施方式还提供一种光通信终端姿态校正方法，包括：
[0025]建立任意两相邻或相近时刻方位角以及俯仰角之间差值的回归方程；
[0026]利用上述基于机器学习的暗光图像的特征点提取方法共获得卫星光通信终端的M幅相邻或相近的暗光条件下提取的特征图像；
[0027]将所述M幅相邻或相近的暗光条件下提取的特征图像中的两幅特征图像进行对比，计算所述两幅图像中x,y方向上的像素偏差，将该像素偏差带入到方位角以及俯仰角之
间差值的回归方程中，得到所述两幅特征图像对应的约束方程；
[0028]M幅相邻或相近的暗光条件下提取的特征图像，进行两两特征图像对比，得到个约束方程；
[0029]对个约束方程应用非线性最小二乘法，得到方位误差角的最佳取值，完成方位角误差校正。
[0030]作为优选，光通信终端姿态校正方法还包括：
[0031]建立标准位置与实际位置之间偏差的回归方程；
[0032]将所述M幅相邻或相近的暗光条件下提取的特征图像发送至地面站；
[0033]地面站获得相应时刻的相邻或相近多帧云图，同时利用上述基于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于机器学习的暗光图像的特征点提取方法，其特征在于，所述方法包括：S1、去除N帧相邻或相近的图像中的本底噪声；S2、对去除本底噪声后的N帧相邻或相近图像进行小波降噪，并剔除低于设定阈值的像素，获得降噪后的N帧相邻或相近图像；S3、利用光流法剔除降噪后N帧相邻或相近图像中光流方差超过光流方差矩阵均值的像素，获得去除较大跳动的N帧相邻或相近图像；S4、利用移动高斯卷积算法对去除较大跳动的N帧相邻或相近图像进行特征点提取，包括：S41、将高斯卷积G1,G2,G3,...,G
N
分别作用于N帧相邻或相近图像I1,I2,I3,...,I
N
，得到N帧高斯卷积后的结果图像IG1,IG2,IG3,...,IG
N
：S42、计算N帧结果图像的均值：S43、建立目标函数采用深度学习框架进行优化，当目标函数收敛时，N帧结果图像趋于一致，再将这N帧结果图像使用高斯权重进行叠加合成，得到特征图像。2.根据权利要求1所述的基于机器学习的暗光图像的特征点提取方法，其特征在于，高斯卷积G1,G2,G3,...,G
N
为：其中，x
j
、y
j
分别表示第j个卷积核的二维坐标，j＝1,2,
…
,N；(A1,A2,A3,...,A
N
)、(δx1,δx2,δx3,...,δx
N
)、(δy1,δy2,δy3,...,δy
N
)、(Dx1,Dx2,Dx3,...,Dx
N
)和(Dy1,Dy2,Dy3,...,Dy
N
)为待优化变量；(A1,A2,A3,...,A
N
)用于调整每帧图像的整体幅值；(δx1,δx2,δx3,...,δx
N
)、(δy1,δy2,δy3,...,δy
N
)分别用于调整每帧图像在x，y方向上的像素移动距离；(Dx1,Dx2,Dx3,...,Dx
N
)、(Dy1,Dy2,Dy3,...,Dy
N
)分别用于调整每帧图像在x，y方向上高斯卷积的坡度。3.根据权利要求1所述的基于机器学习的暗光图像的特征点提取方法，其特征在于，所述S3包括：S31、假设从N帧相邻或相近图像I1,I2,I3,...,I
N
中任取一张图像I
k
，将图像I
k
分别与剩余的N
‑
1帧图像之间使用稠密光流法，k∈{1,2,...,N}，得到光流矩阵O1,O2，...,O
N
‑1；S32、计算光流矩...

【专利技术属性】
技术研发人员：曹开锐，曹瑜彬，张洁，谭立英，马晶，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：