昆虫翅膀图像特征的亚像素级提取方法_cropped

昆虫翅膀图像特征的亚像素级提取方法_cropped 2005 年 8 月 August 2005 北 京 航 空 航 天 大 学 学 报 第31 卷 第8 期 Journal of Beijing University of Aeronautics and Astronautics Vol . 31 No18 昆虫翅膀图像特征的亚像素级提取方法 王 颖 张广军 陈大志 ( )北京航空航天大学 仪器科学与光电工程学院 , 北京 100083 摘要 : 昆虫翅脉 、翅脉交点及翅膀边缘是昆虫翅膀运动变形三维重构的 主要依据. 通过分析这三种特征的图像特点 ,对于翅脉中心 ,采用 Hessian 矩阵求出灰 度极值点方向 ,并用二次曲线拟合该方向的灰度变化 ,通过确定该曲线极值点位置来 提取亚象素翅脉中心 ;然后通过求灰度图像的梯度 ,在其梯度变化方向求极值点的方 法提取翅膀边缘特征 ;此外根据翅脉方向变化的连续性提出了邻域角度约束方法确 定翅脉交叉点 ,从而最终提取到亚像素级的翅膀边缘 、翅脉及交叉点等特征. 实际应 用证明该方法是较为有效的. 关 键 词 : 特征提取 ; 图像处理 ; 昆虫翅膀 ; 边缘 ; 角度约束 中图分类号 : TP 751 . 1 () 文献 标识 采样口标识规范化 下载危险废物标识 下载医疗器械外包装标识图下载科目一标识图大全免费下载产品包装标识下载 码 : A 文 章 编 号 : 100125965 20050820839204 Extra ctio n of s ubpixel in s e ct wing f e at ure s in ima ge s Wang Ying Zhang Guangjun Chen Dazhi ( )School of Instrument Science and Opto2electronics Engineering , Beijing University of Aeronautics and Astronautics , Beijing 100083 , China Ab stract : Wing vein , junction of veins and wing edges are the fundamental image features for wings 3D recon2 struction to obtain insect deformations motion parameters. To determine precise position of the wing features in imag2 es , gray properties of wing features were analyzed first . For wing vein features , the gray extreme direction was de2 termined by Hessian matrix. The gray variable was fitted by conic curve along the direction of the gray extreme , so the subpixel location of the vein center was obtained by searching the extremum of the curve . For wing edges , image gray gradient was calculated , and then subpixel step edge of wings was determined by searching the gradient extre2 mum along the gradient change direction. Angle constraint in neighbor was used to determine junctions of wing veins based on the change continuity of vein direction. All wing features were determined at subpixel locations. The ex2 periment results show that the extracting method about wing features is effective . Key wo rd s : feature extraction ; image processing ; insect wing ; edge ; angle constraint 昆虫是动物界种类最多的类群 ,现已知并定 ; 同时也为研究 行运动机理提供很好的模型参数 名的约有七八十万种 ,是目前唯一能够飞行的无 新的空气动力学理论提供很好的理论依据. 获得 脊椎动物. 昆虫的翅膀由两层薄膜组成 ,内有加厚 昆虫翅膀运动参数的手段主要是利用视觉测量方 的翅脉 , 翅脉内含有气管和神经 , 对翅起支持作 法 ,通过提取二维图像中有用的特征信息恢复三 用 . 昆虫翅的运动包括上下拍动和前后倾折两种 维尺寸. 但是在用高速摄像机拍摄昆虫翅膀运动 基本运动 ,翅上下拍击一次 ,翅便沿自身的纵轴扭 序列图像时 ,由于曝光时间短和翅膀本身的高速 1 动一次. 因此通过观测昆虫飞行时翅膀的运动 运动使得实际获取的昆虫翅膀图像中有用特征信 方式及翅膀运动参数的变化 ,可以为研究昆虫飞 息的信号较弱 ; 而且由于昆虫的扇翅速度快使得 收稿日期 : 2004203226 () 基金项目 : 国家杰出青年科学基金资助项目 50125518 () 作者简介 : 王 颖 1969 - ,女 ,天津人 ,博士生 , yiyup @sina . com. cn. 是由于背景较暗 ,翅膀边界和背景之间的灰度变 1 昆虫翅膀的图像特征化不显著 ,使得边缘信息的信号较弱 ,用一般的边 缘检测算法很难高精度提取到翅膀边缘 ,因此要 一般的视觉方法是用普通的 电 荷 耦 合 器 件 ( ) CCD Charge Coupled Devices摄像机利用物体 表 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 面 采用适于较弱信号的边缘检测算法提取边缘. 对光的漫反射拍摄图像获取有用信息 ,而昆虫运 通过以上分析可以看出昆虫运动序列图像中动的测量是用高速摄像机拍摄运动的序列图像获 翅脉 、翅脉交点以及翅膀边缘等不同的特征具有 取有用信息. 由于昆虫扇翅频率高曝光时间短 ,同 不同的灰度分布特点 ,在进行特征提取时针对不 时具有薄膜结构的昆虫翅膀对光的反射性较差 , 同的特征相应采用不同的提取算法. 使得达到成像器件的光强较弱 ,往往拍摄不到清 晰的运动图像 ,因此实际拍摄时利用翅膀的透射 光提高感光强度来拍摄运动图像. 尽管利用透射 2 翅脉特征的提取 光能拍摄到运动序列图像 ,但基于以上原因光强 图 2 分别给出原始翅脉 ,翅脉截面的灰度值分 依然较弱使得所成图像中背景和被测目标都较 布以及经高斯滤波后的灰度分布 ,显然灰度分布曲 暗 , 同 时 由 于 透 射 光 不 具 有 朗 伯 表 面 的 反 射 特 线的极值点即为翅脉中心点. 因此用二次曲线拟合 翅脉中心附近灰度分布求其对应的一阶导数过零 点即可确定翅脉中心点的亚像素位置. 对应二维图 2像 ,灰度分布具有方向性 ,因此需先求出当前翅脉 性,到达感光面的光强不均匀 ,在成像时引入了 中心的灰度分布方向 ,并在该方向上用曲线拟合灰 很多噪声使得昆虫翅膀图像中特征信息信号较 δ 度分 布. 首 先 用 高 斯 滤 波 平 滑 图 像 , 一 般 取 = 弱 . 利用高速摄像机拍到的昆虫翅膀的运动图像 115 wΠ3 , w 为 0. 5 倍线条宽度 ,图像经高斯滤波的 如图 1a 示 . 通过分析昆虫的运动方式可以看出图 一 、二阶导数分别用 r, r, r, r, r表示 ,其海森 x y xx yy xy 像中翅膀的边缘 、翅脉和翅脉的交叉点等特征是 进行三维重构获取翅膀运动参数必不可少的图像 特征. 翅脉如图 1b 示遍布整个翅膀区域 ,纵横交 rr xxxy错粗细不等 ,翅基部是主翅脉起始的地方 ,连接着 矩阵为 ,海森矩阵具有其绝对值最大的 r r xy yy 翅脉中最有力的径脉 ,对翅膀的运动有很大作用 , [ 3 ] 特征值对应的特征向量的方向为灰度极值方向主翅脉在图像中表现为较粗的暗线条. 同时主翅 的性质 ,因此可得到灰度变化方向为 [ nn] ,也 xy 脉上又逐级分支出许多细小翅脉 ,即图像中较细 是当前翅脉点的法线方向 ,利用台劳二阶展开式在 的暗线条 ,由于图像背景较暗 ,从主翅脉的次级翅 灰度极值变化方向拟合二次曲线 :脉分支出的翅脉在不同扇翅角度的图像中纹理模 r x糊 ,且其对昆虫运动参数的测量没有贡献 ,因此在 ( )= I + [ t nt n] + I t n, t nxy x y r 图像特征提取时可以作为噪声去除. y 对于昆虫序列图像一般较粗翅脉约有 2 , 3rrt n xxxyx1 t n] [ t ny x 2 个像素的宽度 ,其截面灰度分布为近似于曲线的r r t n xy yy y 其中 t 为一不定参数. 令其一阶导数为零即得到 灰度极值点. 由于翅脉为暗线条 ,因此该点的二阶 梯度极值取海森矩阵特征值的正极值 ,即如果当 前像素灰度极值点落在 - 0. 5 ,0 . 5 ] 像素范围内 且存在二阶梯度极值即认为是翅脉中心点. 利用 第 8 期 王 颖等 :昆虫翅膀图像特征的亚像素级提取方法 841 条的灰度分布确定中心点 ,定位性好 ,同时利用翅 脉的连续性在翅脉连接时去除了噪声点 ,最终提 取出低噪声高精度的翅脉中心. a 昆虫翅膀上的交叉点 a 昆虫翅脉 b 翅脉上点 c 交叉点 图 3 交叉点的邻域角度约束 夹角很小如图 3b 示 ,则当前点不是交叉点 ; 如果 b 翅脉截面灰度分布 c 高斯滤波结果 夹角较大如图 3c 示 ,即可确定当前点是交叉点.图 2 翅脉截面灰度分布模型 利用邻域角度约束 ,有效地剔除了虚假的交叉点.3 邻域角度约束确定翅脉交叉点 4 翅膀边缘特征的提取 交叉点是两条或两条以上翅脉的交点 ,因此 图 4 分别给出了翅膀边缘的灰度分布和高斯 在进行翅脉连接时通过判断当前翅脉中心点是否 . 翅膀边缘灰度分 滤波后的边缘灰度的一阶导数 同为两条翅脉上的点来确定交叉点 ,但由于噪声 的影响翅脉交叉点附近灰度分布复杂使得不可避 布近似于阶跃边缘. 一般的亚像素边缘提取方法 免会产生虚假交叉点 . 为此本文提出了邻域角度 是先确定边缘点的初始像素级位置 ,然后利用该 约束的方法来剔除虚假交叉点 : 由于翅脉的连续 点临近像素的灰度信息确定亚像素边缘点的位 性 ,当前翅脉中心点的八邻域内至少有一个后继 [ 5 ] [ 4 ] 置 . 但是由于翅膀图像中边缘和背景之间灰度 点. 但由于翅脉中心点为亚像素级 ,有时在其八 变化不显著 ,用一般的微分算子提取边缘可能会 邻域内会存在两个后继点 ;而对于翅脉交叉点 ,其 漏检边缘. 而梯度图像可以增强对应高频信号的 八邻域内必然会有两个后继点. 从图 3 可看出 ,由 较弱的边缘信息 ,使得边缘在梯度图像中对应着 于同一翅脉的方向变化是连续的 ,在八邻域内当 亮线条 ,通过确定亮线条的中心 ,即可得到精确的 前翅脉点和后继两个相邻翅脉点之间的夹角很 翅膀边缘的位置 . 因此本文采用了一种直接利用 小 ;而对于交叉点 ,由于其两个后继点分别属于不 阶跃边缘的一阶梯度图像确定边缘亚像素位置的 同的翅脉 ,方向发生较大变化 ,其与两个后继点之 间的夹角较大 . 因此利用八邻域内翅脉中心点之 [ 6 ] 间的角度变化作为约束条件来剔除虚假交叉点. 方法 . Canny 提出梯度算子越小边缘定位精度越 高 ,因此选取较小的 sobel 算子 ,得到 x , y 方向的 如图 3b 和 3c 示 , p , p为当前翅脉点 , p, pj 1 j1 和 p, p分别为其亚像素位置的后继点 ,分别用 2 j2 梯度分别为 _ _ _ _- 1 - 2 - 1 两点的矢量 pp, pp和 pp, pp近似翅脉在该点 j j1 j j2 1 2 0 0 G= 0 y 的方向 ,则其夹角分别为 2 1 1 0 1 - 1 2 0 = - 2 G x _ _ 1 0 - 1 α )( = arco s pp , pp 1 2 2 2 0. 5 G + G 用 G = 作 为 梯 度 幅 值 的 输 出. 由 x y __β )( = arco s pp, pp j j j1 j2 4c可以看出阶跃边缘灰度梯度极值点对应着 图 因此对于每一个交叉点 ,如果其与后继点之间的 亮线条的中心 ,经过高斯滤波后的翅膀边缘灰度 a 昆虫翅膀边缘 图 5 原始图像及图像特征提取结果 像素 表 1 不同信噪比时边缘定位结果 均方差 平均偏差 标准差 SNR δ= 1 24 0 . 019 0 0 . 046 5 δ= 2 12 0 . 058 3 0 . 091 3 6 结束 语 b 翅膀边缘灰度分布 c 翅膀边缘灰度一阶导数 图 4 翅膀边缘灰度分布 本文分析了视觉方法测量昆虫翅膀运动参数 时所需要提取的图像特征 ,针对不同特征的灰度 的一阶导数曲线比较平滑 ,其梯度变化可以用二 分布特点采用不同的算法进行特征提取 ,提高了 [ 7 ] 次曲线拟合. 先求出梯度图像的一 、二阶导数利 图像特征提取的精度 ,减少了噪声的影响. 文中虽用海森矩阵的性质确定梯度极值点的方向 ,然后 然针对昆虫翅膀图像提出了不同边缘特征的提取 用二次曲线拟合梯度变化 ,求其一阶导数过零点 方法 ,但不失一般性 ,该方法同样适用于其它需要 最终确定亚像素级翅膀边缘 ,和翅脉线条相反 ,阶 高精度提取线条边缘和阶跃边缘特征的图像. 跃边缘的梯度图像为亮线条 ,其二阶梯度极值取 海森矩阵特征值的负极值. 沿亮线条方向对边缘 ( )参考文献 References 点进行连接得到完整的边缘. 钦俊德. 动物的运动M. 北京 : 清华大学出版社 ,2000 . 53, 1 60 5 实际应用及测量结果 Qin J unde . Movement of animals M. Beijing : TsingHua Universi 2 ()ty Press ,2000 . 53,60 in Chinese 为验证上述提取算法的效果 ,将其应用到实 徐光佑. 计算机视觉M. 北京 :清华大学出版社 ,1999 2 际拍摄图像中并进行了仿真实验. 图 5a 为实际测 Xu Guangyou. Computer vision M . Beijing : TsingHua University 量系 统 拍 摄 到 的 蜜 蜂 翅 膀 的 图 像 , 拍 摄 速 度 为 ()Press ,1999 in Chinese 2 000帧Πs. 用前述提取算法得到的翅脉中心 、边缘 Carsten Steger . Unbiased extraction of curvilinear structure from 2D 3 特征见图 5b 的白色线条. 由于提取阶跃边缘时利 and 3D images D . Munich : School for Information , Technology 用了对噪声较敏感的梯度图像 ,因此针对阶跃边 University Munich , 1998 缘提取算法的抗噪声能力和边缘定位性能进行了 崔 屹. 数字图像处理技术与应用M. 北京 : 电子工业出版 4 δ 仿真实验. 对原始图像加入了均方差 分别为 1 社 ,1996 δ和 2 的高斯噪声 ,信噪比用 SNR = kΠ表示 , k 为 Cui Yi . Digital image process technical and application M . Bei 2 边缘两侧灰度差. 从原始图像中随机取 5 个边缘 ()jing : Electronic Industry Press , 1996 in Chinese 点 ,对加 高 斯 噪 声 的 图 像 重 复 边 缘 提 取 算 法 50 Vliet L J , Young I T , Beckers A L D. An edge detection model 5 次 ,其与实际图像提取的边缘点位置比较结果见 based on nonlinear Laplace filter J . Pattern Recognition and Arti 2 表 1 . 通过仿真实验可以看出在有较大噪声干扰 ficial Intelligence , 1988 , 63,73 的情形下本文提出的特征提取方法仍能达到亚像 6 Canny J . A computational approach to edge detection J . IEEE 素级的提取精度 ,具有较好的定位精度和抗噪声 () Transaction on Pattern and Machine Intelligence , 1986 ,PAMI28 6: 能力. 679,697 7 贾云得. 机器视觉M. 北京 :科学出版社 ,2000 ( Jia Yunde . Machine vision M . Beijing : Science Press , 2000 in )Chinese