一種分層自適應顯著點圖像提取方法

　　圖像是一種重要的媒體，同時也是所包含事物特征信息的重要載體。隨著鍋爐和工業(yè)爐窯自動控制水平、計算機軟硬件及數(shù)字圖像處理技術的不斷發(fā)展，在工業(yè)生產(chǎn)中計算機看火正在逐漸取代人工看火，這樣便會產(chǎn)生海量的數(shù)字火焰圖像。而爐膛燃燒火焰圖像是爐內燃燒狀況的最直接反映，它包含了爐內燃燒情況、爐內溫度等重要信息，因此，用火焰圖像來監(jiān)控爐內燃燒狀況更具有直接性和實時性。

　　通常，一個基于內容的圖像檢索（ Content Based Image　Retrieval，CBIR）系統(tǒng)會產(chǎn)生一個特征向量集來代表圖像的內容，在進行圖像檢索時，將計算出的待檢索圖像的特征值在圖像特征數(shù)據(jù)庫進行相似度比較，檢索出結果。而顯著點作為視覺系統(tǒng)的主要體現(xiàn)之一，突出作用是以最高效、準確的方式獲得圖像信息，將顯著點特征信息應用于CBIR，將會大大提高檢索效率。目前，研究者們針對顯著點提取算法作了大量研究：趙珊等提出一種具有自適應能力的顯著點提取算法，該算法主要利用統(tǒng)計學原理在轉換后的塊逆概率差（Block Difference of Inverse Probabilities．BDIP）圖上進行自適應的選擇，雖然降低了提取顯著贏的復雜度，但是仍然存在著顯著點數(shù)目過多、不容易控制，以及局部顯著點聚集的情況；張林提出一種迭代選擇閾值算法提取顯著點，該算法通過不斷更新閾值丁對圖像分割，然后選擇顯著點；Loupias等、Sebe等提出一種多分辨率的探測算法，根據(jù)小波系數(shù)能反映圖像信號強弱的特點，將它們應用于圖像邊緣或邊界的檢測，但是由于小波系數(shù)僅代表了局部特性，很容易造成顯著點的局部聚集；Jian等、Tsai等提出一種自動縮減算法，該算法在小波變換的基礎上，在每個塊內將顯著點的數(shù)目限制在預先設定的數(shù)目K內，但是k值的選擇在很大程度上決定了提取效果。本文提出一種新的顯著點提取算法，該算法既能很好地描述圖像的邊緣和屋脊，同時又可以靈活地控制顯著點的數(shù)目。對利用顯著點進行的特征信息提取，實驗結果驗證了該算法能達到令人滿意的效果。