一种分层自适应显著点图像提取方法

　　图像是一种重要的媒体，同时也是所包含事物特征信息的重要载体。随着锅炉和工业炉窑自动控制水平、计算机软硬件及数字图像处理技术的不断发展，在工业生产中计算机看火正在逐渐取代人工看火，这样便会产生海量的数字火焰图像。而炉膛燃烧火焰图像是炉内燃烧状况的最直接反映，它包含了炉内燃烧情况、炉内温度等重要信息，因此，用火焰图像来监控炉内燃烧状况更具有直接性和实时性。

　　通常，一个基于内容的图像检索（ Content Based Image　Retrieval，CBIR）系统会产生一个特征向量集来代表图像的内容，在进行图像检索时，将计算出的待检索图像的特征值在图像特征数据库进行相似度比较，检索出结果。而显著点作为视觉系统的主要体现之一，突出作用是以最高效、准确的方式获得图像信息，将显著点特征信息应用于CBIR，将会大大提高检索效率。目前，研究者们针对显著点提取算法作了大量研究：赵珊等提出一种具有自适应能力的显著点提取算法，该算法主要利用统计学原理在转换后的块逆概率差（Block Difference of Inverse Probabilities．BDIP）图上进行自适应的选择，虽然降低了提取显著赢的复杂度，但是仍然存在着显著点数目过多、不容易控制，以及局部显著点聚集的情况；张林提出一种迭代选择阈值算法提取显著点，该算法通过不断更新阈值丁对图像分割，然后选择显著点；Loupias等、Sebe等提出一种多分辨率的探测算法，根据小波系数能反映图像信号强弱的特点，将它们应用于图像边缘或边界的检测，但是由于小波系数仅代表了局部特性，很容易造成显著点的局部聚集；Jian等、Tsai等提出一种自动缩减算法，该算法在小波变换的基础上，在每个块内将显著点的数目限制在预先设定的数目K内，但是k值的选择在很大程度上决定了提取效果。本文提出一种新的显著点提取算法，该算法既能很好地描述图像的边缘和屋脊，同时又可以灵活地控制显著点的数目。对利用显著点进行的特征信息提取，实验结果验证了该算法能达到令人满意的效果。