本发明属于图像处理，尤其涉及一种内在对称性的图像检测方法、装置、设备及存储介质。
背景技术：
1、对称性是目标的一种显著且重要的特征，用户可以通过对称性来驱动记忆和感知分类，因此对称性被大规模用于计算机视觉的算法和应用，包括图像分割和图像识别等。
2、现有技术通过利用区域生长算法进行图像分割或目标识别的方法。区域生长算法是一种基于像素间相似性的图像分割方法，从一个或多个种子像素开始，逐步将与种子像素相似的相邻像素合并到同一区域中，从而逐步“生长”出完整的区域。现有方法虽然能够有效地处理边缘的物体。但是该方法容易产生误检，准确度不高。比如会出现对种子像素的选择敏感、对噪声和异常值的鲁棒性较差等。如果相似性度量准则设置不当或生长停止条件设置不合理，也可能导致误检和准确度下降。
技术实现思路
1、本发明提供一种内在对称性的图像检测方法，方法可以降低内在对称性的误检率，提升检测准确性。
2、方法包括：
3、s101：获取图像信息；
4、s102：从所述图像信息中提取多个特征点；
5、s103：匹配所述多个特征点，得到至少一个目标特征对；
6、对所述至少一个目标特征对进行迭代优化，确定至少一个对称对；
7、s104：根据所述至少一个对称对，确定所述图像信息的对称轴。
8、进一步需要说明的是，步骤s102中，基于预设算法对所述图像信息进行解析，并从所述图像信息中提取多个特征点；
9、所述预设算法包括：特征点特征描述算法和/或尺度不变特征转换算法。
10、进一步需要说明的是，步骤s103还包括：
11、确定多个特征点的特征信息，所述特征信息包括方位、尺度及内容中的至少一种；
12、遍历所述多个特征点中的任意两个特征点，作为候选特征对；
13、基于所述候选特征对的特征信息，计算所述候选特征对对应的置信度；
14、判断所述置信度是否满足第一预设条件；
15、若满足，则确定所述候选特征对为目标特征对。
16、进一步需要说明的是，方法还包括：遍历多个特征点中的任意两个特征点，作为候选特征对，候选特征对的两个特征点用向量和向量进行描述；
17、候选特征对用三元数来描述，根据候选特征对的两个特征点的特征信息，计算候选特征对对应的置信度；
18、根据候选特征对的两个特征点的方位、尺度、内容，计算候选特征对是方位置信度、尺度置信度和内容置信度；
19、其中，方位置信度的计算公式为：
20、
21、尺度置信度的计算公式为：
22、
23、其中，是用来约束尺度的影响因子。
24、内容置信度的计算公式为：
25、
26、判断置信度是否满足第一预设条件；
27、若满足，则确定候选特征对为目标特征对。
28、进一步需要说明的是，步骤s103还包括：对所述至少一个目标特征对进行迭代优化，确定至少一个对称对，包括：
29、在极坐标系下，根据合并策略，对所述至少一个目标特征对分别对应的至少一个中心点进行合并处理，得到至少一个第一簇；
30、在笛卡尔坐标系下，根据分割策略，对所述至少一个第一簇进行分割处理，得到至少一个第二簇；
31、迭代执行所述合并处理和所述分割处理，确定至少一个目标簇；
32、将所述至少一个目标簇确定为所述至少一个对称对。
33、进一步需要说明的是，所述合并策略包括：如目标特征对的中心点间的距离小于预设距离阈值且簇内中心点数量大于预设数量阈值；
34、计算任意两个目标特征对的中心点间的距离；选取距离小于预设阈值的任意两个目标特征对，即当任意两个目标特征对为和时，对该两个目标特征对进行合并，得到合并簇；
35、其中，和均为定值；
36、合并簇为；
37、判断合并簇的内点数目大于预设值；
38、若合并簇的内点数目大于预设值，则确定合并簇为第一簇；
39、若合并簇的内点数目小于或等于预设值，则将合并簇删除；
40、根据合并策略，对至少一个目标特征对分别对应的至少一个中心点进行合并处理，从而得到至少一个第一簇。
41、进一步需要说明的是，所述分割策略为至少包括近邻原则；
42、近邻原则为k近邻原则，即与中心点距离超过k值的内点为野点，将所述野点分割出来，重新形成一个新的第一簇，所述野点包括野点所在的中心点、野点方向的加权和野点权重因子，至少一个第一簇剔除野点后得到至少一个第二簇；
43、迭代执行野点分割，形成一个新的簇，并进行合并及分割处理，确定至少一个目标簇，将至少一个目标簇确定为至少一个对称对。
44、本申请还提供一种图像内在对称性的图像检测装置，所述装置包括：获取模块、提取模块、匹配模块、第一确定模块以及第二确定模块；
45、获取模块，用于获取图像信息；
46、提取模块，用于从所述图像信息中提取多个特征点；
47、匹配模块，用于匹配所述多个特征点，得到至少一个目标特征对；
48、第一确定模块，用于对所述至少一个目标特征对进行迭代优化，确定至少一个对称对；
49、第二确定模块，用于根据所述至少一个对称对，确定所述图像信息的对称轴。
50、根据本申请的另一个实施例，提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现内在对称性的图像检测方法的步骤。
51、根据本申请的又一个实施例，还提供了一种存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现内在对称性的图像检测方法的步骤。
52、从以上技术方案可以看出，本发明具有以下优点：
53、本申请提供的内在对称性的图像检测方法中，能够去除图像中的无关信息和噪声，使后续的特征点检测和匹配更加准确和高效。能够自动且准确地识别图像中的关键点，并通过非极大值抑制等方法去除冗余特征点，提高处理速度。本申请具有尺度不变性和旋转不变性，能够应对图像中的尺度变化和旋转变化，从而提高对称性检测的鲁棒性。还能够进一步剔除误匹配和噪声，确保最终确定的对称对是准确且可靠的。方法能够自动从图像中提取特征点、匹配特征点、筛选对称对，并最终确定对称轴，无需人工干预，实现了图像处理的自动化和智能化。
54、本申请通过提取图像信息中的多个特征点进行匹配，得到至少一个目标特征对，不仅可以对具有多个对称轴的图像信息进行检测，而且通过特征点匹配可以充分利用图像信息；对至少一个目标特征对迭代优化确定至少一个对称对，使得到的对称对准确度高；根据至少一个对称对，确定图像信息的对称轴，降低了内在对称性的误检率。
1.一种内在对称性的图像检测方法，其特征在于，方法包括：
2.根据权利要求1所述的内在对称性的图像检测方法，其特征在于，
3.根据权利要求1所述的内在对称性的图像检测方法，其特征在于，
4.根据权利要求3所述的内在对称性的图像检测方法，其特征在于，
5.根据权利要求1所述的内在对称性的图像检测方法，其特征在于，
6.根据权利要求5所述的内在对称性的图像检测方法，其特征在于，
7.根据权利要求5所述的内在对称性的图像检测方法，其特征在于，所述分割策略为至少包括近邻原则；
8.一种图像内在对称性的图像检测装置，其特征在于，装置用于实现如权利要求1至7任一项所述的内在对称性的图像检测方法；
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述内在对称性的图像检测方法的步骤。
10.一种存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述内在对称性的图像检测方法的步骤。
