專利名稱：基于混合行為蟻群算法的sift算法的特征關(guān)鍵點(diǎn)匹配的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像匹配、圖像拼接和數(shù)字全景圖重建和漫游等領(lǐng)域。公開了基于混合行為蟻群算法的Sift算法的特征關(guān)鍵點(diǎn)匹配方法，具體地說(shuō)解決了 Sift算法(尺度不變特征轉(zhuǎn)換算法)中兩幅圖像之間特征關(guān)鍵點(diǎn)的匹配方法，提高匹配的速度，可以達(dá)到亞像素級(jí)。
背景技術(shù)：
在古文物的三維重建，或是大型游戲場(chǎng)景的建立，以及軍事防御戰(zhàn)略的部署等方面，希望通過(guò)一些照片或圖片，利用程序自動(dòng)找出兩幅圖像里面相同的景物，并且建立它們之間的對(duì)應(yīng)關(guān)系，提取三維的有效信息，實(shí)現(xiàn)三維復(fù)原。Sift算法是一種提取局部特征的算法，在尺度空間尋找極值點(diǎn)，提取位置、尺度、旋轉(zhuǎn)不變量。處理兩幅圖像之間發(fā)生平移、旋轉(zhuǎn)、仿射變換情況下的匹配問(wèn)題，具有很強(qiáng)的匹配能力。但是在傳統(tǒng)的sift算法的中，當(dāng)找到了帶特征描述子的特征點(diǎn)后，采用遍歷的形式搜索所有點(diǎn)，使得匹配的速度慢，無(wú)法實(shí)現(xiàn)大圖像的實(shí)時(shí)匹配。蟻群算法最初主要用于求解旅行商問(wèn)題之類的組合優(yōu)化問(wèn)題，具有很強(qiáng)的通用性和魯棒性，目前已滲透到其它問(wèn)題領(lǐng)域中，如數(shù)據(jù)分析，通訊、建筑、交通和多機(jī)器人協(xié)作問(wèn)題。普通的蟻群算法容易陷入局部最優(yōu)，基于混合行為蟻群算法是對(duì)蟻群算法的一種改進(jìn)，把蟻群分成隨機(jī)蟻群和智能蟻群兩種蟻群，并設(shè)置不同的蟻群數(shù)，采用新的路徑搜尋機(jī)制和信息更新機(jī)制，擴(kuò)大搜索路徑，獲取更大的最優(yōu)解選擇空間，避免陷入局部最優(yōu)解，具有很好的魯棒性。把基于混合行為蟻群算法用在sift算法的特征點(diǎn)匹配上，可以有效的加速匹配速度，并可以達(dá)到亞像素級(jí)。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種解決sift算法的特征點(diǎn)匹配遍歷問(wèn)題，提高匹配速度和精度。按照本發(fā)明提供的技術(shù)方案，基于混合行為蟻群算法的sift算法的特征關(guān)鍵點(diǎn)匹配方法包含以下步驟I、對(duì)匹配的圖像進(jìn)行預(yù)濾波，消除噪聲。利用中值濾波對(duì)圖像進(jìn)行預(yù)處理，平滑噪聲。2、利用sift算法(尺度不變特征轉(zhuǎn)換算法)生成帶特征描述算子的特征點(diǎn)。sift 算法(尺度不變特征轉(zhuǎn)換算法)的實(shí)現(xiàn)步驟為(I)利用不同尺度因子的高斯差分函數(shù)與圖像進(jìn)行卷積得到高斯差分尺度空間 (DOG scale-space),得到圖像的高斯差分金字塔分層結(jié)構(gòu)。(2)檢測(cè)關(guān)鍵點(diǎn)，從圖像的高斯差分金字塔分層結(jié)構(gòu)提取圖像的極值點(diǎn)作為關(guān)鍵點(diǎn)的候選點(diǎn)，對(duì)每個(gè)候選點(diǎn)和它8個(gè)相鄰點(diǎn)和上下相鄰尺度對(duì)應(yīng)的18點(diǎn)進(jìn)行比較，判斷該候選點(diǎn)是否為尺度域和圖像域的極值點(diǎn)，如果是，該點(diǎn)即為特征關(guān)鍵點(diǎn)。
(3)特征關(guān)鍵點(diǎn)的方向分配，以保證具有旋轉(zhuǎn)不變性。(4)生成特征描述子，對(duì)于每個(gè)關(guān)鍵點(diǎn)采用4X4共16個(gè)種子點(diǎn)描述，所以每個(gè)關(guān)鍵點(diǎn)具有128維的sift特征向量。3、采用關(guān)鍵點(diǎn)特征向量的城區(qū)距離來(lái)作為兩幅圖像中關(guān)鍵點(diǎn)的相似性判定度量。
4、對(duì)圖像I的某個(gè)關(guān)鍵點(diǎn)，通過(guò)利用混合行為蟻群算法遍歷找到圖像II中的距離最近的兩個(gè)關(guān)鍵點(diǎn)。實(shí)現(xiàn)過(guò)程為(I)把圖像I中的帶特征描述子的關(guān)鍵點(diǎn)作為蟻群遍歷的節(jié)點(diǎn)，圖像II上的關(guān)鍵點(diǎn)作為待查找點(diǎn)。(2)混合行為蟻群算法把蟻群分為隨機(jī)蟻群和智能蟻群兩種蟻群，假設(shè)共有M只螞蟻，其中隨機(jī)蟻群的數(shù)量為MS，智能蟻群的數(shù)量為MZ，MS+MZ = M且MS >>MZ，M個(gè)螞蟻被隨機(jī)放置在不同的節(jié)點(diǎn)上。本發(fā)明與已有技術(shù)相比，實(shí)現(xiàn)過(guò)程簡(jiǎn)單，魯棒性好，匹配速度快，特別是對(duì)于大型圖片的匹配，具有明顯的實(shí)時(shí)速度優(yōu)勢(shì)等優(yōu)點(diǎn)。因此，本發(fā)明解決圖像匹配和拼接的實(shí)時(shí)問(wèn)題，解決了因旋轉(zhuǎn)、光照、位置、尺度的問(wèn)題造成照片或圖片的誤匹配問(wèn)題，為大型圖片拼接和三維重建提供一種有效的方法。


圖I算法執(zhí)行流程2待匹配的原始圖I圖3待匹配的原始圖II圖4標(biāo)記關(guān)鍵點(diǎn)的原始圖I圖5標(biāo)記關(guān)鍵點(diǎn)的原始圖II圖6標(biāo)記特征向量的原始圖I圖7標(biāo)記特征向量的原始圖II
具體實(shí)施例方式下面本發(fā)明將結(jié)合附圖對(duì)本發(fā)明的實(shí)施方式做進(jìn)一步的介紹。I、圖像預(yù)處理，對(duì)需要匹配的圖像進(jìn)行預(yù)濾波，消除噪聲。如果圖像質(zhì)量良好的話，可以選擇不做。利用中值濾波對(duì)圖像進(jìn)行預(yù)處理，中值濾波是一種非線性濾波，既消除噪聲又保持細(xì)節(jié)，取3 X 3濾波窗口，為了降低計(jì)算量，每次求中值僅僅考慮去掉最左側(cè)的像素，補(bǔ)上最右側(cè)的像素，其余像素不變。2、sift算法實(shí)施步驟(I)利用不同尺度的高斯差分核與原始圖像卷積生成高斯差分尺度空間(D0G scale-space)，高斯差分函數(shù)公式為D (x, y, σ ) = (G(x, y, k σ ) -G (x, y, σ )) *1 (χ, y)，
其中I(x，y)為原始圖像，G(x，y，σ)是尺度可變高斯函數(shù)，G(x，y，a) =/2<τ2
(x，y)是空間坐標(biāo)，σ是尺度坐標(biāo)。σ取不同的值，建立不同的尺度空間。(2)關(guān)鍵特征點(diǎn)檢測(cè)，并確定關(guān)鍵點(diǎn)的位置，如圖4、圖5所示。(3)確定各關(guān)鍵點(diǎn)的主方向，并生成特征描述子，如圖6、圖7所示。
3、混合行為蟻群算法的實(shí)現(xiàn)步驟(I)把圖像I中的帶特征描述子的關(guān)鍵點(diǎn)作為蟻群遍歷的節(jié)點(diǎn)，圖像II上的關(guān)鍵點(diǎn)作為待查找點(diǎn)。(2)把蟻群分為隨機(jī)蟻群和智能蟻群兩種蟻群，假設(shè)共有M只螞蟻，其中隨機(jī)蟻群的數(shù)量為MS，智能蟻群的數(shù)量為MZ，MS+MZ = M且MS >> MZ，M個(gè)螞蟻被隨機(jī)放置在不同的節(jié)點(diǎn)上。
(3)參數(shù)設(shè)置隨機(jī)螞蟻數(shù)量初始值為3M/4，智能螞蟻數(shù)量為1M/4(M為螞蟻總數(shù)量)。路徑上的信息量對(duì)螞蟻在行進(jìn)過(guò)程中選擇路徑所起的影響程度α = I。節(jié)點(diǎn)i轉(zhuǎn)移到節(jié)點(diǎn)j的期望程度對(duì)螞蟻選擇路徑的影響程度β = O. 6。隨機(jī)螞蟻在t時(shí)刻和t+n時(shí)刻之間信息素的揮發(fā)程度P =0.5。智能蟻群在t時(shí)刻和t+n時(shí)刻之間信息素的揮發(fā)程度 P = O. 9。(4)判定兩幅圖像中關(guān)鍵點(diǎn)的相似性利用關(guān)鍵點(diǎn)的城區(qū)距離來(lái)度量，降低計(jì)算復(fù)雜度。
權(quán)利要求
1.基于混合行為蟻群算法的Sift算法的特征關(guān)鍵點(diǎn)匹配方法，其特征是采用以下步驟 (1)對(duì)匹配的圖像進(jìn)行預(yù)濾波，消除噪聲。利用中值濾波對(duì)圖像進(jìn)行預(yù)處理，平滑噪聲。
(2)利用sift算法(尺度不變特征轉(zhuǎn)換算法)生成帶特征描述算子的特征點(diǎn)。
(3)采用關(guān)鍵點(diǎn)特征向量的城區(qū)距離來(lái)作為兩幅圖像中關(guān)鍵點(diǎn)的相似性判定度量。
(4)對(duì)圖像I的某個(gè)關(guān)鍵點(diǎn)，通過(guò)利用混合行為蟻群算法遍歷找到圖像II中的距離最近的兩個(gè)關(guān)鍵點(diǎn)。
2.根據(jù)權(quán)利要求I所述的基于混合行為蟻群算法的sift算法的特征關(guān)鍵點(diǎn)匹配方法，其特征在于匹配的兩幅圖像的分辨率是一樣的。
3.根據(jù)權(quán)利要求I所述的基于混合行為蟻群算法的sift算法的特征關(guān)鍵點(diǎn)匹配方法，其特征在于sift算法(尺度不變特征轉(zhuǎn)換算法)的實(shí)現(xiàn)步驟為 (1)利用不同尺度因子的高斯差分函數(shù)與圖像進(jìn)行卷積得到高斯差分尺度空間(DOGscale-space)，得到圖像的高斯差分金字塔分層結(jié)構(gòu)。
(2)檢測(cè)關(guān)鍵點(diǎn)，從圖像的高斯差分金字塔分層結(jié)構(gòu)提取圖像的極值點(diǎn)作為關(guān)鍵點(diǎn)的候選點(diǎn)，對(duì)每個(gè)候選點(diǎn)和它8個(gè)相鄰點(diǎn)和上下相鄰尺度對(duì)應(yīng)的18點(diǎn)進(jìn)行比較，判斷該候選點(diǎn)是否為尺度域和圖像域的極值點(diǎn)，如果是，該點(diǎn)即為特征關(guān)鍵點(diǎn)。
(3)特征關(guān)鍵點(diǎn)的方向分配，以保證具有旋轉(zhuǎn)不變性。
(4)生成特征描述子，對(duì)于每個(gè)關(guān)鍵點(diǎn)采用4X4共16個(gè)種子點(diǎn)描述，所以每個(gè)關(guān)鍵點(diǎn)具有128維的sift特征向量。
4.根據(jù)權(quán)利要求I所述的基于混合行為蟻群算法的sift算法的特征關(guān)鍵點(diǎn)匹配方法，其特征在于混合行為蟻群算法的實(shí)現(xiàn)過(guò)程為 (1)把兩幅需要匹配的圖像中的其中一幅圖像的權(quán)利要求3生成的帶特征描述子的關(guān)鍵點(diǎn)作為蟻群遍歷的節(jié)點(diǎn)。另外一幅圖像上的關(guān)鍵點(diǎn)作為待查找點(diǎn)。
(2)混合行為蟻群算法把蟻群分為隨機(jī)蟻群和智能蟻群兩種蟻群，假設(shè)共有M只螞蟻，其中隨機(jī)蟻群的數(shù)量為MS，智能蟻群的數(shù)量為MZ，MS+MZ = M且MS >> MZ，M個(gè)螞蟻被隨機(jī)放置在不同的節(jié)點(diǎn)上。
全文摘要
基于混合行為蟻群算法的sift算法的特征關(guān)鍵點(diǎn)匹配是一種基于混合行為蟻群算法的搜索機(jī)制。在sift算法中，當(dāng)兩幅圖像的SIFT特征向量生成后，取圖像I的某個(gè)關(guān)鍵點(diǎn)，通過(guò)遍歷找到圖像II中的距離最近的兩個(gè)關(guān)鍵點(diǎn)，在這兩個(gè)關(guān)鍵點(diǎn)中，如果次近距離除以最近距離小于某個(gè)閾值，則判定為一對(duì)匹配點(diǎn)。當(dāng)圖像很大，一般的遍歷方法速度慢，實(shí)時(shí)性比較差。本發(fā)明提出利用混合行為蟻群算法進(jìn)行遍歷運(yùn)算，同時(shí)采用關(guān)鍵點(diǎn)特征向量的城區(qū)距離來(lái)作為兩幅圖像中關(guān)鍵點(diǎn)的相似性判定，降低計(jì)算復(fù)雜度，并大大提高了關(guān)鍵點(diǎn)匹配的準(zhǔn)確度和運(yùn)算速度。
文檔編號(hào)G06T5/00GK102622748SQ20121003909
公開日2012年8月1日 申請(qǐng)日期2012年2月18日 優(yōu)先權(quán)日2012年2月18日
發(fā)明者丁學(xué)東, 劉一鳴, 劉淵, 楊海峰, 謝振平, 陳麗芳, 魯建飛, 黃秋儒 申請(qǐng)人:江南大學(xué)