基于三維二值特征描述子的ct體數(shù)據(jù)快速匹配方法
【專利摘要】本發(fā)明涉及一種基于三維二值特征描述子的CT體數(shù)據(jù)快速匹配方法,含有如下步驟:1:輸入待拼接的兩個CT體數(shù)據(jù),并完成對其的特征點檢測;2:確定特征點鄰域內(nèi)采樣點的固定采樣樣式;3:將特征點鄰域內(nèi)的采樣點組合成點對,并根據(jù)點對之間的灰度大小關(guān)系計算每個特征點的主方向;4:計算特征點在二維平面上的主方向,并以此二維平面上的主方向作為輔方向;5:根據(jù)特征點的主方向和輔方向?qū)ζ溥M(jìn)行方向規(guī)定化;6:在進(jìn)行方向規(guī)定化后的特征點鄰域內(nèi),計算特征點的二值特征描述,得到對應(yīng)每個特征點的兩種描述子;7:對兩個CT體數(shù)據(jù)中的特征點進(jìn)行匹配。本發(fā)明有效地提高了CT體數(shù)據(jù)中三維特征點匹配的準(zhǔn)確率和效率。
【專利說明】基于三維二值特征描述子的CT體數(shù)據(jù)快速匹配方法
[0001](一 )、【技術(shù)領(lǐng)域】:本發(fā)明涉及一種數(shù)據(jù)匹配方法,特別是涉及一種基于三維二值特征描述子的CT體數(shù)據(jù)(三維圖像)快速匹配方法。
[0002](二)、【背景技術(shù)】:維束 CT (Cone Beam Computed Tomography, CBCT)是近年來提出的一種能直接獲取被檢測物體三維圖像的工業(yè)CT技術(shù),它克服了通過堆砌斷層切片獲取物體三維圖像時空間分辨率非各向同性的缺點,能通過投影圖像直接重建出被檢測物體三維空間各個方向上分辨率都相同的三維圖像。因此,錐束CT作為一種新的無損檢測技術(shù)手段,可以很好地反映物體內(nèi)部不同空間區(qū)域的結(jié)構(gòu)等信息。
[0003]目前,錐束CT在無損檢測、逆向工程、三維顯示等領(lǐng)域都得到了廣泛的應(yīng)用,然而在實際應(yīng)用時,由于此系統(tǒng)中光源射束錐角和探測器尺寸的限制,對于成像分辨率要求較高或者尺寸較大的物體不能通過一次成像得到其完整的三維圖像。因此,通常先對被檢測物體進(jìn)行分區(qū)成像、重建,得到各個分區(qū)的體數(shù)據(jù),然后將這些體數(shù)據(jù)拼接成完整的三維圖像。
[0004]圖像拼接通常主要包含圖像配準(zhǔn)和圖像融合兩個步驟,其中,圖像配準(zhǔn)是決定拼接質(zhì)量的關(guān)鍵步驟?;谔卣鼽c的配準(zhǔn)算法因其具有計算量小、配準(zhǔn)精度高的特點而得到廣泛的研究和應(yīng)用,其流程如圖1所示。
[0005]首先,在待拼接的兩幅輸入圖像上檢測特征點(特征點檢測),然后對每個特征點進(jìn)行定量化數(shù)字描述(特征點描述),接著確定兩幅圖像中特征點之間的對應(yīng)關(guān)系(特征點匹配),再通過一定策略提純特征點匹配對(匹配對提純),最后根據(jù)圖像間匹配對確定圖像間的變換關(guān)系(估計圖像變換參數(shù)),從而得到圖像配準(zhǔn)的結(jié)果。
[0006]特征點匹配是銜接特征點檢測和圖像變換之間的關(guān)鍵步驟,而特征點描述則可以看作是匹配的預(yù)處理步驟。實際情況下,在三維的CT體數(shù)據(jù)中檢測到的特征點通常較多,為了減少描述和匹配過程的計算時間,在選擇合適的特征描述子時需要考慮提高算法計算效率的問題。
[0007]在檢測到特征點之后,選擇一種合適的特征點描述方法來描述特征點附近局部圖像模式,以此對兩幅圖像進(jìn)行相似性比較,是圖像配準(zhǔn)的又一重要步驟。特征點描述算法通常又被稱為特征點描述子,它能定量地描述出特征點局部區(qū)域的紋理和形狀等信息。
[0008]迄今為止,人們研究了各種各樣的特征點描述算法,但是這些描述算法大多都是針對二維圖像的描述子。這些描述子大致可以分為基于圖像梯度分布、基于空間關(guān)系、基于微分和不變矩等類型,主要包括:SIFT (2004年)、PCA-SIFT (2004年)、SURF (2008年)、611)!1(2009年)、即8-5正1'(2010年)、0六15¥(2010年)等。其中,基于圖像梯度方向直方圖統(tǒng)計的方法得到了廣泛應(yīng)用,這類描述子主要使用梯度統(tǒng)計直方圖來表示不同的圖像局部紋理和形狀特征。在基于圖像梯度分布的描述子中,最著名的是Lowe提出的SIFT描述子,它于1999年由D.Lowe首次提出,至2004年得到完善。SIFT描述子具有很強的可區(qū)分性,并且對尺度、旋轉(zhuǎn)以及一定視角和光照等圖像變化都具有良好的不變性,但由于其描述子維度高,特征描述與匹配都較耗時。SURF描述子利用Haar小波對二階高斯微分模板進(jìn)行簡化,同時引入積分圖像技術(shù)進(jìn)行快速計算。所以,SURF描述子在和SIFT的性能相當(dāng)?shù)那闆r下,速度可達(dá)到SIFT的3到7倍。
[0009]除了上面提到的經(jīng)典描述算法外,目前二值特征描述算法也得到了廣泛的關(guān)注,這一算法在2010年由Calonder等首次提出,其代表算法有:BRIEF (2010年)、ORB (2011年)、BRISK(2010年)、FREAK(2012年)等。二值特征描述算法主要利用局部圖像鄰域內(nèi)隨機點對的灰度大小關(guān)系來建立圖像局部特征描述子。這種描述子的構(gòu)建速度快,存儲所需的內(nèi)存少,并且匹配效率高,是近年來圖像局部特征描述子研究領(lǐng)域的熱點。
[0010]與三維特征點檢測算法類似,研究三維特征點描述算法通常也是將二維描述子向三維空間進(jìn)行拓展。2007年,W.A.Cheung對SIFT做了三維拓展,他首先將尺度空間理論拓展到三維,然后將超球面坐標(biāo)用于三維圖像梯度的表示,用多維直方圖表示三維描述子。此后,三維SIFT算法還被應(yīng)用于三維CT圖像和超聲圖像的匹配處理。2008年,Ste’ phaneAllaire為了完善SIFT特征點在三維空間的方向不變性,設(shè)計了具有全方向不變性的三維斑點檢測子。2010年,Jan Knopp對SURF算法在三維空間上進(jìn)行了拓展,用于三維圖像的分類(使用雙目視覺等方式生成的空間中的曲面圖像),Jan Knopp通過確定特征點的主、輔方向構(gòu)建用于進(jìn)行特征描述的網(wǎng)格,從而保證了描述子在三維空間上的旋轉(zhuǎn)不變性。
(三)、
【發(fā)明內(nèi)容】
:
[0011]本發(fā)明要解決的技術(shù)問題是:提供一種基于三維二值特征描述子的CT體數(shù)據(jù)快速匹配方法,該方法有效地提高了 CT體數(shù)據(jù)中三維特征點匹配的準(zhǔn)確率和效率。
[0012]本發(fā)明的技術(shù)方案:
[0013]一種基于三維二值特征描述子的CT體數(shù)據(jù)快速匹配方法,含有如下步驟:
[0014]步驟1:輸入待拼接的兩個CT體數(shù)據(jù),并完成對該兩個CT體數(shù)據(jù)的特征點檢測;
[0015]步驟2:按照以特征點為球心,在不同半徑的球面上均勻采樣的原則,確定特征點鄰域內(nèi)采樣點的固定采樣樣式;
[0016]步驟3:將特征點鄰域內(nèi)的采樣點組合成點對,并根據(jù)點對之間的灰度大小關(guān)系計算每個特征點的主方向;
[0017]步驟4:在過特征點并且與主方向垂直的二維平面上,計算特征點在該二維平面上的主方向,并以此二維平面上的主方向作為特征點的輔方向;
[0018]步驟5:根據(jù)特征點的主方向和輔方向?qū)μ卣鼽c進(jìn)行方向規(guī)定化;
[0019]步驟6:在進(jìn)行方向規(guī)定化后的特征點鄰域內(nèi),使用兩種不同的采樣模型計算特征點的二值特征描述,得到對應(yīng)每個特征點的兩種描述子;
[0020]步驟7:使用兩級匹配策略對兩個CT體數(shù)據(jù)中的特征點進(jìn)行匹配。
[0021]步驟2的具體方法為:
[0022]以(0,0,0)點表示特征點的位置,(x,y,z)為采樣點的坐標(biāo),采樣點坐標(biāo)滿足:
[0023](x2+y2+z2) e {8,10,15,25},
[0024]即采樣點的位置位于球面半徑r分別為8、10、15、25的四個層次的球面上;
[0025]在每一層球面上,采樣點個數(shù)η、球面半徑r、球面上任意兩個采樣點之間的最小距離d的關(guān)系如下式所示:
4πΓ
[0026]。
[0027]步驟3的具體方法為:
[0028]通過統(tǒng)計以采樣點組成的點對的梯度信息計算得到特征點的主方向:設(shè)所有采樣點組成的點對集合為L,任一點對(Pi, P」)的梯度g(Pi,Pj)的計算公式為:
【權(quán)利要求】
1.一種基于三維二值特征描述子的CT體數(shù)據(jù)快速匹配方法,其特征是:含有如下步驟: 步驟1:輸入待拼接的兩個CT體數(shù)據(jù),并完成對該兩個CT體數(shù)據(jù)的特征點檢測; 步驟2:按照以特征點為球心,在不同半徑的球面上均勻采樣的原則,確定特征點鄰域內(nèi)采樣點的固定采樣樣式; 步驟3:將特征點鄰域內(nèi)的采樣點組合成點對,并根據(jù)點對之間的灰度大小關(guān)系計算每個特征點的主方向; 步驟4:在過特征點并且與主方向垂直的二維平面上,計算特征點在該二維平面上的主方向,并以此二維平面上的主方向作為特征點的輔方向; 步驟5:根據(jù)特征點的主方向和輔方向?qū)μ卣鼽c進(jìn)行方向規(guī)定化; 步驟6:在進(jìn)行方向規(guī)定化后的特征點鄰域內(nèi),使用兩種不同的采樣模型計算特征點的二值特征描述,得到對應(yīng)每個特征點的兩種描述子; 步驟7:使用兩級匹配策略對兩個CT體數(shù)據(jù)中的特征點進(jìn)行匹配。
2.根據(jù)權(quán)利要求1所述的基于三維二值特征描述子的CT體數(shù)據(jù)快速匹配方法,其特征是:所述步驟2的具體方法為: 以(0,0,0)點表示特征點的位置,(x,y,z)為采樣點的坐標(biāo),采樣點坐標(biāo)滿足: (x2+y2+z2) e {8,10,15,25}, 即采樣點的位置位于球面半徑r分別為8、10、15、25的四個層次的球面上; 在每一層球面上,采樣點個數(shù)η、球面半徑r、球面上任意兩個采樣點之間的最小距離d的關(guān)系如下式所示:
3.根據(jù)權(quán)利要求1所述的基于三維二值特征描述子的CT體數(shù)據(jù)快速匹配方法,其特征是:所述步驟3的具體方法為: 通過統(tǒng)計以采樣點組成的點對的梯度信息計算得到特征點的主方向:設(shè)所有采樣點組成的點對集合為L,任一點對(Pi, Pj)的梯度g(Pi,Pj)的計算公式為:
式中,Pi和化表示點對中兩個體素的三維空間坐標(biāo),I(Pi)和i(pP分別是兩個體素的灰度值,并采用盒形濾波器和三維積分圖像技術(shù)的結(jié)合對采樣點進(jìn)行平滑處理,設(shè)rmm(L)為點對集合L中點對的數(shù)量,則點對集合L中各點對的梯度平均值g(L)為:
該梯度平均值g(U即為特征點的主方向,gx、gy、gz分別表示梯度平均值g(L)在三維笛卡爾坐標(biāo)系下X軸、Y軸、Z軸方向的分量,主方向可以使用方向角Θ和俯仰角φ表不:
4.根據(jù)權(quán)利要求1所述的基于三維二值特征描述子的CT體數(shù)據(jù)快速匹配方法,其特征是:所述步驟4中,使用二維BRISK算法計算特征點在二維平面上的主方向。
5.根據(jù)權(quán)利要求3所述的基于三維二值特征描述子的CT體數(shù)據(jù)快速匹配方法,其特征是:所述步驟6中,兩種不同的采樣模型為局部采樣模型和全局采樣模型; 局部采樣模型:在以特征點為中心的局部圖像塊范圍內(nèi),體素點采樣滿足三維空間上各向同性的高斯分布,選擇T個體素對,即選擇T個點對,根據(jù)下面的二元測試公式計算得到特征點的局部描述子:
式中,τ (Pi, Pj)為任一點對(Pi,Pj)的二元測試結(jié)果,T個點對的二元測試結(jié)果集合在一起即為局部描述子; 全局采樣模型:全局區(qū)域表示在局部圖像塊范圍外的一個更大區(qū)域,并不表示所有圖像區(qū)域;在全局區(qū)域中,通過二元測試公式計算得到每個特征點的全局描述子。
6.根據(jù)權(quán)利要求5所述的基于三維二值特征描述子的CT體數(shù)據(jù)快速匹配方法,其特征是:所述步驟7的具體過程如下: 令一個CT體數(shù)據(jù)中的特征點描述子集合為基準(zhǔn)集P = {PJ, i = 1,2,...,n,另一個CT體數(shù)據(jù)中的特征點描述子集合為目標(biāo)集Q = {Qj},j = 1,2,...m ;將兩個CT體數(shù)據(jù)中的特征點的二值描述子分別表不為:
其中,if和Gf分別表示基準(zhǔn)集P中第i個特征點的局部描述子和全局描述子,L和C分別表示目標(biāo)集Q中第j個特征點的局部描述子和全局描述子; 第一級匹配策略: 計算基準(zhǔn)集P中每個特征點的局部描述子和目標(biāo)集Q中每個特征點的局部描述子之間的相似度,生成相似度矩陣,具體生成方法如下: 設(shè)基準(zhǔn)集P中任意第i個局部描述子和目標(biāo)集Q中任意第j個局部描述子的Hamming距離為d1(x;al ;如果d1(x;al小于閾值ε,將dlocal保存到相似度矩陣的對應(yīng)位置,如果d1(x;al大于閾值ε,將相似度矩陣的對應(yīng)位置標(biāo)記為-1 ; 第二級匹配策略: 完成相似度矩陣的構(gòu)造后,更新相似度矩陣中所有不為-1的元素的元素值,更新方法為:找出相似度矩陣中不為-1的元素所對應(yīng)的基準(zhǔn)集P和目標(biāo)集Q中的兩個特征點,計算這兩個特征點的全局描述子之間的Hamming距離dgl()bal,將該不為-1的元素的元素值更新為dgl()bal和原元素值的和; 然后,分別找出相似度矩陣各行的最小元素值,再分別找出相似度矩陣各列的最小元素值,該最小元素值不包括-1 ; 如果某元素的元素值既是該元素所在行的最小元素值,也是該元素所在列的最小元素值,即認(rèn)為這個元素對應(yīng)的基準(zhǔn)集P和目標(biāo)集Q中的兩個特征點是一組匹配點對。
【文檔編號】G06T7/00GK104134206SQ201410336591
【公開日】2014年11月5日 申請日期:2014年7月15日 優(yōu)先權(quán)日:2014年7月15日
【發(fā)明者】曾磊, 陳健, 郭鐘毓, 崔明明, 曹鴻濤, 謝易辰, 閆鑌, 賈濤 申請人:中國人民解放軍信息工程大學(xué)