本發(fā)明涉及圖像匹配的，具體而言，涉及一種基于特征點(diǎn)匹配的差異圖配準(zhǔn)方法。

背景技術(shù)：

1、圖像匹配是指通過一定的匹配算法在兩幅圖像之間將相似或相同的內(nèi)容對應(yīng)起來，這種對應(yīng)關(guān)系通常使用圖像變換矩陣來表示。常用的圖像匹配算法主要分為以灰度為基礎(chǔ)的匹配和以特征為基礎(chǔ)的匹配。以灰度為基礎(chǔ)的匹配是度量兩幅圖像的顏色差異，差異越小便是兩者匹配度越高。以特征為基礎(chǔ)的匹配先在圖像中提取特征，然后再建立兩幅圖像之間特征的匹配對應(yīng)關(guān)系,常用的特征匹配基元包括點(diǎn)、線、區(qū)域等顯著特征。

2、對差異圖像的配準(zhǔn)，由于兩幅圖像在顏色上存在很大差異，因此在配準(zhǔn)時(shí)不能使用顏色信息，只能使用圖像的紋理信息或者特征點(diǎn)信息進(jìn)行匹配。業(yè)內(nèi)通常采用特征點(diǎn)匹配計(jì)算仿射變換的方法。首先提取特征點(diǎn)，生成特征描述子，然后進(jìn)行特征點(diǎn)匹配，通過最小二乘法計(jì)算圖像變換矩陣。使用特征點(diǎn)匹配時(shí)，因?yàn)樘卣鼽c(diǎn)的信息有限，勢必存在特征點(diǎn)誤匹配的情況?，F(xiàn)行方案均是在允許錯(cuò)誤匹配點(diǎn)的情況下，計(jì)算具有最小誤差的變換矩陣。當(dāng)錯(cuò)誤匹配的特征點(diǎn)多時(shí)或者用來匹配的特征點(diǎn)數(shù)量較少時(shí)，就會(huì)生成不夠準(zhǔn)確的變換矩陣。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的目的在于：設(shè)計(jì)一種能夠?qū)︻伾嗖詈艽蟮膱D像進(jìn)行精確配準(zhǔn)的圖像配準(zhǔn)算法。

2、本發(fā)明的技術(shù)方案是：提供了一種基于特征點(diǎn)匹配的差異圖配準(zhǔn)方法，該方法包括：

3、s1、使用特征提取算法提取第一圖像和第二圖像的特征點(diǎn)和描述子；

4、s2、計(jì)算第一圖像和第二圖像之間的描述子的歐式距離，以此判斷特征點(diǎn)的相似性，匹配兩幅圖像中的特征點(diǎn)對；

5、s3、分析匹配點(diǎn)對的幾何變換關(guān)系，生成圖像變換矩陣；

6、s4、通過圖像變換矩陣將第二圖像變換到和第一圖像內(nèi)容對齊的圖像。

7、上述任一項(xiàng)技術(shù)方案中，進(jìn)一步地，步驟s3包括：

8、s31、計(jì)算第一圖像相對于第二圖像上內(nèi)容的縮放比例sx和sy，其中sx是水平縮放值，sy是垂直縮放值；按照已知兩圖像之間的變換關(guān)系，任意兩對匹配點(diǎn)對之間存在以下關(guān)系：

9、d12＝(x1i-x1j)2+(y1i-y1j)2；

10、d12＝sx2*(x2i-x2j)2+sy2*(y2i-y2j)2；

11、(x1i，y1i)、(x1j，y1j)是第一圖像中的任意兩個(gè)特征點(diǎn)的位置；(x2i，y2i)、(x2j，y2j)是第二圖像中的任意兩個(gè)特征點(diǎn)的位置；(x1i，y1i)和(x2i，y2i)是相匹配的一對特征點(diǎn)對，(x1j，y1j)和(x2j，y2j)是相匹配的一對特征點(diǎn)對；d1是第一圖像中兩個(gè)特征點(diǎn)(x1i，y1i)和(x1j，y1j)之間的距離，將特征點(diǎn)按照縮放比例變換后使第二圖像中兩個(gè)特征點(diǎn)的距離和d1相等，融合上方兩式轉(zhuǎn)化為求解斜率k和截距b的線性擬合問題：

12、

13、將第一圖像和第二圖像中兩個(gè)的匹配特征點(diǎn)對，按下式計(jì)算出在擬合直線上的點(diǎn)(x，y)：

14、

15、第一圖像和第二圖像上所有兩個(gè)特征點(diǎn)對的組合構(gòu)成了很多個(gè)擬合直線上的點(diǎn)；擬合直線得到k和b，從而得到縮放比例sx和sy，并排除了不在擬合直線上的特征點(diǎn)對；

16、s32、按照步驟s31中計(jì)算的圖像的縮放比例，將第二圖像上的點(diǎn)(x2i，y2i)進(jìn)行縮放矯正變?yōu)?x2i*sx，y2i*sy)，(x2j，y2j)變?yōu)?x2j*sx，y2j*sy)；根據(jù)矯正后的點(diǎn)計(jì)算每兩個(gè)特征點(diǎn)對的旋轉(zhuǎn)角度a；

17、第一圖像中計(jì)算以(x1i，y1i)為起點(diǎn)，以(x1j，y1j)為終點(diǎn)的直線角度a1，計(jì)算以(x2i*sx，y2i*sy)為起點(diǎn)，以(x2j*sx，y2j*sy)為終點(diǎn)的直線角度a2；從而計(jì)算兩個(gè)線的角度差a＝a1-a2；

18、計(jì)算兩幅圖像中所有兩對特征點(diǎn)對的旋轉(zhuǎn)角度a，旋轉(zhuǎn)角度范圍是(-π,π]，將所有旋轉(zhuǎn)角度，按照一定步長計(jì)算直方圖，直方圖的上最高峰值對應(yīng)的角度即是要計(jì)算的旋轉(zhuǎn)角度，并將峰值外部的角度的對應(yīng)的特征點(diǎn)對進(jìn)行排除；

19、s33、按照s31和s32中計(jì)算的縮放值和旋轉(zhuǎn)角度，將第二圖像中的特征點(diǎn)矯正為位置(x2i′，y2i′)：

20、x2i′＝x2i*sx*cos(a)-y2i*sy*sin(a)；

21、y2i′＝x2i*sx*sin(a)+y2i*sy*cos(a)；

22、計(jì)算每個(gè)特征點(diǎn)的平移值(tix，tiy)：

23、tix＝x2i′-x1i；

24、tiy＝y(tǒng)2i′-y1i；

25、將平移值這些二維向量按照空間距離，使用聚類的方法把特征點(diǎn)分成不同的簇，使得同一簇內(nèi)向量距離盡可能的近，不同簇間的向量距離盡可能的遠(yuǎn)，也就是同一簇內(nèi)的向量聚在一起，不同簇間的向量盡量分離；然后統(tǒng)計(jì)向量數(shù)最多的那組向量的平均值即是圖像的平移位置(tx，ty)；

26、s34、計(jì)算圖像變換矩陣m，公式為：

27、

28、上述任一項(xiàng)技術(shù)方案中，進(jìn)一步地，步驟s2包括：

29、設(shè)第一幅圖像中的一個(gè)特征點(diǎn)的描述子為：

30、ri＝(ri1，ri2，...，ri128)；

31、第二幅圖像中的一個(gè)特征點(diǎn)的描述子為：

32、si＝(si1，si2，...，si128)；

33、兩描述子之間的歐式距離d(ri，si)計(jì)算公式為：

34、

35、歐式距離為特征點(diǎn)匹配的度量標(biāo)準(zhǔn)；

36、為每個(gè)特征點(diǎn)在另一幅圖像中尋找最相似的匹配點(diǎn)，對第一幅圖像中的每一個(gè)特征點(diǎn)描述子ri，在第二幅圖像中尋找與其歐式距離最小的兩個(gè)描述子si和sp，該兩點(diǎn)即為ri在第二幅圖像中的初步匹配點(diǎn)；

37、通過最近鄰比率測試篩選匹配點(diǎn)，具體步驟如下：

38、計(jì)算最近鄰匹配點(diǎn)與次最近鄰匹配點(diǎn)的距離比率設(shè)定一個(gè)比率閾值，如果該比率小于閾值，則認(rèn)為該匹配點(diǎn)是可靠的；比率越低，表示匹配點(diǎn)與次匹配點(diǎn)之間的距離差異越大，匹配結(jié)果更可靠；若比率高于閾值，則該匹配點(diǎn)可能是誤匹配，予以去除；通過這種方式，最終留下可靠性較高的特征點(diǎn)匹配對。

39、上述任一項(xiàng)技術(shù)方案中，進(jìn)一步地，步驟s1包括：

40、s11、構(gòu)建圖像的尺度空間，并在其中檢測極值點(diǎn)；

41、尺度空間的構(gòu)建通常采用高斯金字塔進(jìn)行，圖像在不同的尺度下進(jìn)行平滑處理，生成一系列不同分辨率的圖像，每層圖像經(jīng)過高斯模糊處理后，縮小尺寸形成金字塔結(jié)構(gòu)，高斯金字塔尺度空間l(x，y，σ)的表達(dá)式為：

42、l(x，y，σ)＝g(x，y，σ)*i(x，y)；

43、其中，g(x，y，σ)是尺度可變的高斯核函數(shù)，i(x，y)是原始圖像，σ表示尺度大??；

44、在生成的高斯金字塔上，對相鄰尺度的高斯模糊圖像進(jìn)行差分運(yùn)算，得到高斯差分圖像(dog)，形成高斯差分金字塔；dog可以近似為尺度空間中的拉普拉斯算子，用于檢測圖像中的極值點(diǎn)；

45、在高斯差分金字塔的每一層圖像中，每個(gè)像素點(diǎn)與其在尺度空間和二維圖像空間中的26個(gè)鄰域像素進(jìn)行比較；如果該點(diǎn)在所有這些鄰域中是最大值或最小值，則認(rèn)為該點(diǎn)是一個(gè)潛在的特征點(diǎn)；

46、s12、在檢測到潛在的特征點(diǎn)后，進(jìn)一步對其進(jìn)行精確定位；

47、這一步驟包括消除不穩(wěn)定的特征點(diǎn)和確定每個(gè)特征點(diǎn)的亞像素級(jí)位置，具體方法如下：

48、通過泰勒級(jí)數(shù)展開，將極值點(diǎn)進(jìn)行亞像素級(jí)的插值擬合，以獲得更精確的位置，顯著提高特征點(diǎn)的定位精度；

49、對于對比度較低的極值點(diǎn)，容易受到噪聲干擾，因此需要將其剔除；通過比較特征點(diǎn)的對比度閾值，去除那些不夠穩(wěn)定的關(guān)鍵點(diǎn)；

50、dog函數(shù)在邊緣處的主曲率較大，容易生成不穩(wěn)定的特征點(diǎn)；利用主曲率的比值對關(guān)鍵點(diǎn)進(jìn)行篩選，去除那些橫跨邊緣的低穩(wěn)定性特征點(diǎn)；

51、s13、為每個(gè)關(guān)鍵點(diǎn)分配一個(gè)方向，使提取的特征點(diǎn)具有旋轉(zhuǎn)不變性；

52、在特征點(diǎn)的鄰域內(nèi)，計(jì)算每個(gè)像素點(diǎn)的梯度幅值和方向，將特征點(diǎn)鄰域內(nèi)的梯度方向統(tǒng)計(jì)成直方圖，梯度方向直方圖的橫軸為梯度方向，縱軸為梯度幅度的累計(jì)值；

53、將梯度方向直方圖分成36個(gè)10°的區(qū)間，直方圖的峰值即為特征點(diǎn)的主方向；如果有多個(gè)峰值，則可以為特征點(diǎn)分配多個(gè)方向，以增強(qiáng)算法的魯棒性；

54、s14、在確定了特征點(diǎn)的位置、尺度和方向后，最后為每個(gè)特征點(diǎn)生成一個(gè)描述子，描述子用于表征特征點(diǎn)的局部圖像信息，使其在不同的圖像中具備穩(wěn)定的匹配性能；

55、根據(jù)特征點(diǎn)的主方向，對其鄰域的坐標(biāo)軸進(jìn)行旋轉(zhuǎn)，使得描述子具有旋轉(zhuǎn)不變性；將特征點(diǎn)的鄰域劃分為4×4的網(wǎng)格，每個(gè)網(wǎng)格內(nèi)計(jì)算8個(gè)方向的梯度直方圖，形成128維的特征向量，即128維的描述子。

56、本發(fā)明的有益效果是：

57、本發(fā)明中的技術(shù)方案能夠顯著提升圖像配準(zhǔn)的精度，特別是在存在噪聲、亮度變化或幾何變形等復(fù)雜條件下，表現(xiàn)尤為優(yōu)越；與現(xiàn)有技術(shù)相比，本發(fā)明通過有效去除誤匹配的特征點(diǎn)對，減少了配準(zhǔn)錯(cuò)誤，提高了變換矩陣的精度，從而大大改善了配準(zhǔn)效果。