一種圖像快速匹配方法
【技術領域】
[0001] 本發(fā)明涉及一種圖像匹配方法，尤其涉及一種利用小波分解的方法縮小SIFT特 征匹配的搜索范圍、提高匹配速度的圖像快速匹配方法，屬于數(shù)字圖像處理技術領域。
【背景技術】
[0002] 在圖像匹配領域，由于 SIFT (Scale Invariant Feature Transform,尺度不變特 征變換）算法對存在尺度、旋轉(zhuǎn)、照度、視角、仿射變化等情況下的圖像，都能夠?qū)崿F(xiàn)圖像的 準確匹配，因此它在圖像匹配領域得到了廣泛的應用。然而，由于SIFT算法本身所需的龐 大計算量，其對于某些本身數(shù)據(jù)量較大或者具有較高實時性要求的場合，例如高分辨率遙 感圖像，則并不能很好地應用。
[0003] 為了解決該問題，一些研宄者提出了多種不同的方案，例如以提升算法效率為 主的 SURF[Bay H，Tuytelaars T, Van G L.SURF:Speeded up Robust Features[C]//9th European Conference on Computer Vision, 2006:404-417]和 PCASIFT[Yan Ke, Rahul Sukthankar.PCA-SIFT:A More Distinctive Representation for Local Image Descriptors[C]//Proceedings of the 2004IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2004, 2:506-513]算法，雖然在匹配速度 上，較SIFT算法相比已有了明顯的提高，但在實際工程中，尤其在圖像尺寸變大后，這 種性能上的提高便被大幅地弱化。即使是近幾年新提出的BIRSK[Leutenegger S，Chli M,Siegwart R Y. BRISK:Binary Robust Invariant Scalable Keypoints[C]//IEEE International Conference on Computer Vision, 2011:2548-2555]和 FREAK[Alahi A.Ortiz R, Vandergheynst P. FREAK:Fast Retina Keypoint[C]//IEEE Conference on Computer Vision and Pattern Recognition, 2012:510-517]算法，當圖像尺寸變大 后，其匹配速度依然不能滿足要求。而最重要的是，上述幾種算法描述子的綜合性能不 如 SIFT 描述子穩(wěn)定[Mikolajczyk K, Schmid C. A Performance Evaluation of Local Descriptors [J]. IEEE Trans, on PAMI, 2005, 27 (10): 1615-1630]。文獻[Xiong Zhi, Wang dan, Zhang dan, et al. . Research on Improved SIFT Feature Matching Arithmetic in the SAR Vision Matching Aided Navigation[C]. The 6th International Conference on Computer Science&Education, 2011:909-914]提出用小波變換與 SIFT 算法聯(lián)合來提 高SAR圖像的目標識別，但算法采用單一、固定的小波濾波器，沒有具體分析小波變換對頻 譜的影響，沒有給出選擇小波濾波器的指導性原則或者公式，而實際仿真發(fā)現(xiàn)，并非所有的 小波濾波器都適合與SIFT算法聯(lián)合，以提高圖像的匹配速度。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明所要解決的技術問題在于克服現(xiàn)有技術不足，提供一種適于實際應用的利 用小波分解方法縮小SIFT特征匹配的搜索范圍、提高匹配速度的圖像快速匹配方法。
[0005] 本發(fā)明具體采用以下技術方案解決上述技術問題：
[0006] -種圖像快速匹配方法，包括以下步驟：
[0007] 步驟A、利用小波分解方法提取源圖像的低頻子圖像，所述小波分解所使用的小波 濾波器滿足以下條件：其低通濾波器的系數(shù)之和為1 ;
[0008] 步驟B、利用SIFT特征圖像匹配方法對所述低頻子圖像和目標圖像進行粗匹配， 得到源圖像中的粗匹配點；
[0009] 步驟C、從源圖像中選取粗匹配點最集中的部分圖像；
[0010] 步驟D、利用SIFT特征圖像匹配方法對所選取的部分圖像和目標圖像進行細匹 配，得到最終的圖像匹配結(jié)果。
[0011] 進一步地，在步驟B與步驟C之間還包括對粗匹配點進行篩選的步驟：首先對以粗 匹配點的坐標所構(gòu)成的數(shù)據(jù)集進行聚類，在聚類完成后將不能歸入任一簇集的粗匹配點作 為錯誤匹配點進行剔除。
[0012] 優(yōu)選地，所述從源圖像中選取粗匹配點最集中的部分圖像，具體方法如下：以聚類 所得到的各簇中心的橫坐標均值、縱坐標均值作為橫坐標、縱坐標在源圖像中確定一點，在 源圖像中選取以該點為中心的部分圖像。
[0013] 優(yōu)選地，所述從源圖像中選取粗匹配點最集中的部分圖像，具體方法如下：以各粗 匹配點的橫坐標均值、縱坐標均值作為橫坐標、縱坐標在源圖像中確定一點，在源圖像中選 取以該點為中心的部分圖像。
[0014] 優(yōu)選地，從源圖像中所選取的部分圖像的大小按照以下方法確定：
[0015]
【主權(quán)項】
1. 一種圖像快速匹配方法，其特征在于，包括以下步驟： 步驟A、利用小波分解方法提取源圖像的低頻子圖像，所述小波分解所使用的小波濾波 器滿足以下條件：其低通濾波器的系數(shù)之和為1 ; 步驟B、利用SIFT特征圖像匹配方法對所述低頻子圖像和目標圖像進行粗匹配，得到 源圖像中的粗匹配點； 步驟C、從源圖像中選取粗匹配點最集中的部分圖像； 步驟D、利用SIFT特征圖像匹配方法對所選取的部分圖像和目標圖像進行細匹配，得 到最終的圖像匹配結(jié)果。
2. 如權(quán)利要求1所述圖像快速匹配方法，其特征在于，在步驟B與步驟C之間還包括對 粗匹配點進行篩選的步驟：首先對以粗匹配點的坐標所構(gòu)成的數(shù)據(jù)集進行聚類，在聚類完 成后將不能歸入任一簇集的粗匹配點作為錯誤匹配點進行剔除。
3. 如權(quán)利要求2所述圖像快速匹配方法，其特征在于，所述從源圖像中選取粗匹配點 最集中的部分圖像，具體方法如下：以聚類所得到的各簇中心的橫坐標均值、縱坐標均值作 為橫坐標、縱坐標在源圖像中確定一點，在源圖像中選取以該點為中心的部分圖像。
4. 如權(quán)利要求1所述圖像快速匹配方法，其特征在于，所述從源圖像中選取粗匹配點 最集中的部分圖像，具體方法如下：以各粗匹配點的橫坐標均值、縱坐標均值作為橫坐標、 縱坐標在源圖像中確定一點，在源圖像中選取以該點為中心的部分圖像。
5. 如權(quán)利要求1所述圖像快速匹配方法，其特征在于，從源圖像中所選取的部分圖像 的大小按照以下方法確定：
式中，UW分別為源圖像的長度、寬度，1為所選取部分圖像的邊長，1、L、W的單位均為 像素；L」表示向下取整運算。
6. 如權(quán)利要求1所述圖像快速匹配方法，其特征在于，所述小波分解采用軟件實現(xiàn)的B 樣條小波濾波器。
7. 如權(quán)利要求1所述圖像快速匹配方法，其特征在于，所述小波分解采用硬件實現(xiàn)的 非規(guī)范的haar小波濾波器。
8. 如權(quán)利要求1~7任一項所述圖像快速匹配方法，其特征在于，源圖像為遙感圖像。
【專利摘要】本發(fā)明公開了一種圖像快速匹配方法，屬于數(shù)字圖像處理技術領域。該方法包括以下步驟：步驟A、利用小波分解方法提取源圖像的低頻子圖像，所述小波分解所使用的小波濾波器滿足以下條件：其低通濾波器的系數(shù)之和為1；步驟B、利用SIFT特征圖像匹配方法對所述低頻子圖像和目標圖像進行粗匹配，得到源圖像中的粗匹配點；步驟C、從源圖像中選取粗匹配點最集中的部分圖像；步驟D、利用SIFT特征圖像匹配方法對所選取的部分圖像和目標圖像進行細匹配，得到最終的圖像匹配結(jié)果。相比現(xiàn)有技術，本發(fā)明在保證匹配準確度的同時，大幅降低了計算量，提高了圖像匹配的速度。
【IPC分類】G06T7-00, G06K9-46
【公開號】CN104751470
【申請?zhí)枴緾N201510161296
【發(fā)明人】祁友杰, 朱恩, 王建新, 胥陳彧, 彭金龍
【申請人】東南大學
【公開日】2015年7月1日
【申請日】2015年4月7日