一種基于局部線性約束的稀疏特征匹配的圖像配準(zhǔn)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于局部線性約束的稀疏特征匹配的圖像配準(zhǔn)方法，屬于圖像處 理技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 圖像配準(zhǔn)是遙感領(lǐng)域中的一個(gè)根本性和挑戰(zhàn)性問題，也是很多廣泛應(yīng)用（包含地 形重建、環(huán)境監(jiān)測、變化探測、圖像鑲嵌、圖像融合及地圖更新等）中的一個(gè)先決條件。
[0003] 圖像配準(zhǔn)旨在建立不同時(shí)間不同視角或通過不同探測器獲取同一場景的兩幅圖 像之間像素的對應(yīng)關(guān)系。配準(zhǔn)問題可依據(jù)具體應(yīng)用和數(shù)據(jù)形式分為剛性或非剛性。剛性配 準(zhǔn)（僅涉及少量參數(shù)）相對容易，且已得到了廣泛研究。相比而言，非剛性配準(zhǔn)較為困難， 由于潛在非剛性變換模型通常無法事先獲知且較為復(fù)雜，難以建模。盡管如此，非剛性配準(zhǔn) 對遙感圖像而言仍非常重要，因?yàn)檫b感圖像通常存在一些因地貌變化或成像視角變換導(dǎo)致 的局部非剛性形變，而這些形變無法基于簡單剛性模型實(shí)現(xiàn)"精確配準(zhǔn)"。
[0004] -種早期廣泛使用的非剛性圖像配準(zhǔn)算法為光流法。其直接通過最小化像素間灰 度的差異來計(jì)算一個(gè)全局稠密的位移場，通常適用于對兩幅非常相似的圖像進(jìn)行配準(zhǔn)，例 如視頻序列中的相鄰幀圖像。光流法的典型假設(shè)包含光照恒定，以及像素位移場應(yīng)具有分 段光滑性。然而，由于光照變化、視角變換和噪聲干擾，像素灰度值往往變得不太可靠。近 年來，Liu等人提出了可容忍高度類內(nèi)變化的SIFT流配準(zhǔn)算法。與光流法匹配像素灰度值 不同的是，SIFT流算法匹配圖像中稠密采樣像素的SIFT描述子。該算法在復(fù)雜場景情況 下展現(xiàn)出令人滿意的配準(zhǔn)效果，但對大尺度縮放和旋轉(zhuǎn)的魯棒性依然較差。
[0005] 然而，各種局部魯棒特征的涌現(xiàn)與發(fā)展為圖像配準(zhǔn)帶來了新的解決途徑。這類方 法通過匹配從圖像中提取出的局部特征信息，估計(jì)稀疏特征位置之間的空間變換函數(shù)并用 其來擬合圖像對之間的真實(shí)幾何變換關(guān)系，從而實(shí)現(xiàn)對原始圖像的配準(zhǔn)。這類方法中采用 的特征可由不同層次的簡單幾何實(shí)體來描述，包括點(diǎn)、線段、輪廓和區(qū)域等。通常，較高層次 的特征很難被準(zhǔn)確地提取；點(diǎn)特征是最簡單的特征形式，同時(shí)也是最常見的特征形式，由于 高層次特征例如線和輪廓可被描述為點(diǎn)的集合。從這層意義上來說，配準(zhǔn)問題可簡化為找 出兩個(gè)提取的特征點(diǎn)集之間的對應(yīng)關(guān)系及潛在的空間變換。這種基于特征的方法對典型表 觀變化和場景位移具有較強(qiáng)的魯棒性，且在正確實(shí)施的情況下，擁有更快的速度。他們在剛 性場景（例如：在圖像拼接領(lǐng)域）和輕度非剛性場景（例如：在醫(yī)學(xué)成像領(lǐng)域）匹配中取 得了很大成就，但在處理高度非剛性（例如：在地形重建領(lǐng)域）情形時(shí)無法取得滿意效果。 其本質(zhì)在于算法沒有充分利用圖像局部區(qū)域的空間約束關(guān)系。例如人臉為一個(gè)非剛性模 型，但是由于臉部肌肉的控制，眼、鼻、嘴等器官的相對位置并不會(huì)因?yàn)榉莿傂孕巫兌l(fā)生 改變。而這個(gè)局部空間約束往往對配準(zhǔn)能起到很大的作用。

【發(fā)明內(nèi)容】

[0006] 為了解決現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于局部線性約束的稀疏特征匹配 的圖像配準(zhǔn)方法，針對遙感圖像存在地形起伏導(dǎo)致非剛性形變的問題，對點(diǎn)匹配進(jìn)行局部 線性約束，能夠在圖像變換后保護(hù)特征集中的局部結(jié)構(gòu)，從而提高圖像配準(zhǔn)精度。
[0007] 本發(fā)明為解決其技術(shù)問題所采用的技術(shù)方案是：提供了一種基于局部線性約束的 稀疏特征匹配的圖像配準(zhǔn)方法，包括以下步驟：
[0008] (1)采用特征探測法推斷得到待配準(zhǔn)的兩個(gè)圖像的假定匹配集S=丨(W")丨L，xn 與yn分別表示待配準(zhǔn)的兩幅圖像中特征點(diǎn)空間位置的二位列向量；所述假定匹配集S包含 錯(cuò)誤匹配和正確匹配，其中正確匹配根據(jù)帶匹配的兩個(gè)圖像之間的幾何變換Z確定，即如 果（xn，yn)是一個(gè)正確的匹配，則yn=z(Xn)是一個(gè)正確的匹配；
[0009](2)初始位置加位移函數(shù)v將定義變換Z:Z(X)=χ+ν(χ)，其中v在函數(shù)空間Η中 模擬，所述函數(shù)空間Η為向量值的再生核希爾伯特空間，通過矩陣值的核Γ:R2XR2-R2X2 與對角線高斯核·/定義得到，其中R為實(shí)數(shù)空間，I為單位矩陣，^和x, 為實(shí)數(shù)空間中兩個(gè)特征點(diǎn)的空間位置，β為高斯窗參數(shù)，參數(shù)β為設(shè)置值，范圍為0.01~ 1.1，則變換Ζ通過以下形式表示：
[0010]
[0011] 其中，X表示任意一個(gè)圖像點(diǎn)的空間位置，(^表示一個(gè)2Χ1維待求解的向量系數(shù)；
[0012] (3)利用對角元素{ρη}組成的對角矩陣Ρ指出匹配可信度，對角矩陣Ρ中的任意 元素pne[0, 1]為〇到1之間的實(shí)數(shù)，當(dāng)Pn= 1時(shí)表示（Xn，yn)為一個(gè)正確的匹配，當(dāng)Pn =0時(shí)表示（xn，yn)為一個(gè)錯(cuò)誤的匹配；
[0013] (4)創(chuàng)建大小為NXN的權(quán)值矩陣W，且使當(dāng)Xj不屬于X滿K鄰域時(shí)，W中的元素 '=〇,X;的κ鄰域指歐氏距離最近的κ個(gè)元素；在約束VI、:，=1下通過代價(jià)函數(shù)
I小化基于局部線性約束的重構(gòu)誤差，并采用最小二乘求解出 W，得到以下能量函數(shù)：
[0014]
[0015] 其中，參數(shù)τ表示確定性退火的初始溫度，η表示對錯(cuò)誤匹配的懲罰，λ表示正則 化參數(shù)基于局部線性約束的正則化參數(shù)，參數(shù)τ、II和λ均為設(shè)置值，τ的范圍為0.05~ 5. 5,η的范圍為〇· 01~1.1，λ的范圍為100~10000 ;
[0016] (5)采用確定性退火技術(shù)求解能量函數(shù)得到變換Ζ，通過變換Ζ結(jié)合雙線性插值執(zhí) 行圖像配準(zhǔn)。
[0017] 步驟⑵所述的高斯窗參數(shù)β為0. 1。
[0018] 步驟（4)中，Τ= 0· 5,η= 〇· 1，λ= 1000。
[0019] 步驟（5)所述的采用確定性退火技術(shù)求解能量函數(shù)得到變換Ζ，通過變換Ζ結(jié)合雙 線性插值執(zhí)行圖像配準(zhǔn)，包括以下過程：通過確定性退火技術(shù)逐漸減小溫度Τ和正則化參 數(shù)λ，迭代求解變換ζ和匹配可信度Ρ，通過變換Ζ執(zhí)行圖像配準(zhǔn)。
[0020] 本發(fā)明基于其技術(shù)方案所具有的有益效果在于：
[0021] (1)本發(fā)明的基于局部線性約束的稀疏特征匹配的圖像配準(zhǔn)方法，針對遙感圖像 存在地形起伏導(dǎo)致非剛性形變的問題，對點(diǎn)匹配進(jìn)行局部線性約束，能夠在圖像變換后保 護(hù)特征集中的局部結(jié)構(gòu)，從而提高圖像配準(zhǔn)精度；
[0022] (2)本發(fā)明的基于局部線性約束的稀疏特征匹配的圖像配準(zhǔn)方法，基于稀疏特征 匹配求解圖像空間變換，對圖像對中可能存在的大尺度場景縮放、大角度視場變換及旋轉(zhuǎn) 等惡劣條件下具有很好的魯棒性；