[發明專利]基于直線特征圖像配準中的特征匹配方法

有效

• 申請號: 200810031575.4
• 申請日: 2008-06-25
• 公開（公告）號: CN101315698A
• 公開（公告）日: 2008-12-03
• 發明（設計）人: 文貢堅;呂金建
• 申請（專利權）人: 中國人民解放軍國防科學技術大學
• 主分類號: G06T7/00
• 分類號: G06T7/00
• 代理公司: 國防科技大學專利服務中心
• 代理人: 郭敏

1.一種基于直線特征圖像配準中的特征匹配方法，其特征在于包括以下步驟：

第一步，分別從參考圖像和待配準圖像中提取直線編組作為配準基元，方法是：采用穩健的直線提取方法從參考圖像I₁(x₁，y₁)提取N₁條直線特征，從待配準圖像I₂(x₂，y₂)中提取N₂條直線特征，分別記為和N₁、N₂均為正整數，(x₁，y₁)、(x₂，y₂)分別表示參考圖像和待配準圖像中的像素點坐標，由L₁或L₂中的任意兩條直線形成的一個直線對叫直線編組，用參數來描述任意一個直線編組z_H^k的屬性，其中當H＝1時，k＝1，2，…，N′₁，當H＝2時，k＝1，2，…，N′₂，l_H^k1，l_H^k2表示組成直線編組z_H^k的兩條直線特征，length_H^k1，length_H^k2，S_H^k1，S_H^k2，E_H^k1，E_H^k2，M_H^k1，M_H^k2分別表示它們的長度、四個端點和兩個中點，O_H^k是直線編組的提取交點，x_H^k，y_H^k是交點坐標；從參考圖像和待配準圖像中提取直線編組時只選擇那些滿足約束條件的直線編組作為配準基元，約束條件是：直線編組的提取交點到組成它的兩條直線之間的Hausdroff距離之和小于一個預設門限T，T取10～30個象素；定義一個大小為N′₁×N′₂的匹配矩陣M來表示參考圖像和待配準圖像中直線編組之間的匹配關系，即

其中N′₁、N′₂均為正整數，N′₁為參考圖像中提取的直線編組個數，N′₂為待配準圖像中提取的直線編組個數，參考圖像中提取的直線編組待配準圖像中提取的直線編組1≤i≤N′，1≤j≤N′；匹配矩陣M滿足一一匹配準則，即

Σj=1N2′Mij≤1,(1≤i≤N1′)Σi=1N1′Mij≤1,(1≤j≤N2′)---(2)]]>

第二步，計算參考圖像和待配準圖像中直線編組之間的可靠性測度，得到可靠性測度矩陣R，R是一個大小為N′₁×N′₂的矩陣，它的每一項R_ij表示直線編組對LP_ij的可靠性測度，LP_ij為Z₁中的任意一個直線編組z₁ⁱ與Z₂的任意一個直線編組z₂^j組成的直線編組對，方法是：采用D-S證據理論方法，對c₁ⁱ和c₂^j進行融合計算，得到R_ij，即

Rij=c1i×c2jc1i×c2j+(1-c1i)(1-c2j)---(8)]]>

其中c₁ⁱ為直線編組z₁ⁱ的可靠性，c₂^j為直線編組z₂^j的可靠性，它們用下式計算

cHk=exp[-(d‾Hk)22σ22]---(7)]]>

其中σ₂是高斯函數的方差，取2～4；H＝1時，k＝1，2，…，N′₁，H＝2時，k＝1，2，…，N′₂；d_H^k為d_H^k的期望，d_H^k表示z_H^k的真實交點Q_H^k和提取交點O_H^k之間的距離，有

d‾Hk=1SrABCD∫rABCD||OHk-QHk||dQHk---(6)]]>

其中，z_H^k由直線特征l_H^k1，l_H^k2組成，過l_H^k1的中點M_H^k1的與l_H^k1夾角均為Δθ_H^k1的兩條虛線是l_H^k1可能發生的最大方向偏移，過l_H^k2的中點M_H^k2的與l_H^k2夾角均為Δθ_H^k2的兩條虛線是l_H^k2可能發生的最大方向偏移，四條虛線交于A，B，C和D四點，Δθ_H^k1和Δθ_H^k2是直線特征l_H^k1和l_H^k2的方向偏移，它們的大小由公式(3)確定，r_ABCD為A，B，C和D四點圍成的四邊形，表示r_ABCD的面積，其大小根據過l_H^k1的中點M_H^k1和過l_H^k2的中點M_H^k2的四條虛線方程求出，四條虛線方程通過Δθ_H^k1和Δθ_H^k2以及提取的直線特征l_H^k1、l_H^k2獲得，

ΔθHm=αexp[-(lengthHm)22σ12]---(3)]]>

其中α是一個預設門限，用來限定方向偏移Δθ_H^m的最大范圍，取α＝0.175弧度，即直線特征的方向偏移不超過10度；length_H^m是l_H^m的長度；σ₁是高斯函數的方差，它決定多長的直線特征將不發生方向偏移，取20～40，具體取決于圖像的分辨率，圖像分辨率越高，σ₁越靠近40；

第三步，計算參考圖像和待配準圖像中直線編組之間的相似性測度，得到相似性測度矩陣B，B是一個大小為N′₁×N′₂的矩陣，它的每一項B_ij表示參考圖像和待配準圖像中任意兩個直線編組z₁ⁱ和z₂^j的相似性測度，相似性測度表示兩個直線編組之間的相似程度，相似性測度B_ij定義為

Bij=||length1i1-length1i2length1i1+length1i2|-|length2j1-length2j2length2j1+length2j2||---(9)]]>

對(9)式進行變換，即

B_ij＝F₁(B_ij)????????????????(10)

其中F₁(·)是一個單調遞減函數，采用高斯函數，即

F1(x)=exp(-x22σ32)---(11)]]>

其中σ₃是高斯函數的方差，在實際中取σ₃＝1，將B_ij代入(11)式，得

Bij=exp(-Bij22σ32)---(12)]]>

第四步，計算參考圖像和待配準圖像中直線編組之間的空間關系一致性測度，得到空間關系一致性測度矩陣S，S也是大小N′₁×N′₂的矩陣，它的每一項S_ij表示兩幅圖像中任意兩個直線編組z₁ⁱ和Z₂^j之間的空間關系一致性測度，S_ij通過下式計算

Sij=(x1i-Tx(x2j))2+(y1i-Ty(y2j))2---(13)]]>

其中T_x(·)、T_y(·)分別表示參考圖像和待配準圖像之間的變換模型在x方向和y方向上的變換函數，參考圖像和待配準圖像之間的變換模型用變換模型參數向量P來描述，P與采用的變換模型類型有關；采用(11)式的高斯函數對(13)式做變換，即

S_ij＝F₁(S_ij)????????????????????????(14)

將S_ij代入(14)式，得

Sij=exp(-Sij22σ32)---(15);]]>

第五步，建立能量函數：

E(M,P)=Σi=1N1′Σj=1N2′MijRijBijSij---(16)]]>

當匹配矩陣M包含了所有正確匹配的直線編組對而剔除了所有錯誤匹配的直線編組對，E(·)的值將會達到一個全局最大值，這時的匹配矩陣M是最優的，同時由最優匹配矩陣計算的變換模型參數向量P也是最優的，即

<M_opt，P_opt>＝arg?max(E(·))????????(17)

其中M_opt，P_opt分別表示最優的匹配矩陣和最優的變換模型參數向量，arg?max(·)表示對·求最大值，這樣，直線編組的匹配問題轉變成為一個能量函數最優化問題；

第六步，采用兩步迭代優化算法對(17)式描述的優化問題進行迭代優化，得到M_opt和P_opt：

步驟1：采用一個序貫組合特征相似性和空間關系一致性的方法來初始化變換模型參數向量P：首先根據特征相似性測度選擇求解變換模型需要的最少數目的3～5倍的直線編組對作為候選匹配直線編組對，然后根據空間關系一致性測度利用窮舉法或RANSAC算法獲得求解變換模型參數向量P需要的最少數目的最優匹配直線編組對，利用它們的提取交點求出變換模型參數向量P的初值P₀；

步驟2：初始化控制參數β＝β₀，β₀、β_r和β_max分別是控制參數β的初始值、增長率和最大值，取β₀＝0.5，β_r取1.05～1.1，β_max＝10；

步驟3：已知變換模型參數向量P，采用軟指派方法計算匹配矩陣M；

步驟4：已知匹配矩陣M，空間關系一致性測度矩陣S的每個元素S_ij就可表示成變換模型參數向量P的函數，公式(16)變為

E(P)=Σi=1N1′Σj=1N2′MijRijBijSij=Σi=1N1′Σj=1N2′Sij(P)Uij---(21)]]>

其中U_ij＝M_ijR_ijB_ij是一個常數，采用多元變量變尺度算法計算變換模型參數向量P，然后β＝β_rβ；

步驟5：若控制參數β＞β_max，判斷變換模型參數向量P是否收斂，如果收斂，算法結束，如果不收斂，返回步驟2；若控制參數β≤β_max，則轉步驟3；變換模型參數向量P的收斂準則為

||P⁰-P¹||＜ε₁????????????(22)

其中P⁰、P¹分別表示前一次和當前獲得的變換模型參數向量，ε₁是一個預設門限，取0.01～0.05。

2.如權利要求1所述的基于直線特征圖像配準中的特征匹配方法，其特征在于所述軟指派方法為：

(1)M_ij＝βW_ij；

(2)行歸一化匹配矩陣M，即Mij=Mij/Σj=1N2′Mij;]]>

(3)列歸一化匹配矩陣M，即Mij=Mij/Σi=1Ni′Mij;]]>

(4)當收斂時，算法結束，否則轉(2)，匹配矩陣M的收斂準則是

Σi=1N1′+1Σj=1N2′+1|Mij0-Mij1|<ϵ0---(20)]]>

其中M_ij⁰、M_ij¹分別表示前一次和當前獲得的匹配矩陣M中元素M_ij的值，ε₀是一個預設門限，取0.01～0.05。