[發(fā)明專利]一種面向圖像拼接的RANSAC改進方法

在審

• 申請?zhí)枺?/td>: 201710236500.9
• 申請日: 2017-04-12
• 公開（公告）號: CN107103579A
• 公開（公告）日: 2017-08-29
• 發(fā)明（設(shè)計）人: 顏微;馬昊辰
• 申請（專利權(quán)）人: 湖南源信光電科技股份有限公司
• 主分類號: G06T3/00
• 分類號: G06T3/00
• 代理公司: 北京中濟緯天專利代理有限公司11429
• 代理人: 陸薇薇

技術(shù)領(lǐng)域

本發(fā)明涉及計算機視覺領(lǐng)域，特指一種面向圖像拼接的RANSAC改進方法。

背景技術(shù)

圖像拼接是計算機視覺和圖像處理領(lǐng)域的研究熱點，它是將多幅相互間存在重疊部分的圖像序列進行空間匹配對準(zhǔn)，經(jīng)重采樣融合后形成一幅包含各圖像序列信息的、寬視角場景、高清晰的新圖像。

圖像拼接過程有3個主要步驟：圖像預(yù)處理、圖像匹配和圖像融合，其中圖像匹配是最重要的一個步驟。SURF(Speeded-Up Robust Features)算法是運用最廣泛的特征匹配算法之一，但是在SURF提取特征點后，必須剔除誤匹配點，常用概率隨機抽樣一致性(RANSAC)進行誤匹配點剔除。RANSAC是種采用迭代法來估計參數(shù)的數(shù)學(xué)模型，在用傳統(tǒng)的RANSAC計算參數(shù)進行精配準(zhǔn)時，迭代次數(shù)越多，運算越耗時，影響了圖像拼接的效率。傳統(tǒng)的RANSAC算法在初始化模型時所選取的特征點是完全隨機的，并沒有一定的約束規(guī)則，導(dǎo)致算法的實時性降低。

發(fā)明內(nèi)容

本發(fā)明要解決的技術(shù)問題為提出一種能夠有效地提高圖像拼接的質(zhì)量和拼接速率的面向圖像拼接的RANSAC改進方法。

為解決上述技術(shù)問題，本發(fā)明的技術(shù)方案具體包括如下步驟：

第一步：特征點提取與描述子的生成；

第二步：特征匹配；

第三步：采用改進的RANSAC方法進行圖像配準(zhǔn)；

第四步：采用直方圖均衡化方法對輸入圖像進行亮度預(yù)處理，使輸入圖像亮度達到均衡，然后再使用加權(quán)平均融合法進行圖像融合。

作為本發(fā)明技術(shù)方案的優(yōu)選，所述第一步中所述特征點提取具體包括以下步驟：

(1.1)Sobel算子采用3×3的模塊進行卷積計算，其函數(shù)矩陣為

(1.2)采用和兩個卷積模板，利用該兩個卷積模板分別計算出橫向邊緣檢測G_x和縱向邊緣檢測G_y：

(1.3)由G_x，G_y可以計算得出

然后將提前設(shè)定的閾值和G(x,y)相比，如果閾值小于G(x,y)， 則該像素點(i,j)為邊緣點，將該邊緣點提取為特征點。

作為本發(fā)明技術(shù)方案的優(yōu)選，所述第一步中所述描述子的生成包括以下步驟：

(2.1)以提取的特征點為中心，對半徑為6σ的圓域內(nèi)的任一點，求該圓域內(nèi)的任一點在x和y方向上的haar小波響應(yīng)系數(shù)；

(2.2)所述圓域內(nèi)的任一點到特征點中心的距離為一個半徑，然后以該一個半徑為起點，取50°的扇形區(qū)域為計算區(qū)域，然后令該扇形區(qū)域在該半徑為6σ的圓域內(nèi)逆時針方向旋轉(zhuǎn)，每隔30°分別對這個扇形區(qū)域內(nèi)x和y方向的haar小波系數(shù)的和進行計算；

(2.3)該haar小波系數(shù)的和形成一個向量，總共有12個向量，確定這12個向量中模最大的一個向量，然后將該模最大的一個向量的方向作為特征點的主方向；

(2.4)然后選取Step1所檢測到的一個特征點，并以該特征點為中心，將坐標(biāo)系旋轉(zhuǎn)到所述主方向，并作一個邊長為20σ的正方形區(qū)域，將該正方形區(qū)域分為4×4的小區(qū)域，分別計算每一個小區(qū)域像素的x和y方向的haar小波系數(shù)，每一個小區(qū)域在計算時的邊長為5σ×5σ，方向和主方向一致；

(2.5)將步驟(4)求得的正方形區(qū)域內(nèi)的每一像素點的x和y方向的haar小波系數(shù)進行求和操作，分別得到d_x和d_y，然后將該正方形區(qū)域的每一點像素的haar小波系數(shù)的絕對值求和，分別得到∑d_x，∑d_y；

(2.6)每個小區(qū)域內(nèi)得到一個向量

v＝[∑d_x,∑d_y,∑|d_x|,∑|d_y|]，所述正方形區(qū)域包括16個小區(qū)域，16個小區(qū)域的窗口向量構(gòu)成了該描述子，其維數(shù)大小為4×4×4＝64。

作為本發(fā)明技術(shù)方案的優(yōu)選，所述第二步中，在匹配過程中，采用歐氏距離進行相似度度量，即用最近距離與次近距離之比，若該比值小于某個設(shè)定閾值，則認為是最佳匹配，否則拋棄；

作為本發(fā)明技術(shù)方案的優(yōu)選，所述第三步中，通過改進隨機采樣的過程，利用每次抽取的最小子樣本來估計模型參數(shù)，再根據(jù)估計的模型參數(shù)調(diào)整子樣本在后面抽樣中被選取的概率，并不斷進行迭代抽取檢驗以提高獲得正確臨時模型的概率。