[發(fā)明專(zhuān)利]基于光照均衡化和改進(jìn)surf算法的隧道襯砌圖像拼接方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710857638.0
• 申請(qǐng)日: 2017-09-21
• 公開(kāi)（公告）號(hào): CN107993193B
• 公開(kāi)（公告）日: 2021-06-11
• 發(fā)明（設(shè)計(jì)）人: 薛丹;王新宇
• 申請(qǐng)（專(zhuān)利權(quán)）人: 沈陽(yáng)工業(yè)大學(xué)
• 主分類(lèi)號(hào): G06T3/40
• 分類(lèi)號(hào): G06T3/40;G06T5/00;G06T5/10;G06T5/50;G06T7/30
• 代理公司: 沈陽(yáng)智龍專(zhuān)利事務(wù)所(普通合伙) 21115
• 代理人: 周智博;宋鐵軍

1.一種基于光照均衡化和改進(jìn)surf算法的隧道襯砌圖像拼接方法，其特征在于：該方法包括:

(1)、用擬合光照曲線(xiàn)分布的算法將隧道圖片進(jìn)行處理，以突出特征并減少光照不均的影響；

(2)、使用surf特征匹配算法尋找surf特征，并使用FlannBasedMatcher匹配器將上述檢測(cè)到的特征點(diǎn)進(jìn)行匹配；

(3)、使用對(duì)稱(chēng)性匹配策略，距離匹配限定算法，隨機(jī)采樣一致性算法進(jìn)行匹配約束；

(4)、使用數(shù)學(xué)方式求取圖像的期望距離，將圖像進(jìn)行分割拼接；

該方法步驟如下：

(1)、用擬合光照曲線(xiàn)分布的算法將隧道圖片進(jìn)行處理，突出特征并減少光照不均的影響；

(1.1)、改進(jìn)的均值濾波去噪：

為去除雜散的亮噪點(diǎn)，采用(2t+1)*(2t+1)模板對(duì)原圖像進(jìn)行均值濾波，將均值濾波后的圖像與原圖像各像素灰度值進(jìn)行比較，取每個(gè)對(duì)應(yīng)像素的最小值組成新的圖像；在去除高光亮的同時(shí)保留裂縫特征；

g(i，j)＝min[s(i，j)，r(i，j)]

其中n＝m＝45；i,j是定義在圖像上的橫縱坐標(biāo)，s(i,j)為原圖像坐標(biāo)為(i,j)處的像素灰度值，r(i,j)為均值濾波后的圖像坐標(biāo)為(i,j)處的像素灰度值，g(i,j)為改進(jìn)均值濾波處理后的圖像坐標(biāo)為(i,j)處的像素灰度值；

(1.2)、高斯金字塔壓縮去噪：

采用若干分辨率多尺度表達(dá)的圖像金字塔壓縮方式進(jìn)行圖像壓縮；不同層級(jí)對(duì)應(yīng)不同分辨率的圖像；在去除噪聲的同時(shí)盡可能不丟失圖像重要細(xì)節(jié)，并且能夠提高運(yùn)算速度，在保留裂縫與背景的梯度的同時(shí)，消除小波動(dòng)噪聲；

其中，通過(guò)對(duì)輸入原始圖像l層迭代以上步驟，得到的圖像即為l+1層的圖像；w(m,n)為高斯卷積核，g_l-1(i,j)為第l-1層圖像坐標(biāo)為(i,j)處的像素灰度值，g_l(i,j)為第l層圖像坐標(biāo)為(i,j)處的像素灰度值；

(1.3)、改進(jìn)的高斯濾波擬合光照曲線(xiàn)分布：

擬合光照曲線(xiàn)分布，相當(dāng)于對(duì)灰度剖面曲線(xiàn)圖進(jìn)行平滑處理，通過(guò)把剖面與一個(gè)高斯平滑濾波器進(jìn)行卷積來(lái)實(shí)現(xiàn)；

x(i，j)＝g(i，j)*h(i,j)

x(i,j)是用高斯濾波器h(i,j)與圖像g(i,j)做卷積來(lái)估計(jì)光場(chǎng)分布情況；

令o(i,j)＝t(i,j)-x(i,j)

其中i,j是定義在圖像上的橫縱坐標(biāo)，t(i,j)為金字塔壓縮后圖像坐標(biāo)為(i,j)處的像素灰度值，x(i,j)為高斯濾波后圖像坐標(biāo)為(i,j)處的像素灰度值，o(i,j)為去除光照曲面后圖像坐標(biāo)為(i,j)處的像素灰度值，再與去除光照曲面后的圖像均值進(jìn)行比較，保留低于均值部分的像素值，從而濾出噪聲，y(i,j)為預(yù)處理后圖像坐標(biāo)為(i,j)處的像素灰度值；

(2)、使用surf特征匹配算法尋找surf特征，并使用FlannBasedMatcher匹配器將上述檢測(cè)到的特征點(diǎn)進(jìn)行匹配：

(2.1)、創(chuàng)建SurfFeatureDetector特征檢測(cè)器對(duì)圖像進(jìn)行特征點(diǎn)檢測(cè)，并將檢測(cè)出來(lái)的特征點(diǎn)分別保存在特征點(diǎn)數(shù)組keypoints_1,keypoints_2里；

(2.2)、構(gòu)建SurfDescriptorExtractor特征描述器描述surf特征；

(2.3)、使用FlannBasedMatcher匹配器即基于可伸縮最近鄰算法Flann的描述符匹配器將上述檢測(cè)到的特征點(diǎn)進(jìn)行匹配；

(3)、特征匹配限制的三種方案：

(3.1)、對(duì)稱(chēng)性匹配策略：去除不穩(wěn)定的匹配點(diǎn)；

(3.2)、距離匹配限定算法：

算法的具體內(nèi)容是由外部得到的車(chē)速v和攝像頭幀率fps,則車(chē)在一幀的時(shí)間下行進(jìn)的距離就是s＝v*(1/fps),由于要車(chē)輛近似保持勻速運(yùn)動(dòng)，那么車(chē)行進(jìn)的距離s與同一位置在圖像上的像素位置差x為一一映射的關(guān)系，我們?cè)O(shè)這個(gè)關(guān)系系數(shù)為k,則x＝ks,由于誤差的存在，我們?cè)O(shè)定一個(gè)x的鄰域區(qū)間作為閾值區(qū)間進(jìn)行限定；

(3.3)、隨機(jī)采樣一致性算法：

RANSAC從一組包含“局外點(diǎn)”的觀(guān)測(cè)數(shù)據(jù)集中，通過(guò)迭代方式估計(jì)數(shù)學(xué)模型的參數(shù)；它是一種不確定的算法——它有一定的概率得出一個(gè)合理的結(jié)果；為了提高概率必須提高迭代次數(shù)；

(4)、使用數(shù)學(xué)方式求取圖像的相對(duì)距離將圖像進(jìn)行分割拼接，算法思路為：計(jì)算每一條匹配點(diǎn)之間連線(xiàn)的斜率k＝(y_i-y_j)/(x_i-x_j)，選取斜率最多的匹配點(diǎn)即斜率的眾數(shù)，那這些匹配點(diǎn)就是正確的。