[發(fā)明專(zhuān)利]一種基于特征點(diǎn)的圖像配準(zhǔn)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202010828690.5
• 申請(qǐng)日: 2020-08-18
• 公開(kāi)（公告）號(hào): CN112150520A
• 公開(kāi)（公告）日: 2020-12-29
• 發(fā)明（設(shè)計(jì)）人: 顧軍;賀廣強(qiáng);張恩明;張會(huì)柱
• 申請(qǐng)（專(zhuān)利權(quán)）人: 徐州華訊科技有限公司
• 主分類(lèi)號(hào): G06T7/33
• 分類(lèi)號(hào): G06T7/33;G06T5/00;G06K9/46
• 代理公司: 徐州創(chuàng)榮知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 32353
• 代理人: 晏榮府

1.一種基于特征點(diǎn)的圖像配準(zhǔn)方法，其特征在于：具體步驟如下

(1)對(duì)參考圖像和待配準(zhǔn)圖像采用小波變換閾值去噪法的方法進(jìn)行預(yù)處理；

(2)SIFT算法提取特征點(diǎn)；

(3)采用變形降維的方法描述特征點(diǎn)；

(4)根據(jù)余弦相似度對(duì)特征點(diǎn)進(jìn)行粗匹配；

(5)采用改進(jìn)的RANSAC算法剔除部分誤匹配，得到匹配精度較高的匹配點(diǎn)對(duì)。

2.根據(jù)權(quán)利要求1所述的一種基于特征點(diǎn)的圖像配準(zhǔn)方法，其特征在于：采用小波變換閾值去噪法的方法對(duì)參考圖像和待配準(zhǔn)圖像進(jìn)行預(yù)處理的具體步驟是：

(1)二維信號(hào)的小波分解：計(jì)算含噪聲信號(hào)的小波變換，選擇合適的小波基和小波分解層數(shù)J，將圖形進(jìn)行小波分解，得到相應(yīng)的小波分解系數(shù)。

(2)對(duì)高頻系數(shù)進(jìn)行閾值量化：對(duì)于從1～J的每一層，選擇一個(gè)適當(dāng)?shù)拈撝岛秃线m的閾值系數(shù)，將分解得到的高頻系數(shù)進(jìn)行閾值量化，得到估計(jì)小波系數(shù)。

(3)二維小波重構(gòu)：進(jìn)行小波逆變換，根據(jù)小波分解后的第J層的低頻系數(shù)(尺度系數(shù))和經(jīng)過(guò)閾值量化處理的各層高頻系數(shù)(小波系數(shù))，再利用重構(gòu)算法進(jìn)行小波重構(gòu)，得到去噪后信號(hào)。

3.根據(jù)權(quán)利要求2所述的一種基于特征點(diǎn)的圖像配準(zhǔn)方法，其特征在于：

SIFT算法提取特征點(diǎn)主要步驟如下：

(1)構(gòu)建高斯尺度空間

為了在不同的尺度空間內(nèi)找到穩(wěn)定的特征點(diǎn)，SIFT算法使用不同尺度的高斯差分核來(lái)產(chǎn)生高斯差分尺度空間DOG，

D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ))*I(x,y)＝L(x,y,kσ)-L(x,y,σ) (1)

高斯卷積核是實(shí)現(xiàn)尺度變換的唯一線性核，于是一副二維圖像的尺度空間定義為:

L(x,y,σ)＝G(x,y,σ)*I(x,y) (3)

其中(x,y)是圖像像素的空間坐標(biāo)，I(x,y)代表原始圖像的像素值，ó大小決定圖像的平滑程度，G(x,y,ó)是尺度可變高斯函數(shù)，k是尺度空間因子，L(x,y,kσ)是對(duì)應(yīng)尺度下的高斯函數(shù)；

(2)檢測(cè)出局部極值點(diǎn)

在高斯差分尺度空間中，通過(guò)比較每一個(gè)像素點(diǎn)與和它同尺度的N個(gè)相鄰點(diǎn)和上下相鄰尺度對(duì)應(yīng)的M個(gè)點(diǎn)比較，以確保在尺度空間和二維圖像空間都檢測(cè)到極值點(diǎn)；如果該點(diǎn)在高斯差分尺度空間本層以及相鄰兩層的M個(gè)鄰域內(nèi)最大或最小，則認(rèn)為該點(diǎn)為局部極值點(diǎn)，從而檢測(cè)出不同尺度空間中所有的極值點(diǎn)。

4.根據(jù)權(quán)利要求3所述的一種基于特征點(diǎn)的圖像配準(zhǔn)方法，其特征在于：變形降維的方法描述特征點(diǎn)具體步驟：

(1)SIFT算法提取關(guān)鍵點(diǎn)，然后采用半徑為6像素的圓形鄰域區(qū)域，對(duì)像素的等級(jí)和方向進(jìn)行統(tǒng)計(jì)，以確定主要方向和輔助方向。

(2)將鄰域區(qū)域劃分為四個(gè)扇區(qū)和一個(gè)環(huán)，將每個(gè)子區(qū)域作為種子點(diǎn)；對(duì)子區(qū)域中每個(gè)像素的等級(jí)和方向進(jìn)行統(tǒng)計(jì)，在高斯加權(quán)后將梯度指定為0，π/4，π/2，5π/4，2π，9π/4，3π，13π/4。

(3)四個(gè)扇區(qū)根據(jù)順時(shí)針?lè)较蚓幪?hào)為1,2,3,4，環(huán)編號(hào)為5，共5個(gè)種子點(diǎn)，每個(gè)種子點(diǎn)有8個(gè)方向向量信息；最后，生成5*8總共為40維特征描述符。

5.根據(jù)權(quán)利要求4所述的一種基于特征點(diǎn)的圖像配準(zhǔn)方法，其特征在于：特征點(diǎn)粗匹配具體步驟：假設(shè)初步匹配點(diǎn)對(duì)的n維特征向量對(duì)應(yīng)分別為A和B；所述A為[A₁,A₂,…,A_n]，所述B為[B,B₂,…,B_n]；A^T表示矩陣A的轉(zhuǎn)置矩陣，所述初步匹配點(diǎn)對(duì)的余弦相似度用cosθ表示：

通過(guò)計(jì)算上述匹配點(diǎn)對(duì)特征向量之間的余弦值即cosθ的值，當(dāng)cosθ的值大于等于0.9，則認(rèn)為該匹配點(diǎn)對(duì)在方向上的相似度也比較高，此時(shí)認(rèn)為是正確的匹配點(diǎn)對(duì)，否則為錯(cuò)誤的匹配點(diǎn)對(duì)，并將其舍棄。

6.根據(jù)權(quán)利要求5所述的一種基于特征點(diǎn)的圖像配準(zhǔn)方法，其特征在于：用改進(jìn)的RANSAC算法剔除部分誤匹配，得到匹配精度較高的匹配點(diǎn)對(duì)具體步驟：

(1)估計(jì)數(shù)學(xué)模型，為了在指定的迭代中選擇最佳模型，在每次迭代中，根據(jù)式(5)計(jì)算不同變換模型參數(shù)，其中q是計(jì)算模型參數(shù)所需的最小匹配點(diǎn)數(shù)，p是每個(gè)變換模型中的參數(shù)個(gè)數(shù)；式(6)是根據(jù)變換參數(shù)計(jì)算變換模型，選擇三個(gè)隨機(jī)匹配點(diǎn)以計(jì)算變換參數(shù)，其中f,e,d,c,b,a是變換參數(shù)，(x₁,y₁)是參考圖像中匹配點(diǎn)的坐標(biāo)，(x′₁,y′₁)是坐標(biāo)；將待匹配圖像中的變換模型寫(xiě)成HPe，其中H是變換參數(shù)，Pe是參考圖像中的匹配點(diǎn)；

(2)判斷其他點(diǎn)；在計(jì)算變換模型參數(shù)之后，對(duì)于參考圖像中的每個(gè)匹配點(diǎn)，在待匹配圖像中計(jì)算(P，HPe)之間的距離，記錄其中的最大值max、最小值min，并計(jì)算距離的均值mean及待比較的threshold，其中Pi是待匹配圖像中的第i個(gè)匹配，HPei是第i個(gè)參考匹配變換模型，i是匹配點(diǎn)的數(shù)量，計(jì)算模型中的其他點(diǎn)P到參考模型HPe的距離，并與threshold進(jìn)行比較，若該距離小于threshold則認(rèn)為該點(diǎn)為內(nèi)點(diǎn)，符合該模型，否則為外點(diǎn)；

min(dis)＝dis(P_i,HP_ei)(i＝1,2,...,m) (7)；

max(dis)＝dis(P_i,HP_ei)(i＝1,2,...,m) (8)；

mean(dis)＝dis(P_i,HP_ei)(i＝1,2,...,m) (9)；

(3)處理模型；比較模型中的內(nèi)點(diǎn)個(gè)數(shù)與期望值，若大于期望值或者達(dá)到預(yù)定的最大迭代次數(shù)，則重新估計(jì)模型，若小于，則該模型作為候選模型，重新選取樣本，重復(fù)以上步驟；

(4)經(jīng)過(guò)N次迭代，用內(nèi)點(diǎn)個(gè)數(shù)最多的樣本重新估計(jì)模型，得到最終結(jié)果。