基于特征导向GMM和边缘图像的图像配准方法及系统技术方案

一种基于特征导向GMM和边缘图像的图像配准方法及系统，包括计算待匹配的两幅图像的边缘图像，提取边缘图像的特征点集，根据特征描述向量集设定GMM模型的隶属度建立待匹配图像间几何变换相应的模型，通过最优化方法求解模型参数；重新计算特征点集中特征点另一特征点集中特征点的匹配点的后验概率，并根据阈值判断二者是否互为匹配点。本发明专利技术针对待匹配图像之间存在仿射变换的情况进行了建模，相较于之前最优的方法鲁棒性、准确性更佳，尤其在数据退化严重的情况下表现稳定。

【技术实现步骤摘要】

本专利技术涉及图像特征匹配
，具体地说，本专利技术涉及基于特征导向高斯混合模型(GMM)和边缘图像的图像配准技术方案。
技术介绍
图像匹配的基本目标是将使用不同传感器在不同的时间和视角下获得的同一个场景的两幅图像的相同部位进行对应。在很多匹配场景中，受限于所使用的图像传感器和成像技术、图像获取的环境条件、场景本身随时间的变化等因素，匹配用的图像往往会出现退化严重、细节改变等问题，使具有一致性的特征减少，对于此类图像的配准问题是一个很具有挑战性的问题。在本专利技术中，我们聚焦于退化较为严重的图像的配准问题，在配准中具有不同的状态的相似的场景的两幅或多幅图像是必须的，这些图像被配准到一个共同的空间坐标中。如何寻找两幅图像中对应的匹配点，形成匹配点对，并确保匹配点对的正确性是图像匹配方法的关键。在最近的几十年，针对严重退化图像的配准技术大量涌现。这些技术大致上可以分为两类：基于区域的和基于特征的。前者是通过两幅图像重叠区域的原始像素来寻找匹配信息，匹配两幅图像中的特定的相似性度量标准，例如，互相关，相位相关，公共信息等。后者则是寻找特征描述子之间的相似性或空间几何约束条件下局部特征的一致性。基于区域的方法适用于由像素的亮度而不是局部结构和特征提供信息或者图像具有少量突出细节的情况下。但是其具有很大的计算复杂度，受图像失真和照明亮度改变的影响比较大。相对的，基于特征的方法更快，具有更好的鲁棒性，可以配准具有更少共同特征的图像并能够解决复杂的图像失真问题，因此其应用更为广泛。这些方法中使用的特征可以是分支点，边缘线条，斑块突出区域等，利用相应的特征检测器进行特征提取。对于图像品质退化较为严重的图像，很难提取出可靠的区域类的特征。
技术实现思路
针对现有技术缺陷，本专利技术提出了一种基于特征导向高斯混合模型(GMM)和边缘图像的图像配准技术方案。本专利技术的技术方案提出一种基于特征导向GMM和边缘图像的图像配准方法，包括以下步骤，步骤1，计算待匹配的两幅图像A和B的边缘图像，得到边缘图像A'和B'；步骤2，提取边缘图像A'和B'的特征点集，得到特征点集N、M分别为图像A'和B'中找到的特征点的数目，为特征点集相对应的特征描述向量集；步骤3，根据特征描述向量集Sx、Ry设定GMM模型的隶属度πmn，实现方式如下，计算Sx中每一个特征描述向量sn与Ry中每一个特征描述向量rm的欧氏距离；对于Sx中任一个特征描述向量sn，分别寻找Ry中与其欧氏距离最近的两个的特征描述向量，求取这两个特征描述向量到sn欧氏距离之比；设Ry中与sn最近的一个特征描述向量为ri，如果所求比值小于等于预设的阈值T，则设定πin＝τ，πmn＝(1-τ)/(N-1)，其中m＝1,2,...,M且m≠i；如果欧氏距离之比大于预设的阈值T，则设定πmn＝1/N，其中m＝1,2,...,M；步骤4，建立待匹配图像间几何变换相应的模型，实现如下，针对待匹配图像间的仿射变换，建立变换数学模型如下，y＝t(x)＝Ax+o其中，x和y分别是图像A和图像B上像素的坐标向量，t(x)表示仿射变换关系，A是一个2×2的仿射矩阵，o是一个2×1的矩阵，表示待匹配图像间的平移；特征点集Y中ym是特征点集X中xn的匹配点的后验概率pmn有如下后验概率数学模型， p m n = π m n e - | | y m - t ( x n ) | | 2 2 σ 2 Σ k = 1 N π m k e - | | y m - t ( x k ) | | 2 2 σ 2 + 2 γπσ 2 / 本文档来自技高网...

【技术保护点】
一种基于特征导向GMM和边缘图像的图像配准方法，其特征在于：包括以下步骤，步骤1，计算待匹配的两幅图像A和B的边缘图像，得到边缘图像A'和B'；步骤2，提取边缘图像A'和B'的特征点集，得到特征点集N、M分别为图像A'和B'中找到的特征点的数目，为特征点集相对应的特征描述向量集；步骤3，根据特征描述向量集Sx、Ry设定GMM模型的隶属度πmn，实现方式如下，计算Sx中每一个特征描述向量sn与Ry中每一个特征描述向量rm的欧氏距离；对于Sx中任一个特征描述向量sn，分别寻找Ry中与其欧氏距离最近的两个的特征描述向量，求取这两个特征描述向量到sn欧氏距离之比；设Ry中与sn最近的一个特征描述向量为ri，如果所求比值小于等于预设的阈值T，则设定πin＝τ，πmn＝(1‑τ)/(N‑1)，其中m＝1,2,...,M且m≠i；如果欧氏距离之比大于预设的阈值T，则设定πmn＝1/N，其中m＝1,2,...,M；步骤4，建立待匹配图像间几何变换相应的模型，实现如下，针对待匹配图像间的仿射变换，建立变换数学模型如下，y＝t(x)＝Ax+o其中，x和y分别是图像A和图像B上像素的坐标向量，t(x)表示仿射变换关系，A是一个2×2的仿射矩阵，o是一个2×1的矩阵，表示待匹配图像间的平移；特征点集Y中ym是特征点集X中xn的匹配点的后验概率pmn有如下后验概率数学模型，pmn=πmne-||ym-t(xn)||22σ2Σk=1Nπmke-||ym-t(xk)||22σ2+2γπσ2/(1-γ)a]]>其中，γ和σ均为模型参数，e为数学常量，a为图像的像素总数；步骤5，通过最优化方法求解模型参数A、o、γ、σ，包括以下子步骤，步骤5.1，初始化，包括令参数γ＝0.9，A＝I2×2，o＝0，pmn＝πmn，m＝1,2,...,M，n＝1,2,...,N，令当前迭代次数J＝1，采用下述模型参数公式计算σ，σ2=Σm=1MΣn=1Npmn||ym-t(xn)||22MP]]>其中，全部后验概率的总和步骤5.2，根据当前的模型参数A、o、γ、σ，更新矩阵P，包括定义矩阵P为一个M×N的矩阵，采用步骤4中所述后验概率数学模型，计算P矩阵中的每个元素pmn，m＝1,2,...,M，n＝1,2,...,N；步骤5.3，计算参数A、o、γ、σ，如下，采用下述公式计算参数A，A=(Y^TPX^)(X^Td(PTIM×1)X^)-1]]>其中，矩阵tr(.)为矩阵的迹，d(.)表示将向量转化为对角线矩阵；IN×1、IM×1都是元素全为1的向量；采用下述公式计算参数o，o＝μy‑Aμx采用下述公式计算参数σ2，σ2=Σm=1MΣn=1Npmn||ym-t(xn)||22MP]]>采用下述公式计算参数γ，γ＝1‑MP/M采用步骤5.1中模型参数公式计算σ；步骤5.4，判别收敛条件，包括计算当前的参数L，当满足J＝Jmax或者(L‑Lold)/Lold≤ε时，结束迭代，进入步骤6，其中Jmax为预设的最大迭代次数，ε是收敛阈值；否则，J＝J+1，返回步骤5.2；所述参数L的计算公式如下，L=MPlnσ2-MPln(1-γ)-(M-MP)lnγ+12σ2Σm=1MΣn=1Npmn||ym-t(xn)||2]]>其中，Lold表示上一次计算得到的L；步骤6，重新计算特征点集Y中ym是特征点集X中xn的匹配点的后验概率pmn，并根据阈值判断二者是否互为匹配点，实现如下，将所述步骤5中求解的模型参数代入步骤4中所述后验概率数学模型，计算得到特征点集Y中ym是特征点集X中xn的匹配点的后验概率pmn；当pmn≥threshold时，则认为ym与xn互为匹配点；当pmn<threshold时，则认为ym与xn不互为匹配点，其中threshold为预设的判断阈值。...

【技术特征摘要】
1.一种基于特征导向GMM和边缘图像的图像配准方法，其特征在于：包括以下步骤，步骤1，计算待匹配的两幅图像A和B的边缘图像，得到边缘图像A'和B'；步骤2，提取边缘图像A'和B'的特征点集，得到特征点集N、M分别为图像A'和B'中找到的特征点的数目，为特征点集相对应的特征描述向量集；步骤3，根据特征描述向量集Sx、Ry设定GMM模型的隶属度πmn，实现方式如下，计算Sx中每一个特征描述向量sn与Ry中每一个特征描述向量rm的欧氏距离；对于Sx中任一个特征描述向量sn，分别寻找Ry中与其欧氏距离最近的两个的特征描述向量，求取这两个特征描述向量到sn欧氏距离之比；设Ry中与sn最近的一个特征描述向量为ri，如果所求比值小于等于预设的阈值T，则设定πin＝τ，πmn＝(1-τ)/(N-1)，其中m＝1,2,...,M且m≠i；如果欧氏距离之比大于预设的阈值T，则设定πmn＝1/N，其中m＝1,2,...,M；步骤4，建立待匹配图像间几何变换相应的模型，实现如下，针对待匹配图像间的仿射变换，建立变换数学模型如下，y＝t(x)＝Ax+o其中，x和y分别是图像A和图像B上像素的坐标向量，t(x)表示仿射变换关系，A是一个2×2的仿射矩阵，o是一个2×1的矩阵，表示待匹配图像间的平移；特征点集Y中ym是特征点集X中xn的匹配点的后验概率pmn有如下后验概率数学模型， p m n = π m n e - | | y m - t ( x n ) | | 2 2 σ 2 Σ k = 1 N π m k e - | | y m - t ( x k ) | | 2 2 σ 2 + 2 γπσ 2 / ( 1 - γ ) a ]]>其中，γ和σ均为模型参数，e为数学常量，a为图像的像素总数；步骤5，通过最优化方法求解模型参数A、o、γ、σ，包括以下子步骤，步骤5.1，初始化，包括令参数γ＝0.9，A＝I2×2，o＝0，pmn＝πmn，m＝1,2,...,M，n＝1,2,...,N，令当前迭代次数J＝1，采用下述模型参数公式计算σ， σ 2 = Σ m = 1 M Σ n = 1 N p m n | | y m - t ( x n ) | | 2 2 M P ]]>其中，全部后验概率的总和步骤5.2，根据当前的模型参数A、o、γ、σ，更新矩阵P，包括定义矩阵P为一个M×N的矩阵，采用步骤4中所述后验概率数学模型，计算P矩阵中的每个元素pmn，m＝1,2,...,M，n＝1,2,...,N；步骤5.3，计算参数A、o、γ、σ，如下，采用下述公式计算参数A， A = ( Y ^ T P X ^ ) ( X ^ T d ( P T I M × 1 ) X ^ ) - 1 ]]>其中，矩阵tr(.)为矩阵的迹，d(.)表示将向量转化为对角线矩阵；IN×1、IM×1都是元素全为1的向量；采用下述公式计算参数o，o＝μy-Aμx采用下述公式计算参数σ2， σ 2 = Σ m = 1 M Σ n = 1 N p m n | | y m - t ( x n ) | | 2 2 M P ]]>采用下述公式计算参数γ，γ＝1-MP/M采用步骤5.1中模型参数公式计算σ；步骤5.4，判别收敛条件，包括计算当前的参数L，当满足J＝Jmax或者(L-Lold)/Lold≤ε时，结束迭代，进入步骤6，其中Jmax为预设的最大迭代次数，ε是收敛阈值；否则，J＝J+1，返回步骤5.2；所述参数L的计算公式如下， L = M P lnσ 2 - M P l n ( 1 - γ ) - ( M - M P ) l n γ + 1 2 σ 2 Σ m = 1 M Σ n = 1 N p m n | | y m - t ( x n ) | | 2 ]]>其中，Lold表示上一次计算得到的L；步骤6，重新计算特征点集Y中ym是特征点集X中xn的匹配点的后验概率pmn，并根据阈值判断二者是否互为匹配点，实现如下，将所述步骤5中求解的模型参数代入步骤4中所述后验概率数学模型，计算得到特征点集Y中ym是特征点集X中xn的匹配点的后验概率pmn；当pmn≥threshold时，则认为ym与xn互为匹配点；当pmn<threshold时，则认为ym与xn不互为匹配点，其中threshold为预设的判断阈值。2.根据权利要求1所述基于特征导向GMM和边缘图像的图像配准方法，其特征在于：步骤1的实现方式为，通过基础的直方图均衡算法对图像A和B进行直方图均衡，然后利用Sobel算子对直方图均衡后的图像进行边缘提取，最后采用对比度限制直方图均衡算法对边缘提取后的图像进行图像增强，得到图像A和B的边缘图像A'和B'。3.一种基于...

【专利技术属性】
技术研发人员：马泳，马佳义，黄珺，樊凡，张灿，梅晓光，
申请(专利权)人：武汉熹光科技有限公司，
类型：发明
国别省市：湖北;42