The invention discloses a method for optimizing image perspective transformation, randomly selected from the 4 pairs of image matching, and determine whether the 3 points are collinear, if any, are useless in this group, again randomly selected, no 3 points are collinear until 4 pairs of matched points in case of a total of 4 pairs of matched points of data normalization, according to the three elements of the H equation to calculate the homography matrix H, real-time and accurate for the image terminal system in the process of image registration is different with Hugh, presents a perspective transformation model of image registration method based on Harris algorithm, this method enhance the rotation invariance of the traditional Harria algorithm, better able to apply image in large rotation angle, combined with the NCC algorithm and RANSAC algorithm and transform matrix of perspective people should know the DLT algorithm by using the stable. The image registration is realized by the single stress matrix, which can effectively improve the effect of the transformation of the perspective, and effectively improve the convenience of the use.
【技术实现步骤摘要】
一种图像透视变换的优化方法
本专利技术涉及图像处理
,具体为一种图像透视变换的优化方法。
技术介绍
图像透视变换是利用透视中心、像点、目标点三点共线的条件将图片投影到一个新的视平面,也称作投影映射。透视变换的变换公式为X=H·X',其中X是像点,即参考图像的坐标,X是目标点,即目标图像的坐标,H是变换矩阵。通过参考图像和目标图像的部分坐标得到H,根据H对参考图像进行透视变换,就可以根据参考图像得到目标图像的拟合,此方法可以应用于个人相册压缩和云端图像存储等领域中。由参考图像和目标图像的部分坐标得到H的过程中,为使得H更加精确,需要使用最优化方法对H进行修正。目前,比较常用的最优化方法有:梯度下降法、牛顿法和Levenberg-Marquardt(简称为L-M)法等。梯度下降法也称为最速下降法,用负梯度方向为搜索方向,越接近目标值,步长越小,前进越慢,存在靠近极小值时收敛速度减慢和直线搜索时得不到理想结果等一些问题。牛顿法收敛速度快,但对初始点要求严格,方向构造困难,计算复杂且占用内存较大。L-M方法是利用梯度求最大或最小值的方法,形象的说,属于“爬山”法的一种。L-M方法同时具有梯度法和牛顿法的优点。在L-M算法中,每次迭代会寻找一个合适的阻尼因子λ。当λ很小时,步长等于牛顿法步长,当λ很大时,步长约等于梯度下降法的步长。L-M方法对过参数化问题不敏感,能有效处理冗余参数问题,使代价函数陷入局部极小值的机会大大减小,这些特性使得L-M方法在计算机视觉等领域得到广泛应用。所以,在对H进行修正时都采用L-M方法。但是在透视变换中采用最初的L-M方法存在计 ...
【技术保护点】
一种图像透视变换的优化方法,其特征在于:包括如下步骤:1)从粗匹配的图像中随机抽取4对匹配点并判断是否有3点共线的情况,如果有,则舍去这一组匹配点重新随机抽取,直到4对匹配点中没有3点共线的情况;2)对选取的4对匹配点进行数据归一化,根据H元素的三个方程计算出单应矩阵H;3)利用单应矩阵H,采用对称转移误差方法,来估算一组对应的误差,如果d
【技术特征摘要】
1.一种图像透视变换的优化方法,其特征在于:包括如下步骤:1)从粗匹配的图像中随机抽取4对匹配点并判断是否有3点共线的情况,如果有,则舍去这一组匹配点重新随机抽取,直到4对匹配点中没有3点共线的情况;2)对选取的4对匹配点进行数据归一化,根据H元素的三个方程计算出单应矩阵H;3)利用单应矩阵H,采用对称转移误差方法,来估算一组对应的误差,如果d2transfer大于设定的阈值,则作为外点舍去,否者认定其对应的匹配点为内点;4)在估计次数N内重复采样与验证,记录内点数目,选取具有较多内点数目的数据集进行下一步操作;5)设定估计次数N的阈值为1000,选取内点数目与角点总数的比值ω(ω≥0.5)作为数据是真实数字模型内点的概率,那么一次估计中所有4个点都是内点的概率为ω4,N次采样后,记录内点数目最大时的一致集;6)利用数目最大时数据集的所有内点从新估计单应矩阵HR,并用HR实现图像的配准,即IR=HRI,其中I代表配准前的图像,IR代表配准后的图像。2.根据权利要求1的一种图像透视变换的优化方法,其特征在于:所述步骤3中对称转移误差方法的计算公式为:d2transfer=d(Pi,H-1Pi’)2+d(Pi’,HPi)2采用GLT算法估算变换矩阵,该方法可以得到更准确的参量,由4对匹配点对应Pi→P’i,确定变换方程为P’i=HPi。3.根据权利要求1的一种图像透视变换的优化方法,其特征在于:所述步骤5)中如果经过N次至少有一次估计中的所有数据点都是内点的概率是p(p=0.99),则N需要满足:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。