基于区域分块的奇异值分解图像匹配算法制造技术

本发明专利技术公开了一种基于区域分块的奇异值分解图像匹配算法，首先将采集到的原始彩色图像变为灰度图像，再对其分别进行分块处理；然后在待匹配图像中分别提取带主方向的角点作为特征点；最后利用奇异值分解算法生成特征点匹配矩阵并获得特征点间的一一对应关系。实验结果表明，改进后的算法能够匹配任意角度旋转的图像，并具有较快的计算速度和较高的匹配精度，解决了现有技术中存在的误匹配易耗时、匹配效率低的问题。

Singular Value Decomposition Image Matching Based on Region Blocking

The invention discloses an image matching algorithm based on region partitioning of singular value decomposition. First, the original color image is transformed into gray-scale image, and then the original color image is processed separately by partitioning. Then, corner points with principal direction are extracted as feature points in the image to be matched. Finally, the matching matrix of feature points is generated by singular value decomposition algorithm and one-to-one pairs of feature points are obtained. Relationship. The experimental results show that the improved algorithm can match images rotating at any angle, and has faster calculation speed and higher matching accuracy. It solves the problems of time-consuming mismatching and low matching efficiency in the existing technology.

【技术实现步骤摘要】
基于区域分块的奇异值分解图像匹配算法
本专利技术属于图像处理
，具体涉及一种基于区域分块的奇异值分解图像匹配算法。
技术介绍
图像匹配是指对多幅存在重叠区域的待匹配图像，利用其相邻两幅间灰度、纹理、位置等特征的对应关系、相似性和一致性分析，搜索并识别出相邻图像间的匹配点对。图像匹配是计算机视觉的基础，在遥感图像处理、医学图像分析、目标跟踪识别等图像分析领域应用广泛。近年来，出现了许多图像匹配算法，这些算法可分为两大类：基于区域的匹配算法和基于特征的匹配算法。基于区域的匹配算法直接比较图像间的灰度分布，通过计算图像间的相关系数作为相似性度量进行匹配；基于特征的匹配算法首先提取图像中显著性较强的部分作为进行匹配的特征，然后对所提取特征计算特征描述子并进行匹配。赵峰等提出了基于奇异值分解的图像匹配算法，首先提取到图像中的特征点，然后利用奇异值分解算法匹配两幅图像；高晶等提出基于角点检测的图像匹配算法，首先基于曲率尺度空间检测图像在不同尺度下的角点，确定其位置与方向，进而确定出特征点的主方向，最后设计双向匹配方法实现特征点匹配。传统的基于区域的匹配算法具有较高的匹配精度，但匹配过程往往是在整副图像上进行，计算量大且对图像旋转较为敏感；基于特征的匹配方法虽然能够处理图像间复杂的变换，但通常需要进行大量几何与图像形态学计算，并需要针对不同应用领域选择合适的特征。本文提出一种基于区域分块的奇异值分解图像匹配算法，首先将原始图像灰度化再进行分块处理，然后提取图像中的特征点并为其指定一个主方向，建立特征点相似度矩阵，利用奇异值分解算法生成特征点匹配矩阵并获得特征点间的匹配关系，最后采用RANSAC(随机抽样一致性)算法对匹配过程中的误匹配点进行剔除。实验结果表明，改进后的奇异值匹配算法比标准奇异值匹配算法具有更好的匹配性能。
技术实现思路
本专利技术的目的是提供一种基于区域分块的奇异值分解图像匹配算法，解决了现有技术中存在的处理数据量大、匹配效率低的问题。本专利技术所采用的技术方案是，一种基于区域分块的奇异值分解图像匹配算法，具体按照以下步骤实施：步骤1，先对采集到的彩色图像进行灰度化处理，变为灰度图像，将采集到的图像Q与标准图像P分别进行分块处理，步骤2，搜索分块后的图像块，并根据图像块的相似性进行匹配，步骤3，对进行相似性匹配后的每一对图像P和Q，Sj和Ok的组成经过评判标准后所得到，进行特征点提取，进行奇异值分解的特征点匹配，步骤4，根据匹配结果，采用RANSAC对匹配过程中存在的误匹配点进行剔除。本专利技术的特点还在于，所述步骤1具体如下：步骤1.1，对采集图像Q进行分块，将采集到的原始彩色图像Q灰度化，然后进行分块处理，设采集的原始图像Q的大小为F1×F2，将原始图像Q划分为N个非重叠的图像块，每个划分完成的图像块大小为f×f，划分后的图像块合集为(Q1，Q2，…，Qj，…，QΩ…QN)；步骤1.2，对用于进行匹配的标准图像P进行分块，首先将标准图像P做灰度化处理，再进行分块，设采集到的标准图像P的大小为F1×F2，将原始图像P划分为N个非重叠的图像块，每个划分完成的图像块大小为f×f，划分后的图像块合集为(P1，P2，…，Pj，…，PΩ…PN)。所述步骤2中采用K-均值聚类法对图像块进行相似性匹配，具体如下：步骤2.1，对图像Q的图像子块进行相似性匹配，QΩ和图像块合集中的其它含噪图像(Q1，Q2，…Qj，…，QN)构成划分后的图像块集合，相似块匹配的基准是利用含噪图像块QΩ与划分完成后的其它含噪图像(Q1，Q2，…)块进行相似性对比，将二者匹配结合起来；步骤2.2，对图像P的图像子块进行相似性匹配，PΩ和图像块合集中的其它含噪图像(P1，P2，…Pj，…，PN)构成划分后的图像块集合，相似块匹配的基准是利用含噪图像块PΩ与划分完成后的其它含噪图像(P1，P2，…)块进行相似性对比，将二者匹配结合起来。所述的步骤2.1具体方法如下：步骤2.1.1，设聚类中心为Qj和QΩ设定为K-均值聚类法的初始聚类中心，其中，QΩ为一个固定聚类中心，k＝1,2，…，Ω-1，Ω+1，…，N；求出图像块集合中除两个聚类中心外的其他所有图像块(Q2，…，QN)到聚类中心的距离；为了便于计算，求出的是每一个图像块Qj到聚类中心QΩ的距离平方和具体计算为：其中：Dk(Sj,Ok)代表图像块Qj到聚类中心QΩ的距离平方和，Sj代表除聚类中心以外的第j个图像块，Ok第k个聚类中心，，Ωj和Ωk分别表示Sj和Ok对应的噪声；步骤2.1.2，在各个类(Sj和Ok组成的图像块)中，依照顺序，选出一个图像块作为新的可变聚类中心，并计算出空间点S与两个聚类中心的距离平方和之差，即消耗值consume，consume＝Dk(Sj,O'k)-Dk(Sj,Ok)+2σ2(2)相对应的，Sj∈S，S表示除聚类中心外剩下的图像块集合，O代表所有中心点的集合，O0表示新生成的聚类中心，O'k表示原有的类和的中心点，k表示中心点的个数，k＝1-N，σ2代表噪声方差。根据以下评判标准，反复执行，直到新成生的聚类中心不再变化，完成图片的相似性匹配。所述的步骤2.2具体方法如下：步骤2.2.1，同步骤2.1.1，将步骤2.1.1中的参数Q替换成P进行处理，步骤2.2.2，同步骤2.1.2。所述步骤3进行奇异值分解匹配图像，具体步骤如下：步骤3.1，带主方向的特征点提取：采用Harris角点检测算法进行特征点提取，Harris角点对图像的旋转和光照变化具有很强的鲁棒性并具有较高的稳定性，该算法利用自相关矩阵(二阶矩矩阵)M进行角点检测，M定义如下：其中：g(σs)是方差为σs的高斯函数，Ix和Iy分别是沿x方向和y方向的图像导数，通过图像与方差为σd的高斯函数的一阶导数卷积得到。此处的图像指步骤2中完成了相似度匹配的图像P和Q，M描述了像素点的领域内的梯度分布，如果M的两个特征值都较大，说明该像素点在x方向上的灰度值变化都很显著，那么可判断该像素点为角点。为了避免直接计算M的特征值，采用角点响应函数进行角点判断，Harris角点响应函数定义如下：CH＝det(M)-ktrace2(M)(5)其中，k为常数，当像素点的CH值大于给定的角点阈值并且在其3×3领域内为最大值时，该像素点被标记为角点。步骤3.2，奇异值分解的特征点匹配：设图像P中共提取m个特征点，pr为其中第r个特征点，其主方向为θr，坐标(xr,yr)；在图像Q中共提取n个特征点，pz为其中第z个特征点，其主方向为θz，坐标(xz,yz)，Wr和Wz分别是以两个特征点为中心的矩形窗口，大小为(2w+1)×(2w+1)，将Wr和Wz分别顺时针旋转θr和θz，旋转后的窗口可由灰度值矩阵A和B表示：Auv＝F1(xr+ucosθr-vsinθr,yr+vcosθr+usinθr)(6)Buv＝F2(xz+ucosθz-vsinθz，yz+vcosθz+usinθz)(7)其中，u,v∈[-w,w]，Auv和Buv的值通过双线性差值计算得到，w的值设定为7，图像P中第r个特征点与图像Q中第z个特征点间的相似性由经旋转补偿的归一化互相关值δrz给出，即Auv和Buv的标准化互相关值：其中，和σ(A)(σ(B))分别是本文档来自技高网...

【技术保护点】
1.一种基于区域分块的奇异值分解图像匹配算法，其特征在于，具体按照以下步骤实施：步骤1，先对采集到的彩色图像进行灰度化处理，变为灰度图像，将采集到的图像Q与标准图像P分别进行分块处理，步骤2，搜索分块后的图像块，并根据图像块的相似性进行匹配，步骤3，对进行相似性匹配后的每一对图像P和Q，Sj和Ok的组成经过评判标准后所得到，进行特征点提取，进行奇异值分解的特征点匹配，步骤4，根据匹配结果，采用RANSAC对匹配过程中存在的误匹配点进行剔除。

【技术特征摘要】
1.一种基于区域分块的奇异值分解图像匹配算法，其特征在于，具体按照以下步骤实施：步骤1，先对采集到的彩色图像进行灰度化处理，变为灰度图像，将采集到的图像Q与标准图像P分别进行分块处理，步骤2，搜索分块后的图像块，并根据图像块的相似性进行匹配，步骤3，对进行相似性匹配后的每一对图像P和Q，Sj和Ok的组成经过评判标准后所得到，进行特征点提取，进行奇异值分解的特征点匹配，步骤4，根据匹配结果，采用RANSAC对匹配过程中存在的误匹配点进行剔除。2.根据权利要求1所述的一种基于区域分块的奇异值分解图像匹配算法，其特征在于，所述步骤1具体如下：步骤1.1，对采集图像Q进行分块，将采集到的原始彩色图像Q灰度化，然后进行分块处理，设采集的原始图像Q的大小为F1×F2，将原始图像Q划分为N个非重叠的图像块，每个划分完成的图像块大小为f×f，划分后的图像块合集为(Q1，Q2，…，Qj，…，QΩ…QN)；步骤1.2，对用于进行匹配的标准图像P进行分块，首先将标准图像P做灰度化处理，再进行分块，设采集到的标准图像P的大小为F1×F2，将原始图像P划分为N个非重叠的图像块，每个划分完成的图像块大小为f×f，划分后的图像块合集为(P1，P2，…，Pj，…，PΩ…PN)。3.根据权利要求1所述的一种基于区域分块的奇异值分解图像匹配算法，其特征在于，所述步骤2中采用K-均值聚类法对图像块进行相似性匹配，具体如下：步骤2.1，对图像Q的图像子块进行相似性匹配，QΩ和图像块合集中的其它含噪图像(Q1，Q2，…Qj，…，QN)构成划分后的图像块集合，相似块匹配的基准是利用含噪图像块QΩ与划分完成后的其它含噪图像(Q1，Q2，…)块进行相似性对比，将二者匹配结合起来；步骤2.2，对图像P的图像子块进行相似性匹配，PΩ和图像块合集中的其它含噪图像(P1，P2，…Pj，…，PN)构成划分后的图像块集合，相似块匹配的基准是利用含噪图像块PΩ与划分完成后的其它含噪图像(P1，P2，…)块进行相似性对比，将二者匹配结合起来。4.根据权利要求3所述的一种基于区域分块的奇异值分解图像匹配算法，其特征在于，所述的步骤2.1具体方法如下：步骤2.1.1，设聚类中心为Qj和QΩ设定为K-均值聚类法的初始聚类中心，其中，QΩ为一个固定聚类中心，k＝1,2，…，Ω-1，Ω+1，…，N；求出图像块集合中除两个聚类中心外的其他所有图像块(Q2，…，QN)到聚类中心的距离；为了便于计算，求出的是每一个图像块Qj到聚类中心QΩ的距离平方和具体计算为：其中：Dk(Sj,Ok)代表图像块Qj到聚类中心QΩ的距离平方和，Sj代表除聚类中心以外的第j个图像块，Ok第k个聚类中心，，Ωj和Ωk分别表示Sj和Ok对应的噪声；步骤2.1.2，在各个类(Sj和Ok组成的图像块)中，依照顺序，选出一个图像块作为新的可变聚类中心，并计算出空间点S与两个聚类中心的距离平方和之差，即消耗值consume，consume＝Dk(Sj,O'k)-Dk(Sj,Ok)+2σ2(2)相对应的，Sj∈S，S表示除聚类中心外剩下的图像块集合，O代表所有中心点的集合，O0表示新生成的聚类中心，O'k表示原有的类和的中心点，k表示中心点的个数，k＝1-N，σ2代表噪声方差，根据以下评判标准，反复执行，直到新成生的聚类中心不再变化，完成图片的相似性匹配，5.根据权利要求3所述的一种基于区域分块的奇异值分解图像匹配算法，其特征在于，所述的步骤2.2具体方法如下：步骤2.2.1，同步骤2.1.1，将步骤2.1.1中的参数Q替换成P进行处理，...

【专利技术属性】
技术研发人员：李云红，钟晓妮，黄梦龙，袁巧宁，张震宇，
申请(专利权)人：西安工程大学，
类型：发明
国别省市：陕西,61