一种基于空间时间序列模型的弱纹理图像配准方法技术

本发明专利技术提出的一种基于空间时间序列模型的弱纹理图像配准方法，包括以下步骤：获取参考图像和待配准图像；使用空间时序模型方法检测参考图像和待配准图像的特征点；确定特征点的方向，构造包含梯度方向信息的复合特征点描述子；通过特征搜索对参考图像和待配准图像进行特征点匹配；剔除错误匹配对，获得最佳匹配点对和变换模型；将待配准图像按变换模型做变换，得到配准结果。本发明专利技术与区域相比，本发明专利技术用图像特征取代直接灰度运算，具有特征法效率高、准确等优点；与特征法相比，本发明专利技术降低了算法对显著特征的依赖程度，不需要人工添加辅助特征，避免零件划伤，提高了算法的鲁棒性，可以实现自动配准。

A Weak Texture Image Registration Method Based on Spatial Time Series Model

The method of weak texture image registration based on spatial time series model proposed by the invention includes the following steps: obtaining reference image and image to be registered; detecting feature points of reference image and image to be registered by using spatial time series model method; determining the direction of feature points, constructing compound feature point descriptor containing gradient direction information; searching for reference image by feature It matches the feature points with the image to be registered, eliminates the wrong matching pairs, obtains the best matching point pairs and the transformation model, transforms the image to be registered according to the transformation model, and obtains the registration result. Compared with the region, the method has the advantages of high efficiency and accuracy of the feature method by replacing the direct gray-scale operation with image features; compared with the feature method, the method reduces the dependence of the algorithm on significant features, does not need to add auxiliary features manually, avoids scratches on parts, improves the robustness of the algorithm, and realizes automatic registration.

【技术实现步骤摘要】
一种基于空间时间序列模型的弱纹理图像配准方法
本专利技术涉及图像配准领域，尤其涉及一种基于空间时间序列模型的弱纹理图像配准方法。
技术介绍
图像配准是将相同场景在不同时间、不同视角、不同传感器采集的两幅或多幅图像相互叠加的过程，它实现了参考图像和待配准图像几何意义上的对齐。图像配准的应用范围十分广泛，包括机器视觉、三维重建、遥感图像处理、目标分类和检索、图像理解和融合等。图像配准方法包括基于区域、基于线特征或面特征和基于点特征配准法。区域配准法直接利用图像的灰度信息计算图像的相似程度，其处理过程为：首先选择适合图像特点的相似度量函数，然后在选定的几何变换模型参数空间类内，按照一定的搜索策略进行搜索，找到能够令相似度达到最大的几何变换参数。这类方法是通过在待配准图像中搜索与参考图像相似度最大的区域进行配准，不涉及特征的提取，在匹配时采用区块作为配准单元进行匹配估计，而相似度量函数的选择是决定模板配准的精确性和效率高低的关键因素。江苏大学的殷苏民提出了一种基于模板匹配的检测算法来实现缸体的在线自动检测。实验在发动机缸体特定的小区域使用粗精结合搜索策略改进的序贯相似度算法实现缺陷检测(殷苏民,鲍红力,吉彬斌,等.基于小区域模板匹配的发动机缸体缺陷检测[J].传感器与微系统,2012(06):143-145.)。深圳航天科技创新研究院的吴晓君等提出了一种快速高精度几何模板配准方法，针对目标图像出现位移、旋转、缩放、部分遮挡等情况，可以应用于机器视觉标定和识别的场合(吴晓军.一种带旋转、缩放的快速高精度几何模板匹配方法:中国,CN2016102093086[P].2016-09-07.)。哈尔滨理工大学的王沫楠等人建立了一套医学影像图谱图像库，由于采用CT拍摄的灰度图像具有清晰的识别度，根据目标图像标签与图像库中的图谱标签，结合图像标签的灰度信息和梯度信息，将最佳图谱图像标签融合成一幅图像作为配准模板，有效的提高了配准的精确性(王沫楠,李鹏程,荆俊桐.一种基于多图谱标签融合的医学图像配准算法:中国,CN107093190[P].2017.08.25.)。区域配准法不依赖于特征的提取，而是对整副图像进行全局运算，原理简单，易于实现。近年来，对于这类算法的改进方向，主要集中在相似性测度的构建和搜索策略的优化上。但是，通过改进相似性测度的构建，各类算法依然无法解决信息量过大导致的算法时间复杂度高的问题。通过改进搜索策略，逐层缩小搜索范围，在一定程度上有提高效率的作用。但是，与医学影像中清晰分明的灰度图像不同，大尺寸零件测量等应用场合，常出现大面积的弱纹理区域。弱纹理区域各处灰度值相近，在粗配准过程中就存在大量的误配准，导致算法失效。此外，图像噪声不可避免地存在，以至图像灰度发生变化，从而影响配准的精度。点特征配准法，一般以角点或特征点作为图像匹配的基本单元，通过从基准图像和待配准图像之间的对应关系估算出两者之间的几何变换模型及参变量的值。首先选择合适的特征点类型，进行特征点的检测，然后匹配两幅图像中的特征点，选取相应的几何变换模型并进行参变量估计，最后通过图像变换完成配准。局部图像特征的描述方法是决定点特征配准法精度高低和效率高低的关键。哈尔滨理工大学的刘泊等人提出了基于金字塔结构以及特征点邻域改进的SIFT算法，通过对成像系统获得的原始图像进行图像的去噪、还原灰度信息，去除无关的信息恢复有用的信息，在特征提取后得到的特征点数量会大大减少，从而提高配准的速度(刘泊,庞营.一种改进的基于SIFT特征的图像配准算法:中国,CN107886530A[P].2018.04.06.)。华中科技大学的桑红石等在对图像进行特征检测时，先提取一定数量的特征点，以特征点坐标及其邻域生成掩模图像，利用掩模图像进行第二次特征检测，将两次检测得到的特征点合并，作为最终的特征检测结果输出。利用了特征点之间的位置关系，在特征强度较弱的区域仍保留一定数量的特征点(桑红石,董通,胡鹏.一种基于两次特征检测的图像配准方法:中国,CN108182700A[P].2018.06.19.)。武汉大学的郑宏等人提出了一种面向工件的多维度特征配准方法，通过获取模板工件图片与待定位工件图片的ORB特征点，结合基于k-means聚类约束的多维度配准算法，提高了匹配算法的鲁棒性和定位精度(郑宏,郑朝晖.一种面向工件定位的多维度特征配准方法:中国,CN108502533A.2018.9.11.)。点特征配准法的应用非常广泛。点特征蕴藏着丰富的图像结构信息，配准具有显著点特征的图像，前述几种方法都有较高的鲁棒性和配准精度。然而，在大尺寸零件视觉测量中，局部图像中通常只有机加工所形成的比较微观的“痕迹”，并没有显著的点特征存在，如果采取人工刻画等辅助手段，则可能划伤工件表面，也不利于实现在线检测。线特征或面特征配准法，一般利用图像局部灰度的不连续性判定图像的边缘线特征，涉及求图像灰度函数的一阶导数或二阶导数。首先，根据需要进行图像预处理，经过图像滤波和图像增强在增强边缘和消减噪声之间做出折中的选择，然后利用图像边缘灰度急剧变化的特点检测边缘特征。最后，依据图像边缘特征的对应关系恢复几何变换模型完成基于线特征的配准。此外，面特征配准法依赖于边缘检测的结果，在其基础上以边缘轮廓围成的闭合区域的形心、重心等特征作为配准依据。西安电子科技大学王爽等人通过对SAR图像用Canny算子提取边缘，根据边缘拟合检测直线得到图像间的旋转参数，然后对旋转后的待配准图像进行傅里叶变换，计算图像之间的水平平移量和垂直平移量完成SAR图像的配准(王爽,焦李成,张楠,刘坤,马文萍,马晶晶,张涛,刘闯.一种基于直线和FFT的SAR图像配准方法:中国,CN103839262A.2014.06.04.)。西北工业大学的张艳宁通过提取非同源图像中显著区域，利用Zernike旋转不变矩描述显著区域的特征，提高了非同源图像配准的精度(张艳宁,陈妍佳,张秀伟,黄梅娇,李飞,符志鹏.基于显著区域特征和边缘度的可见光-红外图像配准方法:中国,CN106447704A.2017.02.22.)。北京理工大学的李惠琪等通过Canny算法提取X射线图片和彩色照片的头部的轮廓信息，选择参考特征点辅助进行粗配准，再利用一致点漂移算法进行曲线匹配得到了X射线图片和彩色照片叠加的融合图像(李慧琦,汪淑梦.一种基于轮廓特征的X线片和彩色照片配准方法:中国,CN107240128A.2017.10.10.)。线/面特征配准法首先要进行边缘检测，再通过一些限制性条件筛选出符合要求的线段作为局部特征。自然图像通常具有较显著的线/面特征，所以线/面特征配准方法具有较高的配准精度和鲁棒性。然而，零件图像里含有的加工“痕迹”通常比较微弱，并且图像灰度相差也不大，即便采用图像增强等预处理手段，边缘仍不易检出。此外，加工“痕迹”具有明显的周期性，那么只利用边缘自身信息构造特征点描述子，可能导致配准无法实现。
技术实现思路
本专利技术正是针对现有技术存在的不足，提供了一种采用空间时间序列模型检测图像特征点，解决无显著特征图像特征提取难题的基于空间时间序列模型的弱纹理图像配准方法。为解决上述问题，本专利技术所采取的技术方案如下：一种基于空间时间序列模型的本文档来自技高网...

【技术保护点】
1.一种基于空间时间序列模型的弱纹理图像配准方法，其特征在于，该方法包括以下步骤：S1：获取无显著点或线特征的弱纹理图像作为参考图像，获取另一副与参考图像有一定重叠度的弱纹理图像作为待配准图像；S2：使用空间时序模型方法检测参考图像和待配准图像的特征点；S3：确定特征点的方向，构造包含梯度方向信息的复合特征点描述子；S4：通过特征搜索对参考图像和待配准图像进行特征点匹配；S5：剔除错误匹配对，获得最佳匹配点对和变换模型；S6：将待配准图像按变换模型做变换，得到配准结果。

【技术特征摘要】
1.一种基于空间时间序列模型的弱纹理图像配准方法，其特征在于，该方法包括以下步骤：S1：获取无显著点或线特征的弱纹理图像作为参考图像，获取另一副与参考图像有一定重叠度的弱纹理图像作为待配准图像；S2：使用空间时序模型方法检测参考图像和待配准图像的特征点；S3：确定特征点的方向，构造包含梯度方向信息的复合特征点描述子；S4：通过特征搜索对参考图像和待配准图像进行特征点匹配；S5：剔除错误匹配对，获得最佳匹配点对和变换模型；S6：将待配准图像按变换模型做变换，得到配准结果。2.根据权利要求1所述的一种基于空间时间序列模型的弱纹理图像配准方法，其特征在于，步骤S2的具体步骤如下：S21：逐一选定参考图像上的每个像素点；S22：围绕选定的像素点从参考图像取图像块，建立空间时序模型，求解模型参数；S23：利用AIC准则检验所建模型适用性；S24：基于模型类型参数和检测适用性结果，对选定的像素点定义特征点描述子。3.根据权利要求1所述的一种基于空间时间序列模型的弱纹理图像配准方法，其特征在于，步骤S还包括对特征点进行显著性检测的步骤S25，步骤S25具体步骤如下：...

【专利技术属性】
技术研发人员：郝飞，朱松青，陈茹雯，高海涛，许有熊，韩亚丽，胡运涛，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：江苏,32