一种基于R-SIFT的硬件木马图像配准方法、存储介质及设备技术

本发明专利技术公开了一种基于R‑SIFT的硬件木马图像配准方法、存储介质及设备，对输入图像进行高斯滤波和下采样处理，构造多尺度空间；在构造的多尺度空间中检测图像的极值点；对得到的极值点方向进行赋值，得到对应点的位置，尺度和方向信息，生成特征描述子；利用生成的特征描述子，使用距离匹配方法，初步生成预匹配点对，并用匹配矩阵C表示；确定预匹配矩阵C之后，使用RANSAC算法进行校正，去除多余匹配点，完成图像配准。本发明专利技术有效解决图像配准中仿射变换的问题，并且可以更灵活的避免噪声点带来的干扰，进而提升图像配准方法的稳定性和精确度。

【技术实现步骤摘要】
一种基于R-SIFT的硬件木马图像配准方法、存储介质及设备
本专利技术属于图像识别
，具体涉及一种基于R-SIFT的硬件木马图像配准方法、存储介质及设备。
技术介绍
图像匹配是图像识别领域的一个经典问题。在实际应用中，图像匹配也是一项极为常见的图像处理需求，比如例如在内容复杂的图像中找到我们需要的目标位置。在图像识别领域，一般的匹配方法采用基于灰度匹配的方法，使用空间二维滑动模板进行图像匹配，通过两幅图像的平均绝对差值判定其相似度。这种方法思想简单，且具有比较高的匹配精度，但是这种方法运算量非常大，而且对于噪声极为敏感。近几年，基于特征匹配的图像匹配方法，在实际中应用越来越广泛，由于先提取特征匹配，再由特征进行匹配，而不是直接用原图像中的像素点匹配，所以大大减少了计算量。但是在特征提取时，对角点和边缘点的检测，以及对噪声干扰的处理仍然是一个难以解决的问题。且由于图像的尺度变化以及仿射变化，特征提取的方法的效果成为了目前图像匹配方法的主要因素。因此，如何有效的提取到图像不同尺度，不同角度，不同光线下的关键特征点，并且对噪声的干扰进行抑制成为了当前提高图像匹配算法性能的关键。
技术实现思路
本专利技术所要解决的技术问题在于针对上述现有技术中的不足，提供一种基于R-SIFT的硬件木马图像配准方法、存储介质及设备，通过高斯金字塔引入多尺度分析特性，通过方向特征描述子提取特征的方向信息，增强特征匹配点的稳定性。最后通过RANSAC方法可以有效地去除错误匹配点的个数，从而降低正题匹配结果的误差，使得匹配结果更为准确。本专利技术采用以下技术方案：一种基于R-SIFT的硬件木马图像配准方法，包括以下步骤：S1、对输入图像进行高斯滤波和下采样处理，构造多尺度空间；S2、在步骤S1构造的多尺度空间中检测图像的极值点；S3、对步骤S2得到的极值点方向进行赋值，得到对应点的位置，尺度和方向信息，生成特征描述子；S4、利用步骤S3生成的特征描述子，使用距离匹配方法，初步生成预匹配点对，并用匹配矩阵C表示；S5、确定预匹配矩阵C之后，使用RANSAC算法进行校正，去除多余匹配点，完成图像配准。具体的，步骤S1具体为：S101、将输入图像I先转换为灰度图像，然后再放大为原来的两倍；S102、将图像I′中的像素逐个与高斯核函数G(x,y,σ)进行如下卷积操作便可得到该像素点在尺度σ上的表示L(x,y,σ)；S103、通过将步骤S102得到的高斯金字塔相邻尺度的图像相减，得到高斯差分相应图像D(x,y,σ)。进一步的，步骤S101中，灰度化处理之后的图像I′在点(x,y)处的像素值I′(x,y)表示为：其中，IR(x,y)，IG(x,y)，IB(x,y)分别表示原图像I在点(x,y)处RGB三个通道分别的像素值大小。具体的，步骤S2具体为：S201、在高斯差分金字塔空间中检测图像中的极值点，以当前点为中心，当前点同一平面周围8个点，当前点上一层对应点及周围点共9个点，当前点下一层对应点及周围点共9个点，总共26个点为邻域点检测是否为极值点；S202、将步骤S201得到的差值点的值带入泰勒展开式中，去除不稳定的边缘响应点；S203、采用指数加权平均比率获取梯度值，假设f(σ,x)和f(σ,y)分别是在尺度σ下的x方向和y方向的一阶导数，计算梯度大小f(σ,N)和方向f(σ,T)。进一步的，步骤S203中，梯度大小f(σ,N)和方向f(σ,T)为：具体的，步骤S3具体为：S301、以特征点为中心，将特征点附近方形邻域内的图像梯度位置和方向旋转一个角度θ，即将原图像x轴旋转至与主方向相同，旋转后重新选定方形邻域区域，并等间隔划分为4×4个子区域；S302、在每一个子区域内计算8个方向的梯度方向直方图，即每个方向范围为0°～360°，间隔大小为45°，一个特征点的特征描述子共有4×4×8＝128个数据。具体的，步骤S4具体为：S401、两个图像中的特征向量按照距离匹配，使用最近邻与次近邻特征距离比策略进行预匹配，分别使用图像二中与图像一中的最近邻点的欧氏距离和次近邻点欧氏距离的比值作为所采用的距离dratio，将小于设定阈值的点保留，按照距离选取预匹配点并进行排序；S402、通过将步骤S401得到的点按距离排序得到匹配矩阵C如下：其中，第一列元素来自于第一幅图像中的特征点，其余列元素来自于第二幅图像的特征点。M表示经过预匹配阶段可以获得的匹配点对的数目，n表示预匹配后保留的候选匹配点数目。具体的，步骤S5具体为：S501、选用矩阵C中左上角大小为(p·M)×2的子矩阵，记为C1，p为超参数；S502、在矩阵C1中，随机选择三组匹配对，计算器仿射变换参数Tθ，然后通过参数Tθ计算其余点对预测匹配点与实际匹配点之间的均方根误差，并保留均方根误差小于RMSEth1的匹配对，记录此次保留的匹配对数目；S503、重复步骤S502，在迭代Iter次之后，选取保留匹配对数目最多的一组匹配对，并计算再次组匹配对下的仿射变换参数S504、对于第一幅图像中的每一个特征点L1j，j＝1,2,…,M，通过仿射变换参数从匹配矩阵中匹配到的n个候选点中选取均方根误差最小且小于RMSEth1的候选点，作为候选点的最终匹配点，更新并计算最终匹配结果的仿射变换参数和总体的均方根误差RMSE1。本专利技术的另一技术方案是，一种存储一个或多个程序的计算机可读存储介质，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据所述的方法中的任一方法。本专利技术的另一技术方案是，一种计算设备，包括：一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行所述的方法中的任一方法的指令。与现有技术相比，本专利技术至少具有以下有益效果：本专利技术是一种基于R-SIFT的硬件木马图像配准方法，引入了多尺度特性和旋转不变性，由于在不同尺度空间进行特征点检测，所以在匹配过程中可以匹配到不同尺度空间的特征点，其次旋转不变性可以在图像进行仿射变换时，仍然能够精准的匹配到对应的特征点，从而使得匹配结果更加精确。引入指数加权平均比率(Roewa)，可以进一步减少噪声点的干扰，提升算法的稳定性。本专利技术可以精准的匹配到两幅图像中的对应目标。进一步的，高斯核是唯一的线性核，具有旋转对称性，所以使用高斯滤波器对图像进行模糊滤波不会引入其他噪声，可以完美分离图像的高低频分量。进而使用高斯金字塔能够更准确更平滑的表示的图像的多尺度特性。进一步的，对原始图像进行多尺度分解，可以在不同尺度上进行特征点的检测，提高了检测的准确度，且多尺度方法的引入也会降低因为两个图像尺度差距较大对于检测结果带来的影响，提升图像配准的稳定性。本文档来自技高网...

【技术保护点】
1.一种基于R-SIFT的硬件木马图像配准方法，其特征在于，包括以下步骤：/nS1、对输入图像进行高斯滤波和下采样处理，构造多尺度空间；/nS2、在步骤S1构造的多尺度空间中检测图像的极值点；/nS3、对步骤S2得到的极值点方向进行赋值，得到对应点的位置，尺度和方向信息，生成特征描述子；/nS4、利用步骤S3生成的特征描述子，使用距离匹配方法，初步生成预匹配点对，并用匹配矩阵C表示；/nS5、确定预匹配矩阵C之后，使用RANSAC算法进行校正，去除多余匹配点，完成图像配准。/n

【技术特征摘要】
1.一种基于R-SIFT的硬件木马图像配准方法，其特征在于，包括以下步骤：
S1、对输入图像进行高斯滤波和下采样处理，构造多尺度空间；
S2、在步骤S1构造的多尺度空间中检测图像的极值点；
S3、对步骤S2得到的极值点方向进行赋值，得到对应点的位置，尺度和方向信息，生成特征描述子；
S4、利用步骤S3生成的特征描述子，使用距离匹配方法，初步生成预匹配点对，并用匹配矩阵C表示；
S5、确定预匹配矩阵C之后，使用RANSAC算法进行校正，去除多余匹配点，完成图像配准。


2.根据权利要求1所述的方法，其特征在于，步骤S1具体为：
S101、将输入图像I先转换为灰度图像，然后再放大为原来的两倍；
S102、将图像I′中的像素逐个与高斯核函数G(x,y,σ)进行如下卷积操作便可得到该像素点在尺度σ上的表示L(x,y,σ)；
S103、通过将步骤S102得到的高斯金字塔相邻尺度的图像相减，得到高斯差分相应图像D(x,y,σ)。


3.根据权利要求2所述的方法，其特征在于，步骤S101中，灰度化处理之后的图像I′在点(x,y)处的像素值I′(x,y)表示为：



其中，IR(x,y)，IG(x,y)，IB(x,y)分别表示原图像I在点(x,y)处RGB三个通道分别的像素值大小。


4.根据权利要求1所述的方法，其特征在于，步骤S2具体为：
S201、在高斯差分金字塔空间中检测图像中的极值点，以当前点为中心，当前点同一平面周围8个点，当前点上一层对应点及周围点共9个点，当前点下一层对应点及周围点共9个点，总共26个点为邻域点检测是否为极值点；
S202、将步骤S201得到的差值点的值带入泰勒展开式中，去除不稳定的边缘响应点；
S203、采用指数加权平均比率获取梯度值，假设f(σ,x)和f(σ,y)分别是在尺度σ下的x方向和y方向的一阶导数，计算梯度大小f(σ,N)和方向f(σ,T)。


5.根据权利要求4所述的方法，其特征在于，步骤S203中，梯度大小f(σ,N)和方向f(σ,T)为：








6.根据权利要求1所述的方法，其特征在于，步骤S3具体为：
S301、以特征点为中心，将特征点附近方形邻域内的图像梯度位置和方向旋转一个角度θ，即将...

【专利技术属性】
技术研发人员：李玲玲，梁普江，孙宸，马晶晶，焦李成，刘芳，郭晓惠，刘旭，张梦漩，张丹，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61