【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, ...
【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
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。