一种基于特征点的图像配准方法技术

本发明专利技术公开了一种基于特征点的图像配准方法，涉及图像配准技术领域。本发明专利技术包括这几部分：a、对参考图像和待配准图像采用小波变换阈值去噪法的方法进行预处理；b、SIFT算法提取特征点；c、采用变形降维的方法描述特征点；d、根据余弦相似度对特征点进行粗匹配；e、采用改进的RANSAC算法剔除部分误匹配，得到匹配精度较高的匹配点对。在提取特征点前用小波变换阈值去噪法的方法对图像进行预处理，剔除图像中的部分噪声，从而提高特征点纯度，并在对特征点进行描述时，提出一种变形降维的方法对提取的特征点进行描述，降低SIFT描述子维度，缩短算法运行时间，采用粗匹配与精匹配相结合的方法对匹配的特征点对进行优化，提高算法的匹配准确率。

【技术实现步骤摘要】
一种基于特征点的图像配准方法
本专利技术涉及图像配准
，具体是一种基于特征点的图像配准方法。
技术介绍
图像配准是将不同时间、不同传感器(成像设备)或不同条件下获取的两幅或多幅图像进行匹配、叠加的过程，被广泛应用于计算机视觉领域、图像处理领域。图像配准主要包括三部分：(1)特征提取(2)特征匹配(3)参数估计。目前图像配准方法主要包括：1)基于区域的配准方法；2)基于特征的配准方法其中，基于区域的配准方法主要是利用图像的灰度信息，建立2幅图像之间的相似性度量，再统计相似性度量值最大或最小变换模型的参数值，以达到配准图像的目的。而基于特征的图像配准方法是通过提取图像中的某些特征，如点、线、面等，将这些特征与被匹配的图像进行比较分析，从而得到匹配结果。相比前者，基于特征的方法不受光照、旋转影响，计算信息量少且效率较高。同时，特征点具有普遍性以及易提取性，因此，本专利技术从基于特征点的角度进行配准研究。SUSAN算子、Harris算子、Moravec算子与SIFT算子等是目前常用的几种图像特征点提取算法。其中SIFT算子不仅具有尺度、旋转、视角、光照不变性，对目标的运动、遮挡、噪声等因素也保持较好的匹配性。在特征点配准问题上，Myronenko等提出了著名的一致性点漂移(coherentpointsdrift，CPD)算法，该算法从概率密度评估的角度解决特征点匹配问题，能够很好地计算中心特征点的误差和缺失。该算法还利用快速高斯变换和矩阵低秩逼近技术，减少了算法的计算复杂度，提升了计算速度，但配准精度不太理想。为进一步提高遥感图像配准精度，梁栋等利用了非下采样轮廓波变换(non-subsampledcontourlettransform，NSCT)在图像分解上的灵活性和SIFT算法在特征描述上的有效性进行遥感图像配准，但该方法所消耗时间较长。Liu等提出了有限空间顺序约束(restrictedspatialorderconstraints，RSOC)算法，该方法采用鲁棒的图匹配技术来去除错误的匹配，虽然提高了匹配精度但增加了算法运行时间。Yang等提出了全局和局部混合距离-薄板样条(globalandlocalmixturedistance-thinplatespline，GLMDTPS)配准算法，该算法主要将全局和局部结构特征差异看作线性分配问题进行处理，匹配精度仍有待提高。张闻宇等针对传统局部不变特征的景象匹配算法冗余点多、实时性差、抗几何变换不突出的情况，提出了基于CenSurE-star的无人机景象匹配算法，虽然提高了匹配精度，实时性较好，但是以牺牲时间为代价的。
技术实现思路
为了克服上述现有技术的缺点，本专利技术提供一种基于特征点的图像配准方法。本专利技术是以如下技术方案实现的：一种基于特征点的图像配准方法，具体步骤如下(1)对参考图像和待配准图像采用小波变换阈值去噪法的方法进行预处理；(2)SIFT算法提取特征点；(3)采用变形降维的方法描述特征点；(4)根据余弦相似度对特征点进行粗匹配；(5)采用改进的RANSAC算法剔除部分误匹配，得到匹配精度较高的匹配点对。优选的，采用小波变换阈值去噪法的方法对参考图像和待配准图像进行预处理的具体步骤是：(1)二维信号的小波分解：计算含噪声信号的小波变换，选择合适的小波基和小波分解层数J，将图形进行小波分解，得到相应的小波分解系数。(2)对高频系数进行阈值量化：对于从1～J的每一层，选择一个适当的阈值和合适的阈值系数，将分解得到的高频系数进行阈值量化，得到估计小波系数。(3)二维小波重构：进行小波逆变换，根据小波分解后的第J层的低频系数(尺度系数)和经过阈值量化处理的各层高频系数(小波系数)，再利用重构算法进行小波重构，得到去噪后信号。优选的，SIFT算法提取特征点主要步骤如下：(1)构建高斯尺度空间为了在不同的尺度空间内找到稳定的特征点，SIFT算法使用不同尺度的高斯差分核来产生高斯差分尺度空间DOG，D(x，y，σ)＝(G(x，y，kσ)-G(x，y，σ))*I(x，y)＝L(x，y，kσ)-L(x，y，σ)(1)高斯卷积核是实现尺度变换的唯一线性核，于是一副二维图像的尺度空间定义为:L(x，y，σ)＝G(x，y，σ)*I(x，y)(3)其中(x,y)是图像像素的空间坐标，I(x,y)代表原始图像的像素值，ó大小决定图像的平滑程度，G(x,y,ó)是尺度可变高斯函数，k是尺度空间因子，L(x,y,kσ)是对应尺度下的高斯函数；(2)检测出局部极值点在高斯差分尺度空间中，通过比较每一个像素点与和它同尺度的N个相邻点和上下相邻尺度对应的M个点比较，以确保在尺度空间和二维图像空间都检测到极值点；如果该点在高斯差分尺度空间本层以及相邻两层的M个邻域内最大或最小，则认为该点为局部极值点，从而检测出不同尺度空间中所有的极值点。优选的，变形降维的方法描述特征点具体步骤：(1)SIFT算法提取关键点，然后采用半径为6像素的圆形邻域区域，对像素的等级和方向进行统计，以确定主要方向和辅助方向。(2)将邻域区域划分为四个扇区和一个环，将每个子区域作为种子点；对子区域中每个像素的等级和方向进行统计，在高斯加权后将梯度指定为0，π/4，π/2，5π/4，2π，9π/4，3π，13π/4。(3)四个扇区根据顺时针方向编号为1,2,3,4，环编号为5，共5个种子点，每个种子点有8个方向向量信息；最后，生成5*8总共为40维特征描述符。优选的，特征点粗匹配具体步骤：假设初步匹配点对的n维特征向量对应分别为A和B；所述A为[A1,A2,...,An]，所述B为[B,B2,...,Bn]；AT表示矩阵A的转置矩阵，所述初步匹配点对的余弦相似度用cosθ表示：通过计算上述匹配点对特征向量之间的余弦值即cosθ的值，当cosθ的值大于等于0.9，则认为该匹配点对在方向上的相似度也比较高，此时认为是正确的匹配点对，否则为错误的匹配点对，并将其舍弃。优选的，用改进的RANSAC算法剔除部分误匹配，得到匹配精度较高的匹配点对具体步骤：(1)估计数学模型，为了在指定的迭代中选择最佳模型，在每次迭代中，根据式(5)计算不同变换模型参数，其中q是计算模型参数所需的最小匹配点数，p是每个变换模型中的参数个数；式(6)是根据变换参数计算变换模型，选择三个随机匹配点以计算变换参数，其中f,e,d,c,b,a是变换参数，(x1,y1)是参考图像中匹配点的坐标，(x1',y1')是坐标；将待匹配图像中的变换模型写成HPe，其中H是变换参数，Pe是参考图像中的匹配点；(2)判断其他点；在计算变换模型参数之后，对于参考图像中的每个匹配点，在待匹配图像中计算(P，HPe)之间的距离，记录其中的最大值max、最小值min，并计算距离的均值mean及待比较的threshold，其中Pi是待匹配图像中的第i个匹本文档来自技高网...

【技术保护点】
1.一种基于特征点的图像配准方法，其特征在于：具体步骤如下/n(1)对参考图像和待配准图像采用小波变换阈值去噪法的方法进行预处理；/n(2)SIFT算法提取特征点；/n(3)采用变形降维的方法描述特征点；/n(4)根据余弦相似度对特征点进行粗匹配；/n(5)采用改进的RANSAC算法剔除部分误匹配，得到匹配精度较高的匹配点对。/n

【技术特征摘要】
1.一种基于特征点的图像配准方法，其特征在于：具体步骤如下
(1)对参考图像和待配准图像采用小波变换阈值去噪法的方法进行预处理；
(2)SIFT算法提取特征点；
(3)采用变形降维的方法描述特征点；
(4)根据余弦相似度对特征点进行粗匹配；
(5)采用改进的RANSAC算法剔除部分误匹配，得到匹配精度较高的匹配点对。


2.根据权利要求1所述的一种基于特征点的图像配准方法，其特征在于：采用小波变换阈值去噪法的方法对参考图像和待配准图像进行预处理的具体步骤是：
(1)二维信号的小波分解：计算含噪声信号的小波变换，选择合适的小波基和小波分解层数J，将图形进行小波分解，得到相应的小波分解系数。
(2)对高频系数进行阈值量化：对于从1～J的每一层，选择一个适当的阈值和合适的阈值系数，将分解得到的高频系数进行阈值量化，得到估计小波系数。
(3)二维小波重构：进行小波逆变换，根据小波分解后的第J层的低频系数(尺度系数)和经过阈值量化处理的各层高频系数(小波系数)，再利用重构算法进行小波重构，得到去噪后信号。


3.根据权利要求2所述的一种基于特征点的图像配准方法，其特征在于：
SIFT算法提取特征点主要步骤如下：
(1)构建高斯尺度空间
为了在不同的尺度空间内找到稳定的特征点，SIFT算法使用不同尺度的高斯差分核来产生高斯差分尺度空间DOG，
D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ))*I(x,y)＝L(x,y,kσ)-L(x,y,σ)(1)



高斯卷积核是实现尺度变换的唯一线性核，于是一副二维图像的尺度空间定义为:
L(x,y,σ)＝G(x,y,σ)*I(x,y)(3)
其中(x,y)是图像像素的空间坐标，I(x,y)代表原始图像的像素值，ó大小决定图像的平滑程度，G(x,y,ó)是尺度可变高斯函数，k是尺度空间因子，L(x,y,kσ)是对应尺度下的高斯函数；
(2)检测出局部极值点
在高斯差分尺度空间中，通过比较每一个像素点与和它同尺度的N个相邻点和上下相邻尺度对应的M个点比较，以确保在尺度空间和二维图像空间都检测到极值点；如果该点在高斯差分尺度空间本层以及相邻两层的M个邻域内最大或最小，则认为该点为局部极值点，从而检测出不同尺度空间中所有的极值点。


4.根据权利要求3所述的一种基于特征点的图像配准方法，其特征在于：变形降维的方法描述特征点具体步骤：
(1)SIFT算法提取关键点，然后采用半径为6像素的圆形邻域区域，对像素的等级和方向进行统计，以确定主要方向和辅助方向。
(2)将邻域区域划分为四个扇区和一个环，将每个子区域作为种子点；对子区域中每个像素...

【专利技术属性】
技术研发人员：顾军，贺广强，张恩明，张会柱，
申请(专利权)人：徐州华讯科技有限公司，
类型：发明
国别省市：江苏;32