一种实用的基于证据积累的图像曲线粗匹配方法组成比例

一种实用的基于证据积累的图像曲线粗匹配方法，其步骤包括：（１）较好地获得图像曲线Ｃ↓［Ｉ］和待匹配的参考曲线Ｃ↓［Ｒ］；（２）在Ｃ↓［Ｒ］上选取所有可能与Ｃ↓［Ｉ］进行匹配的曲线段Ｃ↓［Ｒ］↑［ｋ］，其中Ｃ↓［Ｒ］↑［ｋ］两个端点的直线距离与Ｃ↓［Ｉ］两个端点的直线距离相同；（３）在Ｃ↓［Ｒ］↑［ｋ］中找到ｎ↓［ｓ］个对应点Ｐ↓［Ｒｋ］↑［ｃｉ］与Ｃ↓［Ｉ］中的ｎ↓［ｓ］个控制点Ｐ↓［Ｉ］↑［ｓｉ］对应；（４）用证据积累的方法对ｎ↓［ｓ］组控制点聚类；如果聚类成功，则用能聚类的控制点估计刚体变换参数；否则，考察下一个Ｃ↓［Ｒ］↑［ｋ］；（５）由估计的刚体变换参数将Ｃ↓［Ｉ］变换为曲线Ｃ↓［Ｉ］′，并计算Ｃ↓［Ｉ］′与Ｃ↓［Ｒ］↑［ｋ］之间的Ｈａｕｓｄｏｒｆｆ距离；（６）最后，将与最小Ｈａｕｓｄｏｒｆｆ距离对应的Ｃ↓［Ｒ］↑［ｋ］作为Ｃ↓［Ｉ］的粗略对应匹配段。

【技术实现步骤摘要】

本专利技术涉及遥感影像定位、汽车导航、产品自动装配等领域，特别是。
技术介绍
模式识别、计算机视觉和图像理解研究中的许多任务，都涉及到曲线匹配的问题。比如在视觉导航、物体检测、识别和跟踪、卫星影像的定位等实际应用中，都会遇到将一(多)条从图像中提取的曲线(extractedcurve)与一(多)条参考曲线(reference curve)相匹配地问题。曲线匹配结果的好坏与否将直接关系到视觉任务的最终完成，因此探索鲁棒、快速、有效的曲线匹配算法一直是许多研究人员的追求目标。如果图像曲线是参考曲线的一部分经过某种映射后的结果，如何快速、鲁棒地在参考曲线中找到该图像曲线的对应匹配段，这在计算机视觉和图像理解中是一个热点问题，同时也是一个难点问题。目前曲线匹配方法主要可以分为两类一类是基于刚体变换的方法(methods based on rigid transformations)，此类方法通过两条曲线间特征点的匹配，得到旋转(rotation)、平移(translation)和缩放(scale)等变换参数；一类是基于非刚体变换的方法(methods based on non-rigidtransformations)，此类方法中有的通过最小化某个预先定义的包含“拉伸(stretching)”和“扭曲(bending)”的能量函数，实现一条曲线与另一条曲线间的匹配；还有的通过保持某种不变量(如仿射不变量、射影不变量或者矩不变量)的控制点间的匹配关系，获得曲线之间的非刚体变换参数。在基于刚体变换的方法中，有的用多边形近似代替原来的曲线，用多边形的顶点作为控制点，这样做虽然对曲线平滑的效果较好，但得到的控制点不是真正曲线上的点，即特征点获得的不准确，故匹配算法不鲁棒或者匹配精度欠佳；有的用曲线上曲率的极值点作为特征点，并由它们之间的对应关系计算两条曲线间的匹配，由于曲率是局部特征，计算时要用到微分运算，很容易受到噪声等因素的干扰，故匹配算法也存在欠稳定的问题。因此，如何稳定地获得曲线间的特征(控制)点并找到它们之间正确的对应关系，是曲线匹配算法的关键问题。我们知道，两点之间的距离经过某种刚体变换之后保持不变，而且计算距离时不需要微分操作，对噪声等误差很鲁棒。由此我们想到存在(或者近似存在)刚体变换的两条平面曲线，在粗匹配阶段计算它们之间的映射关系时，可以用两点之间的直线距离作为判断准则来选取曲线中的控制点及其对应关系，由此获得的变换参数应该比较准确，匹配算法应该比较鲁棒。在这里，所谓的粗匹配是指从参考平面曲线中找到图像曲线对应的粗略位置。在大体匹配位置知道以后，可以使用一些经典方法，如RANSAC、ICP等，进行曲线之间的精确匹配。这是因为对曲线匹配而言，最困难的问题是粗匹配，这正如数学上的优化问题一样，合适的初值是最难选取的。一旦有了合适的初值，全局优化问题就变成了局部寻优，问题就变得相对简单了。大量实验表明，采用我们提出的方法不论在鲁棒性还是在计算复杂度方面，都体现了比较好的性质。
技术实现思路
提出了，比较有效地解决了将图像中提取的一条曲线(较短)与一条参考曲线(较长)相匹配的问题。该方法具有如下特点一、通过实验发现曲线上两点之间的直线距离较它们之间的曲线距离对噪声等误差更鲁棒；基于此，在参考曲线上选取可能的匹配曲线段时，利用首尾点的直线距离作为主要匹配标准，大大提高了方法的鲁棒性；二、将证据积累的思想应用到控制点的匹配上，有效地去除了错误的控制点和不必要进行匹配的曲线段，在提高方法鲁棒性的同时极大地降低了方法的计算复杂度；三、在传统的Hausdorff距离计算中引入高斯概率统计模型，使其更适合作为实际应用中评价两条曲线匹配程度优劣的一种度量。为了能更方便地叙述我们的方法，特约定下面一些符号的含义(1)关于图像曲线的一些符号CI一条有序图像曲线(像素点从曲线的一个端点依次排列到另一个端点)；CI′对CI经过刚体变换(R，t)后得到的映射曲线；lICI上首点和尾点的曲线距离，其数值大小用CI中包含的像素点个数近似表示；dICI上首点和尾点的直线距离；ns在CI上选取的控制点个数；PIiCI上第i个像素点，其中i＝1，...，lI；PIsiCI上第i个控制点，其中i＝1，...，ns；(2)关于参考曲线的一些符号CR一条有序参考曲线；CRkCR上第k段可能与CI匹配的曲线；lRCR上首点和尾点的曲线距离，其数值大小用CR中包含的像素点个数近似表示；lRkCRk上首点和尾点的曲线距离，其数值大小用CRk中包含的像素点个数近似表示；PRiCR上第i个像素点，其中i＝1，...，lR；PRkiCRk上第i个像素点，其中PRkciCRk上第i个对应控制点，其中i＝1，...，ns；1、匹配曲线的获取匹配曲线包括参考曲线和从图像中提取的曲线。由于本方法的重点是研究两条曲线间的匹配问题，并且获取参考曲线和图像曲线时均采用的是比较经典的方法，所以提取曲线的具体算法这里不再赘述。本方法中具体使用的是Otsu的灰度阈值分割算法。2、曲线段CRk的选取选取CRk的方案如下(1)CR上按照顺序确定基准点；(2)在基准点后面一个合理的范围Ω内，如(0.8～1.2)lI，计算每个点与基准点的直线距离并比较这些距离与dI的大小；a)如果在Ω内只有一个点的直线距离与dI相等，则该点与基准点之间的曲线段就是CRk；b)如果在Ω内有多个点与基准点的直线距离与dI相等，则将多个候选曲线中像素点数与lI最接近的那段曲线选取为CRk；c)如果在Ω内不能找到与基准点的直线距离和dI相等的点，则在CR上沿着曲线长度找到与基准点的曲线距离为lI的像素点，将此像素点与基准点之间的曲线段选取为CRk；需要指出的是所选择的CRk仅仅是给定基准点下与CI的一个可能的匹配，我们需要进一步判别这个匹配是否是一个正确的匹配。3、控制点的选取及其对应点的确定为了抑制两条曲线间存在的误差对计算变换参数的影响，我们在CI上沿曲线长度均匀地选取ns个像素点作为控制点PIsi，然后在对应曲线段CRk上选取与CI中控制点相对应的ns个对应点PRkci，并按照它们之间的对应关系组成控制点对，由此可以比较鲁棒地计算出刚体变换中的三个参数。PRkci的选取方法如下仿照在CR上选取CRk的办法，将PI1与PIsi之间的曲线作为CI，CRk作为CR，并且PRk1作为基准点，用相同的步骤就可以确定PIsi的对应点PRkci。4、通过证据积累计算对应曲线间的刚体变换参数上面分别得到了曲线CI在参考曲线CR上可能的对应段CRk，以及两段曲线之间的ns组对应控制点。有了ns(ns≥2)组控制点，就可以解出刚体变换(R，t)中的三个变换参数(θ，tx，ty)(其中θ是相对旋转角度，tx和ty分别是图像曲线整体沿x轴和y轴的平移量)，并进一步评价反变换后的曲线CI′与CRk的匹配程度。在利用ns组控制点求解刚体变换(R，t)中三个参数(θ，tx，ty)时，最直接的方法是用最小二乘法得到一组变换参数的估计值 但是最小二乘法本身存在一个较大的缺陷，即当输入对应点有错误匹配点时，即使错误匹配点占总匹配点数的比例不大，所估计的结果也可能存在较大的偏差。用证据积累的方法，可以有效地降低最小二乘方法对错误匹本文档来自技高网...

【技术保护点】
一种基于证据积累的图像曲线粗匹配方法的具体实现步骤包括：（１）较好地获得图像曲线Ｃ↓［Ｉ］和待匹配的参考曲线Ｃ↓［Ｒ］；（２）在Ｃ↓［Ｒ］上遍取所有可能与Ｃ↓［Ｉ］进行匹配的曲线段Ｃ↓［Ｒ］↑［ｋ］，其中Ｃ↓［Ｒ］↑［ｋ］两 个端点的直线距离与Ｃ↓［Ｉ］两个端点的直线距离相同；（３）在Ｃ↓［Ｒ］↑［ｋ］中找到ｎ↓［ｓ］个对应点Ｐ↓［Ｒ↓［ｋ］］↑［Ｃ↓［ｉ］］与Ｃ↓［Ｉ］中的ｎ↓［ｓ］个控制点Ｐ↓［Ｉ］↑［ｓ↓［ｉ］］对应；（４）用证据积累的方法 对ｎ↓［ｓ］组控制点聚类；如果聚类成功，则用能聚类的控制点估计刚体变换参数；否则，考察下一个Ｃ↓［Ｒ］↑［ｋ］；（５）由估计的刚体变换参数将Ｃ↓［Ｉ］变换为曲线Ｃ′↓［Ｉ］，并计算Ｃ′↓［Ｉ］与Ｃ↓［Ｒ］↑［ｋ］之间的Ｈａｕｓｄｏｒ ｆｆ距离；（６）最后，将与最小Ｈａｕｓｄｏｒｆｆ距离对应的Ｃ↓［Ｒ］↑［ｋ］作为Ｃ↓［Ｉ］的粗略对应匹配段。

【技术特征摘要】

【专利技术属性】
技术研发人员：赵训坡，胡占义，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：11[中国|北京]