【技术实现步骤摘要】
基于密度聚类的图像配准方法
[0001]本专利技术属于图像处理
，特别是涉及一种基于密度聚类的图像配准方法。
技术介绍
[0002]配置是选定一张固定的基准图像作为模板，一张存在相对偏移的图像作为目标，并通过算法计算出模板图像的坐标偏移，再对目标图像进行刚性或非刚性的变化使目标图像和模板图像处于一致的相对坐标。主流的算法有：基于特征点匹配的配准算法、基于相似性度量的配准算法、基于深度学习的配准算法。
[0003]基于特征点匹配的配准算法是通过对全部像素点遍历，通过对某一点邻域梯度进行描述并定义符合某种规则的点为特征点，是一种全局搜寻策略；此类算法通常有较好的普适性，但速度慢。
[0004]基于相似性度量的配准算法是通过对图像全局像素点进行统计和变换并进行滑动匹配，比如FFT(快速傅立叶变换)和MI(互信息)配准；此类算法具有相对高的精度，但同样速度慢。
[0005]基于深度学习的配准算法在特定数据集上有最高的精度，但是需要大量的数据训练。
技术实现思路
[0006]本专利技术的目...
【技术保护点】
【技术特征摘要】
1.基于密度聚类的图像配准方法，其特征在于，包括：提取模板图像的第一最终特征点集和每帧目标图像的第二最终特征点集；分别生成第一最终特征点集中所有第一最终特征点和第二最终特征点集中所有第二最终特征点的描述向量；根据描述向量的相似度，将第一最终特征点与当前帧目标图像的第二最终特征点进行匹配；根据所有匹配成功的第一最终特征点和当前帧目标图像的第二最终特征点计算配准参数；根据所述配准参数对当前帧目标图像进行图像变换。2.根据权利要求1所述的基于密度聚类的图像配准方法，其特征在于，若目标图像为一帧，则提取模板图像的第一最终特征点和目标图像的第二最终特征点，包括：提取模板图像的第一初始特征点和目标图像的第二初始特征点；对所有第一初始特征点进行密度聚类得到第一中间特征点集，对所有第二初始特征点进行密度聚类得到第二中间特征点集；根据第一初始特征点进行密度聚类得到的密度做阈值过滤第一中间特征点集中的噪声点，根据第二初始特征点进行密度聚类得到的密度做阈值过滤第二中间特征点集中的噪声点；对所有第一中间特征点进行邻近合并和密度聚类得到第一最终特征点集，对所有第二中间特征点进行邻近合并和密度聚类得到目标图像的第二最终特征点集；若目标图像为包含多帧图像的图像序列，则提取模板图像的第一最终特征点和目标图像的第二最终特征点，包括：提取模板图像的第一初始特征点和第一帧目标图像的第二初始特征点；对所有第一初始特征点进行密度聚类得到第一中间特征点集，对第一帧目标图像的所有第二初始特征点进行密度聚类得到第二中间特征点集；根据第一初始特征点进行密度聚类得到的密度做阈值过滤第一中间特征点集中的噪声点，根据第一帧目标图像的第二初始特征点进行密度聚类得到的密度做阈值过滤第二中间特征点集中的噪声点；对所有第一中间特征点进行邻近合并和密度聚类得到第一最终特征点集，对第一帧目标图像的所有第二中间特征点进行邻近合并和密度聚类得到第一帧目标图像的第二最终特征点集；对于非第一帧目标图像，通过对前一帧目标图像的第二最终特征点集中所有第二最终特征点进行密度聚类得到该帧目标图像的第二最终特征点集。3.根据权利要求2所述的基于密度聚类的图像配准方法，其特征在于，所述第一初始特征点的提取方法或FAST算法或随机生成，所述第二初始特征点的提取方法或FAST算法或随机生成。4.根据权利要求2所述的基于密度聚类的图像配准方法，其特征在于，对第一初始特征点进行密度聚类包括：分别以每个第一初始特征点为中心，取预设范围的邻域图像；分别以所述邻域图像中预设数量的像素点的像素值作为权重，通过自适应步长的快速
梯度上升法迭代，更新每个特征点并终止于密度局部极值点称密度吸引点，并将所述密度吸引点作为第一中间特征点；对第二初始特征点进行密度聚类包括：分别以每个第二初始特征点为中心，取预设范围的邻域图像；分别以所述邻域图像中预设数量的像素点的像素值作为权重，通过自适应步长的快速梯度上升法迭代，更新每个特征点并终止于密度局部极值点称密度吸引点，并将所述密度吸引点作为第二中间特征点。5.根据权利要求4所述的基于密度聚类的图像配准方法，其特征在于，所述快速梯度上升法的计算公式为：升法的计算公式为：式中，为任意点坐标向量所对应的估计密度，为任意点坐标向量的像素值，是该区域所有估计点，h带宽是用于平滑经验分布的常量，ε是设定的终止梯度上升过程的限制...
【专利技术属性】
技术研发人员：刘伟壹，谌小维，廖祥，
申请(专利权)人：中国人民解放军陆军军医大学，
类型：发明
国别省市：
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。