一种联合局部相位锐度定向描述的多源图像匹配方法组成比例

本发明专利技术针对多源图像之间强度差异大和非线性辐射畸变所导致的匹配问题，提出了一种联合局部相位锐度定向特征描述的多源图像匹配方法。首先，构建影像金字塔尺度空间，此基础上对图像的频率域进行相位一致性求解，得到最大矩特征并采用KAZE算子提取特征点。随后，利用Log

【技术实现步骤摘要】
一种联合局部相位锐度定向描述的多源图像匹配方法


[0001]本专利技术涉及图像处理
，尤其是涉及一种联合局部相位锐度定向描述的多源图像匹配方法。

技术介绍

[0002]图像作为人类视觉感知世界的窗口在实际生活中应用广泛。随着图像传感器和摄影成像技术与设备的快速更新，多源图像数据获取日渐丰富，其处理成为了研究热点。为实现目标检测、场景识别及数据融合等领域的多样性需求，首先需要解决多源图像的匹配问题。多源图像匹配的实质是获取不同传感器拍摄的图像对应点的过程。然而，多源图像数据由于传感器成像机理的不同，导致多源图像匹配存在强度差异、光照差异和非线性辐射畸变差异等问题。
[0003]因此，专家学者对图像匹配展开了大量研究，大致可以分为三类：基于区域强度的匹配，基于特征方法的匹配和基于深度学习的匹配。基于区域强度的匹配主要有顾及灰度信息的匹配和互信息的匹配。多源图像的灰度和梯度信息差异较大，获取相似性特征难度较大。而互信息是两个随机变量统计相关性的一种测度。近年来，已广泛应用于多源图像自动匹配，但在匹配中易陷入局部最优解。基于特征的匹配，从Lowe等人(Lowe D G et al,1999)提出尺度不变特征变换(Scale Invariant Feature Transform，SIFT)匹配伊始，特征匹配方法发展迅速，如：Speeded Up Robust Features(SURF)(Yangping Wang et al,2020)、ORB(Rublee E et al,2011)、KAZE(Alcantarilla P et al,2012)算法及联合对数极坐标优化匹配(Yongxiang Yao et al,2021)。这些方法从尺度稳健性，旋转不变性，二进制描述优化，描述子优化，多特征提取等不同视角展开了图像匹配研究探索。从时相差异，几何差异，计算成本差异，匹配准确性以及场景适用性等方面均提供了有效的匹配策略，但对于具有强度差异和非线性辐射畸变差异的多源图像其稳健性受到挑战。后续专家学者从图像频域相位特征进行了探索，相继提出了Log
‑
Gabor滤波优化的匹配(LGHD)(Aguilera C A et al,2015)，相位一致性方向直方图(HOPC)匹配(Ye Y et al,2018)，辐射不变变换特征匹配(RIFT)(J.Li et al,2020)、绝对相位方向直方图匹配(HAPCG)(Yongxiang Yao et al,2021)以及数据驱动的灰狼匹配(Yan X et al,2020)等算法，有效推进了多源图像匹配研究，但同时又受到地理位置，尺度，旋转等不同方面的制约。随着深度学习技术和人工智能理论的快速发展，相关学者已将深度学习技术引入到多源图像匹配中，诸如：卷积神经网络的匹配(Yi K M et al,2016)，多源图像特征提取与描述D2
‑
Net网络(Dusmanu M et al,2019)，深度卷积表达的Siamese网络匹配(Ke Nan et al,2019)，VGG网络特征提取的匹配(Efe U et al,2021)。深度学习的图像匹配方法速度快、特征学习能力强，但由于多源图像间的地物差异较大，且训练样本获取较困难，导致该类方法的泛化能力和适用性受到了限制。
[0004]由此可知，多源图像匹配的强度差异及非线性辐射差异导致识别的对应点稀疏和匹配成功率低等问题依然存在，因此如何有效克服多源图像的现存问题，降低图像梯度敏
感性，实现图像稳健匹配具有实际研究价值。因此，本专利技术从多源影像的稳健特征描述出发，试图实现多源影像共有特征的有效描述，从而优化多源影像匹配。最终提出了一种局部相位锐度方向特征描述的匹配方法(Descriptor of local phase sharpness orientation LPSO)，从而改善多源匹配对影像光照差异、强度差异和非线性辐射差异敏感等方面的不足，实现多源影像的稳健匹配。

技术实现思路

[0005]针对上述问题，本专利技术提出一种联合局部相位锐度定向描述的多源图像匹配方法，包括以下步骤：
[0006]步骤1，归一化预处理待匹配的多源图像；
[0007]步骤2，对步骤1中预处理后的多源影像进行特征提取，通过高斯影像金字塔计算影像尺度空间，然后借助相位一致性模型生成最大矩图；
[0008]步骤3，根据步骤2所得到得最大矩图，在最大矩空间中通过KAZE函数获取极值点，即为特征点；
[0009]步骤4，对步骤3所得极值点进行局部相位锐度定向描述：首先进行相位定向特征计算，对Log
‑
Gabor偶函数对称滤波器计算的相位特征方向进行扩展，生成相位定向特征；接着进行相位锐度特征计算，利用相位锐度模型计算图像锐度特征图，将相位锐度低频区域Sobel算子梯度加权融合得到改进的相位锐度特征结果；最后描述子向量特征构建，采用对数极坐标描述框架迭代生成每个特征点的LPSO描述子；
[0010]步骤5，根据步骤4所得LPSO描述子进行特征点匹配与优化，采用欧氏距离作为匹配测度，通过LPSO描述符最近邻匹配获取对应点。
[0011]进一步的，步骤2中生成最大矩图的具体实现方式如下；
[0012]在高斯影像空间金字塔中，进行相位一致性计算来获取图像的相位卷积分量，为了更好描述图像的边缘特征，通过对图像的相位卷积分量进行不同方向的卷积，为每个方向o计算一个独立的相位卷积分量映射PC(θ
o
)，其中，θ是方向o的角度；根据力矩分析方法可知最大矩能够反映特征的显著性，因此，可以根据最大矩计算公式获取归一化后的高斯空间最大矩图，如下列公式所示：
[0013][0014]式中，MM表示影像高斯滤波后的相位最大矩结果；PC(θ
o
)表示相位卷积分量在o方向的映射；a、b和c是相位力矩计算的中间量；θ是方向o的角度。
[0015]进一步的，步骤4中相位定向特征计算的具体实现方式如下；
[0016]通过相位一致性模型的Log
‑
Gabor滤波器，采用它的偶对称滤波器能量卷积结果来表征不同方向的能量变化，生成的特征方向图包含了Log
‑
Gabor偶对称滤波器在多个方向的滤波结果能量，包括垂直方向和水平方向，其计算公式如下所示：
[0017][0018]上式中，OF表示初始相位定向特征；EO
i
(angle)表示在第i方向上角度为angle的偶对称卷积结果；Φ是一个极小值，防止分母为零，o表示方向；
[0019]然后对相位一致性方向特征进行调整，最终的相位定向特征用O
PC
表示，数学公式如下所示：
[0020][0021]上式中，O
PC
代表最终相位定向特征；ΔT代表一个非负常数项。
[0022]进一步的，步骤4中相位锐度特征计算的具体实现方式如下；
[0023]首先对局部相位相干性模型本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种联合局部相位锐度定向描述的多源图像匹配方法，其特征在于，包括以下步骤：步骤1，归一化预处理待匹配的多源图像；步骤2，对步骤1中预处理后的多源影像进行特征提取，通过高斯影像金字塔计算影像尺度空间，然后借助相位一致性模型生成最大矩图；步骤3，根据步骤2所得到得最大矩图，在最大矩空间中通过KAZE函数获取极值点，即为特征点；步骤4，对步骤3所得极值点进行局部相位锐度定向描述：首先进行相位定向特征计算，对Log
‑
Gabor偶函数对称滤波器计算的相位特征方向进行扩展，生成相位定向特征；接着进行相位锐度特征计算，利用相位锐度模型计算图像锐度特征图，将相位锐度低频区域Sobel算子梯度加权融合得到改进的相位锐度特征结果；最后描述子向量特征构建，采用对数极坐标描述框架迭代生成每个特征点的LPSO描述子；步骤5，根据步骤4所得LPSO描述子进行特征点匹配与优化，采用欧氏距离作为匹配测度，通过LPSO描述符最近邻匹配获取对应点。2.根据权利要求1所述的联合局部相位锐度定向描述的多源图像匹配方法，其特征在于：步骤2中生成最大矩图的具体实现方式如下；在高斯影像空间金字塔中，进行相位一致性计算来获取图像的相位卷积分量，为了更好描述图像的边缘特征，通过对图像的相位卷积分量进行不同方向的卷积，为每个方向o计算一个独立的相位卷积分量映射PC(θ
o
)，其中，θ是方向o的角度；根据力矩分析方法可知最大矩能够反映特征的显著性，因此，可以根据最大矩计算公式获取归一化后的高斯空间最大矩图，如下列公式所示：式中，MM表示影像高斯滤波后的相位最大矩结果；PC(θ
o
)表示相位卷积分量在o方向的映射；a、b和c是相位力矩计算的中间量；θ是方向o的角度。3.根据权利要求1所述的深度密集卷积网络协同检测的多聚焦图像融合方法，其特征在于：步骤4中相位定向特征计算的具体实现方式如下；通过相位一致性模型的Log
‑
Gabor滤波器，采用它的偶对称滤波器能量卷积结果来表征不同方向的能量变化，生成的特征方向图包含了Log
‑
Gabor偶对称滤波器在多个方向的滤波结果能量，包括垂直方向和水平方向，其计算公式如下所示：上式中，OF表示初始相位定向特征；EO
i
(angle)表示在第i方向上角度为angle的偶对称卷积结果；Φ是一个极小值，防止分母为零，o表示方向；然后对相位一致性方向特征进行调整，最终的相位定向特征用O
PC
表示，数学公式如下所示：
上式中，O
PC
代表最终相位定向特征；ΔT代表一个非负常数项。4.根据权利要求1所述的深度密集卷积网络协同检测的多聚焦图像融合方法，其特征在...

【专利技术属性】
技术研发人员：徐川，杨威，刘畅，叶志伟，张欢，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：