一种基于特征匹配和渐入渐出融合的受电弓图像拼接方法技术

本发明专利技术公开了一种基于特征匹配和渐入渐出融合的受电弓图像拼接方法，该方法步骤包括：获取受电弓的左半侧图像和右半侧图像；对左半侧图像和右半侧图像进行图像预处理；采用SIFT算法对左半侧图像和右半侧图像进行特征点提取，使用K

【技术实现步骤摘要】
一种基于特征匹配和渐入渐出融合的受电弓图像拼接方法


[0001]本专利技术涉及受电弓图像检测
，具体涉及一种基于特征匹配和渐入渐出融合的受电弓图像拼接方法。

技术介绍

[0002]随着我国社会经济的快速发展和城市化进度的不断推进，城市地铁发展也相当迅速，利用机器视觉相关技术进行受电弓状态检测正在如火如荼的发展，而基于机器视觉的受电弓检测技术的精度基础在于获得高质量的受电弓全弓实时图像。
[0003]目前，关于受电弓图像的拼接方法研究较少，且相对不够成熟。广州运达智能科技有限公司提出了一种调用图像拼接标定方法对所述左半侧图像和右半侧图像进行透视变换后，进行平移拼接变换得到受电弓图像的方法，但是该方法所得全弓图像存在明显的拼接缝隙，图像质量较低，拼接稳定性较差。

技术实现思路

[0004]本专利技术的目的在于提供一种融合效果出色、拼接稳定性好、拼接图像质量高的基于特征匹配和渐入渐出融合的受电弓图像拼接方法。
[0005]实现本专利技术目的的技术解决方案为：一种基于特征匹配和渐入渐出融合的受电弓图像拼接方法，包括：
[0006]步骤1、获取受电弓的左半侧图像和右半侧图像；
[0007]步骤2、对左半侧图像和右半侧图像进行图像预处理；
[0008]步骤3、采用SIFT算法对左半侧图像和右半侧图像进行特征点提取，使用K
‑
D树完成特征点对粗匹配；
[0009]步骤4、采用RANSAC算法进行特征点对筛选，计算最优变换矩阵，剔除误匹配特征点对，得到有效匹配特征点对；
[0010]步骤5、对配准后的左半侧图像和右半侧图像进行直接拼接，最后使用渐入渐出法对缝合区域进行融合，获得受电弓全弓图像。
[0011]本专利技术与现有技术相比，其显著优点为：(1)使用了SIFT和RANSAC算法，图像特征点配准准确，鲁棒性高；(2)使用了渐入渐出融合算法，拼接图像融合质量高，没有明显拼接缝，工作稳定。
附图说明
[0012]图1是基于特征匹配和渐入渐出融合的受电弓图像拼接方法的流程示意图。
[0013]图2是小波变换预处理过的左半侧和右半侧受电弓图像。
[0014]图3是完成SIFT的特征点检测后，经过K
‑
D树匹配得到的图像。
[0015]图4是经过RANSAC筛选后的特征点匹配图像。
[0016]图5是渐入渐出法融合后得到的的受电弓全弓图像。
具体实施方式
[0017]本专利技术一种基于特征匹配和渐入渐出融合的受电弓图像拼接方法，包括：
[0018]步骤1、获取受电弓的左半侧图像和右半侧图像；
[0019]步骤2、对左半侧图像和右半侧图像进行图像预处理；
[0020]步骤3、采用SIFT算法对左半侧图像和右半侧图像进行特征点提取，使用K
‑
D树完成特征点对粗匹配；
[0021]步骤4、采用RANSAC算法进行特征点对筛选，计算最优变换矩阵，剔除误匹配特征点对，得到有效匹配特征点对；
[0022]步骤5、对配准后的左半侧图像和右半侧图像进行直接拼接，最后使用渐入渐出法对缝合区域进行融合，获得受电弓全弓图像。
[0023]作为一种具体实施例，步骤2所述对左半侧图像和右半侧图像进行图像预处理，具体为使用小波变换对图像进行图像预处理，步骤包括：
[0024]通过Harr小波函数实现一级小波变换分解为表示图像的近似、水平、垂直和对角特性的子图像分量LL、HL、LH和HH；选取子图像分量LL、HL和LH进行叠加，得到下一步进行特征提取的图像。
[0025]作为一种具体实施例，步骤3所述采用SIFT算法对左半侧图像和右半侧图像进行特征点提取，使用K
‑
D树完成特征点对粗匹配，具体包括以下步骤：
[0026]步骤31、构建高斯金字塔，金字塔的层数n根据图像的原始大小和塔顶图像的大小共同决定，计算公式如下：
[0027]n＝log2{min(M,N)}
‑
t,t∈[0,log2{min(M,N)}][0028]其中，M、N为原图像的高度和宽度，t为塔顶图像的最小维数的对数值；
[0029]步骤32、使用高斯金字塔每组中相邻上下两层图像相减，得到高斯差分图像，并使用高斯差分算子进行极值检测，高斯差分算子如下：
[0030]D(x,y,σ)＝[G(x,y,kσ)
‑
G(x,y,σ)]*I(x,y)＝L(x,y,kσ)
‑
L(x,y,σ)
[0031]其中，D(x,y,σ)表示高斯差分尺度空间，G(x,y,kσ)、G(x,y,σ)表示高斯函数，L(x,y,kσ)、L(x,y,σ)表示图像的尺度空间，I(x,y)表示输入的图像，x、y表示图像的像素坐标，k表示相邻两个尺度之间的比例因子，σ表示尺度因子；
[0032]步骤33、对于通过高斯差分空间下获得的候选特征点，通过Hessian矩阵进行特征值求取，并检测所求特征值是否满足下式，若满足下式要求，则此候选特征点将作为特征点被保留：
[0033][0034]其中D
xx
是候选特征点在水平方向上的二阶导数；D
xy
是候选特征点先在水平方向求一阶导数，然后在垂直方向再求一阶导数；D
yy
是候选特征点在垂直方向上的二阶导数；Tr(H)＝D
xx
+D
yy
＝α+β，Det(H)＝D
xx
D
yy
‑
(D
xy
)2＝αβ，α为较大的特征值，β为较小特征值；
[0035]步骤34、计算特征点梯度的模值m(x,y)和方向θ(x,y)，公式如下：
[0036][0037]θ(x,y)＝tan
‑1(((L(x,y+1)
‑
L(x,y
‑
1))/L(x+1,y)
‑
L(x
‑
1,y)))
[0038]其中，L(x,y)是特征点所在的尺度空间值，使用直方图统计特征点邻域内的像素梯度和方向来确定特征点主方向；
[0039]步骤35、将坐标轴旋转为特征点的方向，以特征点为中心，选取16
×
16像素邻域，将所选区域划分为8个4
×
4子区域；每个关键点形成一个4
×4×
8＝128维的特征向量，通过计算每个子区域中8个方向的方向直方图来实现，最后进行特征向量归一化，完成特征点的检测；
[0040]步骤36、使用K
‑
D树算法对步骤35得到的特征点进行基于欧氏距离的匹配，得到粗匹配的特征点对。
[0041]作为一种具体实施例，步骤4所述采用RANSAC算法进行特征点对筛选，计算最优变换矩阵，剔除误匹配特征点对，得到有效匹配特征点对，具体包括以下步骤：
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于特征匹配和渐入渐出融合的受电弓图像拼接方法，其特征在于，包括：步骤1、获取受电弓的左半侧图像和右半侧图像；步骤2、对左半侧图像和右半侧图像进行图像预处理；步骤3、采用SIFT算法对左半侧图像和右半侧图像进行特征点提取，使用K
‑
D树完成特征点对粗匹配；步骤4、采用RANSAC算法进行特征点对筛选，计算最优变换矩阵，剔除误匹配特征点对，得到有效匹配特征点对；步骤5、对配准后的左半侧图像和右半侧图像进行直接拼接，最后使用渐入渐出法对缝合区域进行融合，获得受电弓全弓图像。2.根据权利要求1所述的基于特征匹配和渐入渐出融合的受电弓图像拼接方法，其特征在于，步骤2所述对左半侧图像和右半侧图像进行图像预处理，具体为使用小波变换对图像进行图像预处理，步骤包括：通过Harr小波函数实现一级小波变换分解为表示图像的近似、水平、垂直和对角特性的子图像分量LL、HL、LH和HH；选取子图像分量LL、HL和LH进行叠加，得到下一步进行特征提取的图像。3.根据权利要求1所述的基于特征匹配和渐入渐出融合的受电弓图像拼接方法，其特征在于，步骤3所述采用SIFT算法对左半侧图像和右半侧图像进行特征点提取，使用K
‑
D树完成特征点对粗匹配，具体包括以下步骤：步骤31、构建高斯金字塔，金字塔的层数n根据图像的原始大小和塔顶图像的大小共同决定，计算公式如下：n＝log2{min(M，N)}
‑
t，t∈[0，log2{min(M，N)}]其中，M、N为原图像的高度和宽度，t为塔顶图像的最小维数的对数值；步骤32、使用高斯金字塔每组中相邻上下两层图像相减，得到高斯差分图像，并使用高斯差分算子进行极值检测，高斯差分算子如下：D(x，y，σ)＝[G(x，y，kσ)
‑
G(x，y，σ)]*I(x，y)＝L(x，y，kσ)
‑
L(x，y，σ)其中，D(x，y，σ)表示高斯差分尺度空间，G(x，y，kσ)、G(x，y，σ)表示高斯函数，L(x，y，kσ)、L(x，y，σ)表示图像的尺度空间，I(x，y)表示输入的图像，x、y表示图像的像素坐标，k表示相邻两个尺度之间的比例因子，σ表示尺度因子；步骤33、对于通过高斯差分空间下获得的候选特征点，通过Hessian矩阵进行特征值求取，并检测所求特征值是否满足下式，若满足下式要求，则此候选特征点将作为特征点被保留：其中D
xx
是候选特征点在水平方向上的二阶导数；D
xy
是候选特征点先在水平方向求一阶导数，然后在垂直方向再求一阶导数；D
yy
是候选特征点在垂直方向上的二阶导数；Tr(H)＝D
xx
+D
yy
＝α+β，Det(H)＝D
xx
D
...

【专利技术属性】
技术研发人员：张皓泽，杜森，邢宗义，雷威，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：