一种基于多尺度Harris角点检测的图像配准方法技术

一种基于多尺度Harris角点检测的图像配准方法包括：获取待配准的二幅图像，预处理去噪，令高斯核函数与原始图像做卷积运算生成多尺度空间，让Harris算子在尺度空间提取特征点，生成简单的32维特征向量描述特征。采用最近邻法完成特征匹配，使用改进的相似三角形法筛选特征匹配点，再利用改进的K

【技术实现步骤摘要】
一种基于多尺度Harris角点检测的图像配准方法


[0001]本专利技术涉及图像处理
，具体涉及一种基于多尺度Harris角点检测的图像配准方法。

技术介绍

[0002]图像配准是为同一场景的数张有重叠小图像，计算各幅图像间的变换模型，确定几何对应关系，使重叠部分对齐，进而合成一幅大场景图像的技术。在医学图像处理，人工智能，卫星图像分析，军事目标识别等领域都有重要应用。Harris算法提取的特征点数量较少、计算量小、对图像旋转、变换视角都有较强的鲁棒性，抗噪能力佳，但由于是在单一尺度下检测特征点，特征点不具有尺度不变性，不适用于尺度变化较大的场合。SIFT算法虽具备尺度不变性，但检测得到的特征点数量过多，特征描述为128维向量，计算量大，运算时间较长，占用系统资源过多，不适合实时性要求较高的场所。因此将尺度空间和Harris算法结合使用，既可使特征点具备尺度不变性，又能减少计算量，提高算法效率，更适应实时性要求较高的场合。

技术实现思路

[0003]本专利技术为了解决在保证图像配准精度的条件下，提高图像配准速度，减少计算量，增强实时性的问题，设计了一种基于多尺度Harris角点检测的图像配准方法。
[0004]一种基于多尺度Harris角点检测的图像配准方法，包括以下步骤：
[0005]步骤1：获取待配准的二幅图像，将图像预处理,去除噪声干扰；
[0006]步骤2：令高斯核函数与原始图像做卷积运算生成多尺度空间；
[0007]步骤3：定位特征点：在多尺度空间检测Harris角点，以Harris角点8邻域内Harris值最大的点为候选特征点,选取具有局部极大LOG值的候选特征点为特征点；
[0008]步骤4：确定特征点主方向；
[0009]步骤5：生成32维特征向量描述特征点；
[0010]步骤6：用最近邻法完成特征匹配；
[0011]步骤7：改进的相似三角形法筛选匹配点；
[0012]步骤8：用改进的K
‑
means算法对特征点分组，将相同区域的特征点分为一组；
[0013]步骤9：用改进的RANSAC算法计算变换模型；
[0014]步骤10：图像配准。
[0015]进一步地，步骤2构造多尺度空间的具体内容为：
[0016]令6个不同尺度的高斯核函数与原始图像做卷积运算生成6层尺度空间，公式为：
[0017][0018][0019]其中为当前积分尺度，为原始图像，为变换后的图像， 为高斯核函数,尺度变换为，，，。
[0020]进一步地，步骤3定位特征点的具体内容为：
[0021]Harris自相关矩阵定义为：
[0022][0023]其中、分别为图像经过高斯平滑后在x、y方向的偏导数，为微分尺度，。
[0024]多尺度Harris算子定义为：
[0025][0026]若大于阈值，该点为Harris角点。
[0027]在各尺度空间，以Harris角点为中心的8邻域内，求Harris响应值最大的点，该点作为候选特征点。计算选特征点的LOG值，若其LOG值在当前尺度和上下相邻尺度的8邻域内均为极大值点则该点为最终特征点。
[0028][0029]其中为当前尺度，、为在x、y方向的二阶偏导数。
[0030]进一步地，步骤4确定特征点主方向的具体内容为：
[0031]为使特征点具有旋转不变性，还需为其指定主方向。以特征点为圆心，为半径(为特征点的尺度因子)，划一圆形邻域，计算圆形邻域内每个像素的梯度模值和方向。利用直方图统计各像素的梯度方向，梯度直方图一柱代表，共有36柱，直方图峰值即为特征点的主方向。
[0032]进一步地，步骤5生成32维特征向量的具体内容为：
[0033]将以特征点为圆心，8为半径的圆形邻域划分成子窗口，每个子窗口是一个子区域。在每个子窗口内计算各区域的像素梯度值与方向，再以为间隔，累计8个方向的梯度值，形成一个种子点。一个特征点有4个种子点，每个种子点又有8个方向向量，这样构成了特征点的32个方向向量即32维特征向量。
[0034]进一步地，步骤6最近邻法匹配特征的具体内容为：
[0035]在图像1中任选一特征点，在图像2中找到它的最近邻与次近邻点，若该特征点的最近邻与次近邻的欧氏距离比值小于阈值，则该特征点与其最近邻点为匹配特征点。
[0036]进一步地，步骤7利用改进的相似三角形法筛选匹配点的具体内容为：
[0037]改进了相似三角形法，不设固定基准点，任取两幅图像的一对匹配点，在以其为中心的圆形邻域内任选两对匹配点，与中心点组成三角形，判断这两个三角形的相似性，相似三角形对应的匹配点为正确匹配点。重复以上过程直至所有特征点均被选择过。
[0038]相似三角形判定条件：
[0039][0040][0041]满足上述公式的三角形对为相似三角形对。
[0042]进一步地，步骤8利用改进的K
‑
means算法对特征点分组的具体内容为：经典的K
‑
means算法随机选择类初始中心点，相邻近的点也有可能成为不同类的初始中心点，分类结果不确定，可能会导致特征点分组失败。本专利技术根据特征点的约束关系，计算特征点的紧密度，从而选出高质量的类初始中心点，优化算法性能，特征点可得更好的分组。
[0043]步骤8.1：确定改进K
‑
means算法的类初始中心点
[0044]由特征点约束关系可知，若是一对正确匹配点，则在以、为中心的圆形邻域内存在很多距离相等的匹配点。
[0045][0046]上式为以特征点为中心的圆形邻域内，与个最近邻点的欧式距离均值的倒数，代表与周围点的紧密度。特征点的紧密度越大，周围类似的匹配点就越多，越适合做类中心点。
[0047]计算每一个特征点的紧密度，保留紧密度大于阈值的特征点。将保留下来的特征点的紧密度按降序排列，最大紧密度对应的特征点作为第一个类中心点，取距离最远的特征点作为第二个类中心点，取距离前二个类中心点、距离之和最大的点作为第三个类中心点。据此类推，取距离前个类中心点、、距离之和最大的点作为第个类中心点，至此得到所有类初始中心点。
[0048]步骤8.2：利用改进的K
‑
means算法对数据分类
[0049]步骤8.2.1：利用下面公式计算所有特征点的紧密度并确定各类初始中心点，各类为。
[0050][0051]步骤8.2.2：计算其余特征点到各类中心点的欧式距离，将特征点归入与类中心点距离最小的类中。
[0052]步骤8.2.3：利用下面公式，再次计算各类中心点。
[0053][0054]重复步骤8.2.2、8.2.3，直至各类中心点稳定。
[0055]进一步地，步骤9利用改进的RANSAC算法计算最优变换模型的具体内容为：从步骤
8分成的N组特征点中随机选取6组，再从每组本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于多尺度Harris角点检测的图像配准方法，其特征在于，包括以下步骤：步骤1、获取待配准的二幅图像，将图像预处理，去除噪声干扰；步骤2、令高斯核函数与原始图像做卷积运算生成多尺度空间；步骤3、定位特征点：在多尺度空间检测Harris角点，以Harris角点8邻域内具有最大Harris值的角点为候选特征点，选取具有局部极大LOG值的候选特征点为特征点；步骤4、确定特征点主方向；步骤5、生成32维特征向量描述特征点；步骤6、用最近邻法完成特征匹配；步骤7、改进的相似三角形法筛选匹配点；步骤8、用改进的K
‑
means算法对特征点分组，将相同区域的特征点分为一组；步骤9、用改进的RANSAC算法计算变换模型；步骤10：图像配准。2.根据权力要求1所述的一种基于多尺度Harris角点检测的图像配准方法，其特征在于，步骤2中利用高斯核函数与原始图像做卷积运算生成多尺度空间，具体内容为：令6个不同尺度的高斯核函数与原始图像做卷积运算生成6层尺度空间，公式为：公式为：其中σ为当前积分尺度，I
in
(x,y)为原始图像，I
out
(x,y,σ)为变换后的图像，G(x,y,σ)为高斯核函数,尺度变换为σ
n
＝ω
n
σ0，σ0＝1.5，ω＝1.4，n≤6。3.根据权力要求1所述的一种基于多尺度Harris角点检测的图像配准方法，其特征在于，步骤3中提取特征点，具体内容为：多尺度Harris自相关矩阵定义为：其中I
x
(x,y,σ
D
)、I
y
(x,y,σ
D
)分别为图像经过高斯平滑后在x、y方向的偏导数，σ
D
为微分尺度，σ
D
＝0.7σ1。多尺度Harris算子定义为：若大于阈值，该点为Harris角点。以Harris角点8邻域内Harris值最大的点为候选特征点。计算候选特征点的LOG值，若其LOG值在当前尺度和上下相邻尺度的8邻域内均为极大值点则该点为特征点。其中σ
n
为当前尺度，I
xx
、I
yy
为I(x,y,σ
n
)在x、y方向的二阶偏导数。4.根据权力要求1所述的一种基于多尺度Harris角点检测的图像配准方法，其特征在于，步骤4中确定特征点主方向，具体内容为：为使特征点具有旋转不变性，还需为其指定主方向。以特征点为圆心，1.5σ为半径(σ为
特征点的尺度因子)，划一圆形邻域，计算圆形邻域内每个像素的梯度模值和方向。利用直方图统计各像素的梯度方向，梯度直方图一柱代表10
°
，共有36柱，直方图峰值即为特征点的主方向。5.根据权力要求1所述的一种基于多尺度Harris角点检测的图像配准方法，其特征在于，步骤5中32维特征向量，具体内容为：将以特征点为圆心，8为半径的圆形邻域划分成2
×
2子窗口，每个子窗口是一个4
×
4子区域。在每个子窗口内计算各区域的像素梯度值与方向，再以45
°
为间隔，累计8个方向的梯度值，形成一个种子点。一个特征点有4个种子点，每个种子点又有8个方向向量，这样构成了特征点的32个方向向量即32维特征向量。6....

【专利技术属性】
技术研发人员：尚明姝，
申请(专利权)人：哈尔滨学院，
类型：发明
国别省市：