点特征图像配准中的双重最近邻优先搜索方法技术

本发明专利技术提供一种点特征图像配准中的双重最近邻优先搜索方法，其特征在于：该方法包括：Ａ、读取基图，提取基图的尺度不变特征变换（ＳＩＦＴ）点特征，组成基图的特征向量空间Θ＿Ｌｅｆｔ；Ｂ、读取待匹配图，提取待匹配图的尺度不变特征变换（ＳＩＦＴ）点特征，组成待匹配图的特征向量空间Θ＿Ｒｉｇｈｔ；Ｃ、利用基图的特征向量空间Θ＿Ｌｅｆｔ建立标准的ｋ－ｄ树ｋｄＴｒｅｅ＿Ｌｅｆｔ，利用待匹配图的特征向量空间Θ＿Ｒｉｇｈｔ建立标准的ｋ－ｄ树ｋｄＴｒｅｅ＿Ｒｉｇｈｔ；Ｄ、在待匹配图的特征向量空间Θ＿Ｒｉｇｈｔ中取出特征向量Ｔ＿Ｒｉｇｈｔ；Ｅ、利用最邻近优先搜索算法，本发明专利技术可广泛的应用在图像特征匹配领域。

【技术实现步骤摘要】

本专利技术涉及图像特征匹配领域，尤其涉及点特征图像配准中的双重最近邻优先搜 索方法。
技术介绍
基于特征的图像匹配方法是图像配准中很重要的一类方法，此类方法的主要流程 如下首先对两幅图像进行特征提取得到特征点；通过进行相似性度量找到匹配的特征点 对；然后通过匹配的特征点对得到图像空间坐标变换参数；最后由坐标变换参数进行图像 配准。特征提取和匹配是图像配准技术中的关键。基于尺度不变特征变换(Scale Invariant Features Transform, SIFT)点特征的图像配准方法是近年来研究得较广泛的 一种基于特征的图像配准方法。SIFT算法是David Lowe于2004年正式完整提出的一种图 像局部特征描述算法，SIFT点特征是基于图像金字塔的多尺度极值点检测并采用极值点邻 域的梯度方向直方图进行描述的一种图像局部特征。它对于图像的尺度缩放、旋转、平移以 及一定程度的仿射和光照变化具有良好的不变性，其建议SIFT特征向量为128维。在特征 匹配中，一般采用欧式距离、马氏距离以及标准k-d树搜索等相似性度量方法。最近邻优先 (Best Bin First, BBF)搜索本文档来自技高网...

【技术保护点】

【技术特征摘要】
点特征图像配准中的双重最近邻优先搜索方法，其特征在于该方法包括A、读取基图，提取基图的尺度不变特征变换(SIFT)点特征，组成基图的特征向量空间Θ_Left；B、读取待匹配图，提取待匹配图的尺度不变特征变换(SIFT)点特征，组成待匹配图的特征向量空间Θ_Right；C、利用基图的特征向量空间Θ_Left建立标准的k d树kdTree_Left，利用待匹配图的特征向量空间Θ_Right建立标准的k d树kdTree_Right；D、在待匹配图的特征向量空间Θ_Right中取出特征向量T_Right；E、利用最邻近优先搜索算法，在基图的k d树kdTree_Left中分别找出与特征向量T_Right距离最近的特征向量T_Left_Nearest和与特征向量T_Right距离第二近的特征向量T_Left_Nearer；F、判断的比值，若比值大于0.8，则认为在基图的特征向量空间Θ_Left中没有与特征向量T_Right相匹配的特征向量，转至步骤I；若比值小于0.8，转至步骤G；其中T_Right[k]表示特征向量T_Right中的第k维分量；T_Left_Nearest[k]表示特征向量T_Left_Nearest中的第k维分量；T_Left_Nearer[k]表示特征向量T_Left_Nearer中的第k维分量；k＝0，1，...，127；G、利用最邻近优先搜索算法，在待匹配图的特征向量空间Θ_Right建立的标准的k d树kdTree_Right中找出与特征向量T_Left_Nearest最近距离的特征向量T_Right’；H、判断特征向量T_Right与特征向量T_Right’是否相同，若特征向量T_Right与特征向量T_Right’不同，则认为在基图的特征向量空间Θ_Left中没有与特征向量T_Right相匹配的特征向量，转至步骤I；若特征向量T_Right与特征向量T_Right’相同，则特征向量T_Right和特征向量T_Left_Nearest成为一对匹配；I、判断待匹配图的特征向量空间Θ_Right中的特征向量是否取完，若待匹配图的特征向量空间Θ_Right中的特征向量取完，则方法停止，否则转至步骤D。FSA00000326912500011.tif2.根据权利要求1所述的点特征图像配准中的双重最近邻优先搜索方法，其特征在 于所述利用基图的特征向量空间 _Left建立标准的k-d树的方法包括 Cl、制定k-d树节点分辨器的原则利用基图的特征向量空间 _Left, _Left = (...

【专利技术属性】
技术研发人员：周尚波，李昆，钟将，刘一鸣，
申请(专利权)人：重庆大学，
类型：发明
国别省市：85