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)搜索算法是 Jeffrey S. Beis 和 David Lowe 于 1997 年提出的一种 针对标准k-d树搜索算法回溯次多、耗时长等缺点而改进的算法，它保证在接近标准k-d树 搜索算法的配准率的基础上大幅度减少匹配耗时。在k-d树中，每一节点都有一个超矩形，且节点在超矩形里面。超矩形是一个向量 空间，其维数与特征空间的维数相同，空间里的每一维分量都在一个区间范围内。兄弟节点 的超矩形中只有某一维的分量区间不同，但却是相邻的，比如左兄弟节点的某一维向量区 间为(0，100]，右兄弟节点的相同维的向量区间为(100，200]，其余所有维的分量区间都相 同。父亲节点的超矩形是两个儿子的超矩形所组合而成的。标准k-d 树搜索算法(作者 Jon Louis Bentley.文章名Multidimensional binary search trees used for associativesearching.杂志Communi cat ions of the ACM(Association forComputing Machinery), 18 (9) :509517，1975.)在算法回溯时，需要 在兄弟节点所在的相邻超矩形里检查是否含有离目标更近特征向量，这大大增加算法时 间。BBF 搜索算法(作者 Jeffrey S. Beis andDavid G.Lowe.文章名Shape indexing using approximatenearest-neighbor search in high dimensional spaces ；期干Ij : Proceedings of the IEEE Conference on Computer Vision andPattern Recognition, pages 1000-1006,1997)是在标准k_d树搜索算法在算法回溯前，先计算目标向量与相邻 超矩形的距离，而且按从近到远的顺序将这些超矩形排序，然后在算法回溯时，则依次从最 近超矩形起搜索比较。另外，BBF搜索算法限制相邻超矩形的数目(SearchSt印)。BBF搜 索算法图像配准率，随着SearchSt印增加而提高，当SearchSt印大到一定数时，BBF的配 准率与标准k-d树搜索算法的配准率相等。虽然BBF搜索算法效率有很大提高，但配准率没有提高。双重最近邻优先(Double Best Bin First, DBBF)搜索方法是BBF搜索算法上增 加匹配验证功能。在特征匹配过程中，分别建立基图和待配准图的k-d树，特征匹配在这两 棵k-d树上进行。DBBF搜索方法的配准率比BBF搜索算法有较大的提高，原因是它在BBF 搜索算法匹配结果中再次利用BBF搜索算法去除一些不正确的匹配对。DBBF搜索方法与标 准k-d树搜索算法相比，匹配率和效率都有很大的提高。
技术实现思路
本专利技术所解决的技术问题是提供匹配率高和效率高的点特征图像配准中的双重 最近邻优先搜索方法。本专利技术所采用的技术方案是，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 _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 _Right ；采用SIFT点特征，其匹配性能明显高于同类型的局部特征；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 _Right建立标准的k-d树kdTree_Right ；D、在待匹配图的特征向量空间 _Right中取出一特征向量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距离次近的特征 向量 T-Left_Nearer ；基图的特征向量空间 _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 _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 _Left中没有与特征向量T_Y4 (T_Right[k] — T_Left_Nearest[k])的比值，若比值大于0. 8，则认为在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 _Right中的特征向量是否取完，若待匹配图 的特征向量空间 _Right中的特征向量取完，则方法停止，否则转至步骤D。根据本专利技术所述的的优选方案，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 = (T1, T2, ... , ΤΝ}，其中，每个特征 向量Ti的维数为128，i = 1，2，...，N;遍历特征向量空间 _Left，找出每一维的最大值 max (TiM) = maxk 和最小值 HiinCTi [k]) = mink，其中 k = 0，1，· · ·，127 ；计本文档来自技高网...
【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
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。