本发明专利技术公开了一种基于改进的Harris-Laplace和SIFT描述符的影像匹配方法，包含如下步骤：1、采用改进的Harris-Laplace提取影像上关键点，确定关键点的主方向，生成特征点；2、采用SIFT描述符对特征点进行描述；3、分别采用（BBF最近邻搜索算法）和RANSAC（随机取样一致性算法）对特征点进行粗匹配和精匹配。本发明专利技术中改进的Harris-Laplace提取的关键点不仅对光照变化、旋转变化以及尺度变化具有不变性，而且可以更有效地克服噪声影响，这使得本方法拥有高精度的匹配结果。
【技术实现步骤摘要】
本专利技术涉及一种图像处理方法,特别涉及。
技术介绍
目前的影像配准方法主要是靠人工提取同名点，对于大幅影像，势必会消耗大量的人力资源，同时由于感知偏差，提取的同名点之间会存在一定的偏差，这将直接影响影像配准的精度。影像匹配可以为实现影像自动配准的提供底层基础，因此，对于影像自动配准来说，一种准确性高的影像匹配方法就显得尤为重要。·影像匹配是自动寻找同名目标的过程，它可以分为基于区域灰度的匹配和基于特征的匹配。相对于基于区域灰度的匹配，基于特征的匹配可以获得更令人满意的匹配结果。SIFT是著名的基于特征的匹配算法，被广泛地应用于影像匹配，可以获得良好的匹配结果。SIFT描述符具有尺度、旋转和平移的不变性，同时对光照变化、仿射变化和三维投影变换也具有一定的鲁棒性，是获得良好匹配结果的关键。但是SIFT在特征检测阶段提取的部分特征点可能会位于亮度只在一个方向变化的边缘上，这样的特征点容易受图像噪声和细碎纹理变化的影响，如果采用上述特征点对影像进行匹配，势必会对匹配精度造成一定的影响。
技术实现思路
专利技术目的针对上述现有技术存在的问题和不足，本专利技术的目的是提供一种，在特征检测阶段改进的Harris-Laplace提取的特征点不仅对光照变化、旋转变化以及尺度变化具有不变性，而且可以更有效地克服噪声的影响，使本专利技术获得高精度的匹配结果。技术方案为实现上述专利技术目的，本专利技术采用的技术方案为一种,其特征在于包括如下步骤 (1)建立影像尺度空间，计算每一层尺度影像的Harris二阶矩阵,将Harris 二阶矩阵特征值的最小值作为响应函数提取每一层尺度影像上的角点，采用LoG算子对提取的角点进行筛选得到稳定的关键点，利用所述关键点的特征尺度、8X8邻域的梯度及梯度方向确定关键点的主方向，生成特征点； (2)利用所述特征点的主方向、8X8邻域的梯度及梯度方向构造具有标准128维特征向量的SIFT描述符对特征点进行描述； (3)分别采用最近邻搜索算法(BBF)和随机取样一致性算法(RANSAC)对特征点进行粗匹配和精匹配。所述步骤(I)中，改进的多尺度Harris角点检测算子采用Harris 二阶矩阵特征值的最小值作为角点响应函数，可以更有效地抑制噪声。所述步骤(2)为了消除光照变化的影响，对特征向量作标准化处理。对于线性的光照变化，将特征向量标准化为单位长度；对于非线性光照变化，先设置阈值，使单位特征向量的值不超过O. 2，然后再将特征向量标准化为单位长度。所述步骤(3)中BBF算法粗匹配是以待匹配点和最近邻点的距离与待匹配点和次近邻点的距离之比是否小于某一阈值(经验取值为O. 8)为准则来判断该最近邻点是否是待匹配点的候选匹配点，其中距离采用的是欧式距离；RANSAC算法精匹配则是通过估计影像间的单应变换矩阵，并以此为几何约束条件判别匹配特征点对之间的像素距离是否大于容差(这里取5个像素)来剔除误匹配。有益效果本专利技术中改进的Harris-Laplace在特征检测阶段提取的特征点不仅对光照变化、旋转变化和尺度变化具有不变性，而且可以更有效地克服噪声的影响，这使得本专利技术拥有高精度的匹配结果。 附图说明图I是本专利技术的流程 图2(a)是左影像的特征点检测结果图，图2(b)是右影像的特征点检测结果 图3(a)是左影像的特征点匹配结果图，图3(b)是右影像的特征点匹配结果图。具体实施例方式下面结合附图和具体实施例，进一步阐明本专利技术，应理解这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围，在阅读了本专利技术之后，本领域技术人员对本专利技术的各种等价形式的修改均落于本申请所附权利要求所限定的范围。本专利技术的基本思路为特征检测阶段采用改进的Harris-Laplace提取关键点，确定关键点主方向，生成特征点；特征描述阶段采用SIFT描述符描述特征点；特征匹配阶段分别采用BBF算法和RANSAC算法粗匹配和精匹配特征点。为使关键点具有尺度属性，建立影像的尺度空间，它是由不同尺度的尺度影像构成，尺度影像汉本％)是由影像J(X)与高斯核G(Ok)卷积生成的，定义为L(XfCn) — l(x) 3icG(On) 其中，/(X)为像素点X的灰度，为/7层的尺度，C^=S0F, Stl为常数(经验取值为I.5)，左为常数(经验取值为1.4)。高斯核的表达式为27Τα 其中，σ为影像尺度，(χ2+/)表示卷积模板内像素与模板中心像素的距离。计算每一层尺度影像的Harris 二阶矩阵, Harris 二阶矩阵的计算公式为2Ly2 (π, ση) μ(χ,στ,σΒ) = σβ 0(στ) *, rD 、" T I ΓΓ \ T rr \ 其中，为积分尺度，S为差分尺度，Od = SO1 , 5·为常数(经验取值为O. 7),Zr (χ, O D)和Ζ,(χ，O D)分别是尺度影像Ζ(χ, σ D)在χ和y方向上的偏导数，Zr2 (χ, σ D)=Zr (χ, σD) XLx (χ, σD), Lr2 (χ, σD)= Zp, (χ, σD) XZ,(χ, σD), LliLy (χ, σD) =LΧ(χ, σ ) X令』ρ Λ 2为矩阵μ的特征值，则Harris角点的响应函数可以定义为权利要求1.一种,其特征在于包括如下步骤 (1)建立影像尺度空间，计算每一层尺度影像的Harris二阶矩阵,将Harris 二阶矩阵特征值的最小值作为响应函数提取每一层尺度影像上的角点，采用LoG算子对提取的角点进行筛选得到稳定的关键点，利用上述关键点的特征尺度、8X8邻域的梯度及梯度方向确定关键点的主方向，生成特征点； (2)利用所述特征点的主方向、8X8邻域的梯度及梯度方向构造具有标准128维特征向量的SIFT描述符对特征点进行描述； (3)分别采用最近邻搜索算法和随机取样一致性算法对特征点进行粗匹配和精匹配。2.据权利要求I所述,其特征在于所述步骤(I)中改进的多尺度Harris角点检测算子采用Harris 二阶矩阵特征值的最小值作为角点响应函数，可以更有效地抑制噪声。3.根据权利要求I所述，其特征在于所述步骤(2)中对特征向量进行标准化处理。4.根据权利要求I所述，其特征在于所述步骤(3)中最近邻搜索算法粗匹配是以待匹配点和最近邻点的距离与待匹配点和次近邻点的距离之比是否小于某一阈值为准则来判断该最近邻点是否为待匹配点的候选匹配点；随机取样一致性算法精匹配则是通过估计影像间的单应变换矩阵，并以此为几何约束条件判别匹配特征点对之间的像素距离是否大于容差来剔除误匹配。5.根据权利要求3所述，其特征在于所述阈值为0.8。全文摘要本专利技术公开了一种，包含如下步骤1、采用改进的Harris-Laplace提取影像上关键点，确定关键点的主方向，生成特征点；2、采用SIFT描述符对特征点进行描述；3、分别采用(BBF最近邻搜索算法)和RANSAC(随机取样一致性算法)对特征点进行粗匹配和精匹配。本专利技术中改进的Harris-Laplace提取的关键点不仅对光照变化、旋转变化以及尺度变化具有不变性，而且可以更有效地克服噪声影响，这使得本方法拥有高精度的匹配结果。文档编号G06T7/00GK102915540SQ201210380528公开日2013年2月6日本文档来自技高网...
【技术保护点】
一种基于改进的Harris？Laplace和SIFT描述符的影像匹配方法，其特征在于包括如下步骤：（1）建立影像尺度空间，计算每一层尺度影像的Harris二阶矩阵，将Harris二阶矩阵特征值的最小值作为响应函数提取每一层尺度影像上的角点，采用LoG算子对提取的角点进行筛选得到稳定的关键点，利用上述关键点的特征尺度、8×8邻域的梯度及梯度方向确定关键点的主方向，生成特征点；（2）利用所述特征点的主方向、8×8邻域的梯度及梯度方向构造具有标准128维特征向量的SIFT描述符对特征点进行描述；（3）分别采用最近邻搜索算法和随机取样一致性算法对特征点进行粗匹配和精匹配。
【技术特征摘要】
【专利技术属性】
技术研发人员：佘江峰，徐秋辉，宋晓群，
申请(专利权)人：南京大学，
类型：发明
国别省市：
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。