一种基于小波分解与Harris角点检测的快速图像配准方法技术

本发明专利技术公开了一种基于小波分解与Harris角点检测的快速图像配准方法，通过小波分解使得图像的大小缩小从而减少了运算量，提高了图像配准的实时性，且小波分解的过程为一个低通滤波的过程，能够处理噪声，此外本发明专利技术采用Harris角点检测算法进行角点配对，同时还对误匹配点角点进行了剔除使得抗噪、抗干扰能力强，进一步提高了图像匹配的准确度。

【技术实现步骤摘要】
【专利摘要】本专利技术公开了，通过小波分解使得图像的大小缩小从而减少了运算量，提高了图像配准的实时性，且小波分解的过程为一个低通滤波的过程，能够处理噪声，此外本专利技术采用Harris角点检测算法进行角点配对，同时还对误匹配点角点进行了剔除使得抗噪、抗干扰能力强，进一步提高了图像匹配的准确度。【专利说明】—种基于小波分解与Harris角点检测的快速图像配准方法
本专利技术涉及数字图像处理与模型辨识相关技术，适用于包括导航、机动目标跟踪、状态监控等图像处理与模式识别相关领域，具体涉及。
技术介绍
图像配准是图像处理的一个基础问题。随着计算机技术的发展，图像配准算法得至IJ 了快速的发展，在遥感、军事、医疗、导航、成像制导、变迁检测等领域得到广泛的应用。目前，图像配准方法主要有两类:一类是基于区域的图像配准方法，是指利用两幅图像像素间的灰度值关系来确定变换模型的参数，该方法利用了图像的全部灰度信息，配准精度高，但计算量大，实时性差。目前常见的基于区域的图像配准算法有比值法、基于块匹配方法(又称基于模板配准算法)、网格匹配法等，这种方法适用于图像间只有水平、垂直平移的情况。另一类是基于特征的图像配准方法，其基本步骤如下:首先提取基准图像和待配准的图像特征集，然后进行特征匹配，最后利用配准的特征之间的关系估算出基准图像和待配准图像之间几何变换模型及其参数变量值。这种方法利用图像中的明显特征来，而不是利用图像中全部的信息计算图像之间的变换，对图像灰度的变化具有鲁棒性，能够适用于存在更复杂几何变换的图像之间的配准。常见的基于特征的图像配准算法有=Harris角点检测算法、SUSAN角点检测算法、SIFT尺度不变特征转换算法等。目前，基于特征的图像配准算法中Harris角点检测算法是应用最广泛的图像配准方法，但是这种算法计算复杂，使得匹配实时性较差，此外，由于该方法存在角点误匹配问题，使得其抗噪、抗干扰能力差，从而导致图像匹配准确度差问题。
技术实现思路
有鉴于此，本专利技术提供了，通过小波分解使得图像的大小缩小从而减少了运算量，提高了图像配准的实时性，且小波分解的过程为一个低通滤波的过程，能够处理噪声，此外本专利技术采用Harris角点检测算法进行角点配对，同时还对误匹配点角点进行了剔除使得抗噪、抗干扰能力强，进一步提高了图像匹配的准确度。，包括下列步骤:步骤一、将基准图像和待配准图像分别从三维的真彩色图像转换为二维的灰度图像，将基准图像和待配准图的灰度图分别记为图像和图像f2 ；步骤二、对图像和图像f2进行N级小波分解，分别获得一个第N次小波分解时的近似图像，其中，图像进行N次分解后的近似图像称为LLNA，图像f2进行N次分解后的近似图像称为LLNB ；步骤三、采用Harris角点检测算法对步骤二小波分解后得到的近似图像LLNA和LLNB进行角点提取；步骤四、采用NCC匹配算法对步骤三得到的近似图像LLNA提取的角点与近似图像LLNB提取的角点进行角点粗配准，获得匹配角点对；步骤五、采用RANSAC算法对步骤四获得的角点对进行验证，剔除误匹配的角点对，得到正确的匹配角点对；步骤六、利用步骤五得到的匹配角点对进行几何变换获得模型变换参数。较佳的，步骤二中的N等于2。较佳的，步骤六中的几何变换为仿射变换。有益效果:I)本专利技术首先，通过N级小波分解后，图像的大小缩小为原来的1/2N，所以，基于小波分解后的图像进行图像配准，大大缩短了计算复杂性，提高了图像配准的匹配实时性。其次，本专利技术与传统的基于Harris角点的图像配准算法相比，引进了小波分解和剔除误匹配点两个步骤，小波分解过程是一个低通滤波的过程，对含有噪声的图像进行小波分解，其实是对图像进行了去噪声处理，能够将不重要的细节信息处理掉，只保留重要的基本信息，从而降低了噪声干扰，提高了图像匹配准确度。采用RANSAC算法对角点对进行验证，剔除误匹配的角点对，提高了图像配准方法的抗噪和抗干扰能力，进一步提高了图像的匹配准确度。2)本专利技术实施例对图像进行了二级小波分解，能够压缩图像的同时不增加计算的复杂度，进一步保证了图像匹配的准确度和实时性。3)本专利技术实施例利用得到的匹配角点对采用仿射变换获得几何变换模型，该几何变换能够实现图像平移、旋转等多种变换，同时又无复杂的计算量，能够进一步保证图像匹配的准确度和实时性。【专利附图】【附图说明】图1为本专利技术的流程图；图2为小波分解得到的近似图像；图3为基准图像和待配准图像的近似图像上提取的角点；图4为采用NCC匹配算法对获得的匹配角点对；图5为采用RANSAC算法剔除误匹配的角点对。【具体实施方式】下面结合附图并举实施例，对本专利技术进行详细描述。本专利技术提供了，该方法在计算机硬件环境下进行，Windows2000/XP ；matlab或C语言或C++等任何一种语言环境软件均可实现，本实施例采用matlab语言环境，流程图如图1所示，具体包括下列步骤，:步骤一、在matlab中输入两幅图像F1和F2，其中F1为基准图像，F2为待配准图像，采用matlab中的函数rgb2gray O分别将两幅图像分别从三维的真彩色图像转换为二维的灰度图像，将基准图像和待配准图的灰度图分别记为图像和图像f2。步骤二、对图像和图像f2进行N级小波分解，分别获得一个第N次小波分解时的近似图像，其中，图像进行N次分解后的近似图像称为LLNA，图像f2进行N次分解后的近似图像称为LLNB。例如，对图像进行一级小波分解时，首先用低通滤波器(L)和高通滤波器(H)对图像行向进行小波分解，得到的高频分量和低频分量数据；然后将得到的高频分量和低频分量数据的列向分别用低通滤波器(L)和高通滤波器(H)进行滤波，从而得到图像的低频部分，又称为图像的一级近似信息LL1A、图像沿水平方向的细节信息HL1A、图像沿垂直方向的细节信息LHlA ;图像沿对角线方向的细节信息HHlI。对图像进行二级小波分解即对获得的图像一级分解近似信息LLlA进行二次小波分解，获得图像的二级近似信息LL2A，图像沿水平方向的细节信息HL2A，图像沿垂直方向的细节信息LH2A，为图像沿对角线方向的细节信息HH2A。当进行N级小波分解时，得到图像的N级近似信息；图像沿水平方向的细节信息HLNA ;图像沿垂直方向的细节信息LHNA ;图像沿对角线方向的细节信息HHNA。这种分解是一种无损变焦，且近似分量是光滑的，因而小波分解具有压缩图像及抗噪声的优点，图像分解次数的选择非常重要，分解的层数越多，进行图像配准时计算复杂度越低、匹配效率越高，然而，分解次数太多的话会丢失大量的图像信息。因此，在对图像进行分解时，选择合适的分解层数不仅简化图像信息，同时保留了图像的重要信息，本实施例对图像进行二级小波分解，能够压缩图像的同时不增加计算的复杂度，进一步保证了图像匹配的准确度和实时性。对图像和图像f2进行二级小波分解，分别获得小波分解后的近似图像，其中，图像进行N次分解后的近似图像称为LL2A,图像f2进行N次分解后的近似图像称为LL2B,如图2所示，左图为LL2A，右图为LL2B。步骤三、采用Harris角点检测算法分别对步骤二小波分解后得到的近似图像LL2A和LL2B进行角点信息提取。Harris角点检测算法(曲本文档来自技高网...

【技术保护点】
一种基于小波分解与Harris角点检测的快速图像配准方法，其特征在于，包括下列步骤：步骤一、将基准图像和待配准图像分别从三维的真彩色图像转换为二维的灰度图像，将基准图像和待配准图的灰度图分别记为图像f1和图像f2；步骤二、对图像f1和图像f2进行N级小波分解，分别获得一个第N次小波分解后的近似图像，其中，图像f1进行N次分解后的近似图像称为LLNA，图像f2进行N次分解后的近似图像称为LLNB；步骤三、采用Harris角点检测算法对步骤二小波分解后得到的近似图像LLNA和LLNB进行角点提取；步骤四、采用NCC匹配算法对步骤三得到的近似图像LLNA提取的角点与近似图像LLNB提取的角点进行角点粗配准，获得匹配角点对；步骤五、采用RANSAC算法对步骤四获得的角点对进行验证，剔除误匹配的角点对，得到正确的匹配角点对；步骤六、利用步骤五得到的匹配角点对进行几何变换获得模型变换参数。

【技术特征摘要】

【专利技术属性】
技术研发人员：闫莉萍，王晓林，彭晶晶，夏元清，王美玲，邓志红，付梦印，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11