CN102122359A - 一种图像配准方法及装置 - Google Patents

Abstract

本发明公开了一种图像配准方法，该方法包括：在参考图像和待配准图像中提取多尺度边缘；在提取的多尺度边缘中提取特征点及特征点窗口；根据所述特征点及特征点窗口，生成所述特征点的描述向量；根据所述描述向量完成图像配准。本发明同时公开了一种图像配准装置，采用本发明的方法及装置，能缩短处理时间、并能提高配准精度，还能在不同视角的图像之间实现较高精度的配准。

Description

一种图像配准方法及装置

技术领域

本发明涉及图像处理技术，特别是指一种图像配准方法及装置。

背景技术

图像配准过程是指对取自不同时间、不同传感器、或不同视角的同一场景的两幅以上图像进行匹配的过程。单一图像存在时间和空间分辨率的局限性，而图像配准能够得到单一图像不具备的场景解释，其应用领域非常广泛，比如：遥感图像分析、全景漫游、目标识别、以及定位等。其中，遥感领域图像之间的配准可以将不同时段、由不同卫星拍摄的图片信息统一到一起，从而应用于地图绘制或灾害评估等，因此，对图像配准进行研究显得尤为重要。

图像匹配是图像配准中最为重要的步骤，匹配的质量将直接影响着最终的配准精度及运行时间。比较典型的匹配方法有角点(Harris)算法、尺度不变特征转换(SIFT，Scale-invariant feature transform)算法、全仿射尺度不变特征(ASIFT)算法、以及小波下的边缘特征点算法等。

其中，Harris算法具有较快的计算速度和直观的物理意义，对旋转和噪声不敏感。但是，该算法对尺度变换不具备鲁棒性，对图像的缩放十分敏感，因此，该算法往往只用于严格要求的实验室环境下的图像配准。这里，所述实验室环境下的图像是指目的物明确、表现纹理很清晰的图像，比如靶标图等。

SIFT算法具有良好的尺度旋转不变性，凭借其特征描述子的稳定性，对小范围仿射变换的图像能取得较好的匹配结果。但是，对于大范围的仿射变换不具有稳定性，且理论已证实SIFT算法并不是仿射不变的；同时，其描述子过于单一，对图像中的各种变化敏感，图像变化这一点在遥感图像中尤其突出，比如在多时相的遥感图像中道路两旁的植被变化，不同季节河流的干涸等。

AISFT算法是基于SIFT算法的一种算法，已从理论上被证明是全仿射不变的。但是，ASIFT算法的计算复杂度较大，约为SIFT算法的2.25倍，如果再加上考虑它的一一影射约束，ASIFT算法的实际计算复杂度会更高；另外，由于ASIFT算法依然采用SIFT算法的描述子，故ASIFT算法继承了SIFT算法对纹理和背景变化易产生误匹配的缺陷。

小波下的边缘特征点算法的优点主要体现在具有时频分析特性和多尺度分析的特点，一般可根据不同的图像特性选择不同的小波。但是，尽管小波实现了快速算法，其计算量依然比较大，因此，基于小波的图像配准方法在实时性要求较高的场合，比如移动目标的识别、跟踪等，应用不多。

综上所述，在现有的图像配准方法中，有的方法存在缺乏尺度不变性的缺陷；有的方法存在不是仿射不变的缺陷，如此，会造成图像配准的精度较低；还有的方法存在计算复杂度高或易产生无匹配等缺陷。

发明内容

有鉴于此，本发明的主要目的在于提供一种图像配准方法及装置，能实现算法结构简单、配准精度高的目的。

为达到上述目的，本发明的技术方案是这样实现的：

本发明提供了一种图像配准方法，该方法包括：

在参考图像和待配准图像中提取多尺度边缘；

在提取的多尺度边缘中提取特征点及特征点窗口；

根据所述特征点及特征点窗口，生成所述特征点的描述向量；

根据所述描述向量完成图像配准。

上述方案中，所述在参考图像和待配准图像中提取多尺度边缘，为：

按照α和β角度对参考图像和待配准图像分别采样，得到一系列图像，对得到的一系列图像分别构造一组图像金字塔，采用边缘提取算法，提取所述参考图像和所述待配准图像的多尺度边缘；

其中，α＝arccos1/t，β＝0，72°/t，...，k×72°/t，k×72°/t＜180°，t＝1，

2，...，2^n/2；n≥0。

上述方案中，所述边缘提取算法为Canny边缘提取算法。

上述方案中，所述在提取的多尺度边缘中提取特征点及特征点窗口，为：

遍历每层图像中的每一个像素，对尺度集合η＝{σ₁，σ₂，…σ_k，…，σ_m-1，σ_m}中的每个尺度进行尺度归一化拉普拉斯函数处理，分别求所述η中每个尺度的函数值，如果在所述η中的任意一个尺度下，有边缘点的拉普拉斯函数值与它邻近的二十六个像素的拉普拉斯函数值对比是极大值或极小值时，则认为当前点为特征点，极值对应的σ值则为特征点窗口。

上述方案中，所述根据所述特征点及特征点窗口，生成所述特征点的描述向量，为：

特征点P窗口为σ_k，取P周围半径为f(σ_k)的区域生成特征点的描述向量；

之后根据P的梯度方向Φ将已确定用来生成特征点的描述向量的区域划分为左半部分P⁺和右半部分P^-；

按照P的梯度方向Φ对左半部分P⁺和右半部分P^-进行坐标变换；之后将左半部分P⁺和右半部分P^-两边的像素分别按高斯窗加权，生成θ⁺和θ^-两个分方向，将坐标分别按照θ⁺和θ^-方向进行旋转，各自生成一个64维的描述向量D⁺和D^-；

其中，f(σ_k)表示以σ_k为变量的函数。

上述方案中，f(σ_k)＝3σ_k。

上述方案中，所述根据所述描述向量完成图像配准，为：

根据所述描述向量，依据近邻次近邻比准则，通过随机抽样估计(RANSAC，Random Sample Consensus)方法，完成图像配准。

本发明还提供了一种图像配准装置，该装置包括：第一提取单元、第二提取单元、生成单元、以及配准单元；其中，

第一提取单元，用于在参考图像和待配准图像中提取多尺度边缘，并将提取的多尺度边缘发送给第二提取单元；

第二提取单元，用于收到第一提取单元发送的多尺度边缘后，在提取的多尺度边缘中提取特征点及特征点窗口，并将提取的特征点及特征点窗口发送给生成单元；

生成单元，用于收到第二提取单元发送的特征点及特征点窗口后，根据所述特征点及特征点窗口，生成所述特征点的描述向量，并将生成的所述特征点的描述向量发送给配准单元；

配准单元，用于收到生成单元发送的所述特征点的描述向量后，根据所述描述向量完成图像配准。

上述方案中，所述第一提取单元，具体用于：按照α和β角度对参考图像和待配准图像分别采样，得到一系列图像，对得到的一系列图像分别构造一组图像金字塔，采用边缘提取算法，提取多尺度边缘；其中，α＝arccos1/t，β＝0，72°/t，....，k×72°/t，k×72°/t＜180°，t＝1，

2，...，2^n/2，n≥0。

上述方案中，所述生成单元，具体用于：特征点P窗口为σ_k，取P周围半径为f(σ_k)的区域生成特征点的描述向量，之后根据P的梯度方向Φ将已确定用来生成特征点的描述向量的区域划分为左半部分P⁺和右半部分P^-；按照P的梯度方向Φ对左半部分P⁺和右半部分P^-进行坐标变换；之后将左半部分P⁺和右半部分P^-两边的像素分别按高斯窗加权，生成θ⁺和θ^-两个分方向，将坐标分别按照θ⁺和θ^-方向进行旋转，各自生成一个64维的描述向量D⁺和D^-。

本发明提供的图像配准方法及装置，在参考图像和待配准图像中提取多尺度边缘；在提取的多尺度边缘中提取特征点及特征点窗口；根据所述特征点及特征点窗口，生成所述特征点的描述向量；根据所述描述向量，完成图像配准，如此，能缩短处理时间、并能提高配准精度。

另外，按照α和β角度对参考图像和待配准图像分别采样，得到一系列图像，对得到的一系列图像分别构造一组图像金字塔，采用边缘提取算法，提取多尺度边缘；其中，α＝arccos1/t，β＝0，72°/t，...，k×72°/t，k×72°/t＜180°，t＝1，

2，...，2^n/2，α和β按照上述关系取值，可使本发明提供的图像配准方案具有仿射不变的优点，即：能在不同角度的图像之间实现较高精度的配准。

除此以外，在生成特征点的描述向量时，特征点P窗口为σ_k，取P周围半径为f(σ_k)的区域生成特征点的描述向量，之后根据P的梯度方向Φ将已确定用来生成特征点的描述向量的区域划分为左半部分P⁺和右半部分P^-；按照P的梯度方向Φ对左半部分p⁺和右半部分P^-进行坐标变换；之后将左半部分P⁺和右半部分P^-两边的像素分别按高斯窗加权，生成θ⁺和θ^-两个分方向，将坐标分别按照θ⁺和θ^-方向进行旋转，各自生成一个64维的描述向量D⁺和D^-，且在决定最终的匹配点之前，对于描述向量D⁺和D^-的匹配分别独立进行匹配，如此，在寻找匹配点时，能弥补只有一组金字塔造成的特征点数量下降，从而提高配准的精度；同时，还能增加算法对图像中易变化区域的鲁棒性，进一步提高配准的精度。

附图说明

图1为本发明图像配准的方法流程示意图；

图2为本发明参考图像和待配准图像边缘金字塔生成示意图；

图3为现有技术中基于SIFT算法进行图像匹配的方法流程示意图；

图4为现有技术中基于SIFT算法图像金字塔的生成示意图；

图5为现有技术中基于SIFT算法的特征点的描述向量生成示意图；

图6为本发明仿射不变图像采样示意图；

图7为本发明提取到的边缘特征点的示意图；

图8为本发明特征点的描述向量生成示意图；

图9为本发明图像配准的装置结构示意图。

具体实施方式

下面结合附图及具体实施例对本发明再作进一步详细的说明。

本发明的图像配准方法，如图1所示，包括以下步骤：

步骤101：在参考图像和待配准图像中提取多尺度边缘；

具体地，对原始图像构造一组图像金字塔，采用边缘提取算法，提取多尺度边缘；

其中，所述原始图像是指参考图像和待配准图像的原始尺寸的图像。所述边缘提取算法具体可以是Canny边缘提取算法，也可以是现有技术中符合多尺度的描述的其它边缘提取算法。在这些边缘提取算法中，由于Canny边缘提取算法为现有算法中被证明为比较好的算法，因此，建议使用Canny算法提取多尺度边缘。图2为参考图像和待配准图像边缘金字塔生成示意图，如图2所示，在提取边缘时，提取边缘的尺度从2^0/3到2^4/3，间距为2^1/3，如此，能获得较好的图像配准结果。

这里，所述参考图像是指需要找到图像变换关系的所有图像中的任意一幅图像。

近年来，多尺度理论在图像处理领域得到越来越多的关注，尺度不变多尺度特征提取是图像匹配中的基本问题之一，其目的是为了分离图像的高频信号和低频信号，进而从中得到较为稳定的特征点集。多尺度表达思想主要包括：四叉树、图像金字塔、以及图像的尺度空间；其中，图像金字塔只需要其卷积核有一定的时频特性即可，计算要求较低，因此，成为最常用的一种方法。常见的图像金字塔包括：高斯金字塔、拉普拉斯金字塔、以及小波金字塔。

虽然多尺度理论为计算机视觉和图像处理提供了一种有效的理论分析工具，但该方法仍然存在着尺度空间建立过程中如何决定层之间的参数间隔的难题。由于图像金字塔的计算要求较低，因此，目前常用的方法是基于尺度空间、借助图像金字塔的实现手段完成图像的表达。而在多种合理假设的前提下，唯一可能的尺度空间核是高斯(Gaussian)核，因此，在这种意义上来说，尺度空间就是指高斯尺度空间。据此，SIFT算法的处理过程是：借助于尺度空间和高斯金字塔，在图像中采用穷举搜索法寻找特征点。但是，这种算法可能会在图像中许多信息贫瘠的地方产生特征点，而这些信息贫瘠的地方容易发生变化，从而造成误匹配的可能性很大。

下面将详细描述基于SIFT算法进行图像匹配的处理过程，如图3所示，包括以下步骤：

步骤101a：对参考图像和待配准图像构造差分高斯(DOG，Difference of Gaussian)金字塔；

具体地，如图4所示，对原始图像进行插值，长宽各扩展一倍，并对差值图进行尺度从2^0/3到2^5/3，间距为2^1/3的高斯卷积，形成第一组高斯图像金字塔，之后将相邻的高斯层进行相减，得到第一组DOG层，即：第一组DOG金字塔，从而形成对尺度归一化拉普拉斯函数的近似，以便后续可以进行拉普拉斯函数的计算，对插值后的图像进行降采样，得到原始图像，对原始图像进行尺度从2^0/3到2^5/3，间距为2^1/3的高斯卷积，形成第二组高斯金字塔，之后将相邻的高斯层进行相减，得到第二组差分DOG层，即：第二组DOG金字塔，以此类推，从而得到第三组DOG金字塔、第四组DOG金字塔等等。

步骤101b：对DOG层中的每一个像素进行遍历，提取特征点及特征点窗口；

这里，理论证明：尺度归一化拉普拉斯函数

中的极值点就是图像中稳定的特征点，其中，I(x，y)为图像的函数表示，σ为尺度，而G＝G(x，y，σ)为二维高斯函数，

表示拉普拉斯算子，且拉普拉斯函数可以表征为高斯函数的差，因此，本步骤中在提取特征点时，如果某一点拉普拉斯函数值与它邻近的二十六个像素对比是极大值或极小值，则接受当前点为特征点，极值对应的σ值则为特征点窗口；其中，所述二十六个像素是指邻域的八个像素和上下相邻层各九个像素。

在进行遍历时，没有上下层支持的DOG层不予考虑，如图4所示，方框内的DOG层为有效层，即：对方框内的DOG层中的每个像素进行遍历。

步骤101c：根据特征点窗口，得到特征点的描述向量；

具体地，图5为SIFT128特征点的描述向量生成示意图，如图5所示，按照特征点窗口，计算特征点P周围的梯度直方图，将区域划分为4×4个子区域，其中，每个区域有八个梯度向量，按照高斯窗加权累计到P点，得到主方向θ，将坐标按照主方向进行旋转，以达到旋转不变性，最后得到4×4×8＝128维描述向量：{D₁，D₂，…，D₁₂₈}，并对它进行整体归一化，从而最终得到特征点的描述向量。

步骤101d：根据特征点的描述向量，寻找匹配点，最终完成图像匹配。

这里，在寻找匹配点时，相似度采用欧式距离，匹配时依据近邻次近邻比准则，完成图像匹配。

事实证明，利用SIFT算法特征提取中的第一组及第三组之后的图像金字塔中的特征点会产生许多不稳定的匹配点。这里，所述第一组图像金字塔是指采用图像长宽为原始尺寸的图像的两倍的图像得到的DOG金字塔，所述第三组图像金字塔是指原始尺寸的图像降采样后得到的DOG金字塔。

由于边缘部分相对与图像中的变化信息较为稳定，因此，可以对原始图像构造一组图像金字塔，采用边缘提取算法，提取多尺度边缘。

考虑到参考图像和待配准图像之间可能会存在倾斜或旋转的关系，即：为了使本发明提供的方法具有全仿射不变的特点，因此，步骤101的具体实现，为：

按照α和β角度对参考图像和待配准图像分别采样，得到一系列图像，对得到的一系列图像分别构造一组图像金字塔，采用边缘提取算法，提取多尺度边缘；其中，α＝arccos1/t，β＝0，72°/t，...，k×72°/t，k×72°/t＜180°，t＝1，

2，...，2^n/2；这里，n≥0，n可以取到5甚至更高，在实际应用时，可以取n＝4，如此，能平衡算法的开销和精确性；为了说明α和β的取值，使公式表述更清楚、直观，引入新的变量t来说明α和β的取值，这里，t并没有具体的含义。其中，按照α和β角度对参考图像和待配准图像分别采样，图6为仿射不变图像采样示意图，如图6所示，取n＝4，在采样过程中，t取一个数值，计算出此时的α值，同时代入β的计算公式中，得到几个相应的β值，即：1个α值对应几个β值，每个β值和该α值都组成一个空间角度，并在该角度空间对参考图像和待配准图像分别采样。然后t取下一个值，依次类推，从而得到一系列图像。

这里，本发明提供的采样方法借鉴于现有的ASIFT算法的采样方法，如此，能提高图像配准的准确性。

步骤102：在提取的多尺度边缘中提取特征点及特征点窗口；

具体地，遍历每层图像中的每一个像素，对尺度集合η＝{σ₁，σ₂，…σ_k，…，σ_m-1，σ_m}中的每个尺度进行尺度归一化拉普拉斯函数处理，分别计算每个尺度的函数值，如果在η中的某一尺度下，某一边缘点的拉普拉斯函数值与它邻近的二十六个像素的拉普拉斯函数值对比是极大值或极小值，则认为当前点为特征点，极值对应的σ值则为特征点窗口；其中，所述二十六个像素是指邻域的八个像素和上下相邻层各九个像素，这里，取邻近的二十六个像素对比拉普拉斯函数值是极大值或极小值，如此，能提高图像配准的准确性。利用本发明的方法提取到的特征点可以称为边缘特征点，图7为利用本发明的方法提取到的边缘特征点的示意图，从图7中可以看出，本发明提取到的特征点均在边缘部分，而在图像中易变化的区域没有特征点。

在进行遍历时，没有上下层支持的DOG层不予考虑，如图2所示，方框内的层为有效层，即：对方框内的层中的每个像素进行遍历。

这里，本步骤的具体处理过程与SIFT算法中在DOG层中提取特征点及特征点的窗口大小的具体处理过程完全相同。

在实际应用时，依据实验结果设置η＝{σ₁，σ₂，…σ_k，…，σ_m-1，σ_m}，经实验证实，可以设置η＝{1，2，…，31}，如此，能得到较好的匹配结果。

步骤103：根据所述特征点及特征点窗口，生成所述特征点的描述向量；

具体地，假设特征点为P，其窗口为σ_k，取P周围半径为f(σ_k)的区域生成特征点的描述向量，之后如图8所示，根据P的梯度方向Φ将已确定用来生成特征点的描述向量的区域划分为左半部分P⁺和右半部分P^-，如图8中由虚线组成的网格所示；按照P的梯度方向Φ对左半部分P⁺和右半部分P^-进行坐标变换，如图8中由实线组成的网格所示；之后将左半部分P⁺和右半部分P^-两边的像素分别按高斯窗加权，生成θ⁺和θ^-两个分方向，将坐标分别按照θ⁺和θ^-方向进行旋转，各自生成一个64维的描述向量D⁺和D^-，以达到旋转不变性。

其中，取f(σ_k)＝3σ_k，这里，依据高斯函数的特点，取f(σ_k)＝3σ_k能够涵盖99％的有效像素；所述梯度方向Φ的获取方法与SIFT算法中梯度方向Φ的获取方法完全相同，这里不再赘述。

换句话说，本发明的生成描述向量的过程是对SIFT算法中生成描述向量的方法进行二分，最后得到两个64维的描述向量。

步骤104：根据所述描述向量完成图像配准。

具体地，根据所述描述向量，依据近邻次近邻比准则，通过RANSAC方法，完成图像配准；更具体地，依据近邻次近邻准则和描述向量，找到特征点的匹配点，进而得到所有匹配点的集合T；之后从T中随机抽取样本容量为N的子集P_i，计算变换关系H_i，将H_i回带，计算T中支持H_i的匹配点的个数S_i，S_i最大时对应的H_i为变化参数H的最佳估计。

其中，参考图像中的任一边缘特征点p_n(D_pn ⁺，D_pn ^-)，依据近邻次近邻比准则，在待配准图像的边缘特征点集合

中寻找匹配点，此时，建议近邻次近邻比准则中的比例为0.7，如此，能得到较高的配准精度；在匹配时，对左右两个64的维描述向量D⁺和D^-分别进行匹配，不失一般性，假设与D_pn ^-匹配的为q_m点，与D_pn ⁺匹配的为q_l点，则最终P_n的匹配点从q_m和q_l中选择：

$\mathrm{Match}\left(p_n\right)=\underset{q_m|q_l}{\arg \max }(\mathrm{similarity}(D_{p_n}^{+},D_{q_l}^{+}),\mathrm{similarity}(D_{p_n}^{-},D_{q_m}^{-}));$

这里，相似度(similarity)采用欧式距离衡量，在决定最终的匹配点之前，对于描述向量D⁺和D^-的匹配分别独立进行匹配，如此，能够弥补只有一组图像金字塔带来的特征点数量下降的缺陷，同时，还能增加算法对图像中易变化区域的鲁棒性。在实际应用时，可以采用并行算法，从而提高运行效率。依据近邻次近邻比准则，寻找特征点的匹配点的具体处理过程与现有的依据近邻次近邻比准则，寻找特征点的匹配点的具体处理过程相同，所不同的是现有的处理过程采用一个128维的描述向量寻找匹配点，本发明采用两个64维的描述向量D⁺和D^-分别独立进行匹配。

确定变化参数H的处理过程称为RANSAC方法，在实际应用时，设置N＝4，如此，能提高图像配准的准确性。

这里，本发明利用RANSAC方法确定理想变化参数H的具体处理过程与现有的处理过程完全相同，这里不再赘述。

本步骤完成后，图像配准过程完成。

下面结合实施例对本发明再作进一步详细的描述。

实施例一

在本实施例中，采用一组未知变换关系的遥感图像作为配准对象，其中，采用互信息方法进行图像配准，得到参考变换参数H⁰；这里，所述互信息方法是指：通过计算变量间的熵来描述图像之间在统计学上的关系，是图像配准方法中较为常用的一种方法，但是，该方法的计算复杂度较大；之后采用本发明提供的图像配准方法、基于SIFT算法的图像配准方法、以及基于ASIFT算法的图像配准方法分别得到变化参数H，将不同方法计算得到的H与H⁰进行对比，从而用于评价不同方法的处理结果，表1给出了采用不同配准方法得到的处理结果。

表1

为描述方便，将本发明提供的配准方法称为基于边缘特征点的全仿射尺度不变方法(EBSA，Edge Based Scale&Affine Invariant method)。在计算总误差时，总误差Δe与X方向的误差Δx及Y方向的误差Δy的关系为：

$\mathrm{\Δe}=\sqrt{{\mathrm{\Δx}}^2+{\mathrm{\Δy}}^2}$

举个例子来说，对于SIFT方法，总误差 $\mathrm{\Δe}=\sqrt{{2.33}^2+{(-0.76)}^2}=2.45.$

表1为采用不同配准方法得到的处理结果，从表1中可以看出，采用本发明的配准方法得到的总误差最小，也就是说，本发明提供的配准方法在三种配准方法中具有最高的精度，即：最高的准确性；同时，与基于ASIFT算法的配准方法相比，本发明提供的配准方法大大缩短了计算时间；而基于SIFT算法的配准方法虽然运行时间最短，但是误差比较大。因此，综合比较，本发明提供的配准方法具有计算时间短、准确性高的优点。

实施例二

在本实施例中，采用一组已知变换关系的遥感图像作为配准对象，即：参考变换参数H⁰已确定，之后采用本发明提供的图像配准方法、基于SIFT算法的图像配准方法、以及基于ASIFT算法的图像配准方法分别得到变化参数H，将不同方法计算得到的H与H⁰进行对比，从而用于评价不同方法的处理结果。总误差的计算方法与实施例一中总误差的计算方法相同，表2给出了采用不同配准方法得到的处理结果。

表2

从表2中也可以看出，采用本发明的配准方法得到的总误差最小，也就是说，本发明提供的配准方法在三种配准方法中具有最高的精度，即：最高的准确性；同时，与基于ASIFT算法的配准方法相比，本发明提供的配准方法大大缩短了计算时间，且取得了比基于ASIFT算法的配准方法更多的匹配点；而基于SIFT算法的配准方法虽然运行时间最短，但是误差比较大。因此，综合比较，本发明提供的配准方法具有计算时间短、准确性高的优点。

为实现上述方法，本发明还提供了一种图像配准装置，如图9所示，该装置包括：第一提取单元91、第二提取单元92、生成单元93、以及配准单元94；其中，

第一提取单元91，用于在参考图像和待配准图像中提取多尺度边缘，并将提取的多尺度边缘发送给第二提取单元92；

第二提取单元92，用于收到第一提取单元91发送的多尺度边缘后，在提取的多尺度边缘中提取特征点及特征点窗口，并将提取的特征点及特征点窗口发送给生成单元93；

生成单元93，用于收到第二提取单元92发送的特征点及特征点窗口后，根据所述特征点及特征点窗口，生成所述特征点的描述向量，并将生成的所述特征点的描述向量发送给配准单元94；

配准单元94，用于收到生成单元发送的所述特征点的描述向量后，根据所述描述向量完成图像配准。

其中，所述第一提取单元91，具体用于：按照α和β角度对参考图像和待配准图像分别采样，得到一系列图像，对得到的一系列图像分别构造一组图像金字塔，采用边缘提取算法，提取多尺度边缘；其中，α＝arccos1/t，β＝0，72°/t，...，k×72°/t，k×72°/t＜180°，t＝1，

2，...，2^n/2，n≥0。

所述生成单元93，具体用于：特征点P窗口为σ_k，取P周围半径为f(σ_k)的区域生成特征点的描述向量，之后根据P的梯度方向Φ将已确定用来生成特征点的描述向量的区域划分为左半部分P⁺和右半部分P^-；按照P的梯度方向Φ对左半部分P⁺和右半部分P^-进行坐标变换；之后将左半部分P⁺和右半部分P^-两边的像素分别按高斯窗加权，生成θ⁺和θ^-两个分方向，将坐标分别按照θ⁺和θ^-方向进行旋转，各自生成一个64维的描述向量D⁺和D^-。

这里，本发明的所述装置中的第一提取单元、配准单元的具体处理过程已在上文中详述，不再赘述。

以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。

Claims (10)

1.一种图像配准方法，其特征在于，该方法包括：

在参考图像和待配准图像中提取多尺度边缘；

在提取的多尺度边缘中提取特征点及特征点窗口；

根据所述特征点及特征点窗口，生成所述特征点的描述向量；

根据所述描述向量完成图像配准。

2.根据权利要求1所述的方法，其特征在于，所述在参考图像和待配准图像中提取多尺度边缘，为：

按照α和β角度对参考图像和待配准图像分别采样，得到一系列图像，对得到的一系列图像分别构造一组图像金字塔，采用边缘提取算法，提取所述参考图像和所述待配准图像的多尺度边缘；

其中，α＝arccos1/t，β＝0，72°/t，...，k×72°/t，k×72°/t＜180°，t＝1，2，...，2^n/2；n≥0。

3.根据权利要求2所述的方法，其特征在于，所述边缘提取算法为Canny边缘提取算法。

4.根据权利要求1、2或3所述的方法，其特征在于，所述在提取的多尺度边缘中提取特征点及特征点窗口，为：

遍历每层图像中的每一个像素，对尺度集合η＝{σ₁，σ₂，…σ_k，…，σ_m-1，σ_m}中的每个尺度进行尺度归一化拉普拉斯函数处理，分别求所述η中每个尺度的函数值，如果在所述η中的任意一个尺度下，有边缘点的拉普拉斯函数值与它邻近的二十六个像素的拉普拉斯函数值对比是极大值或极小值时，则认为当前点为特征点，极值对应的σ值则为特征点窗口。

5.根据权利要求1、2或3所述的方法，其特征在于，所述根据所述特征点及特征点窗口，生成所述特征点的描述向量，为：

特征点P窗口为σ_k，取P周围半径为f(σ_k)的区域生成特征点的描述向量；

之后根据P的梯度方向Φ将已确定用来生成特征点的描述向量的区域划分为左半部分P⁺和右半部分P^-；

按照P的梯度方向Φ对左半部分P⁺和右半部分P^-进行坐标变换；之后将左半部分P⁺和右半部分P^-两边的像素分别按高斯窗加权，生成θ⁺和θ^-两个分方向，将坐标分别按照θ⁺和θ^-方向进行旋转，各自生成一个64维的描述向量D⁺和D^-；

其中，f(σ_k)表示以σ_k为变量的函数。

6.根据权利要求5所述的方法，其特征在于，f(σ_k)＝3σ_k。

7.根据权利要求1、2或3所述的方法，其特征在于，所述根据所述描述向量完成图像配准，为：

根据所述描述向量，依据近邻次近邻比准则，通过随机抽样估计(RANSAC)方法，完成图像配准。

8.一种图像配准装置，其特征在于，该装置包括：第一提取单元、第二提取单元、生成单元、以及配准单元；其中，

第一提取单元，用于在参考图像和待配准图像中提取多尺度边缘，并将提取的多尺度边缘发送给第二提取单元；

第二提取单元，用于收到第一提取单元发送的多尺度边缘后，在提取的多尺度边缘中提取特征点及特征点窗口，并将提取的特征点及特征点窗口发送给生成单元；

生成单元，用于收到第二提取单元发送的特征点及特征点窗口后，根据所述特征点及特征点窗口，生成所述特征点的描述向量，并将生成的所述特征点的描述向量发送给配准单元；

配准单元，用于收到生成单元发送的所述特征点的描述向量后，根据所述描述向量完成图像配准。

9.根据权利要求8所述的装置，其特征在于，

所述第一提取单元，具体用于：按照α和β角度对参考图像和待配准图像分别采样，得到一系列图像，对得到的一系列图像分别构造一组图像金字塔，采用边缘提取算法，提取多尺度边缘；其中，α＝arccos1/t，β＝0，72°/t，...，k×72°/t，k×72°/t＜180°，t＝1，

2，...，2^n/2，n≥0。

10.根据权利要求8或9所述的装置，其特征在于，

所述生成单元，具体用于：特征点P窗口为σ_k，取P周围半径为f(σ_k)的区域生成特征点的描述向量，之后根据P的梯度方向Φ将已确定用来生成特征点的描述向量的区域划分为左半部分P⁺和右半部分P^-；按照P的梯度方向Φ对左半部分P⁺和右半部分P^-进行坐标变换；之后将左半部分P⁺和右半部分P^-两边的像素分别按高斯窗加权，生成θ⁺和θ^-两个分方向，将坐标分别按照θ⁺和θ^-方向进行旋转，各自生成一个64维的描述向量D⁺和D^-。

Images