CN102129684A - 基于拟合轮廓的异源图像匹配方法 - Google Patents

Abstract

本发明公开了一种基于拟合轮廓的异源图像匹配方法，其特征在于包括以下步骤：首先，为了克服尺度空间的变换和突变、毛刺等噪声，对提取的轮廓进行基于曲率尺度空间的轮廓去噪、拟合处理，以获得同一尺度下的光滑轮廓；其次，对闭合轮廓进行基于质心距离的轮廓描述，对开曲线构成的轮廓进行基于局部曲率的轮廓描述；然后，对轮廓描述构建RST（旋转、缩放和平移）特征不变量；最后，对特征不变量进行对应性重建，获得了最终的匹配点对。本发明实现了基于轮廓的异源图像匹配，对有旋转、平移和缩放变化变化的异源图像匹配具有较好的稳健性。

Description

基于拟合轮廓的异源图像匹配方法

技术领域

本发明涉及一种遥感、模式识别、医学诊断、计算机视觉等邻域中的异源图像匹配方法，属于图像匹配技术领域。

背景技术

图像匹配是遥感卫星、飞机、导弹等基于异源图像的视觉导航、模式识别、制导、地形测量和医学诊断中的关键技术。图像匹配用于将不同成像时间、不同成像设备及不同成像条件下所获得的同一场景的两幅或多幅可见光、红外和SAR等同源图像或异源图像进行匹配。图像匹配是实现图像融合、检索、校正、镶嵌以及目标识别等实际应用中必不可少的一个关键步骤，其匹配的精度和鲁棒性直接影响后续处理的结果。因此实现图像的自动高精度鲁棒地匹配一直是人们追求的目标。

先前专利201010151985.X给出了一种基于对象间粗大边缘拟合的异源图像匹配方法。该专利方法首先利用边缘检测算法对聚类后的图像进行边缘检测，并采用边界跟踪算法对边缘检测的结果进行断点连接和轮廓跟踪，得到原图像的轮廓点序列；然后，采用基于道格拉斯-普克多边形拟合的算法对轮廓曲线进行拟合，以克服噪声和变形的影响；最后，对拟合的轮廓点构建了二维几何特征不变量，以用于相似性的度量并利用该描述子进行轮廓点的匹配。但是该方法粗大边缘拟合时阈值的大小选择会影响拟合效果，从而影响匹配的效果。

先前专利200810306552.X给出了一种图像匹配系统及方法。该专利首先对待匹配图像和模板图像进行二值化处理；然后，从待匹配图像和模板图像中提取特征点，并根据特征点拟合获得几何图形；最后，根据几何图形实现图像匹配。但是该方法不能较好地实现潜在的部分轮廓与整体轮廓的匹配。

但是由于成像时间(如白天和夜晚)的不同、成像条件(如天气、光照等外界因素)的不同、成像原理差异大(如光学与SAR图像)、波段差异大(如可见光与红外图像)，难以获得图像在灰度、亮度、颜色等特征上的共性特征。因此，不同分辨率的异源图像匹配研究中还存在着很多困难，对于异源图像的匹配问题也还处于起步阶段。

发明内容

本发明的目的是提供一种基于拟合轮廓的医院图像匹配的方法，首先对图像提取的粗大轮廓进行去噪、拟合，然后对粗大轮廓进行描述和重建，从而实现不同分辨率、不同成像原理的异源图像的配准。

本发明是采取以下的技术方案来实现的：

基于拟合轮廓的异源图像匹配方法，其特征在于包括以下步骤：

1)为了克服尺度空间的变换和突变、毛刺等噪声，对提取的轮廓进行基于曲率尺度空间的轮廓去噪、拟合处理，以获得同一尺度下的光滑轮廓；

2)对闭合轮廓进行基于质心距离的轮廓描述，对开曲线构成的轮廓进行基于局部曲率的轮廓描述；

3)对轮廓描述构建RST特征不变量；

4)对特征不变量进行对应性重建，获得最终的匹配点对，实现异源图像的匹配。

前述的基于拟合轮廓的异源图像匹配方法，其特征在于：在所述步骤(1)中，针对从图像中提取的物体轮廓曲线中的尺度变换和毛刺、突变等噪声，采用基于曲率尺度空间的轮廓去噪、拟合处理，即根据迭代次数与缩放比例之间的关系定量地模拟尺度变化这一视觉行为，达到去噪、拟合的效果，获得同一尺度下的光滑轮廓。

前述的基于拟合轮廓的异源图像匹配方法，其特征在于：在离散的情况下，记{p_i＝(x_i，y_i)|i∈Z}为一条轮廓曲线，其迭代演化过程为：

p_i，m+1＝0.25p_i-1，m+0.5p_i，m+0.25p_i+1，m                  (1)

其中，(x_i，y_i)表示轮廓点p_i的坐标，m＝0，1，2…表示迭代的次数。

前述的基于拟合轮廓的异源图像匹配方法，其特征在于：在所述步骤2)中，基于质心距离的闭合轮廓描述中，对参考轮廓和样本轮廓等弧长间隔采样各轮廓点，并计算获得该点的质心距离，从而对整个轮廓进行基于质心距离的轮廓描述。

前述的基于拟合轮廓的异源图像匹配方法，其特征在于：在所述步骤2)中，对开曲线构成的轮廓点的局部曲率计算包括以下步骤：

21)构造轮廓点b＝b_i初始子集的离散点为b_i-2，b_i，b_i+2，并计算点b_i到b_i-2、b_i+2之间连线的距离d1；

22)若d 1小于阈值t，则点b＝b_i的分割子集C(b_i)的离散点首末各加一个点，并计算点b_i到子集首末点之间连线的距离d2；

23)若d2小于阈值t，则重复第22)步，若d2大于等于阈值t，则定义此子集为点b＝b_i的最终c-尺度分割子集C(b_i)；

24)将首末两点b_b和b_f的之间的线段C_h(b)表示分割子集C(b)的弦，弦C_h(b)的大小和方向反应了点b＝b_i处的曲线特征。

25)按照上述的c-尺度分割子集构建算法为每一个轮廓点构建相应的分割子集，并计算c-尺度分割子集的弦C_h(b)。利用相邻轮廓点的弦所在方向之间的夹角与相应弧长的比值来近似表示轮廓曲线的曲率。

前述的基于拟合轮廓的异源图像匹配方法，其特征在于：所述的阈值t＝3。

前述的基于拟合轮廓的异源图像匹配方法，其特征在于：在所述步骤3)中，构建RST特征不变量的包括以下步骤：

31)对输入的拟合轮廓曲线进行断点连接，获得连续的轮廓曲线；

32)在曲线上相等的弧长间隔处采样该点的质心距离倒数或局部曲率特征量，得到轮廓的描述；

33)将步骤2中离散采样的特征大小沿曲线累加，得到特征量的积分，即特征量相对于弧长的曲线；

34)沿着特征量的积分轴等间隔采样曲线上对应点的特征，得到特征相对于特征量积分的曲线。该曲线就是具有RST不变性的特征量。

前述的基于拟合轮廓的异源图像匹配方法，其特征在于：在所述步骤(4)中，采用归一化互相关法(式(2))计算候选轮廓对不变量的相似度，以此进行对应性重建，获得最终的匹配点。

$v\left(u\right)=\frac{{\mathrm{\Σ}}_{i\∈\mathrm{\Ω}}[f\left(i\right)-\stackrel{\‾}{f}][t(i+u)-\stackrel{\‾}{t}]}{\sqrt{{\mathrm{\Σ}}_{i\∈\mathrm{\Ω}}{[f\left(i\right)-\stackrel{\‾}{f}]}^2{\mathrm{\Σ}}_{i\∈\mathrm{\Ω}}{[t(i+u)-\stackrel{\‾}{t}]}^2}}---\left(2\right)$

其中，t为参考曲线的两个周期，f为样本曲线，u为两条曲线的相对偏移量。曲线f在曲线t上滑动，为参考曲线位于滑动窗口内的平均值，

为曲线f的平均值。

前述的基于拟合轮廓的异源图像匹配方法，其特征在于：相似度v(u)的值越大，说明相关度越高。v(u)的最大值位置就对应着两条曲线的配准偏移量。同时，设定一最小相关阈值，如果v(u)的最大值小于该阈值，则判断为两条曲线不存在匹配关系。

至此，一个完整的基于拟合轮廓的不同分辨率异源图像匹配过程执行完毕。

本发明通过对图像提取的粗大轮廓进行去噪、拟合、描述和配准，实现不同分辨率、不同成像原理的图像轮廓点的正确匹配，对具有旋转、平移和缩放变化的异源图像间的匹配有很好的稳健性。

附图说明

图1为本发明基于拟合轮廓的异源图像匹配算法流程图；

图2为尺度分割子集构建原理图；

图3RST不变量构造流程图。

具体实施方式

下面结合具体实施方式对本发明做进一步的详细说明。

参照图1，基于轮廓的图像匹配算法包括以下步骤：

第一步，为了克服尺度空间的变换和突变、毛刺等噪声，对提取的轮廓进行基于曲率尺度空间的轮廓去噪、拟合处理，以获得同一尺度下的光滑轮廓；

第二步，对闭合轮廓进行基于质心距离的轮廓描述，对开曲线构成的轮廓进行基于局部曲率的轮廓描述；

第三步，对轮廓描述构建RST(旋转、缩放和平移)特征不变量；

第四步，对特征不变量进行对应性重建，获得最终的匹配点对，实现异源图像的匹配。

针对从图像中提取的物体轮廓曲线中的尺度变换和毛刺、突变等噪声，采用基于曲率尺度空间的轮廓去噪、拟合处理，即根据迭代次数与缩放比例之间的关系定量地模拟尺度变化这一视觉行为，达到去噪、拟合的效果，获得同一尺度下的光滑轮廓。

在离散的情况下，记{p_i＝(x_i，y_i)|i∈Z}为一条轮廓曲线，其迭代演化过程为：

p_i，m+1＝0.25p_i-1，m+0.5p_i，m+0.25p_i+1，m                      (1)

其中，(x_i，y_i)表示轮廓点p_i的坐标，m＝0，1，2…表示迭代的次数。

对闭合轮廓采用基于质心距离的闭合轮廓描述，即对参考轮廓和样本轮廓等弧长间隔采样各轮廓点，并计算获得该点的质心距离，从而对整个轮廓进行基于质心距离的轮廓描述；对开曲线构成的轮廓采用基于局部曲率的轮廓描述，参照图2，对开曲线构成的轮廓点的局部曲率计算包括以下步骤：

第一步，构造轮廓点b＝b_i初始子集的离散点为b_i-2，b_i，b_i+2，并计算点b_i到b_i-2、b_i+2之间连线的距离d₁；

第二步，若d₁小于阈值t(本专利中阈值t＝3)，则点b＝b_i的分割子集C(b_i)的离散点首末各加一个点，并计算点b_i到子集首末点之间连线的距离d₂；

第三步，若d₂小于阈值t，则重复第二步，若d₂大于等于阈值t，则定义此子集为点b＝b_i的最终c-尺度分割子集C(b_i)；

第四步，将首末两点b_b和b_f的之间的线段C_h(b)表示分割子集C(b)的弦，弦C_h(b)的大小和方向反应了点b＝b_i处的曲线特征。

第五步，按照上述的c-尺度分割子集构建算法为每一个轮廓点构建相应的分割子集，并计算c-尺度分割子集的弦C_h(b)。利用相邻轮廓点的弦所在方向之间的夹角与相应弧长的比值来近似表示轮廓曲线的曲率。

由于轮廓间存在缩放，特征的大小与轮廓的缩放成比例关系，反映在描述曲线上为纵坐标的大小不同；对两条相似轮廓等间隔采样其轮廓点的特征量，获得轮廓的描述曲线，但是由于相似两轮廓的大小不同，反映在描述曲线上为横坐标的大小不同。参照图3，构建RST特征不变量的包括以下步骤：

第一步，对输入的拟合轮廓曲线进行断点连接，获得连续的轮廓曲线；

第二步，在曲线上相等的弧长间隔处采样该点的质心距离倒数或局部曲率特征量，得到轮廓的描述；

第三步，将步骤2中离散采样的特征大小沿曲线累加，得到特征量的积分，即特征量相对于弧长的曲线；

第四步，沿着特征量的积分轴等间隔采样曲线上对应点的特征，得到特征相对于特征量积分的曲线。该曲线就是具有RST不变性的特征量。

由上述的RST不变特性特性曲线的构建过程可知，沿着特征量积分轴等间隔采样轮廓曲线上的点，只是使采样点在轮廓曲线上重新分布。因此由以上步骤构建的相似轮廓的RST特征量，在RST描述曲线的横坐标上大小相同，但在RST描述曲线纵坐标上大小与缩放成比例关系。

参考轮廓和样本轮廓是独立分别地从参考图像和样本图像上提取获得的，因此参考轮廓与样本轮廓上的特征量采集起始点的位置通常不相同，表现在RST特征曲线上为两条特征曲线间存在一定的偏移。所以，需要通过求解这个偏移量以对相似轮廓进行对应性重建。

采用归一化互相关法(式(2))计算候选轮廓对不变量的相似度，以此进行对应性重建，获得最终的匹配点。

$v\left(u\right)=\frac{{\mathrm{\Σ}}_{i\∈\mathrm{\Ω}}[f\left(i\right)-\stackrel{\‾}{f}][t(i+u)-\stackrel{\‾}{t}]}{\sqrt{{\mathrm{\Σ}}_{i\∈\mathrm{\Ω}}{[f\left(i\right)-\stackrel{\‾}{f}]}^2{\mathrm{\Σ}}_{i\∈\mathrm{\Ω}}{[t(i+u)-\stackrel{\‾}{t}]}^2}}---\left(2\right)$

其中，t为参考曲线的两个周期，f为样本曲线，u为两条曲线的相对偏移量。曲线f在曲线t上滑动，

为参考曲线位于滑动窗口内的平均值，

为曲线f的平均值。

综上所述，本发明通过对图像提取的粗大轮廓进行去噪、拟合、描述和配准，实现不同分辨率、不同成像原理的图像轮廓点的正确匹配，对具有旋转、平移和缩放变化的异源图像间的匹配有很好的稳健性。

上述具体实施方式不以任何形式限制本发明的技术方案，凡是采用等同替换或等效变换的方式所获得的技术方案均落在本发明的保护范围。

Claims (9)

1.基于拟合轮廓的异源图像匹配方法，其特征在于包括以下步骤：

1)对提取的轮廓进行基于曲率尺度空间的轮廓去噪、拟合处理，以获得同一尺度下的光滑轮廓；

2)对闭合轮廓进行基于质心距离的轮廓描述，对开曲线构成的轮廓进行基于局部曲率的轮廓描述；

3)对轮廓描述构建RST特征不变量；

4)对特征不变量进行对应性重建，获得最终的匹配点对，实现异源图像的匹配。

2.根据权利要求1所述的基于拟合轮廓的异源图像匹配方法，其特征在于：在所述步骤1)中，根据迭代次数与缩放比例之间的关系定量地模拟尺度变化这一视觉行为，达到去噪、拟合的效果，获得同一尺度下的光滑轮廓。

3.根据权利要求2所述的基于拟合轮廓的异源图像匹配方法，其特征在于：在离散的情况下，记{p_i＝(x_i，y_i)|i∈Z}为一条轮廓曲线，其迭代演化过程为：

p_i，m+1＝0.25p_i-1，m+0.5p_i，m+0.25p_i+1，m                (1)

其中，(x_i，y_i)表示轮廓点p_i的坐标，m＝0，1，2…表示迭代的次数。

4.根据权利要求1所述的基于拟合轮廓的异源图像匹配方法，其特征在于：在所述步骤2)中，对参考轮廓和样本轮廓的弧长间隔采样各轮廓点，并计算获得该点的质心距离，从而对整个轮廓进行基于质心距离的轮廓描述。

5.根据权利要求1所述的基于拟合轮廓的异源图像匹配方法，其特征在于：在所述步骤2)中，对开曲线构成的轮廓点的局部曲率计算包括以下步骤：

21)构造轮廓点b＝b_i初始子集的离散点为b_i-2，b_i，b_i+2，并计算点b_i到b_i-2、b_i+2之间连线的距离d₁；

22)若距离d₁小于阈值t，则点b＝b_i的分割子集C(b_i)的离散点首末各加一个点，并计算点b_i到子集首末点之间连线的距离d₂；

23)若d₂小于阈值t，则重复第22)步，若d₂大于等于阈值t，则定义此分割子集为点b＝b_i的最终c-尺度分割子集C(b_i)；

24)首末两点b_b和b_f的之间的线段C_h(b)表示为分割子集C(b)的弦，弦C_h(b)的大小和方向反应了点b＝b_i处的曲线特征；

25)按照上述的c-尺度分割子集构建算法为每一个轮廓点构建相应的分割子集，并计算c-尺度分割子集的弦C_h(b)，利用相邻轮廓点的弦所在方向之间的夹角与相应弧长的比值来近似表示轮廓曲线的曲率。

6.根据权利要求5所述的基于拟合轮廓的异源图像匹配方法，其特征在于：所述的阈值t＝3。

7.根据权利要求1所述的基于拟合轮廓的异源图像匹配方法，其特征在于：在所述步骤3)中，构建RST特征不变量包括以下步骤：

31)对输入的拟合轮廓曲线进行断点连接，获得连续的轮廓曲线；

32)在曲线上相等的弧长间隔处采样该点的质心距离倒数或局部曲率特征量，得到轮廓的描述；

33)将步骤32)中离散采样的特征大小沿曲线累加，得到特征量的积分，即特征量相对于弧长的曲线；

34)沿着特征量的积分轴等间隔采样曲线上对应点的特征，得到特征相对于特征量积分的曲线，该曲线就是具有RST不变性的特征量。

8.根据权利要求1所述的基于拟合轮廓的异源图像匹配方法，其特征在于：在所述步骤4)中，采用归一化互相关法计算候选轮廓对不变量的相似度，以此进行对应性重建，获得最终的匹配点，计算公式为式(2)

$v\left(u\right)=\frac{{\mathrm{\Σ}}_{i\∈\mathrm{\Ω}}[f\left(i\right)-\stackrel{\‾}{f}][t(i+u)-\stackrel{\‾}{t}]}{\sqrt{{\mathrm{\Σ}}_{i\∈\mathrm{\Ω}}{[f\left(i\right)-\stackrel{\‾}{f}]}^2{\mathrm{\Σ}}_{i\∈\mathrm{\Ω}}{[t(i+u)-\stackrel{\‾}{t}]}^2}}---\left(2\right)$

其中，t为参考曲线的两个周期，f为样本曲线，u为两条曲线的相对偏移量，曲线f在曲线t上滑动，

为参考曲线位于滑动窗口内的平均值，

为曲线f的平均值，v(u)表示候选轮廓对不变量的相似度。

9.根据权利要求8所述的基于拟合轮廓的异源图像匹配方法，其特征在于：v(u)的最大值位置即对应两条曲线的配准偏移量，同时，设定一最小相关阈值，如果v(u)的最大值小于该阈值，则判断为两条曲线不存在匹配关系。

Images