CN102509293A - 异源图像的一致性特征检测方法 - Google Patents

Abstract

本发明公开了计算机图像处理技术领域中的一种异源图像的一致性特征检测方法。包括：采用基于形态学梯度法的二维元胞自动机模型提取异源图像的轮廓图像；获取轮廓图像加速强健特征的特征点和描述子；从加速强健特征的特征点中获取初始匹配点对集合；从初始匹配点对集合中筛选出精确匹配点对。本发明解决了应用SURF算法无法直接从异源图像中检测出一致性特征的问题，提高了检测速度和准确率。

Description

异源图像的一致性特征检测方法

技术领域

本发明属于计算机图像处理技术领域，尤其涉及一种异源图像的一致性特征检测方法。

背景技术

图像的特征检测是图像处理、模式识别和计算机视觉等领域的关键技术，它的目的是将图像中某些区域内能反映目标图像重要、本原属性的像素或像素区域提取出来，用于变化检测或目标识别等后续处理，它可以把图像之间的识别问题转化为特征之间的识别问题。

长期以来，如何有效检测图像的特征一直受到众多学者的关注。目前，图像特征检测方法主要有基于梯度信息的方法、基于相位信息的方法和基于局部不变特征的方法等，其中局部不变特征是一个较为活跃的研究方向，最近几年已涌现了大批研究成果。很多局部不变特征，如SURF(Speeded Up RobustFeatures，加速强健特征)等能对旋转等图像变化因素保持一定的不变性，而对物体运动、遮挡等因素具有鲁棒性，与其它特征相比，由于局部不变特征不受图像外在表象的影响，所以在鲁棒性、可重复性、独特性等方面均具有较大的优势。

异源图像的一致性特征检测就是从来源于不同传感器的、具有相同场景或目标的两幅图像，如遥感图像中的多光谱图像、医学图像中的CT(ComputerTomography，计算机断层摄影)图像和MRI(Magnetic Resonance Imaging，磁共振成像)图像等图像中找到具有一一对应关系特征的过程。异源图像能提供比同源图像更加丰富和全面的信息，因此异源图像的变化检测、识别等广泛应用于遥感、安全监测、医学图像分析等民用或军用领域，而精确检测出异源图像的一致性特征是进行变化检测、识别的关键。

目前，SURF算法已成功应用于同源图像的一致性特征检测中。由于异源图像传感器的工作波段相差较大，且成像条件和场景具有一定复杂性，所以异源图像在像素的灰度分布特性上有很大差别。应用SURF算法直接对异源图像进行特征检测时，两幅图像中很少有对应同一物理位置的特征，两图中几乎不存在一致性的特征，无法进行后续变化检测或识别处理。

发明内容

本发明的目的在于，针对目前图像处理技术领域中，没有有效的异源图像的一致性特征检测方法的问题，提出一种异源图像的一致性特征检测方法。

为实现上述的目的，本发明提供的技术方案是，一种异源图像的一致性特征检测方法，其特征是所述方法包括：

步骤1：采用基于形态学梯度法的二维元胞自动机模型提取异源图像的轮廓图像；

步骤2：获取轮廓图像加速强健特征的特征点和描述子；

步骤3：从加速强健特征的特征点中获取初始匹配点对集合；

步骤4：从初始匹配点对集合中筛选出精确匹配点对。

当异源图像为二值图像时，所述步骤1具体利用公式v＝v^D(c)-v^E(c)提取异源图像的轮廓图像；其中，v^D(c)是当前元胞的膨胀运算值，v^E(c)是当前元胞的腐蚀运算值，c是当前元胞；所述当前元胞的膨胀运算值v^D(c)的计算公式为：v^E(c)＝v(c)+v(n)+v(e)+v(s)+v(w)，当前元胞的腐蚀运算值v^E(c)的计算公式为：v^D(c)＝v(c)·v(n)·v(e)·v(s)·v(w)；n、e、s、w分别为当前元胞c的上元胞、下元胞、左元胞和右元胞，v(c)、v(n)、v(e)、v(s)、v(w)分别为当前元胞c的状态、当前元胞c的上元胞n的状态、当前元胞c的下元胞e的状态、当前元胞c的左元胞s的状态和当前元胞c的右元胞w的状态。

当异源图像为灰度图像时，所述步骤1具体利用公式F＝F^D-F^E提取异源图像的轮廓图像，其中，F是轮廓图像，F^D是当前像素值的膨胀运算值，F^E是像素值的腐蚀运算值；所述当前像素值的膨胀运算值F^D的计算公式为：

当前像素值的腐蚀运算值F^E的计算公式为：

$v_k^D\left(c\right)=v_k\left(c\right)\·v_k\left(n\right)\·v_k\left(e\right)\·v_k\left(s\right)\·v_k\left(w\right),$ $v_k^E\left(c\right)=v_k\left(c\right)+v_k\left(n\right)+v_k\left(e\right)+v_k\left(s\right)+v_k\left(w\right),$ c是当前像素点，n、e、s、w分别是当前像素点c的上方像素点、下方像素点、左方像素点和右方像素点，v_k(c)是当前像素点c的灰度值的二进制数表示的第k位，v_k(n)是当前像素点c的上方像素点n的灰度值的二进制数表示的第k位，v_k(e)是当前像素点c的下方像素点e的灰度值的二进制数表示的第k位，v_k(s)是当前像素点c的左方像素点s的灰度值的二进制数表示的第k位，v_k(w)是当前像素点c的右方像素点w的灰度值的二进制数表示的第k位，m为当前像素点c的灰度值的二进制数表示的位数。

所述步骤2具体包括：

步骤21：利用逐步放大的近似高斯滤波器对轮廓图像的积分图像进行卷积操作；

步骤22：计算近似Hessian矩阵的行列式；

步骤23：利用近似Hessian矩阵的行列式确定特征点；

步骤24：确定特征点的主方向；

步骤25：基于Harr小波响应生成描述子。

所述步骤3具体包括：

步骤31：任取待匹配的异源图像的轮廓图像的特征点A；

步骤32：在另一异源图像的轮廓图像中，利用距离函数计算与特征点A距离最近的特征点B，将其距离记为d_AB；在同一异源图像的轮廓图像中，计算与特征点A距离次进的特征点C，将其距离记为d_AC；

步骤33：判断距离d_AB与距离d_AC的比值是否大于第一设定阈值，如果大于第一设定阈值，则特征点A和特征点B是初始匹配点对；

步骤34：将所有初始匹配点对组成的集合作为初始匹配点对集合。

所述距离函数为欧式距离函数或者马氏距离函数。

所述步骤4具体包括：

步骤41：在初始匹配点对集合中随机采样4对初始匹配点；

步骤42：计算采样的4对初始匹配点之间的变换矩阵H；

步骤43：利用变换矩阵H计算每对初始匹配点对之间的误差，当所述误差小于第二设定阈值时，则将所述初始匹配点对作为内点；将所有内点组成的集合作为内点集合，内点个数为记m；

步骤44：在内点集合中随机采样4对内点；

步骤45：计算采样的4对内点之间的变换矩阵H′；

步骤46：利用变换矩阵H′计算内点集合中的每个内点之间的误差，当所述误差小于第二设定阈值时，则将所述内点作为迭代内点；将所有迭代内点组成的集合作为迭代内点集合，迭代内点个数记为m′；

步骤47：当m′＞m时，以迭代内点作为内点，迭代内点集合作为内点集合，返回步骤44；当m′≤m时，执行步骤48；

步骤48：取迭代内点个数最多的迭代内点集合，该迭代内点集合中的迭代内点即为所求的精确匹配点对。

本发明从元胞自动机提取的异源图像轮廓上获取SURF特征，然后采用基于匹配的方法筛选出一致性特征，解决了应用SURF算法无法直接从异源图像中检测出一致性特征的问题，同时使用本发明提供的方法检测异源图像的一致性特征，速度快且准确率高。

附图说明

图1是异源图像的一致性特征检测方法流程图；

图2是用本发明提供的方法对遥感图像中的多光谱图像进行一致性特征检测的实验结果示意图；

其中，(a)是由Daedalus扫描仪拍摄的光谱的遥感图像；

(b)是由Daedalus扫描仪拍摄的另一幅不同光谱的遥感图像；

(c)是用元胞自动机方法提取的图2(a)对应的轮廓图像；

(d)是用元胞自动机方法提取的图2(b)对应的轮廓图像；

(e)是经过SURF特征提取与描述和匹配之后的一致性特征在轮廓图像上连线的效果图；

(f)是经过SURF特征提取与描述和匹配之后的一致性特征在输入图像上连线的效果图；

(g)是在相应的输入图像上显示一致性特征的结果图；

(h)是在相应的输入图像上显示一致性特征的结果图；

图3是用本发明提供的方法对医学图像中的CT图像与MRI图像进行一致性特征检测的实验结果示意图；

其中，(a)是CT图像；

(b)是MRI图像；

(c)是用元胞自动机方法提取的图3(a)对应的轮廓图像；

(d)是用元胞自动机方法提取的图3(b)对应的轮廓图像；

(e)是经过SURF特征提取与描述和匹配之后的一致性特征在轮廓图像上连线的效果图；

(f)是经过SURF特征提取与描述和匹配之后的一致性特征在输入图像上连线的效果图；

(g)是在相应的输入图像上显示一致性特征的结果图；

(h)是在相应的输入图像上显示一致性特征的结果图。

具体实施方式

下面结合附图，对优选实施例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

实施例1

在本发明中，异源图像是指两个待匹配的图像。图1是异源图像的一致性特征检测方法流程图。图1中，本发明提供的异源图像的一致性特征检测方法包括：

步骤1：采用基于形态学梯度法的二维元胞自动机模型提取异源图像的轮廓图像。

当异源图像为二值图像时，将图像的每个像素点看成一个元胞，元胞的状态对应于像素的灰度值，元胞的邻域结构为冯·诺伊曼型，即：由一个中心元胞(要演化的元胞)和4个位于其临近上下左右方位的元胞组成，共包含5个元胞。为了实现轮廓提取的任务，首先从图像中检测与轮廓相关的信息作为模型初始值映射到元胞空间，然后依据元胞邻居关系和图像轮廓特点制定局部规则，演化停止时的状态就是轮廓提取的最终结果。

本发明采用基于形态学梯度法的元胞自动机局部规则。用灰度形态学的膨胀结果减去腐蚀结果的方法叫形态梯度算法。

首先考虑简单的二值图像，冯·诺伊曼型元胞自动机的腐蚀和膨胀规则分别为：

v^D(c)＝v(c)·v(n)·v(e)·v(s)·v(w)            (1)

v^E(c)＝v(c)+v(n)+v(e)+v(s)+v(w)                (2)

上式中，n、e、s、w分别为当前元胞c的上元胞、下元胞、左元胞和右元胞，v(c)、v(n)、v(e)、v(s)、v(w)分别为当前元胞c的状态、当前元胞c的上元胞n的状态、当前元胞c的下元胞e的状态、当前元胞c的左元胞s的状态和当前元胞c的右元胞w的状态。“·”和“+”分别表示布尔代数的与运算和或运算。

当异源图像为灰度图像时，对于灰度图像，不能直接运用布尔逻辑，灰度图像可以看作是二值图像的组合，即

$f(i,j)=\underset{k=0}{\overset{n-1}{\mathrm{\Σ}}}{v}_k(i,j)2^k,i=\mathrm{1,2},...,M;j=\mathrm{1,2},...,N---\left(3\right)$

上式中，v_k(i，j)是像素点(i，j)处灰度值f(i，j)的二进制数表示的第k位，所以灰度图像的元胞自动机腐蚀和膨胀可以在分层后的二值像素点集合v_k(i，j)上分别应用式(1)和式(2)。考虑到坐标逻辑是对两个十进制数对应的二进制位分别做AND，OR，XOR，NOT运算，所以可以对灰度图像直接应用坐标逻辑。记为当前像素的坐标逻辑膨胀，

为对应二进制位的布尔逻辑膨胀，则两者的关系为：

$v_k^{+}\left(c\right)=v_k\left(c\right)+v_k\left(n\right)+v_k\left(e\right)+v_k\left(s\right)+v_k\left(w\right)---\left(4\right)$

$F_{\mathrm{CL}}^D=\underset{k=0}{\overset{n-1}{\mathrm{\Σ}}}{v}_k^{+}\left(c\right)2^k---\left(5\right)$

同理，布尔逻辑腐蚀与坐标逻辑腐蚀的关系为：

$v_k^{+}\left(c\right)=v_k\left(c\right)\·v_k\left(n\right)\·v_k\left(e\right)\·v_k\left(s\right)\·v_k\left(w\right)---\left(6\right)$

$F_{\mathrm{CL}}^E=\underset{k=0}{\overset{n-1}{\mathrm{\Σ}}}{v}_k^{+}\left(c\right)2^k---\left(7\right)$

已知灰度图像的坐标逻辑腐蚀与膨胀，则形态梯度法的元胞自动机实现公式为：

$F=F_{\mathrm{CL}}^D-F_{\mathrm{CL}}^E---\left(8\right)$

形态梯度法不需要模板移动，只执行简单的逻辑运算，所以它具有比传统的形态梯度法更快的处理速度，另外，它可以得到不同灰度值而不是二值表示的轮廓图像，检测效果更好。

步骤2：获取轮廓图像加速强健特征的特征点和描述子。

本步骤获取轮廓图像加速强健特征的特征点和描述子，是对待检测的2个图像的轮廓图像分别获取加速强健特征的特征点和描述子。获取加速强健特征的特征点和描述子的过程是：

步骤21：利用逐步放大的近似高斯滤波器对轮廓图像的积分图像进行卷积操作。

加速强健特征SURF的特征检测是基于Hessian矩阵的，对于异源图像的轮廓图像I(x，y)中的一点x＝(x，y)，其在尺度σ的Hessian矩阵为：

$H(x,\mathrm{\σ})=\left[\begin{array}{cc}{L}_{\mathrm{xx}}(x,\mathrm{\σ})& L_{\mathrm{xy}}(x,\mathrm{\σ})\\ L_{\mathrm{xy}}(x,\mathrm{\σ})& L_{\mathrm{yy}}(x,\mathrm{\σ})\end{array}\right]$

式中，下标“xx”表示滤波器的二阶导，下标“xy”表示一阶偏导在x方向上，二阶偏导在y方向上。具体说，L_xx(x，σ)是轮廓图像I(x，y)和高斯函数在x方向上的二阶导数(或者高斯函数二阶导数的近似)在点x的卷积，即

$L_{\mathrm{xx}}(x,\mathrm{\σ})=I\×\frac{{\∂}^2}{\∂x^2}g\left(\mathrm{\σ}\right)$

L_xy(x，σ)，L_yy(x，σ)与之类似。

而点x＝(x，y)处的积分图像表示在轮廓图像I(x，y)中以原点和点x形成的矩形区域中所有像素的和，即

$I_{\mathrm{\Σ}}\left(x\right)=\underset{i=0}{\overset{i\≤x}{\mathrm{\Σ}}}\underset{j=0}{\overset{j\≤y}{\mathrm{\Σ}}}I(i,j)$

步骤22：计算近似Hessian矩阵的行列式。

Hessian矩阵中用到的核函数是高斯核函数，本实施例为了计算方便，用到了对高斯核函数的近似，即箱式滤波器D_xx、D_xy和D_yy。为了保持计算精度，同时引入高斯核函数和高斯核函数的近似的比例因子ω，这样Hessian矩阵的行列式表示为：

det(H_approx)＝D_xxD_yy-(ωD_xy)²。

上述箱式滤波器采用9×9的滤波器对高斯核函数在σ＝1.2处的近似，因此比例因子ω的值可以按照下述公式计算：

$\mathrm{\ω}=\frac{{\left|L_{\mathrm{xy}}\left(1.2\right)\right|}_F{\left|D_{\mathrm{yy}}\left(9\right)\right|}_F}{{\left|L_{\mathrm{yy}}\left(1.2\right)\right|}_F{\left|D_{\mathrm{xy}}\left(9\right)\right|}_F}\≈0.9$

其中，|x|_F是范数(Frobenius)。

步骤23：利用近似Hessian矩阵的行列式确定特征点。

近似Hessian矩阵的行列式表达了图像中点x处得斑块响应(BlobResponse)。这些响应被保持在不同尺度的斑块响应映射中，通过使用3×3×3邻域内的非极大值抑制来定位特征点。即对尺度空间中的每一个像素，与该像素同层的相邻8个像素以及它上、下2层的9个相邻像素总共26个相邻像素进行比较，得到局部极大值和极小值点。然后利用3维二次方程的Taylor展开式进行曲面拟合，从而实现特征点的精确定位，得到特征点的坐标(x，y)和尺度σ。

步骤24：确定特征点的主方向。

首先，以特征点(x，y)为圆心，6σ(σ为特征点所在的尺度)为半径的圆形区域内的所有像素，统计x和y方向上的Haar小波响应d_x和d_y，从而使每个像素都由一个对应的Haar小波响应点Hp(d_x，d_y)。其中，Haar小波响应的获取是利用相应地Haar小波滤波器和积分图像进行卷积得到的。然后，通过一个扇形滑动窗口对所有小波响应进行求和，取长度最长的方向作为特征点的主方向。

步骤25：基于Harr小波响应生成描述子。

基于Haar小波响应生成描述子的过程实际上是提取特征点的特征向量的过程。首先，确定一个以兴趣点为中心，大小为20σ的方形区域。为保证提取到特征向量具有旋转不变性，需要旋转该方形区域使之与特征点的主方向平行。然后，将这个方形区域再均匀细分成4×4的子区域，在每个子区域中统计x和y方向上的Haar小波响应的和以及绝对值之和：∑d_x、∑d_y、∑|d_x|和∑|d_y|。如此在每个区域就有一个4维的描述子v₄＝(∑d_x，∑d_y，∑|d_x|，∑|d_y|)，即4维特征向量。由于每个子区域都有一个4维特征向量，则上述方形区域就有4×4×4＝64维向量。当然，为了使描述子更具特征性，还可以对64维特征向量进行细分。

步骤3：从加速强健特征的特征点中获取初始匹配点对集合。

本步骤利用距离函数，计算两个异源图像的轮廓图像的特征点之间的距离，从而确定这两个特征点是否为初始匹配点对。距离函数可以采用欧式距离(Euclidean distance)函数或者马氏距离(P.C.Mahalanobis)函数。本实施例以欧式距离函数为例，说明从加速强健特征的特征点中获取初始匹配点对的过程，具体为：

步骤31：任取待匹配的异源图像的轮廓图像的特征点A。

步骤32：在另一异源图像的轮廓图像中，利用欧式距离函数计算与特征点A距离最近的特征点B，将其距离记为d_AB。如果特征点A的特征向量为(x₁，x₂，…，x_p)，特征点B的特征向量为(y₁，y₂，…，y_p)，则d_AB为：

$d_{\mathrm{AB}}=\sqrt{{(x_1-y_1)}^2+{(x_2-y_2)}^2+\·\·\·+{(x_p-y_p)}^2}$

在与特征点B同一异源图像的轮廓图像中，计算与特征点A距离次近的特征点C，将其距离记为d_AC。

步骤33：判断距离d_AB与距离d_AC的比值是否大于第一设定阈值，如果大于第一设定阈值，则特征点A和特征点B是初始匹配点对。

步骤34：将所有初始匹配点对组成的集合作为初始匹配点对集合。

步骤4：从初始匹配点对集合中筛选出精确匹配点对。

本实施例中采用RANSAC算法从初始匹配点对中筛选出精确匹配点对。RANSAC算法是通过不断在所有初始匹配点对中抽取固定采样点对计算模型，统计符合模型的内点，获取更多内点的模型为图像变换模型，同时剔除了外点，保留内点。当抽取次数足够多时，能够以较大概率保证模型和内点的准确性。筛选出精确匹配点对的具体步骤包括：

步骤41：在初始匹配点对集合中随机采样4对初始匹配点。

随机采样4对初始匹配点时，要注意不要出现三点一线的情况，即在一个异源图像的轮廓图像中选择的4个点不要出现任意3个点在1条线上的情况。

步骤42：计算采样的4对初始匹配点之间的变换矩阵H。

假设两个异源图像的轮廓图像中的初始匹配点对为(x，y)和(x′，y′)，则根据单应性矩阵公式可知，二者坐标关系为：

x′(h₃₁x+h₃₂y+1)＝h₁₁x+h₁₂y+h₁₃

y′(h₃₁x+h₃₂y+1)＝h₂₁x+h₂₂y+h₂₃

上式中，h₁₁，h₁₂，…，h₃₂为变换矩阵 $H=\left[\begin{array}{ccc}{h}_{11}& h_{12}& h_{13}\\ h_{21}& h_{22}& h_{23}\\ h_{31}& h_{32}& 1\end{array}\right]$ 的8个参数。

由4对初始匹配点，可以得到8个关于参数h₁₁，h₁₂，…，h₃₂的方程，利用求解线性方程组的方法，可以得到上述8个参数的解。

步骤43：利用变换矩阵H计算每对初始匹配点对之间的误差，当所述误差小于第二设定阈值时，则将所述初始匹配点对作为内点；将所有内点组成的集合作为内点集合，内点个数为记m；

利用变换矩阵H计算每对初始匹配点对之间的误差，具体采用公式‖Hx-x′‖²＜ε，x和x′为初始匹配点对，ε为第二设定阈值。对每一对初始匹配点对，如果满足该式，则将该对初始匹配点对作为内点。注意，在本实施例中，内点是一对点，而不是一个点。将所有内点组成的集合作为内点集合，内点个数为记m。

步骤44：在内点集合中随机采样4个内点。

由于内点是点对，因此随机采样4个内点即随机采样4对点。

步骤45：计算采样的4对内点之间的变换矩阵H′。

其计算过程同步骤42。

步骤46：利用变换矩阵H′计算内点集合中的每个内点之间的误差，当所述误差小于第二设定阈值时，则将所述内点作为迭代内点。

计算内点集合中的每个内点之间的误差的过程同步骤43。将所有迭代内点组成的集合作为迭代内点集合，迭代内点个数记为m′。

步骤47：当m′＞m时，以迭代内点作为内点，迭代内点集合作为内点集合，返回步骤44；当m′≤m时，执行步骤48；

步骤48：取迭代内点个数最多的迭代内点集合，该迭代内点集合中的迭代内点即为所求的精确匹配点对。

上述步骤44-步骤48是一个不断抽取内点(即匹配点对)的过程。当抽取次数足够多时，能够以较大概率保证模型(即变换矩阵H)和内点的准确性。通过上述RANSAC算法筛选出的精确匹配点对还可以使用一些优化的方法进行进一步的优化。

实施例2

图2是用本发明提供的方法对遥感图像中的多光谱图像进行一致性特征检测的实验结果示意图。用异源图像的一致性特征检测方法对两幅不同光谱的遥感图像进行处理，输入图像分别如图2(a)和图2(b)所示，图像大小都是256×256；首先采用基于形态学梯度法的二维元胞自动机模型对输入图像进行轮廓提取，结果如图2(c)和图2(d)所示；然后分别从图2(c)和图2(d)上获取SURF特征点和描述子；再利用欧式距离和最近邻距离比率的匹配策略从SURF特征点中获取初始匹配点对；最后用RANSAC算法从初始匹配点对中筛选出精确匹配点对，一致性特征检测的连线效果如图2(e)和图2(f)所示，检出了8组一致性的特征；图2(g)和图2(h)分别是在相应的输入图像上显示一致性特征的结果图，从结果可以看出本方法能从异源图像中检测出对应同一物理位置的特征，即一致性的特征，且获得了较好的检测效果。

实施例3

图3是用本发明提供的方法对医学图像中的CT图像与MRI图像进行一致性特征检测的实验结果示意图。用异源图像的一致性特征检测方法对CT图像与MRI图像进行处理，输入图像分别如图3(a)和图3(b)所示，图像大小都是256×256；首先采用基于形态学梯度法的二维元胞自动机模型对输入图像进行轮廓提取，结果如图3(c)和图3(d)所示；然后分别从图3(c)和图3(d)上获取SURF特征点和描述子；再利用欧式距离和最近邻距离比率的匹配策略从SURF特征点中获取初始匹配点对；最后用RANSAC算法从初始匹配点对中筛选出精确匹配点对，一致性特征检测的连线效果如图3(e)和图3(f)所示，检出了5组一致性的特征；图3(g)和图3(h)分别是在输入图像上显示的一致性特征的结果图，从结果可以看出本方法能从异源图像中检测出对应同一物理位置的特征，即一致性的特征，且获得了较好的检测效果。

本发明从元胞自动机提取的异源图像轮廓上获取SURF特征，然后采用基于匹配的方法筛选出一致性特征，解决了应用SURF算法无法直接从异源图像中检测出一致性特征的问题，同时使用本发明提供的方法检测异源图像的一致性特征，速度快且准确率高。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种异源图像的一致性特征检测方法，其特征是所述方法包括：

步骤1：采用基于形态学梯度法的二维元胞自动机模型提取异源图像的轮廓图像；

步骤2：获取轮廓图像加速强健特征的特征点和描述子；

步骤3：从加速强健特征的特征点中获取初始匹配点对集合；

步骤4：从初始匹配点对集合中筛选出精确匹配点对。

2.根据权利要求1所述的异源图像的一致性特征检测方法，其特征是当异源图像为二值图像时，所述步骤1具体利用公式v＝v^D(c)-v^E(c)提取异源图像的轮廓图像；其中，v^D(c)是当前元胞的膨胀运算值，v^E(c)是当前元胞的腐蚀运算值，c是当前元胞；所述当前元胞的膨胀运算值v^D(c)的计算公式为：v^E(c)＝v(c)+v(n)+v(e)+v(s)+v(w)，当前元胞的腐蚀运算值v^E(c)的计算公式为：v^D(c)＝v(c)·v(n)·v(e)·v(s)·v(w)；n、e、s、w分别为当前元胞c的上元胞、下元胞、左元胞和右元胞，v(c)、v(n)、v(e)、v(s)、v(w)分别为当前元胞c的状态、当前元胞c的上元胞n的状态、当前元胞c的下元胞e的状态、当前元胞c的左元胞s的状态和当前元胞c的右元胞w的状态。

3.根据权利要求1所述的异源图像的一致性特征检测方法，其特征是当异源图像为灰度图像时，所述步骤1具体利用公式F＝F^D-F^E提取异源图像的轮廓图像，其中，F是轮廓图像，F^D是当前像素值的膨胀运算值，F^E是像素值的腐蚀运算值；所述当前像素值的膨胀运算值F^D的计算公式为：

当前像素值的腐蚀运算值F^E的计算公式为：

$v_k^D\left(c\right)=v_k\left(c\right)\·v_k\left(n\right)\·v_k\left(e\right)\·v_k\left(s\right)\·v_k\left(w\right),$ $v_k^E\left(c\right)=v_k\left(c\right)+v_k\left(n\right)+v_k\left(e\right)+v_k\left(s\right)+v_k\left(w\right),$ c是当前像素点，n、e、s、w分别是当前像素点c的上方像素点、下方像素点、左方像素点和右方像素点，v_k(c)是当前像素点c的灰度值的二进制数表示的第k位，v_k(n)是当前像素点c的上方像素点n的灰度值的二进制数表示的第k位，v_k(e)是当前像素点c的下方像素点e的灰度值的二进制数表示的第k位，v_k(s)是当前像素点c的左方像素点s的灰度值的二进制数表示的第k位，v_k(w)是当前像素点c的右方像素点w的灰度值的二进制数表示的第k位，m为当前像素点c的灰度值的二进制数表示的位数。

4.根据权利要求2或3所述的异源图像的一致性特征检测方法，其特征是所述步骤2具体包括：

步骤21：利用逐步放大的近似高斯滤波器对轮廓图像的积分图像进行卷积操作；

步骤22：计算近似Hessian矩阵的行列式；

步骤23：利用近似Hessian矩阵的行列式确定特征点；

步骤24：确定特征点的主方向；

步骤25：基于Harr小波响应生成描述子。

5.根据权利要求4所述的异源图像的一致性特征检测方法，其特征是所述步骤3具体包括：

步骤31：任取待匹配的异源图像的轮廓图像的特征点A；

步骤32：在另一异源图像的轮廓图像中，利用距离函数计算与特征点A距离最近的特征点B，将其距离记为d_AB；在同一异源图像的轮廓图像中，计算与特征点A距离次进的特征点C，将其距离记为d_AC；

步骤33：判断距离d_AB与距离d_AC的比值是否大于第一设定阈值，如果大于第一设定阈值，则特征点A和特征点B是初始匹配点对；

步骤34：将所有初始匹配点对组成的集合作为初始匹配点对集合。

6.根据权利要求5所述的异源图像的一致性特征检测方法，其特征是所述距离函数为欧式距离函数或者马氏距离函数。

7.根据权利要求5所述的异源图像的一致性特征检测方法，其特征是所述步骤4具体包括：

步骤41：在初始匹配点对集合中随机采样4对初始匹配点；

步骤42：计算采样的4对初始匹配点之间的变换矩阵H；

步骤43：利用变换矩阵H计算每对初始匹配点对之间的误差，当所述误差小于第二设定阈值时，则将所述初始匹配点对作为内点；将所有内点组成的集合作为内点集合，内点个数为记m；

步骤44：在内点集合中随机采样4对内点；

步骤45：计算采样的4对内点之间的变换矩阵H′；

步骤46：利用变换矩阵H′计算内点集合中的每个内点之间的误差，当所述误差小于第二设定阈值时，则将所述内点作为迭代内点；将所有迭代内点组成的集合作为迭代内点集合，迭代内点个数记为m′；

步骤47：当m′＞m时，以迭代内点作为内点，迭代内点集合作为内点集合，返回步骤44；当m′≤m时，执行步骤48；

步骤48：取迭代内点个数最多的迭代内点集合，该迭代内点集合中的迭代内点即为所求的精确匹配点对。

Images