CN102968787A - 基于点特征的图像适配性判断方法 - Google Patents

Abstract

本发明公开了一种基于点特征的图像适配性判断方法，其步骤为：(1)结合基准图数据库和实时图得到最优退化模型，即通过输入严格对准的基准图数据库中的基准图与相应的实时图、若干种退化模型及参数范围，最终输出一组理想最优退化模型；(2)利用最优退化模型参数结合基准图数据库进行图像适配性评价，得到基准图图像集合的适配性排序结果；即，通过输入基准图数据库中的基准图图像集合、由上述步骤(1)得到的一组最优退化模型，最终输出基准图图像集合的适配性排序结果。本发明原理简单，能够方便快捷地定性分析图像适配性，并可提高图像配准任务的成功率。

Description

基于点特征的图像适配性判断方法

技术领域

本发明主要涉及到图像分析领域，特指一种基于点特征的图像适配性判断方法。

背景技术

图像适配性评价是评价图像是否适合匹配，它是在需要图像匹配的任务前选择合适匹配区域的区域作为基准图，是提高匹配任务成功率的重要保障。

图像配准方法可以分为两种：基于区域的配准方法和基于特征的配准方法。现有适配性分析都是基于区域配准方法进行的，而近些年来随着点特征匹配方法的蓬勃发展，如SIFT、SURF、FAST、BIRSK等，它们在图像配准领域中展示了有益的性能，成为国内外研究的热点，而基于点特征的适配性判断方法还未见有学者进行研究。因此，亟需一种基于点特征的图像适配性评价方法。

发明内容

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种原理简单、能够方便快捷地定性分析图像适配性、可提高图像配准任务的成功率的基于点特征的图像适配性判断方法。

为解决上述技术问题，本发明采用以下技术方案：

一种基于点特征的图像适配性判断方法，其步骤为：

（1）结合基准图数据库和实时图得到最优退化模型，即通过输入严格对准的基准图数据库中的基准图与相应的实时图、若干种退化模型及参数范围，最终输出一组理想最优退化模型；

（2）利用最优退化模型结合基准图数据库进行图像适配性评价，得到基准图图像集合的适配性排序结果；即，通过输入基准图数据库中的基准图图像集合、由上述步骤（1）得到的一组最优退化模型，最终输出基准图图像集合的适配性排序结果。

作为本发明的进一步改进：

所述步骤（1）的具体步骤为：

步骤1.1、对基准图数据库中的基准图I_ref与实时图I_obs进行灰度归一化预处理，用特征提取算法进行特征提取，得到基准图特征点集合F_ref和实时图特征点集合F_obs，根据下式(6)，得到真点集合F_real，其中f为图像的特征点；

对一幅参考图I_ref和相应的实时图I_obs，定义真点集合为F_real：

$F_{\mathrm{real}}=\left\{f\right|\∀f\∈F_{\mathrm{real}},s.t.e_0(f,F_{\mathrm{ref}})=1,e_0(f,F_{\mathrm{obs}})=1\}---\left(6\right)$

步骤1.2、选取一种退化方式对预处理后的基准图进行参数为{v 2v…m·v}的m次退化，m为自然数，v为退化模型的参数，对这m次图像进行特征提取，得到特征点集合的集合Ω_F＝{F₁,F₂,…,F_m}；

步骤1.3、根据F_ref及Ω_F，由下式(7)计算F_ref中所有特征点的重复性RF；

定义特征点的重复性RF为：

$\mathrm{RF}\left(i\right)=\frac{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{e}_p(f_i^0,F_j)}{m}---\left(7\right)$

步骤1.4、由下式(8)对F_ref中的特征点进行排序，得到FO序列，

表示对原特征点

的序列进行重新排序后所得到新的序列中第k个位置的特征点，F₀为对基准图进行特征提取，得到特征点集合，m为实验次数，O为排序算子；

$\mathrm{FO}=O\left(F_0\right)=\{f_0^{\&prime;0},f_1^{\&prime;0},\&CenterDot;\&CenterDot;\&CenterDot;,f_{n_0}^{\&prime;0}\},$ $s.t.\left\{\begin{array}{cc}\&ForAll;f_k^{\&prime;0}\&Element;\mathrm{FO}& f_k^{\&prime;0}\&Element;F_0\\ \&ForAll;f_k^0\&Element;F_0& f_k^0\&Element;\mathrm{FO}\\ \&ForAll;0\&le;m<n\&le;n_0& \mathrm{RF}\left(f_m^{\&prime;0}\right)\&GreaterEqual;\mathrm{RF}\left(f_n^{\&prime;0}\right)\end{array}\right.---\left(8\right)$

步骤1.5、根据FO序列及真点集合F_real绘制真点率曲线，计算积分

选取积分值最大的退化模型及参数范围作为优化退化模型；其中，定义真点率ω(c)为FO(c)特征点集合中所有特征点属于真点集合F_real的比率，FO(c)为FO序列前c%的特征点对应的集合。

所述步骤（2）的具体步骤为：

步骤2.1、对基准图数据库中基准图进行灰度归一化预处理，用步骤（1）得到的最优退化模型对其进行m次退化，得到m幅图像；再分别提取特征，得到特征点集合的集合Ω_F＝{F₁,F₂,…,F_m}；

步骤2.2、对基准图进行特征提取，得到特征点集合F₀；根据F₀和Ω_F，由上式(7)计算F₀中所有特征点的重复性RF；

步骤2.3、由上式(8)对F₀中的特征点进行排序，得到FO序列；再由下式(9)计算适配性评价函数g，根据每幅基准图计算出的适配性评价函数，在基准图图像集合中给出适配性排序结果：

$g=\underset{c=1}{\overset{t}{\mathrm{\&Sigma;}}}\mathrm{RFO}\left(c\right)\&CenterDot;\left|F_{\mathrm{ref}}\right|---\left(9\right)$

其中，FO(c)为FO序列前c%的特征点对应的集合，RFO(c)为FO(c)集合中所有特征点对应的最低RF，定义真点率ω(c)为FO(c)特征点集合中所有特征点属于真点集合F_real的比率，t为实验次数，|F_ref|为特征点个数。

与现有技术相比，本发明的优点在于：本发明的图像适配性判断方法，是通过分析基准图在退化情况下特征点数目和稳健程度来度量图像的适配性，利用少量的实时图和对应的基准图选择合适的退化模型，建立适配性评价函数，最终能对给定的基准图进行适配性判断；本发明能对给定的一个基准图图像集合进行适配性排序，从而指导图像配准的基准图选择，提高图像配准任务的成功率。

附图说明

图1是本发明的流程示意图。

图2是本发明中最优退化模型参数选择阶段的流程示意图。

图3是本发明中适配性评价阶段的流程示意图。

图4是本发明在具体应用实例的SAR图像数据示意图。

具体实施方式

以下将结合说明书附图和具体实施例对本发明做进一步详细说明。

基于点特征的配准方法可以分为特征点检测和描述子生成两个阶段。对于一种特定特征点检测算子，无论描述算子如何建立，都是寻找不同图源相同位置特征点的相似关系。因此，本发明方法的原理就是通过分析基准图在退化情况下特征点数目和稳健程度来度量图像的适配性，其是一种基于点特征配准算法的适配性分析机制，利用少量的实时图和对应的基准图选择合适的退化模型，建立适配性评价函数，最终能对给定的基准图进行适配性判断。

对一幅数字图像I，可以先定义检测出的特征集合为

F＝FD(I)＝{f₁,f₂,…,f_n}          (1)

定义e_p为像素误差，其中p为允许像素误差；有：

ａ）对特征f₁和特征f₂，有

$e_p(f_1,f_2)=\left\{\begin{array}{cc}1& |x_1-x_2|\&le;p,|y_1-y_2|\&le;p\\ 0& \mathrm{otherwise}\end{array}\right.---\left(2\right)$

ｂ）对特征f₁和特征集合F₁，有

$e_p(f_1,F_1)=\left\{\begin{array}{cc}1& \mathrm{if}\&Exists;f_k^1\&Element;F_1,s.t.|x_1-x_k^1|\&le;p,|y_1-y_k^1|\&le;p\\ 0& \mathrm{otherwise}\end{array}\right.---\left(3\right)$

ｃ）对特征集合F₁和特征集合F₂，有

$e_p(F_1,F_2)=\underset{i=1}{\overset{\left|F_1\right|}{\mathrm{\&Sigma;}}}{e}_p(f_i,F_2),$ f_i∈F₁             (4)

对图像I₁和I₂，定义图像的重复率RI为

$\mathrm{RI}(I_1,I_2)=\frac{\underset{i=1}{\overset{\left|F_1\right|}{\mathrm{\&Sigma;}}}{e}_p(f_i^1,F_2)}{\left|F_2\right|}---\left(5\right)$

其中，|F₁|和|F₂|为特征点集合F₁、F₂的特征点个数。

如图1所示，本发明的基于点特征的图像适配性判断方法，其步骤为：

1、结合基准图数据库和实时图得到最优退化模型，即通过输入严格对准的基准图数据库中的基准图与相应的实时图、几种退化模型及参数范围，最终输出一组理想退化模型，其对应参数为{v 2v…m·v}。

2、利用最优退化模型参数结合基准图数据库进行图像适配性评价，得到基准图图像集合的适配性排序结果；即，通过输入基准图数据库中的基准图图像集合、由步骤1得到的一组最优退化模型，最终输出基准图图像集合的适配性排序结果。

通过按照上面的流程，计算出各幅基准图的适配性评价函数，可以对其进行适配性排序，从而指导选择合适的基准图进行配准。

如图2所示，本发明中进行最优退化模型参数选择阶段的具体过程为：

步骤1.1、对基准图数据库中的基准图I_ref与实时图I_obs进行灰度归一化预处理，用特征提取算法进行特征提取，基准图特征点集合F_ref和实时图特征点集合F_obs，根据下式(6)，得到真点集合F_real，其中f为图像的特征点。

对一幅参考图I_ref和相应的实时图I_obs，定义真点集合为F_real：

$F_{\mathrm{real}}=\left\{f\right|\&ForAll;f\&Element;F_{\mathrm{real}},s.t.e_0(f,F_{\mathrm{ref}})=1,e_0(f,F_{\mathrm{obs}})=1\}---\left(6\right)$

步骤1.2、选取一种退化方式对预处理后的基准图进行参数为{v 2v…m·v}的m次退化，m为自然数，v为退化模型的参数，对这m次图像进行特征提取，得到特征点集合的集合Ω_F＝{F₁,F₂,…,F_m}。

步骤1.3、根据F_ref及Ω_F，由下式(7)计算F_ref中所有特征点的重复性RF。

对一个特征，如果其在基准图和实时图对应位置同时被检测到，则认为该特征是“重复的”。定义特征点

的重复性RF为：

$\mathrm{RF}\left(i\right)=\frac{\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{e}_p(f_i^0,F_j)}{m}---\left(7\right)$

步骤1.4、由下式(8)对F_ref中的特征点进行排序，得到FO序列。

表示对原特征点

的序列进行重新排序后所得到新的序列中第k个位置的特征点，F₀为对基准图进行特征提取，得到特征点集合，m为实验次数，另O为排序算子，有：

$\mathrm{FO}=O\left(F_0\right)=\{f_0^{\&prime;0},f_1^{\&prime;0},\&CenterDot;\&CenterDot;\&CenterDot;,f_{n_0}^{\&prime;0}\},$ $s.t.\left\{\begin{array}{cc}\&ForAll;f_k^{\&prime;0}\&Element;\mathrm{FO}& f_k^{\&prime;0}\&Element;F_0\\ \&ForAll;f_k^0\&Element;F_0& f_k^0\&Element;\mathrm{FO}\\ \&ForAll;0\&le;m<n\&le;n_0& \mathrm{RF}\left(f_m^{\&prime;0}\right)\&GreaterEqual;\mathrm{RF}\left(f_n^{\&prime;0}\right)\end{array}\right.---\left(8\right)$

步骤1.5、根据FO序列及真点集合F_real绘制真点率曲线，计算积分

选取积分值最大的退化模型及参数范围作为优化退化模型。其中，定义真点率ω(c)为FO(c)特征点集合中所有特征点属于真点集合F_real的比率，FO(c)为FO序列前c%的特征点对应的集合。

如图3所示，本发明中进行图像适配性评价的具体过程为：

步骤2.1、对基准图数据库中基准图进行灰度归一化预处理，用步骤1得到的最优退化模型对其进行m次退化，得到m幅图像；再分别提取特征，得到特征点集合的集合Ω_F＝{F₁,F₂,…,F_m}。

步骤2.2、对基准图进行特征提取，得到特征点集合F₀；根据F₀和Ω_F，由上式(7)计算F₀中所有特征点的重复性RF。

步骤2.3、由上式(8)对F₀中的特征点进行排序，得到FO序列；再由下式(9)计算适配性评价函数g，根据每幅基准图计算出的适配性评价函数，能在基准图图像集合中给出适配性排序结果。

令FO(c)为FO序列前c%的特征点对应的集合，RFO(c)为FO(c)集合中所有特征点对应的最低RF，定义真点率ω(c)为FO(c)特征点集合中所有特征点属于真点集合F_real的比率，t为实验次数，F_ref|为特征点个数；令适配性评价函数为：

$g=\underset{c=1}{\overset{t}{\mathrm{\&Sigma;}}}\mathrm{RFO}\left(c\right)\&CenterDot;\left|F_{\mathrm{ref}}\right|---\left(9\right)$

如图4所示，为一个具体的应用实施例，取10幅大小为256x256的5米分辨率的C、L波段的对应图像对作为实验数据，其中以L波段图像作为基准图，以C波段图像作为实时图，以FAST算子为例进行适配性判断，下表1为真实适配性结果。

表1 10组SAR图像真实适配性

下表2为本算例采用的退化模型及参数范围，以及通过本方法计算出的sum值，选取sum值最大的模型作为最优退化模型，得到的适配性排序结果如表3所示。

表2退化模型参数

表3 10组SAR图像适配性评价值

上述结论在一定误差范围内基本正确。

综上所述，本发明的方法能够简单、方便、快捷地定性分析图像适配性，对图像配准适配区的选择具有重要的理论意义和实用价值。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (3)

1.一种基于点特征的图像适配性判断方法，其特征在于，步骤为：

(1)结合基准图数据库和实时图得到最优退化模型，即通过输入严格对准的基准图数据库中的基准图与相应的实时图、若干种退化模型及参数范围，最终输出一组理想最优退化模型；

(2)利用最优退化模型结合基准图数据库进行图像适配性评价，得到基准图图像集合的适配性排序结果；即，通过输入基准图数据库中的基准图图像集合、由上述步骤(1)得到的一组最优退化模型，最终输出基准图图像集合的适配性排序结果。

2.根据权利要求1所述的基于点特征的图像适配性判断方法，其特征在于，所述步骤(1)的具体步骤为：

步骤1.1、对基准图数据库中的基准图I_ref与实时图I_obs进行灰度归一化预处理，用特征提取算法进行特征提取，得到基准图特征点集合F_ref和实时图特征点集合F_obs，根据下式(6)，得到真点集合F_real，其中f为图像的特征点；

对一幅参考图I_ref和相应的实时图I_obs，定义真点集合为F_real：

$F_{\mathrm{real}}=\left\{f\right|\&ForAll;f\&Element;F_{\mathrm{real}},s.t.e_0(f,F_{\mathrm{ref}})=1,e_0(f,F_{\mathrm{obs}})=1\}---\left(6\right)$

其中， $e_0(f,F)=\left\{\begin{array}{ccc}1& \mathrm{if}& \&Exists;f_k\&Element;F,f=(x,y),s.t.|x-x_k|\&le;0,|y-y_k|\&le;0\\ 0& \mathrm{otherwise}& \end{array}\right.;$

步骤1.2、选取一种退化方式对预处理后的基准图进行参数为{v 2_v…m·v}的m次退化，m为自然数，v为退化模型的参数，对这m次图像进行特征提取，得到特征点集合的集合Ω_F＝{F₁，F₂，…，F_m}；

步骤1.3、根据F_ref及Ω_F，由下式(7)计算F_ref中所有特征点的重复性RF；

定义特征点的重复性RF为：

$\mathrm{RF}\left(i\right)=\frac{\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{e}_p(f_i^0,F_j)}{m}---\left(7\right)$

步骤1.4、由下式(8)对F_ref中的特征点进行排序，得到FO序列，

表示对原特征点

的序列进行重新排序后所得到新的序列中第k个位置的特征点，F₀为对基准图进行特征提取，得到特征点集合，n₀为特征点集合F₁中特征点的个数，O为排序算子；

$\mathrm{FO}=O\left(F_0\right)=\{f_0^{\&prime;0},f_1^{\&prime;0},...,f_{n_0}^{\&prime;0}\},s.t.\left\{\begin{array}{cc}\&ForAll;f_k^{\&prime;0}\&Element;\mathrm{FO}& f_k^{\&prime;0}\&Element;F_0\\ \&ForAll;f_k^0\&Element;F_0& f_k^0\&Element;\mathrm{FO}\\ \&ForAll;0\&le;l<n\&le;n_0& \mathrm{RF}\left(f_l^{\&prime;0}\right)\&GreaterEqual;\mathrm{RF}\left(f_n^{\&prime;0}\right)\end{array}\right.---\left(8\right)$

步骤1.5、根据FO序列及真点集合F_real绘制真点率曲线，计算积分

选取积分值最大的退化模型及参数范围作为优化退化模型；其中，定义真点率ω(c)为FO(c)特征点集合中所有特征点属于真点集合F_real的比率，FO(c)为FO序列前c％的特征点对应的集合。

3.根据权利要求2所述的基于点特征的图像适配性判断方法，其特征在于，所述步骤(2)的具体步骤为：

步骤2.1、对基准图数据库中基准图进行灰度归一化预处理，用步骤(1)得到的最优退化模型对其进行m次退化，得到m幅幅图像；再分别提取特征，得到特征点集合的集合Ω_F＝{F₁，F₂，…，F_m}；

步骤2.2、对基准图进行特征提取，得到特征点集合F₀；根据F₀和Ω_F，由上式(7)计算F₀中所有特征点的重复性RF；

步骤2.3、由上式(8)对F₀中的特征点进行排序，得到FO序列；再由下式(9)计算适配性评价函数g，根据每幅基准图计算出的适配性评价函数，在基准图图像集合中给出适配性排序结果：

$g=\underset{c=1}{\overset{t}{\mathrm{\&Sigma;}}}\mathrm{RFO}\left(c\right)\&CenterDot;\left|F_{\mathrm{ref}}\right|---\left(9\right)$

其中，FO(c)为FO序列前c％的特征点对应的集合，RFO(c)为FO(c)集合中所有特征点对应的最低RF，定义真点率ω(c)为FO(c)特征点集合中所有特征点属于真点集合F_real的比率，t为实验次数，|F_ref|为特征点个数。

Images