CN103116883A - 一种自适应门限的ncc配准方法 - Google Patents

Abstract

本发明提供的是一种自适应门限的NCC配准方法。选取一个初始的NCC门限值对两幅图像中的特征点进行配准；利用配准的特征点对求得两幅图像间的仿射变换矩阵；将待配准图像利用求得的仿射变换矩阵做仿射变换；求出仿射变换后的待配准图像与基准图像间的互信息熵；利用加入了进退法与黄金分割法的powell寻优迭代算法，将互信息作为搜索准则进行NCC门限的自适应迭代；利用powell算法不断改变NCC门限值，进行迭代；迭代结束后，找到最大的互信息熵并且得到此时对应的NCC门限值；将得到的NCC门限值作为最终的门限值进行特征点对的配准。本发明用于基于特征点的图像配准，与特征点检测算法配合使用，达到配准图像的目的。

Description

一种自适应门限的NCC配准方法

技术领域

本发明涉及的是一种数字图像处理方法，具体地说是一种图像算法领域的一种配准方法。

背景技术

基于特征点的图像配准算法是一种常见的图像配准算法，这种算法的优点是能够利用待配准两幅图像中的配准特征点对直接求得两幅图像间的变换关系从而实现图像配准。现有的常用特征点检测算法大致有角点检测算法如：susan,mic和harris角点检测算法等以及使用了了不变量技术中的SIFT算法等。不同的特征点检测算法各有优缺点，选择一种具有旋转不变性且检测性能很好的harris角点检测算法作为特征点检测算法是十分必要的。常用的配准算法也有很多，比如sift特征描述字配准算法和NCC配准算法。相对于sift特征描述字配准算法NCC配准算法计算量小很多，复杂度低配准效果也还算理想。但是由于原有的NCC配准算法门限固定，会导致误配特征点对或者配准的特征点对过少等情况的发生。为了解决这一问题，就必须根据不同图像进行不同的门限选取，这样就是自适应门限。

文献[1]论述了一种新的色彩距离计算方法，大大提高了彩色图像特征提取的准确率与速度；文献[2]介绍了一种完全仿射不变的局部图像特征提取算法—ASIFT，解决了大角度视角变化的图像匹配和目标识别这一难点问题；文献[3]提出了一种新的快速、准确的健壮性的点配准算法，从而解决点的对应性问题和出界点（outliers）确定；文献[4]基于视觉特征模型提出一种自适应高斯尺度参数的算法，从而为图像的高层次处理如目标识别等提供信息量稳定变化的尺度空间。

与本发明相关的参考文献包括：

[1]方欣．一种新的彩色图像特征检测中相似度计算方法．科学技术与工程.Vol.6,No.20,2006；

[2]谢志宏，颜巾惠，白羽，魏磊．完全仿射不变的图像特征提取算法研究．全国第五届信号和智能信息处理与应用学术会议专刊(第一册)．2011；

[3]张二虎卞正中基于最大熵和互信息最大化的特征点配准算法计算机研究与发展Vol.41,No.7,2004；

[4]李桂香，刘立高斯尺度参数自适应算法研究计算机工程与应用.Vol.46,No.14,2010。

发明内容

本发明的目的在于提供一种用于基于特征点的图像配准，与特征点检测方法配合使用以达到配准图像的目的的自适应门限的NCC配准方法。

本发明的目的是这样实现的：

(1)选取一个初始的NCC门限值对两幅图像中的特征点进行配准；

(2)利用配准的特征点对求得两幅图像间的仿射变换矩阵；

(3)将待配准图像利用求得的仿射变换矩阵做仿射变换；

(4)求出仿射变换后的待配准图像与基准图像间的互信息熵；

(5)利用加入了进退法与黄金分割法的powell寻优迭代算法，将互信息作为搜索准则进行NCC门限的自适应迭代；即选取一个适当步长，改变初始门限再次进行(1)—(4)步得到新的互信息熵值；

(6)如此类推，利用powell算法不断改变NCC门限值，进行迭代；

(7)迭代结束后，找到最大的互信息熵并且得到此时对应的NCC门限值；

(8)将得到的NCC门限值作为最终的门限值进行特征点对的配准。

本发明提供了一种自适应门限式的NCC配准方法，实现的思想如下概述：首先，考虑两幅图像存在的变换关系为仿射变换关系，这种关系是平面上的平移和旋转关系。如果两幅图像特征点对配得准且多那么仿射变换也做得好，这样经仿射变换后的第二幅图像与第一幅图像的位置偏差就要小（也就是两幅图像中相同部分就能重合得好）。如果两幅图像重合得越好，那么它们的相似性就会越大，作为二者相似性测度的互信息熵值也会越大。这样通过不断调整NCC门限，得到不同的匹配特征点对，进而得到不同的互信息值。当互信息值最大时相对应的NCC门限就是最佳门限。本发明是利用powell寻优算法，将互信息作为搜索准则进行对NCC门限的自适应迭代选取，实现对NCC门限的调整。

本发明的方法用于基于特征点的图像配准工作，与特征点检测算法配合使用，达到配准图像的目的。

附图说明

图1为本发明的流程图。

具体实施方式

下面结合附图举例对本发明做更详细地描述：

1，对已经检测好特征点的两幅待拼接图像进行NCC特征点对配准，计算配准的方法为：

$R(u,v)=\underset{i=1}{\overset{N1}{\mathrm{\Σ}}}\underset{j=1}{\overset{N2}{\mathrm{\Σ}}}(x_{i+u,j+v}*y_{i,j})/\{{\left[\underset{i=1}{\overset{N1}{\mathrm{\Σ}}}\underset{j=1}{\overset{N2}{\mathrm{\Σ}}}\left(x_{i+u,j+v}^2\right)\right]}^{1/2}*{\left[\underset{i=1}{\overset{N1}{\mathrm{\Σ}}}\underset{j=1}{\overset{N2}{\mathrm{\Σ}}}\left(y_{i,j}^2\right)\right]}^{1/2}\}$

其中，（u,v）为第一幅图像中要计算的那个点,N1*N2为邻域模板大小，x,y分别为第一幅图像和第二幅图像中的对应灰度值。这里得到的R越大表示越相似（R<1）,通常我们都规定一个门限值，当求得的R大于门限值就认为是可以匹配的点对。

2，得到配准的特征点对后，利用最小二乘法的原理来估算近似解，求得两幅图像间的仿射变换矩阵。

3，用仿射变换矩阵和待配准图像作积求得待配准图像经过仿射变换后的新待配准图像。

4，计算新待配准图像和基准图像之间的互信息熵值I，计算方法如下：

设图像A，B大小都为M*N，灰度级别为0-255。

(1).计算图像A、B的灰度概率分布函数P_AB(i,j)的方法如下几步完成：

i.定义一个256×256的矩阵H[i，j]，其中元素h(i，j)是对应于灰度对(i，j)的像素个数，这里先将h矩阵的所有元素初始化为0。

ii按照图像A,B相应的每个位置上的像素值进行遍历，累加计算h(i，j)的值(0<i，j<255)。

iii令P[i，j]=H[i，j]/(M*N),其中p(i，j)=h(i，j)/(M*N)。

(2).计算图像A和B的联合熵。

$H(A,B)=-\underset{i}{\mathrm{\&Sigma;}}\underset{j}{\mathrm{\&Sigma;}}p(i,j)*\log p(i,j)(0<i,j<255)$

(3).计算图像A和B的边缘熵。

p_A(i)＝h_A(i)/(M*N),p_B(j)＝h_B(j)/(M*N)

分别计算出H（A）和H（B）。

(4).计算图像A和B的互信息熵I(A，B)。I(A,B)=H(A)+H(B)-H(A,B)。

5，利用powell算法设定初始步长对NCC门限值进行改变，重新配准一遍特征点对，计算仿射变换并且计算两幅图像间的互信息熵值。

利用powell算法时需要进行一维搜索，每一轮搜索可由任意一点出发，而n个方向也可以是n维坐标轴的方向。现给出第K轮搜索：

$f_1=f\left(X_0^{\left(k\right)}\right),f_2=f\left(X_n^{\left(k\right)}\right)$

${\mathrm{\&Delta;}}_m^{\left(k\right)}=\underset{r=\mathrm{1,2},,,n}{\max }|f\left(X_{r+1}^{\left(k\right)}\right)-f\left(X_r^{\left(k\right)}\right)|$

其中：

代表第K轮搜索的起始点；

代表第K轮中第n次搜索的最小点； $X_{r+1}^{\left(k\right)}=2*X_r^{\left(k\right)}-X_0^{\left(k\right)}.$ 在第K轮中若满足：

$f_3=f\left(X_{n+1}^{\left(k\right)}\right),$ f₃<f₁且 $(f_1+f_3-2f_2)*{(f_1-f_2-{\mathrm{\&Delta;}}_m^{\left(k\right)})}^2<0.5*{\mathrm{\&Delta;}}_m^{\left(k\right)}*{(f_1-f_2)}^2$

则下一轮中选用新方向，做法是在第K+I轮搜索中用它替换其的相应方向，否则仍延续第K轮用到的方向组进行第K+l轮搜索。

这里每次计算的测度f就是每次得到的两幅图像的互信息值，而自变量x就是NCC门限,由于只有一个自变量所以这里就用一维Powell寻优算法，至于每次改变的方向这里可以理解为是每次改变的步长。初始时的方向（初始步长）不能是1（NCC门限不能超过1），在本例中将第一次迭代开始的NCC门限设为0.97，初始步长设为0.01，Powell算法的迭代精度设为0.1。

这里对一维搜索的方式做一些改进，提出一种先确定搜索区间再在搜索区间中逐渐缩小搜索范围的方法，实现原理如下：

首先，介绍仅利用函数本身来确定函数极小点的一个搜索区间[a,b]的进退法，其主要步骤为：

（1）给定初始点x0和步长h,h>0。

（2）计算f(x0)和f(x0+h)。

（3）比较f(x0)和f(x0+h)，有如下三种情况：

●若f(x0)=f(x0+h),则[x0,x0+h]为搜索区间；

●若f(x0)<f(x0+h),则说明x（极大点）在x0的左边，置x0=x0+h,h=-h，转到第（4）步；

●若f(x0)＞f(x0+h),则说明x（极大点）在x0的右边，转到第（4）步。

（4）计算f[x0+(2^k-1)*h](k=1,2,…)，直到某一个m，使得

f[x0+(2^m-1-1)h]<=f[x0+(2^m-1)h]>=f[x0+(2^m+1-1)h]成立。

令x1=x0+(2^m+1-1)h，x2=x0+(2^m-1-1)h。

（5）令a=min{x1，x2}，b=max{x1,x2}，则区间[a,b]为单谷函数f(x)的极小点的一个搜索区间。

在如上所述的搜索区间[a,b]内缩小搜索范围最快的方法是黄金分割法，下面介绍下黄金分割法的主要步骤：

（1）给定初始点x0、步长h和收敛精度e。

（2）用进退法确定函数f(x)的极小点的一个搜索区间[a,b]。

（3）计算：x1=b-k(b-a)和x2=a+k(b-a)，其中k=0.618。

（4）比较f(x1)和f(x2)。

（5）若f(x1)＞=f(x2)，置b=x2，x2=x1，求新搜索区间的插入点x1=b-k(b-a)，转到步骤

（6）；若f(x1)<f(x2)，置a=x1,x1=x2，求新搜索区间的插入点x2=a+k(b-a)。

（6）若b-a<e，则置x=(a+b)/2，转到步骤（7）；否则，转到步骤（4）。

（7）输出求得的x和f(x)，停止程序执行，算法结束。

本发明中黄金分割法的迭代精度设定为e=0.01。

6，如此类推，利用powell算法不断改变NCC门限值，进行迭代。

7，迭代结束，找到最终的互信息值和NCC门限值。

8，将这个最终确定的门限值作为NCC配准算法准则的门限值进行图像特征点配准计算。

把初始门限值设定的低一点，有利于检测出更多的特征点对；把powell初始迭代步长设大一点，这样可以加快搜索速度；将Powell算法的迭代精度和黄金分割法的迭代精度设置得小一点，这样可以使迭代更精准。

Claims (3)

1.一种自适应门限的NCC配准方法，其特征是：

(1)选取一个初始的NCC门限值对两幅图像中的特征点进行配准；

(2)利用配准的特征点对求得两幅图像间的仿射变换矩阵；

(3)将待配准图像利用求得的仿射变换矩阵做仿射变换；

(4)求出仿射变换后的待配准图像与基准图像间的互信息熵；

(5)利用加入了进退法与黄金分割法的powell寻优迭代算法，将互信息作为搜索准则进行NCC门限的自适应迭代；即选取一个适当步长，改变初始门限再次进行(1)—(4)步得到新的互信息熵值；

(6)利用powell算法不断改变NCC门限值，进行迭代；

(7)迭代结束后，找到最大的互信息熵并且得到此时对应的NCC门限值；

(8)将得到的NCC门限值作为最终的门限值进行特征点对的配准。

2.根据权利要求1所述的自适应门限的NCC配准方法，其特征是所述进退法的主要步骤为：

1)给定初始点x0和步长h,h>0；

2)计算f(x0)和f(x0+h)；

3)比较f(x0)和f(x0+h)，有如下三种情况：

●若f(x0)=f(x0+h),则[x0,x0+h]为搜索区间；

●若f(x0)<f(x0+h),则说明x即极大点在x0的左边，置x0=x0+h,h=-h，转到第4）步；

●若f(x0)＞f(x0+h),则说明x即极大点在x0的右边，转到第4）步；

4)计算f[x0+(2^k-1)*h]，k=1,2,…，直到某一个m，使得

f[x0+(2^m-1-1)h]<=f[x0+(2^m-1)h]>=f[x0+(2^m+1-1)h]成立；

令x1=x0+(2^m+1-1)h，x2=x0+(2^m-1-1)h；

5)令a=min{x1，x2}，b=max{x1,x2}，则区间[a,b]为单谷函数f(x)的极小点的一个搜索区间。

3.根据权利要求1或2所述的自适应门限的NCC配准方法，其特征是所述黄金分割法的主要步骤为：

1）给定初始点x0、步长h和收敛精度e；

2）用进退法确定函数f(x)的极小点的一个搜索区间[a,b]；

3）计算：x1=b-k(b-a)和x2=a+k(b-a)，其中k=0.618；

4）比较f(x1)和f(x2)；

5）若f(x1)＞=f(x2)，置b=x2，x2=x1，求新搜索区间的插入点x1=b-k(b-a)，转到步骤6）；若f(x1)<f(x2)，置a=x1,x1=x2，求新搜索区间的插入点x2=a+k(b-a)；

6）若b-a<e，则置x=(a+b)/2，转到步骤7）；否则，转到步骤4）；

7）输出求得的x和f(x)，停止程序执行，结束。

Images