CN103530872B - 一种基于角度约束的误匹配删除方法 - Google Patents
一种基于角度约束的误匹配删除方法 Download PDFInfo
- Publication number
- CN103530872B CN103530872B CN201310429646.7A CN201310429646A CN103530872B CN 103530872 B CN103530872 B CN 103530872B CN 201310429646 A CN201310429646 A CN 201310429646A CN 103530872 B CN103530872 B CN 103530872B
- Authority
- CN
- China
- Prior art keywords
- group
- double points
- matching double
- thresh
- error hiding
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Abstract
本发明提供一种基于角度约束的误匹配删除方法,具体过程为:步骤一、针对n个匹配点对,求解每一匹配点对坐标角度的tan值;步骤二、按tan值从小到大或从大到小,对n个匹配点对进行排序;步骤三、依次比较第i个匹配点对的tan值和第i+1个匹配点对的tan值,若两者之差在thresh以内,则归为一组,一共得到m个组,其中i=1,2,…n-1,thresh为预先设定的门限值;步骤四、在m组中找到组内成员个数最多的组k,删除组k以外的匹配点对。本发明相比RANSAC算法和马氏距离算法,其没有矩阵逆、矩阵乘等复杂的、占用内存高的运算,提高了配准的准确性和实时性。
Description
技术领域
本发明属于图像配准技术领域,具体涉及一种基于角度约束的误匹配删除方法。
背景技术
图像配准的应用非常广泛,如模式识别、自动导航、医学诊断、计算机视觉等领域。目前在图像的配准方面已开展了许多研究工作,提出了多种图像配准方法。
常见的配准方法分为两大类:基于特征的配准方法,如Harris角点法、SIFT法等;基于区域的配准方法,如互信息,FMT等。其中基于区域的配准方法不需要提取特征,适用于灰度信息大于结构信息的情况;且要求两幅图像的灰度函数必须相似或至少统计相关,仅能处理平移和小角度旋转的情况,适用范围较窄。而基于特征的配准方法可以配准两幅自然属性完全不同的图像,并适应两幅图像间复杂的几何和光学畸变,是近年来研究的热点。
基于特征点的配准方法,其步骤主要包括特征点提取、不变特征描述、相似性度量、特征匹配、计算变换矩阵等,见附图1。进行特征匹配时,首先根据一定的方法,如Harris、fast、brief等提取特征点;接着对提取的特征点进行描述;然后根据相似性度量准则初步建立特征点的对应关系,但这种对应关系不是完备的,其中很可能存在误匹配,必须删除误匹配从而得到正确的匹配点对;然后根据正确的匹配点对计算得到变换矩阵,最后待配准图像通过坐标变换与插值得到配准后的图像。需要强调的是,在特征点匹配所建立的初步匹配点对中可能存在误匹配特征点对,这些误匹配的点对的存在极大地影响配准仿射变换矩阵的求取,使配准结果出现偏差甚至导致失配,因此必须删除这些误匹配点对。
目前删除误匹配的方法有:①“RANSAC算法(RANdomSAmPI/Cnoesnsus,即随机抽样一致性算法),它是根据一组包含异常数据的样本数据集,计算出数据的数学模型参数,得到有效样本数据的算法。RANSAC算法的基本假设是样本中包含正确数据(inliers,可以被模型描述的数据),也包含异常数据(Outliers,偏离正常范围很远、无法适应数学模型的数据),即数据集中含有噪声。这些异常数据可能是由于错误的测量、错误的假设、错误的计算等产生的。同时RANSAC也假设,给定一组正确的数据,存在可以计算出符合这些数据的模型参数的方法。在特征点配对中,模型即为从一个平面上的特征点到另外一平面上的特征点的变换关系,反应为变换矩阵H。H是一个包含6个自由度的2×3矩阵,它最少可以由两平面中的3对匹配点计算出,但同一平面上的3个点必须不共面。但值得注意的是,过大的外点比例将导致RANSAC算法失败,且此算法较为复杂。②马氏距离删除误匹配算法。利用马氏距离的仿射不变性进行不变特征相似性度量。马氏距离是印度统计学家Mahalanobis提出来的。对于由n个点构成的样本空间X1={(x11,y11,)t,…,(x1n,…y1n)t},(t表示转置),其中任意一样本点X1i=(x1i,y1i)t到另一个样本空间X2={(x21,y21)t,…,(x2n,y2n)t中任一样本点X2j=(x2j,y2j)t的马氏距离为:
其中C表示协方差矩阵;C-1表示C的逆矩阵。假定X1i=(x1i,y1i)t和X2j=(x2j,y2j)t分别为待配准子图和参考子图间的一组特征点对,根据公式(1)计算出X1和X2对应的马氏距离,当dM大于一个阈值dMth时,认为这两个角点是误匹配的。但此方法需要大量的求逆运算和大量的矩阵乘、开方运算,导致算法复杂度高,实时性下降。
发明内容
有鉴于此,本发明针对平移和小角度旋转变换的图像,提出一种基于角度约束的误匹配删除方法,旨在又快又好地删除误匹配。
为了解决上述技术问题,本发明是这样实现的:
一种基于角度约束的误匹配删除方法,具体过程为:
步骤一、针对n个匹配点对,求解每一匹配点对坐标角度的tan值;
步骤二、按tan值从小到大或从大到小,对n个匹配点对进行排序;
步骤三、依次比较第i个匹配点对的tan值和第i+1个匹配点对的tan值,若两者之差在thresh以内,则归为一组,一共得到m个组,其中i=1,2,…n-1,thresh为预先设定的门限值;
步骤四、在m组中找到组内成员个数最多的组k,删除组k以外的匹配点对。
进一步地,在步骤四找到组k后,继续对组k内的成员个数进行判断,当组k内的成员个数小于3时,则增大预先设定的门限值thresh,并返回步骤三。
有益效果:
首先,用于不变特征描述的特征描述向量越完善,特征点对匹配正确的可能性越高,但总有误匹配存在;对于图像间存在的平移变换和小角度变换(小于5°),所有正确匹配点对其连接线角度相近(即tan值相近,理想的情况下连接线角度相等,连接线是平行的),而错误匹配点对其连接线角度则是随机的;本发明正是基于该原理删除错误的匹配点对的。
其次,由于图像几何畸变一般是由传感器位置的改变引起的,所以大部分的畸变模式是平移和小角度旋转,而本发明适用于平移变换和小角度变换的情况,其删除误匹配点对的速度快,且效果好。
附图说明
图1为基于特征的配准流程图。
图2为基于角度约束的误匹配删除方法流程图。
具体实施方式
下面结合附图2并举实施例,对本发明进行详细描述。
本发明适用基于特征点的配准方法,用于在提取了特征点,进行特征点不变特征描述,确定了相似性度量准则,并建立了初步的匹配点对之后,针对可能存在的误匹配特征点对,删除错误的匹配点对,避免配准结果出现偏差,提高特征点配准率的一种方法。此方法提高了对应特征点检测的准确性,更快更准估计出变换矩阵,最终提高了配准的精度和实时性。
如图2所示,本发明基于角度约束的误匹配删除方法,包括如下4个步骤:(1)求每对匹配点对坐标角度的tan值;(2)按tan值从小到大或从大到小排序;(3)对匹配点对分组,得到m个组;(4)在m个组中,找到组内成员个数最多的组k,删除k组以外的所有匹配点对,从而达到误匹配删除的目的。本发明根据4个步骤的特点,提高配准的精度,而且可以提高配准的速度。
以下对本发明误匹配删除方法的4个步骤进行详细说明:
首先假设图像间畸变模型为仿射变换,其数学表示如下:
式(1)中,s为尺度因子,此处s=1,θ为旋转角,tx为x方向平移量,ty为y方向平移量。
(1)求每对匹配点对坐标角度的tan值;
假设待配准图像和参考图像之间有n对匹配点对,其中参考图像上的特征点为(x11,y11),(x12,y12)…(x1n,y1n),待配准图像上对应的特征点为(x21,y21),(x22,y22)…(x2n,y2n),即点(x11,y11)与点(x21,y21)组成匹配点对,点(x12,y12)与点(x22,y22)组成匹配点对,依次类推;则每个匹配点对的tan值为:其中j=1,2……n。因为正切函数tan是增函数,因此tan值的大小直接反映了角度的大小。
(2)按tan值从小到大或从大到小,对n个匹配点对进行排序;
(3)匹配点对分组,得到m个组;
依次比较第i(i=1,2,…n-1)个匹配点对的tan值和第i+1个匹配点对的tan值,若两者之差在thresh以内,则归为一组,一共得到m个组。Thresh为设定的门限,在提取正确匹配点个数比较多的情况下,Thresh可设置为较小的值。
(4)在m个组中,找到组内成员个数最多的组k(k≤m),删除组k以外的匹配点对;将组内成员个数最多的组k所包含匹配点对视为正确的匹配点对,若其成员个数大于等于3,剔除k组以外的所有匹配点,方法结束;若其成员个数小于3,则增大门限thresh,返回步骤(3)。
本发明thresh为预先设定的门限,因此其值的大小可以调整,在提取正确匹配点对个数比较多的情况下,门限thresh可以设置较小,如设为0.02,在提取正确匹配点对个数较少的情况下,门限thresh可以设置较大。可见,本发明通过求取所有配准点对之间角度的tan值,利用的正确的配准点对连接线平行这一几何关系,对连接角度进行约束,删除角度随机的匹配点对,从而保留正确的匹配点对,相比RANSAC算法和马氏距离法,并且本方法简单,没有矩阵逆、矩阵乘等复杂的、占用内存高的运算,提高了配准的准确性和实时性。
综上所述,以上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。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于角度约束的误匹配删除方法,其特征在于,具体过程为:
步骤一、假设待配准图像和参考图像之间有n个匹配点对,针对这n个匹配点对,求解每一匹配点对的斜率;
步骤二、按斜率从小到大或从大到小,对n个匹配点对进行排序;
步骤三、依次比较第i个匹配点对的斜率和第i+1个匹配点对的斜率,若两者之差在thresh以内,则归为一组,一共得到m个组,其中i=1,2,…n-1,thresh为预先设定的门限值;
步骤四、在m组中找到组内成员个数最多的组k,删除组k以外的匹配点对。
2.根据权利要求1所述基于角度约束的误匹配删除方法,其特征在于,在步骤四找到组k后,继续对组k内的成员个数进行判断,当组k中的成员个数小于3时,则增大预先设定的门限值thresh,并返回步骤三。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310429646.7A CN103530872B (zh) | 2013-09-18 | 2013-09-18 | 一种基于角度约束的误匹配删除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310429646.7A CN103530872B (zh) | 2013-09-18 | 2013-09-18 | 一种基于角度约束的误匹配删除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103530872A CN103530872A (zh) | 2014-01-22 |
CN103530872B true CN103530872B (zh) | 2016-03-30 |
Family
ID=49932851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310429646.7A Expired - Fee Related CN103530872B (zh) | 2013-09-18 | 2013-09-18 | 一种基于角度约束的误匹配删除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103530872B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105551058B (zh) * | 2016-02-02 | 2018-04-03 | 天津大学 | 一种结合surf特征提取和曲线拟合的柱面图像匹配方法 |
CN106236264B (zh) * | 2016-08-24 | 2020-05-08 | 李国新 | 基于光学跟踪和图像匹配的胃肠手术导航方法及系统 |
CN106236263A (zh) * | 2016-08-24 | 2016-12-21 | 李国新 | 基于场景分解的胃肠手术导航方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329727A (zh) * | 2008-06-27 | 2008-12-24 | 哈尔滨工业大学 | 点线结合的指纹识别方法 |
CN102903085A (zh) * | 2012-09-25 | 2013-01-30 | 福州大学 | 基于角点匹配的快速图像拼接方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6868172B2 (en) * | 2001-10-03 | 2005-03-15 | Eastman Kodak Company | Method for registering images in a radiography application |
-
2013
- 2013-09-18 CN CN201310429646.7A patent/CN103530872B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101329727A (zh) * | 2008-06-27 | 2008-12-24 | 哈尔滨工业大学 | 点线结合的指纹识别方法 |
CN102903085A (zh) * | 2012-09-25 | 2013-01-30 | 福州大学 | 基于角点匹配的快速图像拼接方法 |
Non-Patent Citations (3)
Title |
---|
Exploiting the scanning sequence for automatic registration of large sets of range maps;Paolo Pingi et al.;《Computer Graphics Forum》;20050930;第24卷(第3期);第517-526页 * |
基于广义特征点匹配的全自动图像配准;王东峰 等;《电子与信息学报》;20050731;第27卷(第7期);第1013-1016页 * |
基于点对匹配的印刷电路板CT图像配准方法;管士勇 等;《计算机辅助设计与图形学学报》;20130131;第25卷(第1期);第42-48页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103530872A (zh) | 2014-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Qi et al. | Deep hough voting for 3d object detection in point clouds | |
Wu et al. | Parn: Position-aware relation networks for few-shot learning | |
Tyszkiewicz et al. | DISK: Learning local features with policy gradient | |
Arrigoni et al. | Robust synchronization in SO (3) and SE (3) via low-rank and sparse matrix decomposition | |
WO2020177432A1 (zh) | 基于目标检测网络的多标签物体检测方法、系统、装置 | |
Frahm et al. | RANSAC for (quasi-) degenerate data (QDEGSAC) | |
CN111028277A (zh) | 基于伪孪生卷积神经网络的sar和光学遥感图像配准方法 | |
Poursaeed et al. | Deep fundamental matrix estimation without correspondences | |
CN102722731A (zh) | 一种基于改进sift算法的高效图像匹配方法 | |
Chakraborty et al. | Recursive frechet mean computation on the grassmannian and its applications to computer vision | |
Zhang et al. | ReYOLO: A traffic sign detector based on network reparameterization and features adaptive weighting | |
Nehashree | Simulation and Performance Analysis of Feature Extraction and Matching Algorithms for Image Processing Applications | |
CN103530872B (zh) | 一种基于角度约束的误匹配删除方法 | |
Fu et al. | Learning to reduce scale differences for large-scale invariant image matching | |
US20220222852A1 (en) | Methods and systems for generating end-to-end model to estimate 3-dimensional(3-d) pose of object | |
CN109829459B (zh) | 基于改进ransac的视觉定位方法 | |
CN111199558A (zh) | 一种基于深度学习的图像匹配方法 | |
CN103714544A (zh) | 一种基于sift特征点匹配的优化方法 | |
CN106651756B (zh) | 一种基于sift和验证机制的图像配准方法 | |
JP2008224641A (ja) | カメラ姿勢推定システム | |
Zhou et al. | Discarding wide baseline mismatches with global and local transformation consistency | |
Huang et al. | Improving keypoint matching using a landmark-based image representation | |
CN112633078B (zh) | 目标跟踪自校正方法、系统、介质、设备、终端及应用 | |
Cui et al. | Dense fingerprint registration via displacement regression network | |
da Silva et al. | The normalized subspace inclusion: Robust clustering of motion subspaces |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20160330 Termination date: 20160918 |