CN103544710A - 一种图像配准方法 - Google Patents

一种图像配准方法 Download PDF

Info

Publication number
CN103544710A
CN103544710A CN201310550092.6A CN201310550092A CN103544710A CN 103544710 A CN103544710 A CN 103544710A CN 201310550092 A CN201310550092 A CN 201310550092A CN 103544710 A CN103544710 A CN 103544710A
Authority
CN
China
Prior art keywords
image
registration
carry out
value
translation
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.)
Pending
Application number
CN201310550092.6A
Other languages
English (en)
Inventor
李相国
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Henan University of Technology
Original Assignee
Henan University of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Henan University of Technology filed Critical Henan University of Technology
Priority to CN201310550092.6A priority Critical patent/CN103544710A/zh
Publication of CN103544710A publication Critical patent/CN103544710A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

一种图像配准方法。针对梯度法配准在具有高精度亚像素结果优点的同时不能适应大角度情形的缺点，以及相位相关法在具有较强抗噪声性优点的同时在亚像素精度方面相对欠缺的问题，本发明提供了一种结合相位相关法与梯度法的图像配准方法。本发明针对旋转-平移模型，梯度法使用Keren算法，且不需要使用复杂的金字塔处理。本方法首先使用相位相关法进行粗估计，然后对目标图像进行逆补偿，之后使用Keren算法进行精细估计，最后使用合成公式进行两步结果合成。本方明可以在大角度情形下获得高精度亚像素配准结果，并具有较好的计算效率及处理速度。

Description

一种图像配准方法
技术领域
本发明涉及一种图像配准（image registration）方法。
背景技术
  图像配准是把两幅或多幅同一目标的不同图像对齐到一个坐标系的过程，其中，不同的图像可能从不同时间、不同角度或不同相机拍摄得到。图像配准是图像处理研究与应用中的一个重要方向，它是许多图像应用的基础，比如，超分辨率图像重构（super-resolution image reconstruction）、图像拼接（image mosaicing）及图像融合（image fusion）。在众多性能指标中，配准精度（accuracy）是最为重要的，而且，亚像素（sub-pixel）精度是许多应用的基本要求，或可以明显提高图像处理应用的性能。一般可以把图像配准方法分为两大类：基于区域（area-based）的图像配准方法与基于特征（feature-based）的图像配准方法。其中，基于区域的图像配准直接对图像灰度值进行处理，而基于特征的图像配准则从图像中提取出一些特征点然后进行匹配。
在基于区域的图像配准方法中，基于梯度（gradient-based）的配准方法和相位相关（phase correlation）法是两种典型的配准方法，它们分别在时（空）域及频域中实现。而且，前者的最显著优点是可以提供高精度的亚像素结果，但其缺点是不能估计大旋转角度情形；后者的最大优点是对噪声具有强的鲁棒性，但在亚像素精度方面存在一定程度的缺陷。
  针对上述问题，本发明提出一种结合相位相关法与基于梯度法的配准方法，它可以结合两者的优点而避开各自的缺点，即可以在大角度情形下获得高精度的亚像素配准结果。
  参考文献：
  B. Zitova and J. Flusser, "Image registration methods: A survey," Image and Vision Computing, Vol.21, No.11, pp.977-1000 (2003).
  B.D. Lucas and T. Kanade, "An iterative image registration technique with an application to stereo vision," in Imaging Understanding Workshop, pp.121-130 (1981).
D. Keren, S. Peleg, and R. Brada, "Image sequence enhancement using sub-pixel displacement," in CVPR'88, pp.742-746 (1988).
  C.D. Kuglin and D.C. Hines, "The phase correlation image alignment method," in IEEE International Conference on Cybernetics and Society, pp.163-165 (1975).
  B.S. Reddy and B.N. Chatterji, "An FFT-based technique for translation, rotation, and scale-invariant image registration," IEEE Transactions on Image Processing, Vol.5, No.8, pp.1266-1271 (1996).
发明内容
  本发明提供一种结合相位相关法与基于梯度法的图像配准方法，由于该方法结合了两种方法的优点而避开了各自的缺点，因而可以在获得大角度配准的同时保持高精度亚像素结果。该配准方法基于旋转-平移（rotation-translation：RT）模型，即包括三个参数：水平方向平移                                                
Figure 2013105500926100002DEST_PATH_IMAGE001
、垂直方向平移
Figure 2013105500926100002DEST_PATH_IMAGE002
及旋转角度；因此，具体来讲，本发明中的相位相关法使用基于傅里叶-梅林（Fourier-Mellin）变换的相位相关法，而基于梯度法为Keren方法（见D. Keren, S. Peleg, and R. Brada, "Image sequence enhancement using sub-pixel displacement," in CVPR'88, pp.742-746）。
  假定对两幅相同大小的图像
Figure 2013105500926100002DEST_PATH_IMAGE004
与
Figure 2013105500926100002DEST_PATH_IMAGE005
进行配准，且假定
Figure 749951DEST_PATH_IMAGE004
为参考图像，
Figure 604774DEST_PATH_IMAGE005
为目标图像，它们可表示为
Figure 2013105500926100002DEST_PATH_IMAGE006
。
  本方法共由如下四个步骤组成：
步骤1）使用基于傅里叶-梅林（Fourier-Mellin）变换的相位相关法进行第一步粗配准，它由如下步骤组成：（1）对两幅图像分别进行加窗处理，以消除快速傅里叶变换（FFT）计算时的边界效应；（2）使用FFT计算两幅图像
Figure 384511DEST_PATH_IMAGE004
与的频谱，假设分别为
Figure 2013105500926100002DEST_PATH_IMAGE007
和，并得到两者的幅度谱
Figure 2013105500926100002DEST_PATH_IMAGE009
和
Figure 2013105500926100002DEST_PATH_IMAGE010
；（3）对
Figure 718727DEST_PATH_IMAGE009
和进行正交坐标-极坐标转换，得到
Figure 2013105500926100002DEST_PATH_IMAGE011
和；（4）对
Figure 998103DEST_PATH_IMAGE011
和
Figure 134686DEST_PATH_IMAGE012
应用相位相关法，得到角度的粗估计
Figure 2013105500926100002DEST_PATH_IMAGE013
；（5）分别使用
Figure 796929DEST_PATH_IMAGE013
和对
Figure 738209DEST_PATH_IMAGE005
进行角度补偿得到两幅图像
Figure 2013105500926100002DEST_PATH_IMAGE015
和
Figure 2013105500926100002DEST_PATH_IMAGE016
，然后分别使用相位相关法计算它们与的相位相关，峰值大者对应正确角度值，即假如
Figure 936289DEST_PATH_IMAGE016
和
Figure 553084DEST_PATH_IMAGE004
的相位相关峰值大于和
Figure 69833DEST_PATH_IMAGE004
的相位相关峰值，则为正确角度估计值，并用给
Figure 715075DEST_PATH_IMAGE013
重新赋值，并求得对应的平移估计值
Figure 2013105500926100002DEST_PATH_IMAGE017
和
Figure 2013105500926100002DEST_PATH_IMAGE018
。
  步骤2）对
Figure 980840DEST_PATH_IMAGE005
进行逆补偿：首先使用步骤1）的正确角度估计值进行角度补偿，然后再使用步骤1）的
Figure 478817DEST_PATH_IMAGE017
和
Figure 188147DEST_PATH_IMAGE018
进行平移补偿，假设得到图像
Figure 2013105500926100002DEST_PATH_IMAGE019
。
  步骤3）对
Figure 138786DEST_PATH_IMAGE004
与
Figure 21291DEST_PATH_IMAGE019
使用Keren方法进行第二步精细估计（Keren方法详细介绍见“具体实施方式”部分），此处Keren方法不使用复杂的金字塔处理，假设估计结果分别为
Figure 2013105500926100002DEST_PATH_IMAGE020
、
Figure 2013105500926100002DEST_PATH_IMAGE021
和
Figure 2013105500926100002DEST_PATH_IMAGE022
。
  步骤4）结果合成：假定
Figure 489620DEST_PATH_IMAGE001
、及
Figure 870103DEST_PATH_IMAGE003
的最终估计结果分别为
Figure 2013105500926100002DEST_PATH_IMAGE023
、
Figure 2013105500926100002DEST_PATH_IMAGE024
及
Figure 2013105500926100002DEST_PATH_IMAGE025
，则使用求得
Figure 415354DEST_PATH_IMAGE025
；假定使用向量形式表示平移参数：，
Figure 2013105500926100002DEST_PATH_IMAGE028
及
Figure 2013105500926100002DEST_PATH_IMAGE029
，其中的
Figure 2013105500926100002DEST_PATH_IMAGE030
为矩阵转置操作，则使用
Figure 2013105500926100002DEST_PATH_IMAGE031
求得，其中
Figure 2013105500926100002DEST_PATH_IMAGE032
为逆时针旋转矩阵。
附图说明
  图1是图像配准示意图，其中（11）为参考图像，（12）为目标图像，（13）表示配准过程，（14）为（11）和（12）配准后叠加示意图。
  图2是本专利配准方法流程图，其中，（21）表示读入待配准图像数据，（22）表示对图像数据进行预处理，（23）表示第一步图像配准，（24）表示对目标图像进行逆补偿，（25）表示第二步图像配准，（26）表示两步结果的最后合成。
  图3是相位相关法的流程图，其中，（30）为读入待配准数据
Figure 126006DEST_PATH_IMAGE004
与
Figure 238188DEST_PATH_IMAGE005
，（31）为对读入的数据进行加窗预处理，（32）对
Figure 462496DEST_PATH_IMAGE004
与
Figure 523993DEST_PATH_IMAGE005
计算频谱得到
Figure 808344DEST_PATH_IMAGE007
和
Figure 158553DEST_PATH_IMAGE008
，（33）为从频谱中得到幅度谱
Figure 186552DEST_PATH_IMAGE009
和
Figure 368135DEST_PATH_IMAGE010
，（34）把正交坐标系的幅度谱
Figure 747688DEST_PATH_IMAGE009
和转换为极坐标系
Figure 213622DEST_PATH_IMAGE011
和
Figure 452973DEST_PATH_IMAGE012
，（35）对
Figure 813547DEST_PATH_IMAGE011
和
Figure 200666DEST_PATH_IMAGE012
应用相位相关得到角度
Figure 757418DEST_PATH_IMAGE003
的估计
Figure 648014DEST_PATH_IMAGE013
，（361）使用
Figure 445069DEST_PATH_IMAGE013
对进行角度补偿得到，（362）使用
Figure 175761DEST_PATH_IMAGE014
对进行角度补偿得到
Figure 426800DEST_PATH_IMAGE016
，（371）对
Figure 138404DEST_PATH_IMAGE004
与计算相位相关，（372）对
Figure 80132DEST_PATH_IMAGE004
与
Figure 663560DEST_PATH_IMAGE016
计算相位相关，（38）比较（371）与（372）的相关峰值，（39）根据（38）的值，得到的正确估计
Figure 85500DEST_PATH_IMAGE013
，并求得对应的平移估计值
Figure 395259DEST_PATH_IMAGE017
和
Figure 465983DEST_PATH_IMAGE018
。
  图4是Keren配准方法流程图，其中，（40）为读入待配准数据
Figure 519390DEST_PATH_IMAGE004
与
Figure 2013105500926100002DEST_PATH_IMAGE033
，（41）对读入的数据进行低通预处理，（42）计算
Figure 296853DEST_PATH_IMAGE004
的梯度与，以及
Figure 2013105500926100002DEST_PATH_IMAGE036
，（43）计算所示的系数矩阵
Figure 2013105500926100002DEST_PATH_IMAGE037
及右边向量
Figure 2013105500926100002DEST_PATH_IMAGE038
，计算出初始估计值
Figure 2013105500926100002DEST_PATH_IMAGE039
，且
Figure 2013105500926100002DEST_PATH_IMAGE040
与
Figure 2013105500926100002DEST_PATH_IMAGE041
初始值等于
Figure 2013105500926100002DEST_PATH_IMAGE042
，（44）对
Figure 2013105500926100002DEST_PATH_IMAGE043
或迭代次数进行判断，若为“是”则结束，否则执行（45），（45）对
Figure 29710DEST_PATH_IMAGE033
进行逆补偿得到
Figure 2013105500926100002DEST_PATH_IMAGE045
，（46）对
Figure 322151DEST_PATH_IMAGE004
与
Figure 366199DEST_PATH_IMAGE045
进行估计，系数矩阵保持不变，更新并求得
Figure 2013105500926100002DEST_PATH_IMAGE047
，并更新
Figure 2013105500926100002DEST_PATH_IMAGE048
，然后转入（44）进行下一次终止判断。
  图5是对一组4幅低分辨率图像进行配准后进行超分辨率重构处理结果，其中，（5.1）为其中一幅低分辨率图像的局部放大图，（5.2）为本方法配准后的超分辨率重构结果的局部放大图，（5.3）为Vandewalle方法（见P. Vandewalle, S. Süsstrunk, and M. Vetterli, "A frequency domain approach to registration of aliased images with application to super-resolution," EURASIP Journal on Applied Signal Processing, Vol.2006, pp.1-14）配准后的超分辨率重构结果的局部放大图，（5.4）为Keren方法（见D. Keren, S. Peleg, and R. Brada, "Image sequence enhancement using sub-pixel displacement," in CVPR'88, pp.742-746）配准后的超分辨率重构结果的局部放大图。
  图6是对另一组4幅低分辨率图像进行配准后进行超分辨率重构处理结果，其中，（6.1）为其中一幅低分辨率图像的局部放大图，（6.2）为本方法配准后的超分辨率重构结果的局部放大图，（6.3）为Vandewalle方法（见P. Vandewalle, S. Süsstrunk, and M. Vetterli, "A frequency domain approach to registration of aliased images with application to super-resolution," EURASIP Journal on Applied Signal Processing, Vol.2006, pp.1-14）配准后的超分辨率重构结果的局部放大图，（6.4）为Keren方法（见D. Keren, S. Peleg, and R. Brada, "Image sequence enhancement using sub-pixel displacement," in CVPR'88, pp.742-746）配准后的超分辨率重构结果的局部放大图。
具体实施方式
  下面结合附图对本发明进行详细说明。
  本发明提供一种结合相位相关法与基于梯度法的图像配准方法，属于一种由粗到精的“两步法”。如前所述，该配准方法的假定模型是旋转-平移（rotation-translation：RT）模型，即包括三个参数：水平方向平移
Figure 649730DEST_PATH_IMAGE001
、垂直方向平移
Figure 881997DEST_PATH_IMAGE002
及旋转角度
Figure 277207DEST_PATH_IMAGE003
，且假定参考图像
Figure 826000DEST_PATH_IMAGE004
与目标图像
Figure 914041DEST_PATH_IMAGE005
之间的关系为
Figure 118758DEST_PATH_IMAGE006
，配准的目的即估计出
Figure 317658DEST_PATH_IMAGE001
、
Figure 720957DEST_PATH_IMAGE002
及的值。为方便下面部分内容的描述，给出向量形式，
Figure 2013105500926100002DEST_PATH_IMAGE049
，
Figure 2013105500926100002DEST_PATH_IMAGE050
，以及
Figure 2013105500926100002DEST_PATH_IMAGE051
为逆时针旋转矩阵，则
Figure 2013105500926100002DEST_PATH_IMAGE052
与
Figure 2013105500926100002DEST_PATH_IMAGE053
的关系表示为。
  本方法共由如下四个步骤组成：
步骤1）主要是使用基于傅里叶-梅林（Fourier-Mellin）变换的相位相关法进行第一步配准，以获得大范围的像素级配准结果，即粗配准。它由如下步骤组成：在读入数据后（30），对两幅图像分别进行加窗预处理（31），目的是以消除快速傅里叶变换（FFT）计算时假定的周期性而引起的边界效应，具体来说，选用图基（Tukey）窗函数，并选用参数
Figure 2013105500926100002DEST_PATH_IMAGE055
=0.25；并进行边界补零措施，以减小旋转补偿时引起的边界数据丢失；使用FFT计算两幅图像
Figure 986427DEST_PATH_IMAGE004
与
Figure 910390DEST_PATH_IMAGE005
的频谱
Figure 433775DEST_PATH_IMAGE007
和
Figure 863619DEST_PATH_IMAGE008
（32），并得到两者的幅度谱
Figure 839665DEST_PATH_IMAGE009
和
Figure 318051DEST_PATH_IMAGE010
（33）；对
Figure 961522DEST_PATH_IMAGE009
和
Figure 296689DEST_PATH_IMAGE010
进行正交坐标-极坐标转换，得到
Figure 212561DEST_PATH_IMAGE011
和
Figure 291375DEST_PATH_IMAGE012
（34），根据与关系及傅里叶变换性质，可以表示为
Figure 2013105500926100002DEST_PATH_IMAGE056
，因此，
Figure 449321DEST_PATH_IMAGE011
和
Figure 533426DEST_PATH_IMAGE012
之间是简单的平移关系；所以，对和应用相位相关法，可以得到角度
Figure 266393DEST_PATH_IMAGE003
的粗估计
Figure 624693DEST_PATH_IMAGE013
（35）；由于实信号幅度谱的对称性，在
Figure 97262DEST_PATH_IMAGE011
和中存在模糊性问题，为解决这个问题，分别使用
Figure 57314DEST_PATH_IMAGE013
和
Figure 281622DEST_PATH_IMAGE014
对
Figure 546381DEST_PATH_IMAGE005
进行角度补偿，假定得到两幅图像
Figure 830732DEST_PATH_IMAGE015
（361）和（362），然后分别使用相位相关法计算与
Figure 374212DEST_PATH_IMAGE015
（371）和
Figure 829464DEST_PATH_IMAGE016
（372）的相位相关，并比较两者的峰值系数大小（38），峰值大者对应正确角度值，并求得对应的平移估计值
Figure 729287DEST_PATH_IMAGE017
和
Figure 233080DEST_PATH_IMAGE018
（39）。
  步骤2）对
Figure 269170DEST_PATH_IMAGE005
进行逆补偿：首先使用步骤1）的正确角度估计值进行角度补偿，然后再使用步骤1）的
Figure 895323DEST_PATH_IMAGE017
和
Figure 469393DEST_PATH_IMAGE018
进行平移补偿，假设得到图像
Figure 573615DEST_PATH_IMAGE019
及向量表示
Figure 2013105500926100002DEST_PATH_IMAGE058
，可知
Figure 2013105500926100002DEST_PATH_IMAGE059
。
  步骤3）对与
Figure 464527DEST_PATH_IMAGE019
使用Keren方法进行第二步配准，由于Keren算法的亚像素结果，属于精细估计，而且，经过步骤1）的粗估计及步骤2）的逆补偿，
Figure 263244DEST_PATH_IMAGE004
与
Figure 436736DEST_PATH_IMAGE019
之间的残余较小，因此，此处Keren方法不使用复杂的金字塔处理。在读入待配准数据
Figure 447417DEST_PATH_IMAGE004
与
Figure 415373DEST_PATH_IMAGE033
（40）后，首先对读入的数据进行低通预处理（41），使用高斯滤波器进行滤波处理；然后计算
Figure 449189DEST_PATH_IMAGE004
的梯度与，梯度计算使用差分运算代替，并计算
Figure 351788DEST_PATH_IMAGE036
（42）；之后计算系数矩阵
Figure 935216DEST_PATH_IMAGE037
及右边向量
Figure 184932DEST_PATH_IMAGE038
，计算出初始估计值
Figure 107889DEST_PATH_IMAGE039
，且
Figure 417647DEST_PATH_IMAGE040
与
Figure 488372DEST_PATH_IMAGE041
初始值等于
Figure 728729DEST_PATH_IMAGE042
（43）；由于梯度法源自泰勒（Taylor）级数近似，仅适合于小数值情形，因此需要进行迭代逼近；每次迭代前先进行判断，若为“是”则迭代结束，反之为“否”则执行（45），每次迭代之前都要进行新的逆补偿，为减小积累误差，每次都对
Figure 49169DEST_PATH_IMAGE033
进行逆补偿操作得到
Figure 279293DEST_PATH_IMAGE045
（45）；然后对与
Figure 830677DEST_PATH_IMAGE045
进行估计，此时，系数矩阵保持不变，仅更新
Figure 714505DEST_PATH_IMAGE046
并求得
Figure 109715DEST_PATH_IMAGE047
，并更新（46），然后转入（44）进行下一次终止判断。为防止迭代可能出现的不收敛现象，一般设置一个最大迭代次数，如迭代次数超出
Figure 684233DEST_PATH_IMAGE060
的预设值，同样终止迭代。假设该步骤的估计结果分别为
Figure 141146DEST_PATH_IMAGE020
、
Figure 74467DEST_PATH_IMAGE021
和
Figure 743346DEST_PATH_IMAGE022
。
  步骤4）结果合成：假定、
Figure 428722DEST_PATH_IMAGE002
及
Figure 431313DEST_PATH_IMAGE003
的最终估计结果分别为
Figure 954699DEST_PATH_IMAGE023
、
Figure 305914DEST_PATH_IMAGE024
及
Figure 547540DEST_PATH_IMAGE025
，根据前述约定，前两次估计结果的向量形式分别为：
Figure 88243DEST_PATH_IMAGE027
，
Figure 403817DEST_PATH_IMAGE028
及
Figure 4563DEST_PATH_IMAGE029
，其中的
Figure 467905DEST_PATH_IMAGE030
为矩阵转置操作；那么，最后使用
Figure 999250DEST_PATH_IMAGE026
求得
Figure 497227DEST_PATH_IMAGE025
，使用
Figure 3295DEST_PATH_IMAGE031
求得
Figure 157196DEST_PATH_IMAGE029
，其中
Figure 39701DEST_PATH_IMAGE032
为逆时针旋转矩阵运算。
  最后，图5和图6为分别对两组低分辨率图像进行配准后进行超分辨率重构的局部结果示意图，并与另外两种方法进行了结果比较。 

Claims (7)

1.一种图像配准方法，其特征在于：
基于旋转-平移（rotation-translation：RT）模型；定义                                                
Figure 2013105500926100001DEST_PATH_IMAGE001
为参考图像，
Figure 2013105500926100001DEST_PATH_IMAGE002
为目标图像，并定义它们的关系为：
Figure 2013105500926100001DEST_PATH_IMAGE003
，其中，
Figure 2013105500926100001DEST_PATH_IMAGE004
为水平方向坐标轴，
Figure 2013105500926100001DEST_PATH_IMAGE005
为垂直方向坐标轴，
Figure 2013105500926100001DEST_PATH_IMAGE006
为正弦函数，
Figure 2013105500926100001DEST_PATH_IMAGE007
为余弦函数，且水平方向平移为，垂直方向平移为
Figure 2013105500926100001DEST_PATH_IMAGE009
，旋转角度为
Figure 2013105500926100001DEST_PATH_IMAGE010
；定义向量表示形式为
Figure 2013105500926100001DEST_PATH_IMAGE011
与
Figure 2013105500926100001DEST_PATH_IMAGE012
，且
Figure 2013105500926100001DEST_PATH_IMAGE013
，其中，
Figure 2013105500926100001DEST_PATH_IMAGE014
，
Figure 2013105500926100001DEST_PATH_IMAGE015
，其中的
Figure 2013105500926100001DEST_PATH_IMAGE016
为矩阵转置操作符，旋转矩阵
Figure 2013105500926100001DEST_PATH_IMAGE017
定义为：
Figure 2013105500926100001DEST_PATH_IMAGE018
；
本发明由如下步骤组成：
步骤1） 读入待配准图像数据（21）；
步骤2） 对图像数据进行预处理（22）；
步骤3） 进行第一步图像粗配准（23）；
步骤4） 对目标图像进行逆补偿（24）；
步骤5） 进行第二步图像精细配准（25）；
步骤6） 两步结果的合成（26）。
2.根据权利要求1所述的读入待配准图像数据，其特征在于：把参考图像和目标图像
Figure 785524DEST_PATH_IMAGE002
读入内存；
Figure 223458DEST_PATH_IMAGE001
和
Figure 847337DEST_PATH_IMAGE002
的长与宽尺寸大小相等。
3.根据权利要求1所述的对图像数据进行预处理，其特征在于：若
Figure 54328DEST_PATH_IMAGE001
和
Figure 167777DEST_PATH_IMAGE002
均为灰度图像，则不需处理；若
Figure 93008DEST_PATH_IMAGE001
或为彩色图像，则将彩色图像数据转化为灰度图像数据；若和
Figure 115694DEST_PATH_IMAGE002
的维数相同且其第三维数值不等于1或3，则分别取各自的第一个二维数组代替原先数据。
4.根据权利要求1所述的进行第一步图像粗配准，其特征在于：读入待配准图像数据
Figure 200324DEST_PATH_IMAGE001
和
Figure 228323DEST_PATH_IMAGE002
（30）且进行权利要求3所述预处理后，对这两幅图像数据使用图基（Tukey）窗函数进行加窗预处理（31），图基窗参数
Figure 2013105500926100001DEST_PATH_IMAGE019
经验值取0.25；进行边界补零处理，补零的尺寸大小根据图像尺寸自适应确定；然后使用二维快速傅里叶变换（FFT）计算两幅图像
Figure 596857DEST_PATH_IMAGE001
与
Figure 52109DEST_PATH_IMAGE002
的频谱
Figure DEST_PATH_IMAGE020
和
Figure 2013105500926100001DEST_PATH_IMAGE021
（32），其中和
Figure 2013105500926100001DEST_PATH_IMAGE023
分别为水平方向频率和垂直方向频率，并得到两者的幅度谱和
Figure 2013105500926100001DEST_PATH_IMAGE025
（33）；然后对
Figure 76565DEST_PATH_IMAGE024
和
Figure 642676DEST_PATH_IMAGE025
进行正交坐标系-极坐标系转换，得到
Figure DEST_PATH_IMAGE026
和
Figure 2013105500926100001DEST_PATH_IMAGE027
（34），其中
Figure DEST_PATH_IMAGE028
和
Figure 2013105500926100001DEST_PATH_IMAGE029
分别为极坐标系的极径和极角；然后对
Figure 806328DEST_PATH_IMAGE026
和
Figure 432482DEST_PATH_IMAGE027
应用相位相关法，得到角度的粗估计
Figure DEST_PATH_IMAGE030
（35）；然后分别使用和
Figure 2013105500926100001DEST_PATH_IMAGE031
对
Figure 17681DEST_PATH_IMAGE002
进行角度逆补偿，分别得到两幅图像
Figure DEST_PATH_IMAGE032
（361）和
Figure 2013105500926100001DEST_PATH_IMAGE033
（362）；然后分别使用相位相关法计算
Figure 1686DEST_PATH_IMAGE001
与
Figure 548205DEST_PATH_IMAGE032
的相位相关（371）以及
Figure 456119DEST_PATH_IMAGE001
与
Figure 466800DEST_PATH_IMAGE033
（372）的相位相关，然后比较两者的峰值系数大小（38），峰值大者对应正确的角度值并对赋予正确值，并求得对应的平移估计值
Figure DEST_PATH_IMAGE034
和
Figure 2013105500926100001DEST_PATH_IMAGE035
（39），并记作
Figure DEST_PATH_IMAGE036
。
5.根据权利要求1所述的对目标图像进行逆补偿，其特征在于：首先使用权利要求4中的角度估计值
Figure 655522DEST_PATH_IMAGE030
对
Figure 367126DEST_PATH_IMAGE002
进行角度逆补偿，然后再使用权利要求4中的
Figure 497893DEST_PATH_IMAGE034
和
Figure 636750DEST_PATH_IMAGE035
进行平移逆补偿，最后得到图像
Figure 2013105500926100001DEST_PATH_IMAGE037
及其向量表示，其中
Figure 2013105500926100001DEST_PATH_IMAGE039
。
6.根据权利要求1所述的进行第二步图像精细配准，其特征在于：不使用金字塔处理结构；读入待配准数据
Figure 79233DEST_PATH_IMAGE001
与
Figure DEST_PATH_IMAGE040
（40）；然后对读入的数据使用高斯滤波器进行低通滤波处理（41）；然后计算
Figure 594528DEST_PATH_IMAGE001
的梯度
Figure 2013105500926100001DEST_PATH_IMAGE041
与
Figure DEST_PATH_IMAGE042
，梯度计算使用一阶差分运算，并计算（42）；然后计算系数矩阵
Figure DEST_PATH_IMAGE044
与右边向量：
Figure DEST_PATH_IMAGE046
，
Figure 2013105500926100001DEST_PATH_IMAGE047
，其中
Figure DEST_PATH_IMAGE048
为求和运算，然后计算初始估计值
Figure DEST_PATH_IMAGE049
，其中
Figure DEST_PATH_IMAGE050
表示求矩阵的逆矩阵，且
Figure DEST_PATH_IMAGE051
与初始值等于
Figure DEST_PATH_IMAGE053
（43）；使用迭代法进行逼近，设置最大迭代次数
Figure DEST_PATH_IMAGE054
，其经验值取8；每次迭代前进行及迭代次数超出
Figure 18949DEST_PATH_IMAGE054
判断，若为“是”则迭代结束，反之为“否”则执行（45），其中
Figure DEST_PATH_IMAGE056
表示均方根运算，门限
Figure DEST_PATH_IMAGE057
的经验值取0.03；每次迭代使用对
Figure 71536DEST_PATH_IMAGE040
进行逆补偿得到（45）；每次迭代中仅计算
Figure DEST_PATH_IMAGE059
并求得
Figure DEST_PATH_IMAGE060
，并更新
Figure DEST_PATH_IMAGE061
（46），然后转入（44）进行下一次终止判断；该步骤的估计结果分别为
Figure DEST_PATH_IMAGE062
、和
Figure DEST_PATH_IMAGE064
，并记作
Figure DEST_PATH_IMAGE065
。
7.根据权利要求1所述的两步结果的合成，其特征在于：定义
Figure 439457DEST_PATH_IMAGE008
、
Figure 279237DEST_PATH_IMAGE009
及
Figure 759897DEST_PATH_IMAGE010
的最终估计结果分别为、及
Figure DEST_PATH_IMAGE068
，并定义；使用求得，使用
Figure DEST_PATH_IMAGE071
求得
Figure DEST_PATH_IMAGE072
。
CN201310550092.6A 2013-11-08 2013-11-08 一种图像配准方法 Pending CN103544710A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310550092.6A CN103544710A (zh) 2013-11-08 2013-11-08 一种图像配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310550092.6A CN103544710A (zh) 2013-11-08 2013-11-08 一种图像配准方法

Publications (1)

Publication Number Publication Date
CN103544710A true CN103544710A (zh) 2014-01-29

Family

ID=49968130

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310550092.6A Pending CN103544710A (zh) 2013-11-08 2013-11-08 一种图像配准方法

Country Status (1)

Country Link
CN (1) CN103544710A (zh)

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103886600A (zh) * 2014-03-24 2014-06-25 四川睿光科技有限责任公司 一种连续相位板加工误差识别方法
CN104537638A (zh) * 2014-11-17 2015-04-22 中国科学院深圳先进技术研究院 三维图像配准方法和系统
CN106934762A (zh) * 2017-03-09 2017-07-07 史鹏飞 一种图像拼接方法和设备
CN107369171A (zh) * 2017-05-31 2017-11-21 三亚中科遥感研究所 一种新的基于相位相关和分形维数的遥感影像配准方法
CN107481275A (zh) * 2017-07-04 2017-12-15 河南工业大学 一种基于参考图像补偿的两步图像配准方法
CN107492118A (zh) * 2017-07-04 2017-12-19 河南工业大学 一种基于目标图像补偿的两步图像配准方法
CN109242893A (zh) * 2018-08-23 2019-01-18 深圳市斯尔顿科技有限公司 成像方法、图像配准方法及装置
CN110136083A (zh) * 2019-05-14 2019-08-16 深圳大学 一种结合交互式的底图更新方法及装置
CN111238488A (zh) * 2020-03-18 2020-06-05 湖南云顶智能科技有限公司 一种基于异源图像匹配的飞行器精确定位方法
CN112070810A (zh) * 2020-08-31 2020-12-11 上海爱观视觉科技有限公司 定位方法、可移动设备及计算机可读存储介质
CN113724300A (zh) * 2020-05-25 2021-11-30 北京达佳互联信息技术有限公司 图像配准方法、装置、电子设备及存储介质
CN113837936A (zh) * 2020-06-24 2021-12-24 上海汽车集团股份有限公司 一种全景图像的生成方法和装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101110103A (zh) * 2006-07-20 2008-01-23 中国科学院自动化研究所 一种基于学习的图像配准自动检验方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101110103A (zh) * 2006-07-20 2008-01-23 中国科学院自动化研究所 一种基于学习的图像配准自动检验方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
吴四夫等: "《基于相位相关算法的实时图像配准系统》", 《计算机仿真》, vol. 22, no. 11, 30 November 2005 (2005-11-30) *
李晓明等: "《基于Fourier-Mellin变换的图像配准方法及应用拓展》", 《计算机学报》, vol. 29, no. 3, 31 March 2006 (2006-03-31) *
李相国等: "《基于相位相关与Keren算法的图像配准》", 《微计算机应用》, vol. 30, no. 11, 30 November 2009 (2009-11-30) *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103886600B (zh) * 2014-03-24 2017-01-25 四川睿光科技有限责任公司 一种连续相位板加工误差识别方法
CN103886600A (zh) * 2014-03-24 2014-06-25 四川睿光科技有限责任公司 一种连续相位板加工误差识别方法
CN104537638A (zh) * 2014-11-17 2015-04-22 中国科学院深圳先进技术研究院 三维图像配准方法和系统
CN106934762A (zh) * 2017-03-09 2017-07-07 史鹏飞 一种图像拼接方法和设备
CN107369171A (zh) * 2017-05-31 2017-11-21 三亚中科遥感研究所 一种新的基于相位相关和分形维数的遥感影像配准方法
CN107369171B (zh) * 2017-05-31 2020-09-04 三亚中科遥感研究所 一种基于相位相关和分形维数的遥感影像配准方法
CN107481275A (zh) * 2017-07-04 2017-12-15 河南工业大学 一种基于参考图像补偿的两步图像配准方法
CN107492118A (zh) * 2017-07-04 2017-12-19 河南工业大学 一种基于目标图像补偿的两步图像配准方法
CN109242893B (zh) * 2018-08-23 2020-09-04 深圳市斯尔顿科技有限公司 成像方法、图像配准方法及装置
CN109242893A (zh) * 2018-08-23 2019-01-18 深圳市斯尔顿科技有限公司 成像方法、图像配准方法及装置
CN110136083A (zh) * 2019-05-14 2019-08-16 深圳大学 一种结合交互式的底图更新方法及装置
CN111238488A (zh) * 2020-03-18 2020-06-05 湖南云顶智能科技有限公司 一种基于异源图像匹配的飞行器精确定位方法
CN113724300A (zh) * 2020-05-25 2021-11-30 北京达佳互联信息技术有限公司 图像配准方法、装置、电子设备及存储介质
CN113837936A (zh) * 2020-06-24 2021-12-24 上海汽车集团股份有限公司 一种全景图像的生成方法和装置
CN112070810A (zh) * 2020-08-31 2020-12-11 上海爱观视觉科技有限公司 定位方法、可移动设备及计算机可读存储介质
CN112070810B (zh) * 2020-08-31 2024-03-22 安徽爱观视觉科技有限公司 定位方法、可移动设备及计算机可读存储介质

Similar Documents

Publication Publication Date Title
CN103544710A (zh) 一种图像配准方法
Lee et al. Local texture estimator for implicit representation function
CN106651938B (zh) 一种融合高分辨率彩色图像的深度图增强方法
CN106780590B (zh) 一种深度图的获取方法及系统
CN103345736B (zh) 一种虚拟视点绘制方法
CN107301654A (zh) 一种多传感器的高精度即时定位与建图方法
CN106373087B (zh) 一种改进初始估计的图像超分辨率重建方法
CN107516322B (zh) 一种基于对数极空间的图像物体大小和旋转估计计算方法
CN104933717A (zh) 基于方向性标定靶标的摄像机内外参数自动标定方法
JPWO2004063991A1 (ja) 画像のサブピクセルマッチングにおける多パラメータ高精度同時推定方法及び多パラメータ高精度同時推定プログラム
CN110211169B (zh) 基于多尺度超像素和相位相关的窄基线视差的重构方法
CN106408654B (zh) 一种三维地图的创建方法及系统
He et al. Research on 3D point-cloud registration technology based on Kinect V2 sensor
CN115937002B (zh) 用于估算视频旋转的方法、装置、电子设备和存储介质
Enríquez-Cervantes et al. A super-resolution image reconstruction using natural neighbor interpolation
Jiazhen et al. Real-time mosaicking for infrared videos from an oblique sweeping camera
Fan et al. An improvement approach based on Keren sub-pixel registration method
Pan et al. An adaptive harris corner detection algorithm for image mosaic
KR101644411B1 (ko) 고해상도 이미지 복원 장치 및 그 방법
Zhang et al. Image automatic mosaics based on contour phase correlation
Pantilie et al. Real-time image rectification and stereo reconstruction system on the gpu
Dighe et al. Registration of multiple Low resolution images for motion using hybrid approach.
Zhang et al. Image guided depth map superresolution using non-local total generalized variation
Kumar et al. Estimation of motion among shifted images at coarse and fine levels
Nagashima et al. High-accuracy estimation of image rotation using 1D phase-only correlation

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
C02 Deemed withdrawal of patent application after publication (patent law 2001)
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20140129