CN103778433A - 基于点到直线距离的广义点集匹配方法 - Google Patents
基于点到直线距离的广义点集匹配方法 Download PDFInfo
- Publication number
- CN103778433A CN103778433A CN201410019047.2A CN201410019047A CN103778433A CN 103778433 A CN103778433 A CN 103778433A CN 201410019047 A CN201410019047 A CN 201410019047A CN 103778433 A CN103778433 A CN 103778433A
- Authority
- CN
- China
- Prior art keywords
- point
- cnt
- matrix
- target
- parameter
- 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.)
- Granted
Links
Images
Abstract
本发明公开了一种基于点到直线距离的广义点集匹配方法,能够实现点集的快速、精确匹配。先从参考图像与目标图像中分别提取广义点集{p1,p2…pm}和{q1,q2…qn},点集是离散的,具有方向性;在寻找广义点集相对应点时,根据此参考点的索引序号和搜素半径,确定其邻域内的目标点的索引序号,用于快速查询目标点集;同时结合变邻域寻找最近点的方法,采用角度阈值及距离阈值,快速地建立有向点之间的对应关系;然后,根据点-线距离与点-点距离的等效转化方法,实现非线性优化问题与线性优化问题间的转化,从而利用最小二乘法获得匹配参数,实现了快速精确匹配,提高了计算效率。
Description
技术领域
本发明属于机器视觉和图像处理领域中的点集匹配方法,具体涉及到点集匹配方法,重点研究了基于点到直线距离的广义点集匹配技术。
背景技术
随着科学技术的发展,基于广义点集的图像匹配在机器视觉、模式识别、工业检测及医学影像等领域都有着广泛的应用,也将成为现代信息领域中一个十分重要的技术。然而,现代技术对图像匹配的准确性、精度性、和高效性有了进一步的要求。
点集匹配的主要目的对图像的研究简化为点集的研究,通过搜寻参考图像和目标图像中的广义点集,建立一种一一对应关系,从而提高匹配效率。然而,广义点集具有方向性,是离散的,因此在寻找对应点时存在一定的困难。虽然现在已有使用基于广义有向点的图像匹配方法,基本实现了像素点的粗匹配,但是匹配精度还是不能达到预期目标,因此需要改进并研究精度更高的方法。如何提高精度与效率,也是当前匹配技术研究的热点。
而为了提高匹配的稳定性和速度,我们使用迭代最近点方法(IterativeClosestPoint,ICP),该方法一直得到广泛关注,很多学者也对此做了大量研究。由于从图像中提取的有向点是离散的,在寻找某个参考点附近目标点时,将进行全部邻域点的搜索,导致效率低。研究者也提出大量方法,如基于k-d树的方法、不同的距离度量等方法,来提高ICP算法效率及精度。同时,在目标点集的快速查询中,当使用以参考点为中心,使用固定的方形邻域时,将会影响精度,把离群点错误地当做对应点,极大的影响图像匹配的精准性及高效性。
发明内容
针对上述缺陷或改进需求,本发明提出基于点到直线距离的广义点集匹配方法,其主要目的是先将几何滤波的亚像素级广义有向点作为特征,根据目标点集的快速查询和最近点的变邻域寻找这两种方法,从而建立了有向点之间的对应关系,然后根据点线距离来迭代地求解变换参数,大大提高了精准性及高效性。
为实现上述目的,提供了基于点到直线距离的广义点集匹配方法。包括以下步骤:
(1)从参考图像和目标图像中分别提取广义有向点集,如图1的参考图像、图2的目标图像所示,得到参考有向点集{p1,p2…pm}和目标有向点集{q1,q2…qn};其中,参考有向点集共有m个有向点,目标有向集标共有n个有向点;
(2)设置初始参数,包括初始变换参数、最大迭代次数、循环过程中的迭代次数及最小均方根RMS改变值;其中,在设置初始变换参数时,对于相似变换参数包括平移x、y方向平移参数、缩放参数、旋转参数,分别用tx0,ty0,s0,φ0表示;其中,tx0,ty0,s0,φ0是设定的一个初始值,每经过一次迭代,用总流程图步骤(4)寻找对应点对,通过步骤(5)求解目标点集与参考点集间的相似变换参数,且当迭代cnt次时,用txcnt,tycnt,scnt,φcnt表示此参数;如果是仿射变换,则包括x、y方向平移参数、斜切参数、x、y方向缩放参数、旋转参数,分别用tx0,ty0,h0,sx0,sy0,φ0表示,其应用与相似变换参数类似;
程序中最大迭代次数用max_cnt表示,如果迭代次数cnt大于max_cnt将跳出循环;初始的迭代次数设置为0,即cnt=1,且每循环一次其值加1;最小均方根RMS改变值设置为min_rms,并判断误差变化是否小于min_rms,如果小于则终止循环;
根据以上初始条件,变换参考点集,得到初始参考有向点集,设置为P0;其中,P0只是一个初始点集,每经过一次迭代,通过新的变换参数txcnt,tycnt,scnt,φcnt,得到新的参考点集,具体见总流程图步骤(6),当迭代cnt次时,用Pcnt表示;
(3)离散化目标点集,从目标图像中提取的有向点为亚像素级别,利用这些目标有向点经过坐标取整获得行、列索引序号rqi=[yqi]和cqi=[xqi],然后建立四个矩阵,分别是掩模矩阵Mq,x坐标矩阵Xq,y坐标矩阵Yq和方向矩阵Θq;分别设置掩模矩阵Mq,x坐标矩阵Xq,y坐标矩阵Yq和方向矩阵Θq中对应元素的值;
(3-1)新建四个m行n列的矩阵,分别为Mm*n、Xm*n、Ym*n、Θm*n。且令Mm*n=Xm*n=Ym*n=Θm*n=0m*n,其中0m*n为m行n列的零矩阵。
(3-2)设置计数器i=1;
(3-3)将参考点pi的坐标取整,得到其行列索引序号rqi=[yqi]和cqi=[xqi];
(3-4)将掩模矩阵中对应的元素Mq(rqi,cqi)设为1;
(3-5)x坐标矩阵中对应的元素Xq(rqi,cqi)设为xqi,y坐标矩阵中对应的元素Yq(rqi,cqi)设为yqi;
(3-6)方向矩阵中对应的元素Θq(rqi,cqi)设为θqi;
(3-7)设置i的值加1,即i=i+1;
(3-8)判断i是否小于等于n;如果否,则返回步骤(3-4),如果是,则转到(3-9);
(3-9)输出M、X、Y、Θ四个矩阵;
(4)寻找对应点对:在以参考点Pi为中心点,半径为R的范围内寻找对应点qi;
(5)最小二乘法求解变换参数;
(6)变换参考点集:利用新的变换参数变换参考点集得到Pcnt,并计算新的参考点集Pcnt和目标点集Q之间的均值平方根RMS,具体地,先计算参考点集与目标点集间距离,将所有距离平方相加后开方根,并除以对应点对数,由此得到RMS;
(7)计算两个点集之间的误差,设置cnt=cnt+1,具体地,误差为参考点集与目标点集间距离平方之和,再开方根;
(8)判断误差变化是否小于最小均方根改变值(min_rms),及迭代次数(cnt)是否大于设定最大迭代次数(max_cnt),若是则转入步骤(9),否则重新离散化目标点集,继续寻找新的对应点对,返回步骤(4);
(9)输出最终求得的参考有向点集和目标有向点集之间的相似变换参数s,φ,tx,ty(对于仿射变换是h,sx,sy,φ,tx,ty)。
在一些实施例中,所述步骤(3-3)坐标取整得其行列索引序号具体是采用以下公式:
rqi=[yqi]和cqi=[xqi]
其中,[·]表示取整函数;
(3-4)-(3-6)中设置矩阵具体是采用以下公式:
Mq(rqi,cqi)=1,Xq(rqi,cqi)=xqi,Yq(rqi,cqi)=yqi,Θq(rqi,cqi)=θqi,
其中,Mq是掩模矩阵,Xq是x坐标矩阵,Yq是y坐标矩阵和Θq是方向矩阵的值。
在一些实施例中,所述步骤(4)包括以下子步骤:
(4-1)设置最小邻域半径Rmin、最大邻域半径Rmax,初始化距离中位数R=Rmin,设置计数器s=1;
(4-2)将参考点ps的坐标取整,得到其行列索引序号rqs=[yqj]和cqs=[xqk];
(4-3)设置j=rqs–R;
(4-4)设置k=cqs-R;
(4-5)判断掩模矩阵Μq(rqs,cqs)是否等于1:若是,则转入(4-6),否则进入步骤(4-13);在掩模矩阵Mq的邻域中找到所有的值为1的元素,其对应的目标点qi,j就是参考点ps邻域内的全部目标点;
(4-6)设置k=k+1;
(4-7)判断k是否小于等于cqs+R:若是,则转入(4-5),否则进入(4-8);
(4-8)设置j=j+1;
(4-9)判断j是否小于等于于rqs+R:若是,则转入(4-4),否则进入(4-10);
(4-10)角度阈值,在可能的对应点中,寻找与参考点ps的方向接近的检测点;如果|Θq(rqs,cqs)-θps|大于设定阈值T,则把目标点qk,j删除,否则留下该点;
(4-11)距离阈值。在所有遗留点集中,选择目标点中选择与参考点ps之间距离最小的那个作为其对应点;如式(21)所示;
argmin||pi-(Xq(rqi,cqi),Yq(rqi,cqi))|| (21)
(4-12)得到ps相对应qs;
(4-13)计算距离中位数;
(4-14)判断距离中位数R是否大于小邻域半径Rmin:若是,则转入(4-15),否则进入(4-16);
(4-15)将邻域半径设置为大邻域半径,R=Rmax,并更新Rmax;
(4-16)将邻域半径设置为小邻域半径,R=Rmin.,并更新Rmin;
(4-17)设置s=s+1;
(4-18)判断s是否小于m*n,若是,则转入(4-2),否则进入(4-19);
(4-19)输出对应点对,(p1–q1)(p2–q2)……(ps-qs)。
在一些实施例中,所述步骤(5)包括以下子步骤:
(5-1)点点距离与点线距离间转化;
(5-2)最小二乘法求解变换参数:根据相似变换参数,推导求解仿射变换参数h,sx,sy,φ,tx,ty的公式;根据式(31)求解出每个对应点的的坐标误差ei:
其中,h是斜切参数,sx是x方向缩放参数,sy是y方向缩放参数,φ是旋转参数,tx是x方向平移参数,ty是y方向平移参数;
进一步,通过最小化参考点集和目标点集中所有对应点之间的距离平方和,式(41)所示;求解出仿射变换参数向量r,如式(51)所示;
r=(ATA)-1ATq (51)
通过确定仿射变换参数向量r,式子(61)可以求出h,sx,sy,φ,tx,ty,
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列效果:
1、根据从参考图像和目标图像中提取出的广义点集,通过快速查询目标点集,建立参考点的索引序号,并结合转化大小邻域半径来寻找最近点对。同时,运用角度阈值及距离阈值筛选不可能点,快速地建立起有向点之间的对应关系,有效地消除离群点的影响,提高效率。
2、提出了一种基于点-线距离与点-点距离的等效转化方法,实现非线性优化问题与线性优化问题间的转化,从而利用最小二乘法获得匹配参数,实现了参考图像和目标图像的快速精确匹配,大大提高了计算效率。
附图说明
图1是本发明实施例的参考图像;
图2是本发明实施例的目标图像;
图3是本发明实施例的基于点到直线距离的广义点集匹配方法的流程图;
图4是本发明实施例的快速查询目标点集流程图;
图5是本发明实施例的快速查询目标点集示意图;
图6是本发明实施例的寻找参考点集和目标点集之间的对应点对流程图;
图7是本发明实施例的点-点距离到点-线距离转化示意图。
具体实施方式
以下将结合附图及实施例,对本发明进行进一步的详细说明。
本发明提出了基于点到直线距离的广义点集匹配方法,重点在于研究广义点集的匹配技术,其中点集是离散及有向的。利用几何滤波的亚像素级有向点作为特征,根据“目标点集的快速查询”和“最近点的变邻域寻找”两种方法,建立了有向点之间的对应关系,然后根据点线距离来迭代地求解变换参数,大大提高计算效率。
基于点到直线距离的广义点集匹配方法流程图如图3所示,使用了两幅图像,即参考图像的图1和目标图像的图2。本方法包括以下步骤:
(1)从参考图像和目标图像中分别提取广义有向点集,如图1的参考图像、图2的目标图像所示,得到参考有向点集{p1,p2…pm}和目标有向点集{q1,q2…qn};其中,参考有向点集共有m个有向点,目标有向集标共有n个有向点;
(2)设置初始参数,包括初始变换参数、最大迭代次数、循环过程中的迭代次数及最小均方根RMS改变值;其中,在设置初始变换参数时,对于相似变换参数包括平移x、y方向平移参数、缩放参数、旋转参数,分别用tx0,ty0,s0,φ0表示;其中,tx0,ty0,s0,φ0是设定的一个初始值,每经过一次迭代,用总流程图步骤(4)寻找对应点对,通过步骤(5)求解目标点集与参考点集间的相似变换参数,且当迭代cnt次时,用txcnt,tycnt,scnt,φcnt表示此参数。如果是仿射变换,则包括x、y方向平移参数、斜切参数、x、y方向缩放参数、旋转参数,分别用tx0,ty0,h0,sx0,sy0,φ0表示,其应用与相似变换参数类似;
程序中最大迭代次数用max_cnt表示,如果迭代次数cnt大于max_cnt将跳出循环;初始的迭代次数设置为0,即cnt=1,且每循环一次其值加1;最小均方根RMS改变值设置为min_rms,并判断误差变化是否小于min_rms,如果小于则终止循环;
根据以上初始条件,变换参考点集,得到初始参考有向点集,设置为P0。其中,P0只是一个初始点集,每经过一次迭代,通过新的变换参数txcnt,tycnt,scnt,φcnt,得到新的参考点集,具体见总流程图步骤(6),当迭代cnt次时,用Pcnt表示;
(3)离散化目标点集,从目标图像中提取的有向点为亚像素级别,利用这些目标有向点经过坐标取整获得行、列索引序号rqi=[yqi]和cqi=[xqi],然后建立四个矩阵,分别是掩模矩阵Mq,x坐标矩阵Xq,y坐标矩阵Yq和方向矩阵Θq;分别设置掩模矩阵Mq,x坐标矩阵Xq,y坐标矩阵Yq和方向矩阵Θq中对应元素的值;
(3-1)新建四个m行n列的矩阵,分别为Mm*n、Xm*n、Ym*n、Θm*n。且令Mm*n=Xm*n=Ym*n=Θm*n=0m*n,其中0m*n为m行n列的零矩阵;
(3-2)设置计数器i=1;
(3-3)将参考点pi的坐标取整,得到其行列索引序号rqi=[yqi]和cqi=[xqi];
(3-4)将掩模矩阵中对应的元素Mq(rqi,cqi)设为1;
(3-5)x坐标矩阵中对应的元素Xq(rqi,cqi)设为xqi,y坐标矩阵中对应的元素Yq(rqi,cqi)设为yqi;
(3-6)方向矩阵中对应的元素Θq(rqi,cqi)设为θqi;
(3-7)设置i的值加1,即i=i+1;
(3-8)判断i是否小于等于n;如果否,则返回步骤(3-4),如果是,则转到(3-9);
(3-9)输出M、X、Y、Θ四个矩阵。
具体地,参照附图5所示,图中是一幅3×3大小的目标图像中提取的6个亚像素级有向点{q1,q2,q3,q4,q5},通过坐标取整得其行列索引序号rqi=[yqi]和cqi=[xqi],[·]表示取整函数。分别设置掩模矩阵Mq,x坐标矩阵Xq,y坐标矩阵Yq和方向矩阵Θq的值。如式(11)所示。
Mq(rqi,cqi)=1,Xq(rqi,cqi)=xqi,Yq(rqi,cqi)=yqi,Θq(rqi,cqi)=θqi, (11)
本步骤的优点在于,寻找对应点时可以根据此参考点的索引序号和搜索半径,确定其邻域内的目标点的索引序号,查询速度非常快。
(4)寻找对应点对:在以参考点Pi为中心点,半径为R的范围内寻找对应点qi。如附图6所示,本步骤包括以下子步骤:
(4-1)设置最小邻域半径Rmin、最大邻域半径Rmax,初始化距离中位数R=Rmin,设置计数器s=1;
(4-2)将参考点ps的坐标取整,得到其行列索引序号rqs=[yqj]和cqs=[xqk];
(4-3)设置j=rqs–R;
(4-4)设置k=cqs-R;
(4-5)判断掩模矩阵Μq(rqs,cqs)是否等于1:若是,则转入(4-6),否则进入步骤(4-13);在掩模矩阵Mq的邻域中找到所有的值为1的元素,其对应的目标点qi,j就是参考点ps邻域内的全部目标点;
(4-6)设置k=k+1;
(4-7)判断k是否小于等于cqs+R:若是,则转入(4-5),否则进入(4-8);
(4-8)设置j=j+1;
(4-9)判断j是否小于等于于rqs+R:若是,则转入(4-4),否则进入(4-10);
(4-10)角度阈值,在可能的对应点中,寻找与参考点ps的方向接近的检测点;如果|Θq(rqs,cqs)-θps|大于设定阈值T,则把目标点qk,j删除,否则留下该点;
(4-11)距离阈值。在所有遗留点集中,选择目标点中选择与参考点ps之间距离最小的那个作为其对应点;如式(21)所示;
argmin||pi-(Xq(rqi,cqi),Yq(rqi,cqi))|| (21)
(4-12)得到ps相对应qs;
(4-13)计算距离中位数;
(4-14)判断距离中位数R是否大于小邻域半径Rmin:若是,则转入(4-15),否则进入(4-16);
(4-15)将邻域半径设置为大邻域半径,R=Rmax,并更新Rmax;
(4-16)将邻域半径设置为小邻域半径,R=Rmin.,并更新Rmin;
(4-17)设置s=s+1;
(4-18)判断s是否小于m*n,若是,则转入(4-2),否则进入(4-19);(4-19)输出对应点对,(p1–q1)(p2–q2)……(ps-qs)。
具体地,在寻找最近点时我们使用了角度阈值和距离阈值,步骤(4-10)和(4-11)所示。同时,利用大小不同的两个邻域半径,开始迭代时,使用半径较大的邻域半径,以保证算法能够收敛到正确的最小值;迭代多次后,正确的对应点对之间的距离会变得比较小,大半径的邻域已经没有必要,因此使用小邻域半径,用以加速和排除离群点;大小半径的选择是根据步骤(4-14)中距离中位数来判断。
本步骤的优点在于,利用前面步骤(3)中的快速查询目标点集,并结合变邻域寻找最近点的方法,同时采用角度阈值及距离阈值,快速地建立有向点之间的对应关系,而且能够有效地消除离群点的影响,提高计算效率。
(5)最小二乘法求解变换参数:
(5-1)点点距离与点线距离间转化。根据得到的参考对应点集P={p1,p2,…,pk}和目标对应点投影点集Q={q1,q2,…,qk},将点-线距离等效地转化为点-点距离,如附图7所示。由于参考有向点pi到其对应的目标有向点qi的距离,多数情况下比到qi确定的直线的距离长,而点-点距离作为指标来衡量点集之间的误差并不理想。因此,选择点-线距离等价为点-点距离,把非线性优化问题变为线性优化问题。
(5-2)最小二乘法求解变换参数。根据相似变换参数,推导求解仿射变换参数h,sx,sy,φ,tx,ty的公式。根据式(31)求解出每个对应点的的坐标误差ei。
其中,h是斜切参数,sx是x方向缩放参数,sy是y方向缩放参数,φ是旋转参数,tx是x方向平移参数,ty是y方向平移参数;
进一步,通过最小化参考点集和目标点集中所有对应点之间的距离平方和,式(41)所示;求解出仿射变换参数向量r,如式(51)所示;
r=(ATA)-1ATq(51)
通过确定仿射变换参数向量r,式子(61)可以求出h,sx,sy,φ,tx,ty,
(6)变换参考点集:利用新的变换参数变换参考点集得到Pcnt,并计算新的参考点集Pcnt和目标点集Q之间的均值平方根RMS,具体地,先计算参考点集与目标点集间距离,将所有距离平方相加后开方根,并除以对应点对数,由此得到RMS;
(7)计算两个点集之间的误差,设置cnt=cnt+1,具体地,误差为参考点集与目标点集间距离平方之和,再开方根;
(8)判断误差变化是否小于最小均方根改变值(min_rms),及迭代次数(cnt)是否大于设定最大迭代次数(max_cnt),若是则转入步骤(9),否则重新离散化目标点集,继续寻找新的对应点对,返回步骤(4);
(9)输出最终求得的参考有向点集和目标有向点集之间的相似变换参数s,φ,tx,ty(对于仿射变换是h,sx,sy,φ,tx,ty)。
本发明能够实现点集的快速、精确匹配。先从参考图像和目标图像中分别提取广义点集{p1,p2…pm}和{q1,q2…qn},点集是离散的,具有方向性;在寻找广义点集相对应点时,根据此参考点的索引序号和搜素半径,确定其邻域内的目标点的索引序号,用于快速查询目标点集;同时结合变邻域寻找最近点的方法,采用角度阈值及距离阈值,快速地建立有向点之间的对应关系,有效消除离群点的影响;然后,根据点-线距离与点-点距离的等效转化方法,实现非线性优化问题与线性优化问题间的转化,从而利用最小二乘法获得匹配参数,实现了快速精确匹配,提高了计算效率。
以上所述实施例仅表达了本发明的部分实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明的保护范围应以所附权利要求为准。
Claims (4)
1.基于点到直线距离的广义点集匹配方法,其特征在于,广义点集中的每个点都是具有方向的,包括以下步骤:
(1)从参考图像和目标图像中分别提取广义有向点集,得到参考有向点集{p1,p2…pm}和目标有向点集{q1,q2…qn};其中,参考有向点集共有m个有向点,目标有向集共有n个有向点;
(2)设置初始参数,包括初始变换参数、最大迭代次数、循环过程中的迭代次数及最小均方根RMS改变值;其中,在设置初始变换参数时,对于相似变换参数包括平移x、y方向平移参数、缩放参数、旋转参数,分别用tx0,ty0,s0,φ0表示;其中,tx0,ty0,s0,φ0是设定的一个初始值,每经过一次迭代,寻找对应点对,并求解目标点集与参考点集间的相似变换参数,且当迭代cnt次时,用txcnt,tycnt,scnt,φcnt表示此参数;如果是仿射变换,则包括x、y方向平移参数、斜切参数、x、y方向缩放参数、旋转参数,分别用tx0,ty0,h0,sx0,sy0,φ0表示,其应用与相似变换参数类似;
程序中最大迭代次数用max_cnt表示,如果迭代次数cnt大于max_cnt将跳出循环;初始的迭代次数设置为0,即cnt=1,且每循环一次其值加1;最小均方根RMS改变值设置为min_rms,并判断误差变化是否小于min_rms,如果小于则终止循环;
根据以上初始条件,变换参考点集,得到初始参考有向点集,设置为P0;其中,P0只是一个初始点集,每经过一次迭代,通过新的变换参数txcnt,tycnt,scnt,φcnt,得到新的参考点集,当迭代cnt次时,用Pcnt表示;
(3)离散化目标点集,从目标图像中提取的有向点为亚像素级别,利用这些目标有向点经过坐标取整获得行、列索引序号rqi=[yqi]和cqi=[xqi],然后建立四个矩阵,分别是掩模矩阵Mq,x坐标矩阵Xq,y坐标矩阵Yq和方向矩阵Θq;分别设置掩模矩阵Mq,x坐标矩阵Xq,y坐标矩阵Yq和方向矩阵Θq中对应元素的值;
(3-1)新建四个m行n列的矩阵,分别为Mm*n、Xm*n、Ym*n、Θm*n。且令Mm*n=Xm*n=Ym*n=Θm*n=0m*n,其中0m*n为m行n列的零矩阵;
(3-2)设置计数器i=1;
(3-3)将参考点pi的坐标取整,得到其行、列索引序号rqi=[yqi]和cqi=[xqi];
(3-4)将掩模矩阵中对应的元素Mq(rqi,cqi)设为1;
(3-5)x坐标矩阵中对应的元素Xq(rqi,cqi)设为xqi,y坐标矩阵中对应的元素Yq(rqi,cqi)设为yqi;
(3-6)方向矩阵中对应的元素Θq(rqi,cqi)设为θqi;
(3-7)设置i的值加1,即i=i+1;
(3-8)判断i是否小于等于n;如果否,则返回步骤(3-4),如果是,则转到(3-9);
(3-9)输出M、X、Y、Θ四个矩阵;
(4)寻找对应点对:在以参考点Pi为中心点,半径为R的范围内寻找对应点qi;
(5)最小二乘法求解变换参数;
(6)变换参考点集:利用新的变换参数变换参考点集得到Pcnt,并计算新的参考点集Pcnt和目标点集Q之间的均值平方根RMS,具体地,先计算参考点集与目标点集间距离,将所有距离平方相加后开方根,并除以对应点对数,由此得到RMS;
(7)计算两个点集之间的误差,设置cnt=cnt+1,具体地,误差为参考点集与目标点集间距离平方之和,再开方根;
(8)判断误差变化是否小于最小均方根改变值(min_rms),及迭代次数(cnt)是否大于设定最大迭代次数(max_cnt),若是则转入步骤(9),否则重新离散化目标点集,继续寻找新的对应点对,返回步骤(4);
(9)输出最终求得的参考有向点集和目标有向点集之间的相似变换参数s,φ,tx,ty;对于仿射变换是h,sx,sy,φ,tx,ty。
2.根据权利要求1所述的基于点到直线距离的广义点集匹配方法,其特征在于,步骤(3-3)坐标取整得其行列索引序号具体是采用以下公式:
rqi=[yqi]和cqi=[xqi]
其中,[·]表示取整函数;
(3-4)-(3-6)中设置矩阵具体是采用以下公式:
Mq(rqi,cqi)=1,Xq(rqi,cqi)=xqi,Yq(rqi,cqi)=yqi,Θq(rqi,cqi)=θqi,
其中,Mq是掩模矩阵,Xq是x坐标矩阵,Yq是y坐标矩阵和Θq是方向矩阵的值。
3.根据权利要求1所述的基于点到直线距离的广义点集匹配方法,其特征在于,步骤(4)包括以下子步骤:
(4-1)设置最小邻域半径Rmin、最大邻域半径Rmax,初始化距离中位数R=Rmin,设置计数器s=1;
(4-2)将参考点ps的坐标取整,得到其行列索引序号rqs=[yqj]和cqs=[xqk];
(4-3)设置j=rqs–R;
(4-4)设置k=cqs-R;
(4-5)判断掩模矩阵Μq(rqs,cqs)是否等于1:若是,则转入(4-6),否则进入步骤(4-13);在掩模矩阵Mq的邻域中找到所有的值为1的元素,其对应的目标点qi,j就是参考点ps邻域内的全部目标点;
(4-6)设置k=k+1;
(4-7)判断k是否小于等于cqs+R:若是,则转入(4-5),否则进入(4-8);
(4-8)设置j=j+1;
(4-9)判断j是否小于等于于rqs+R:若是,则转入(4-4),否则进入(4-10);
(4-10)角度阈值,在可能的对应点中,寻找与参考点ps的方向接近的检测点;如果|Θq(rqs,cqs)-θps|大于设定阈值T,则把目标点qk,j删除,否则留下该点;
(4-11)距离阈值。在所有遗留点集中,选择目标点中选择与参考点ps之间距离最小的那个作为其对应点;如式(21)所示;
argmin||pi-(Xq(rqi,cqi),Yq(rqi,cqi))|| (21)
(4-12)得到ps相对应qs;
(4-13)计算距离中位数;
(4-14)判断距离中位数R是否大于小邻域半径Rmin:若是,则转入(4-15),否则进入(4-16);
(4-15)将邻域半径设置为大邻域半径,R=Rmax,并更新Rmax;
(4-16)将邻域半径设置为小邻域半径,R=Rmin.,并更新Rmin;
(4-17)设置s=s+1;
(4-18)判断s是否小于m*n,若是,则转入(4-2),否则进入(4-19);
(4-19)输出对应点对,(p1–q1)(p2–q2)……(ps-qs)。
4.根据权利要求1所述的基于点到直线距离的广义点集匹配方法,其特征在于,步骤(5)包括以下子步骤:
(5-1)点点距离与点线距离间转化;
(5-2)最小二乘法求解变换参数:根据相似变换参数,推导求解仿射变换参数h,sx,sy,φ,tx,ty的公式;根据式(31)求解出每个对应点的的坐标误差ei:
其中,h是斜切参数,sx是x方向缩放参数,sy是y方向缩放参数,φ是旋转参数,tx是x方向平移参数,ty是y方向平移参数;
进一步,通过最小化参考点集和目标点集中所有对应点之间的距离平方和,式(41)所示;求解出仿射变换参数向量r,如式(51)所示;
r=(ATA)-1ATq (51)
通过确定仿射变换参数向量r,式子(61)可以求出h,sx,sy,φ,tx,ty,
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410019047.2A CN103778433B (zh) | 2014-01-15 | 2014-01-15 | 基于点到直线距离的广义点集匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410019047.2A CN103778433B (zh) | 2014-01-15 | 2014-01-15 | 基于点到直线距离的广义点集匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103778433A true CN103778433A (zh) | 2014-05-07 |
CN103778433B CN103778433B (zh) | 2017-02-22 |
Family
ID=50570646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410019047.2A Active CN103778433B (zh) | 2014-01-15 | 2014-01-15 | 基于点到直线距离的广义点集匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103778433B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069792A (zh) * | 2015-08-07 | 2015-11-18 | 中国科学院计算技术研究所 | 电子断层图像对位中的图像匹配及胶体金点链生成方法 |
CN105469110A (zh) * | 2015-11-19 | 2016-04-06 | 武汉大学 | 基于局部线性迁移的非刚性变换图像特征匹配方法及系统 |
CN105469112A (zh) * | 2015-11-19 | 2016-04-06 | 武汉大学 | 基于局部线性迁移和刚性模型的图像特征匹配方法及系统 |
CN105976327A (zh) * | 2015-03-13 | 2016-09-28 | 想象技术有限公司 | 图像噪声降低 |
CN105488754B (zh) * | 2015-11-19 | 2018-09-21 | 武汉大学 | 基于局部线性迁移和仿射变换的图像特征匹配方法及系统 |
CN109033372A (zh) * | 2018-07-27 | 2018-12-18 | 北京未来媒体科技股份有限公司 | 一种基于人工智能的内容信息检索方法及系统 |
CN113165187A (zh) * | 2018-11-21 | 2021-07-23 | Thk株式会社 | 图像信息处理装置、把持系统以及图像信息处理方法 |
US11282216B2 (en) | 2015-03-13 | 2022-03-22 | Imagination Technologies Limited | Image noise reduction |
CN114494520A (zh) * | 2022-04-06 | 2022-05-13 | 西安瀚博电子科技有限公司 | 基于旋转因子的自适应等高线提取方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102194109B (zh) * | 2011-05-25 | 2013-09-11 | 浙江工业大学 | 交通监控场景中车辆分割方法 |
-
2014
- 2014-01-15 CN CN201410019047.2A patent/CN103778433B/zh active Active
Non-Patent Citations (2)
Title |
---|
夏奇,等: ""基于点模式匹配和能量最小化的模板定位算法"", 《华中科技大学学报(自然科学版)》 * |
夏奇,等: ""高精度自动贴片机视觉对准系统及其图像处理"", 《光学技术》 * |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11282216B2 (en) | 2015-03-13 | 2022-03-22 | Imagination Technologies Limited | Image noise reduction |
CN105976327B (zh) * | 2015-03-13 | 2022-02-08 | 想象技术有限公司 | 对第一图像进行变换的方法、处理模块和存储介质 |
CN105976327A (zh) * | 2015-03-13 | 2016-09-28 | 想象技术有限公司 | 图像噪声降低 |
CN105069792A (zh) * | 2015-08-07 | 2015-11-18 | 中国科学院计算技术研究所 | 电子断层图像对位中的图像匹配及胶体金点链生成方法 |
CN105069792B (zh) * | 2015-08-07 | 2018-01-26 | 中国科学院计算技术研究所 | 电子断层图像对位中的图像匹配及胶体金点链生成方法 |
CN105469110B (zh) * | 2015-11-19 | 2018-12-14 | 武汉大学 | 基于局部线性迁移的非刚性变换图像特征匹配方法及系统 |
CN105488754B (zh) * | 2015-11-19 | 2018-09-21 | 武汉大学 | 基于局部线性迁移和仿射变换的图像特征匹配方法及系统 |
CN105469112B (zh) * | 2015-11-19 | 2018-12-14 | 武汉大学 | 基于局部线性迁移和刚性模型的图像特征匹配方法及系统 |
CN105469112A (zh) * | 2015-11-19 | 2016-04-06 | 武汉大学 | 基于局部线性迁移和刚性模型的图像特征匹配方法及系统 |
CN105469110A (zh) * | 2015-11-19 | 2016-04-06 | 武汉大学 | 基于局部线性迁移的非刚性变换图像特征匹配方法及系统 |
CN109033372A (zh) * | 2018-07-27 | 2018-12-18 | 北京未来媒体科技股份有限公司 | 一种基于人工智能的内容信息检索方法及系统 |
CN113165187A (zh) * | 2018-11-21 | 2021-07-23 | Thk株式会社 | 图像信息处理装置、把持系统以及图像信息处理方法 |
CN113165187B (zh) * | 2018-11-21 | 2023-07-21 | Thk株式会社 | 图像信息处理装置、把持系统以及图像信息处理方法 |
CN114494520A (zh) * | 2022-04-06 | 2022-05-13 | 西安瀚博电子科技有限公司 | 基于旋转因子的自适应等高线提取方法 |
CN114494520B (zh) * | 2022-04-06 | 2022-08-30 | 西安瀚博电子科技有限公司 | 基于旋转因子的自适应等高线提取方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103778433B (zh) | 2017-02-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103778433A (zh) | 基于点到直线距离的广义点集匹配方法 | |
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 | |
CN107332240B (zh) | 基于优化模型的电力系统静态电压稳定域边界搜索的方法 | |
CN103631928A (zh) | 一种基于局部敏感哈希的聚类索引方法及系统 | |
CN109472816B (zh) | 一种点云配准方法 | |
CN104573681A (zh) | 一种人脸识别方法 | |
CN106682700A (zh) | 一种基于关键点描述算子的分块快速匹配算法 | |
CN104978582B (zh) | 基于轮廓弦角特征的遮挡目标识别方法 | |
CN102800099A (zh) | 多特征多级别的可见光与高光谱图像高精度配准方法 | |
CN104615880B (zh) | 一种三维激光雷达点云匹配的快速icp方法 | |
CN105354841A (zh) | 一种快速遥感影像匹配方法及系统 | |
CN102495886A (zh) | 基于量子算法的指纹数据库搜索方法 | |
Zhang et al. | Inner-iou: more effective intersection over union loss with auxiliary bounding box | |
CN104777469A (zh) | 一种基于量测误差协方差矩阵范数的雷达节点选择方法 | |
Shi et al. | A positive feedback spatial-spectral correlation network based on spectral slice for hyperspectral image classification | |
Wang et al. | Robust and real-time outdoor localization only with a single 2-D LiDAR | |
Zhai et al. | CGRM: A context-based graph reasoning model for fitting detection | |
CN105808631A (zh) | 一种数据依赖的多索引哈希算法 | |
Lu et al. | DeepRING: Learning roto-translation invariant representation for LiDAR based place recognition | |
CN110348286B (zh) | 一种基于最小二乘法的脸型拟合与匹配方法 | |
CN103714318A (zh) | 三维人脸配准方法 | |
Zhang et al. | Shape-IoU: More Accurate Metric considering Bounding Box Shape and Scale | |
Yuan et al. | Object Scan Context: Object-centric Spatial Descriptor for Place Recognition within 3D Point Cloud Map | |
CN104615994A (zh) | 一种监控图像实时处理方法 | |
Ma et al. | Triplet-Graph: Global Metric Localization based on Semantic Triplet Graph for Autonomous Vehicles |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: Science and technology Songshan Lake Science and Technology Industrial Park in Guangdong province Dongguan City nine road 523808 No. 1 Applicant after: GUANGDONG HUST INDUSTRIAL TECHNOLOGY RESEARCH INSTITUTE Address before: Songshan Lake Science and technology nine high tech Industrial Development Zone, Guangdong province Dongguan City Road 523808 No. 1 Applicant before: DG-HUST Manufacturing Engineering Institute |
|
COR | Change of bibliographic data | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |