CN103810501A

CN103810501A - 一种散斑图像匹配中测度函数改进方法

Info

Publication number: CN103810501A
Application number: CN201410088952.3A
Authority: CN
Inventors: 孙继平; 洪亮
Original assignee: China University of Mining and Technology Beijing CUMTB
Current assignee: China University of Mining and Technology CUMT; China University of Mining and Technology Beijing CUMTB
Priority date: 2014-03-12
Filing date: 2014-03-12
Publication date: 2014-05-21

Abstract

本发明涉及光学测量、图像匹配领域，特别是涉及一种散斑图像匹配中测度函数改进方法。现有的测度函数很多都涉及“去均值”运算，在运算中具有将f和g的均值<f>和<g>减去的环节，将这些涉及去均值运算的公式做以下改进：在T中截取一子域g′，g′包含g，计算g′的均值，记为<g′>，在测度函数中用<g′>替换<g>可明显提高图像匹配精度。

Description

一种散斑图像匹配中测度函数改进方法

技术领域

本发明涉及光学测量、图像匹配领域，特别是涉及一种散斑图像匹配中测度函数改进方法。

背景技术

图像匹配(图像识别)大体上可分为两种情况：基于对象的识别和非对象识别。所谓对象是一些像素集合，该集合具有特定的图像特征(灰度变异、轮廓、纹理等)。基于对象的识别是相对容易的，其匹配测度函数一般都具有一个陡峭的单峰。但有时需要做比对的图像中没有明显的对象或由于图像过于模糊(或模板过小)使模板中无法定义足以识别的对象，例如图1所示的某岩石力学实验中试件的表面图像由一些随机的灰度斑点组成(一般称为散斑图)。对两幅含有相同内容的散斑图进行匹配时，由于单独的散斑不含有足以分辨的信息量，无法视作对象加以搜索，只有通过增大比对窗口，使窗口内的散斑增多，直到其具有足以分辨的信息量才能实现匹配。这种匹配是一种非对象识别。在光学测量领域，图像匹配函数一般采用某种相关测度计算，所以将这种图像匹配方法称作数字散斑相关方法-DSCM(DigitalSpeckle Correlation Method)。

基于区域灰度的各种配准方法，其差异主要表现在相似度量准则的不同，基于不同的度量准则，发展出了很多相关公式，金观昌在《计算机辅助光学测量(第2版)》(北京：清华大学出版社，2007)第146页将现有的大多数相关公式列举如下：

C₁＝-∑∑|f-g|

C₂＝-∑∑|f-<f>-(g-<g>)|

C₃＝-<|f-g|>

C₄＝-<(f-g)²>

c₅＝<(f·g)>

C_{6} = 1 - \frac{ΣΣ | f - g |}{ΣΣf}

C_{7} = 1 - \frac{ΣΣ {(f - g)}^{2}}{ΣΣ f^{2}}

C_{8} = \frac{ΣΣ (f \cdot g)}{ΣΣ g^{2}}

C_{9} = \frac{ΣΣ (f \cdot g)}{\sqrt{ΣΣ f^{2}} \cdot \sqrt{ΣΣ g^{2}}}

C_{11} = \frac{< f \cdot g > - < f > \cdot < g >}{\sqrt{({< f}^{2} > - {< f >}^{2}) \cdot ({< g}^{2} > - {< g >}^{2})}}

C_{12} = \frac{N^{2} ΣΣ (f \cdot g) - (ΣΣf) \cdot (ΣΣg)}{\sqrt{N^{2} ΣΣ f^{2} - {(ΣΣf)}^{2}} \cdot \sqrt{N^{2} ΣΣ g^{2} - {(ΣΣg)}^{2}}}

C_{13} = \frac{{ΣΣ [(f - < f >) \cdot (g - < g >)]}^{2}}{ΣΣ {(f - < f >)}^{2} \cdot ΣΣ {(g - < g >)}^{2}}

以上各式中，<f>和<g>分别表示f和g的均值。

以上各式的测度函数很多都涉及“去均值”运算，在运算中具有将f和g的均值<f>和<g>减去的环节。当f和g的尺度较小时，<g>随g位置的改变存在较大的随机波动，导致图像匹配的精度很难提高。

发明内容

本发明提供了一种散斑图像匹配中测度函数改进方法，通过改变目标子域的范围降低区域均值的波动，实现提高配准精度的目的。

为实现上述目的，本发明所采用的技术方案是：设I为原始图像，f为所述原始图像中截取的图像模板，T为目标图像，g为所述目标图像中截取的目标子域，在将所述图像模板f和目标子域g比较时，对应点处的灰度值分别为f(i，j)和g(i+u，j+v)，(u，v)为g与f的像间相对位移矢量，相应地将g表示为g_(u，v)，根据相应的相关算法，计算g与f的相关测度，记作C(u，v)，当(u，v)为变量时，函数C(u，v)称为相关测度函数，简称测度函数，所述的测度函数包括“去均值”运算，在所述的“去均值”运算中包括将f和g的均值<f>和<g>减去的环节，该方法将所述的“去均值”运算做以下改进：在所述的目标图像T中截取第二子域g′，g′包含g，计算g′的均值，记为<g′>，在测度函数中用<g′>替换<g>。

进一步地，所述第二子域g′的截取方法包括：

(1)在T中截取第二子域g′，g′和g的中心、形状、方向均相同，只有尺度不同，g′的边长取值范围为g边长的1.1～5倍；随着(u，v)的变化，g′的位置随之变化；

(2)将T本身作为子域，即g′＝T。

本发明达到的有益效果：扩大目标子域的范围后可降低目标子域均值的波动，明显提高配准精度。

附图说明

图1原始图像和目标图像的关系

图2改进的目标子域g′

具体实施方式

下面结合附图对本发明做进一步详细说明。

本发明的一种散斑图像匹配中测度函数改进方法具体内容如下：

基于区域灰度的图像匹配可作如下数学描述：

如图1所示，设I为原始图像，f为其中截取的图像模板。T为目标图像，g为其中截取的目标子域。在将模板和目标子域比较时，对应点处的灰度值分别为f(i，j)和g(i+u，j+v)，(u，v)为g与f的像间相对位移矢量，相应可将g表示为g_(u，v)。根据某相关算法，可建立图像间的相关测度ρ。计算g与f的相关测度值，记作ρ(u，v)。基于图像灰度相关的测度有多种算法，针对具体情况，采用合适的算法，可以使相关测度函数ρ(u，v)获得较好的图形表现。若某相关测度函数曲面有一个明显的单峰，其峰值所对应的子域

与模板f恰好包含相同内容。

将现有的相关函数中的一些列举如下：

C₂＝-∑∑|f-<f>-(g-<g>)|

C_{11} = \frac{< f \cdot g > - < f > \cdot < g >}{\sqrt{({< f}^{2} > - {< f >}^{2}) \cdot ({< g}^{2} > - {< g >}^{2})}}

C_{13} = \frac{{ΣΣ [(f - < f >) \cdot (g - < g >)]}^{2}}{ΣΣ {(f - < f >)}^{2} \cdot ΣΣ {(g - < g >)}^{2}}

在以上各式中，都涉及“去均值”运算，f和g的均值<f>和<g>在运算中减去，当f和g的尺度较小时，随着(u，v)的变化，<g>的值也将随之发生随机波动，为解决这一问题，将以上公式做以下改进：

如图2所示，在T中截取第二子域g′，g′包含g。计算g′的均值，记为<g′>。在相关函数中用<g′>替换<g>。

子域g′的截取方法包括：

(1)在T中截取第二子域g′，g′和g的中心、形状、方向均相同只有尺度不同，g′的边长取值范围为g边长的1.1～5倍；随着(u，v)的变化，g′的位置将随之变化。

(2)将T本身作为子域，即g′＝T。

本发明通过改变目标子域的范围降低区域均值的波动，提高了配准精度。

Claims

1.一种散斑图像匹配中测度函数改进方法，设I为原始图像，f为所述原始图像中截取的图像模板，T为目标图像，g为所述目标图像中截取的目标子域，在将所述图像模板f和目标子域g比较时，对应点处的灰度值分别为f(i，j)和g(i+u，j+v)，(u，v)为g与f的像间相对位移矢量，相应地将g表示为g_(u，v)，根据相应的相关算法，计算g与f的相关测度，记作C(u，v)，当(u，v)为变量时，函数C(u，v)称为相关测度函数，简称测度函数，所述的测度函数包括“去均值”运算，在所述的“去均值”运算中包括将f和g的均值<f>和<g>减去的环节，其特征在于：

该方法将所述的“去均值”运算做以下改进：在所述的目标图像T中截取第二子域g′，g′包含g，计算g′的均值，记为<g′>，在测度函数中用<g′>替换<g>。

2.根据权利要求1所述的散斑图像匹配中测度函数改进方法，其特征在所述于第二子域g′的截取方法包括：

(2)将T本身作为子域，即g′＝T。