CN103810501A - 一种散斑图像匹配中测度函数改进方法 - Google Patents
一种散斑图像匹配中测度函数改进方法 Download PDFInfo
- Publication number
- CN103810501A CN103810501A CN201410088952.3A CN201410088952A CN103810501A CN 103810501 A CN103810501 A CN 103810501A CN 201410088952 A CN201410088952 A CN 201410088952A CN 103810501 A CN103810501 A CN 103810501A
- Authority
- CN
- China
- Prior art keywords
- subdomain
- measure function
- sigma
- image
- average
- 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
Links
Images
Landscapes
- Image Analysis (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
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
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)>
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>)|
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 (2)
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:
(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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410088952.3A CN103810501A (zh) | 2014-03-12 | 2014-03-12 | 一种散斑图像匹配中测度函数改进方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410088952.3A CN103810501A (zh) | 2014-03-12 | 2014-03-12 | 一种散斑图像匹配中测度函数改进方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103810501A true CN103810501A (zh) | 2014-05-21 |
Family
ID=50707242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410088952.3A Pending CN103810501A (zh) | 2014-03-12 | 2014-03-12 | 一种散斑图像匹配中测度函数改进方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103810501A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722890A (zh) * | 2012-06-07 | 2012-10-10 | 内蒙古科技大学 | 基于光流场模型的非刚性心脏图像分级配准方法 |
CN102968788A (zh) * | 2012-10-25 | 2013-03-13 | 武汉大学 | 一种基于规则格网面元的波段配准方法 |
US20130128123A1 (en) * | 2010-07-29 | 2013-05-23 | Method for Reducing Image or Video Noise | Method for reducing image or video noise |
-
2014
- 2014-03-12 CN CN201410088952.3A patent/CN103810501A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130128123A1 (en) * | 2010-07-29 | 2013-05-23 | Method for Reducing Image or Video Noise | Method for reducing image or video noise |
CN102722890A (zh) * | 2012-06-07 | 2012-10-10 | 内蒙古科技大学 | 基于光流场模型的非刚性心脏图像分级配准方法 |
CN102968788A (zh) * | 2012-10-25 | 2013-03-13 | 武汉大学 | 一种基于规则格网面元的波段配准方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Miao et al. | A semi-automatic method for road centerline extraction from VHR images | |
CN103727930B (zh) | 一种基于边缘匹配的激光测距仪与相机相对位姿标定方法 | |
CN102332086B (zh) | 一种基于双阈值局部二进制模式的人脸识别方法 | |
CN101539629B (zh) | 基于多特征证据融合与结构相似度的遥感图像变化检测方法 | |
CN102902967B (zh) | 基于人眼结构分类的虹膜和瞳孔的定位方法 | |
Hu et al. | A robust method for semi-automatic extraction of road centerlines using a piecewise parabolic model and least square template matching | |
CN101551909B (zh) | 基于核及目标连续自适应分布特征的跟踪方法 | |
CN102609720B (zh) | 一种基于位置校正模型的行人检测方法 | |
CN103400388A (zh) | 一种利用RANSAC消除Brisk关键点错误匹配点对的方法 | |
CN101770581A (zh) | 高分辨率城区遥感图像中道路中心线的半自动检测方法 | |
CN103226821A (zh) | 基于视差图像素分类校正优化的立体匹配方法 | |
CN105469094A (zh) | 一种路面二值图像的边缘矢量线提取算法 | |
CN102855621A (zh) | 一种基于显著区域分析的红外与可见光遥感图像配准方法 | |
CN102663431A (zh) | 一种基于区域加权的图像匹配计算方法 | |
Rusk et al. | An evaluation of sex‐and ancestry‐specific variation in sacral size and shape using geometric morphometrics | |
CN105138992A (zh) | 一种基于区域主动轮廓模型的海岸线检测方法 | |
CN103854290A (zh) | 一种结合骨架特征点和分布场描述子的扩展目标跟踪方法 | |
CN111882664A (zh) | 一种多窗口累计差分的裂缝提取方法 | |
CN101976347A (zh) | 基于Mean Shift分割的遥感图像中水上桥梁识别方法 | |
CN106500594A (zh) | 融合反射强度和几何特征的铁路轨道半自动检测方法 | |
Jin et al. | Road feature extraction from high resolution aerial images upon rural regions based on multi-resolution image analysis and Gabor filters | |
Ding et al. | Efficient vanishing point detection method in unstructured road environments based on dark channel prior | |
CN104166977A (zh) | 一种图像匹配相似性测度方法及其图像匹配方法 | |
CN103810501A (zh) | 一种散斑图像匹配中测度函数改进方法 | |
CN107273793A (zh) | 一种用于人脸识别的特征提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20140521 |