CN104966299A - 一种基于径向环形直方图的图像定位匹配方法 - Google Patents

Abstract

本发明公开了一种基于径向环形直方图的图像定位匹配方法，该方法包括如下步骤：选用模板图像内的最大内切圆为有效区域，其圆心为O(i_O,j_O)，所述模板图像在目标图像上每平移一次在其上获得与有效区域相同的圆形区域；获取有效区域和所有圆形区域内任意一点的径向梯度码，统计各径向梯度码的直方图，获取模板图像和目标图像的径向环形直方图；根据上述径向环形直方图计算获得相似衡量量S，通过该相似衡量量S与阈值的比较实现目标图像的定位匹配。本发明利用径向环形直方图的旋转不变性及梯度特征信息，实现特征不明显目标物体的定位匹配，对光照变化有较好的鲁棒性，可适应多目标匹配需求。

Description

一种基于径向环形直方图的图像定位匹配方法

技术领域

本发明属于图像处理技术领域，更具体地，涉及一种基于径向环形直方图的图像定位匹配算法。

背景技术

IC封装产品向着集成化、小型化发展，要求IC电子封装设备具有高速度、高精度的定位能力，从而能快速准确的实现芯片的拾取和放置，在上述过程中图像匹配定位算法在其中起着关键的作用。

常见的图像匹配定位算法有灰度匹配和特征匹配两种。灰度匹配利用灰度信息直接计算，算法简单，精度高，但对非线性光照变化敏感。特征匹配的算法通常进行边缘特征提取，大大减少计算量，具有速度快，可适应光照变化的特点。

而目前IC封装应用中，模板图像相对目标图像可能发生平移、旋转等变换，非线性光照变化和图像模糊常同时出现，若采用灰度匹配算法，无法适应非线性光照变化；若采用特征匹配算法，由于目标图像模糊而导致特征不明显，无法正常提取细边缘进行特征匹配。因此，需要寻找一种匹配算法对光照变化有较好的鲁棒性，且能较好的应对模糊造成的特征不明显的问题。

发明内容

针对现有技术的上述缺点和/或改进需求，本发明提供了一种基于径向环形直方图的图像定位匹配方法，其中利用圆形的旋转不变性原理，选用圆形区域作为定位匹配的有效区域，并利用径向角分别获取模板图像和目标图像的径向环形码直方图，以直方图的形式直接实现目标图像的定位匹配，具有计算量低、匹配速度快等优点，同时对干扰具有很好的鲁棒性，因而，尤其适用于非线性光照变化情况下以及应对特征不明显模糊目标物体的定位匹配。

为实现上述目的，本发明提出了一种基于径向环形直方图的图像定位匹配方法，其特征在于，该方法包括如下步骤：

(1)选择定位匹配有效区域：

确定一模板图像及待定位匹配的目标图像，选用该模板图像内的最大内切圆为有效区域，设定该有效区域的圆心为O(i_O,j_O)、半径为R；在定位匹配过程中所述模板图像在所述目标图像上每平移一次，均在所述目标图像上获得与所述有效区域相同的圆形区域；

(2)获取径向环形直方图：

分别在上述有效区域和所有圆形区域内各自选取任意一点P(i_P,j_P)，计算该点的径向梯度角α(i_P,j_P)，并获取表征所述径向梯度角α(i_P,j_P)数值大小的径向梯度码C(i_P,j_P)，然后统计所述有效区域和所有圆形区域内各径向梯度码C(i_P,j_P)的直方图，以此分别获得所述模板图像的N维径向环形直方图V_M、以及各个所述目标图像的N维径向环形直方图V_O，其中，N为正整数；

(3)目标图像的定位匹配：

根据步骤(2)中获得的所述V_M和V_O，计算获得相似衡量量S；通过该相似衡量量S与预设阈值之间的比较，以及相似衡量量S的最大值所对应的位置，实现目标图像的定位匹配。

进一步优选的，步骤(2)中所述点P(i_P,j_P)进一步按照以下方式来选定：其梯度值G_M(i_P,j_P)大于预设的梯度阈值T时所对应的点。

进一步优选的，所述的梯度值G_M(i_p,j_p)采用Sobel算子进行计算，所述Sobel算子x、y方向的算子分别为：

$G_x=\left[\begin{array}{ccc}-1& 0& +1\\ -2& 0& +2\\ -1& 0& +1\end{array}\right],G_y=\left[\begin{array}{ccc}+1& +2& +1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right];$

通过上述x、y方向的算子计算得到点P(i_P,j_P)处的梯度矢量G_P＝[G_x(i_P,j_P),G_y(i_P,j_P和)]梯度值 $G_M(i_P,j_P)=\sqrt{G_x{(i_P,j_P)}^2+G_y{(i_P,j_P)}^2}.$

进一步优选的，所述径向梯度码C(i_P,j_P)通过如下公式获得：

$C(i_P,j_P)=\[\frac{\mathrm{\α}(i_P,j_P)}{\mathrm{\Δ}\mathrm{\α}}\];$

其中：[]为取整运算，U_PO＝[i_P-i_O,j_P-j_O]，G_p为点P(i_P,j_P)处的梯度矢量，Δα为角度步长，Δα＝π/N。

进一步优选的，将所述有效区域和各个圆形区域均划分为由内圆形区和外圆环区组成的两个区域，所述内圆形区和外圆环区同心，然后获得所述模板图像的2N维径向环形直方图V_M’，以及各个所述目标图像的2N维径向环形直方图V_O’；其中，所述内圆形区的半径r满足如下条件：其中，Δh为模板图像在目标图像上每次平移的距离。

进一步优选的，所述相似衡量量S通过如下计算公式获得：

$S=\frac{\underset{k=0}{\overset{N-1}{\Σ}}min\left(V_M\right(t),V_O(t\left)\right)}{\underset{k=0}{\overset{N-1}{\Σ}}{V}_M\left(k\right)};$

其中：V_M(k)表示模板图像N维径向环形直方图上第k柱的大小，V_O(k)表示目标图像N维径向环形直方图上第k柱的大小，k＝0，1，2，…，N-1；min(V_M(k),V_O(k))表示两个直方图的最大重叠量。

进一步优选的，所述相似衡量量S通过如下计算公式获得：

$S=\frac{\underset{k^{,}=0}{\overset{N-1}{\Σ}}\mathrm{\ω}min\left({V_M}^{,}\right(k^{,}),{V_O}^{,}(k^{,}\left)\right)+\underset{k^{,}=N}{\overset{2N-1}{\Σ}}(1-\mathrm{\ω})min\left({V_M}^{,}\right(k^{,}),{V_O}^{,}(k^{,}\left)\right)}{\underset{k^{,}=0}{\overset{N-1}{\Σ}}{{\mathrm{\ωV}}_M}^{,}\left(k^{,}\right)+\underset{k^{,}=N}{\overset{2N-1}{\Σ}}(1-\mathrm{\ω}){V_M}^{,}\left(k^{,}\right)};$

其中：V_M’(k’)表示模板图像2N维径向环形直方图上第k’柱的大小，V_O’(k’)表示目标图像2N维径向环形直方图上第k’柱的大小，k’＝0，1，2，…，2N-1；min(V_M’(k’),V_O’(k’))表示两个直方图的最大重叠量；ω表示内圆形区的权重。

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，主要具备以下的技术优点：

1.本发明的方法利用图像区域梯度信息及特征，进行图像定位匹配，可应对图像特征不明显的模糊目标图像类型，且能够适应非线性光照变化的情况，可较好的应对光照变化，本发明将梯度径向角转化为径向梯度码，具有良好的旋转不变性。

2.本发明还引入了环形区域划分，同时引入空间位置信息，让其具有更好的表征能力，可识别靠近的多目标物体，本发明径向角的使用和环形区域的设置，都间接利用矢量的位置信息，提升直方图特征的表征能力，对干扰具有更好的鲁棒性，能够更好识别靠近的多目标物体，减少不必要的角度搜索计算，大大降低计算量，具有高匹配速度和效率。

附图说明

图1是本发明的径向梯度角示意图；

图2是本发明的不同参考点示意图；

图3是本发明的有效区域划分示意图；

图4是本发明的径向环形直方图示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。

本发明提供了一种面向模糊目标图像的基于径向环形直方图的图像定位匹配方法，用于确定模板图像在目标图像中的位置，模板匹配是指选取一副已知的小图像(模板图像)，在另一幅大图像(目标图像)中搜索与模板图像相同的图案，找到目标图像上与模板图像尺寸、角度和位置相同的图案。在本实施例中，图像可以表示为行列方向的二维数组，每个数组元素的值代表该点的像素灰度值，以图像左上角为图像坐标的原点，垂直向下方向为Y正方向，同时也为行数标号递增方向，代表了图像的高度方向，水平向右方向为X正方向，同时也为列数标号递增方向，代表了图像的宽度方向。

本发明的匹配方法主要分为径向环形直方图获取阶段和目标图像定位匹配阶段。以下对本发明提出的匹配方法作详细说明，具体步骤如下：

一、径向环形直方图制作阶段

步骤(1)：选择定位匹配有效区域，确定一模板图像及待定位匹配的目标图像，如图1所示，点P绕着点O旋转到P’点后，旋转角度为θ，p’点处的梯度矢量G_P’与径向矢量U_P’O的夹角(即径向角)不变，仍然是α，可见径向角具有旋转不变性。由于圆形区域具有实现旋转不变性，因此选用所述模板图像内的最大内切圆为有效区域，确定该内切圆的圆心O(i_O,j_O)为旋转参考点，其半径为R；在定位匹配过程中所述模板图像在所述目标图像上每平移一次，均在所述目标图像上获得与所述有效区域相同的圆形区域；

步骤(2)：分别在上述有效区域和各个圆形区域内获取任意一点P(i_P,j_P)，并获取该点的径向梯度码C(i_P,j_P)，然后统计模板图像和所有模板图像内不同径向梯度码C(i_P,j_P)的直方图，并按照一定的区域顺序进行排列，以此分别获得模板图像的N维径向环形直方图V_M和目标图像的N维径向环形直方图V_O，其中，N为正整数；

二、目标图像的定位匹配阶段

步骤(3)：根据上述获得的所述V_M和V_O，进一步计算获得相似衡量量S；通过该相似衡量量S与阈值的比较，以及相似衡量量S的最大值所对应的位置，实现目标图像的定位匹配。模板图像在目标图像中滑动式平移搜索，从目标图像的左上角一直搜索到右下角，并计算出所有点的相似分数(即相似衡量量S)，根据阈值的设定，筛选出有效区域，再通过非极大值抑制方法，得到各个局部的极大值，即为所求的匹配位置点，若没有分数大于阈值，则说明该目标图像中没有与模板图像相匹配的图案。

为了抑制噪声的干扰，本实施例的步骤(2)中，当G_M(i_P,j_P)＞T(表示点P(i_P,j_P)处的梯度大小大于T)时，才进行该点的径向梯度码C(i_P,j_P)的计算，其中，T为梯度阈值，T的选取视具体情况而定，若选得过大，有用的梯度信息会被忽略；若选得过小，噪声的影响就会变大，并对后续直方图匹配的影响很大，通过实验研究，选取T＝20比较合适。

本实施例中，所述的梯度大小G_M(i_p,j_p)采用Sobel算子进行计算，所述Sobel算子x、y方向的算子分别为：

$G_x=\left[\begin{array}{ccc}-1& 0& +1\\ -2& 0& +2\\ -1& 0& +1\end{array}\right],G_y=\left[\begin{array}{ccc}+1& +2& +1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right];$

通过上述x、y方向的算子计算得到点P(i_P,j_P)处的梯度矢量G_P＝[G_x(i_P,j_P),G_y(i_P,j_P和)]梯度大小 $G_M(i_P,j_P)=\sqrt{G_x{(i_P,j_P)}^2+G_y{(i_P,j_P)}^2}.$

本实施例中，所述径向梯度码C(i_P,j_P)通过如下计算公式获得：

$C(i_P,j_P)=\[\frac{\mathrm{\α}(i_P,j_P)}{\mathrm{\Δ}\mathrm{\α}}\];$

其中：[]为取整运算，U_PO＝[i_P-i_O,j_P-j_O]，G_p为点P(i_P,j_P)处的梯度矢量，Δα为角度步长，Δα＝π/N。

如图2所示，对于同一点来说，当参考点变化了，径向角度也会发生变化，如点A处的梯度矢量的参考点为O和O’点时，径向角度有很大的变化。于此同时，对于同一个参考点，距离参考点的位置不同，径向角度的变化值也不同，如点A，B处的两个矢量，当参考点由O点变为O’点后，两个矢量的变化角度分别为∠O'AO,∠O'BO,可见，越接近圆心，变化值越大，因此不可进行同等对待。若模板图像在目标图像上的移动步长较小时，模板图像越靠近圆心的区域的角度变化越大，容易导致内部区域的直方图有剧烈的变换，而远离圆心区域的角度变化较小，直方图形状变化并不明显，可见靠近圆心的区域在邻近搜索时更加敏感。

因此，在本实施例中将模板图像的有效区域和所有目标图像的圆形区域进一步分成两个区域，该两个区域为同心的内圆区域和外圆环区域，如图3所示。假设每次平移的步长(即模板图像在目标图像上每次移动的距离)为Δh，则内圆区域的内圆半径r满足以下条件：R表示有效圆形区域的半径(即外环区域的外径)，当只有一个区域时，r＝R，直方图的维度为N；当将有效圆形区域分为两个区域时，直方图的维度为2N，此时则获得模板图像的2N维径向环形直方图V_M’和目标图像的2N维径向环形直方图V_O’。当用N维向量无法良好的表达一整幅图像时，可通过分区的方式，增加维度，同时还可减少部分区域不必要的计算。若图像过大的话，可将外环再进行均匀分区，提高向量的表达能力。如图4所示的例子，当N＝9时，(a)图是当只有一个区域r＝R的情况，径向环形直方图为9维，(b)图为r<R的情况，前9个为内圆形区的直方图，后9个为外圆环区的直方图。用向量V代替图像的信息，具有良好的旋转不变形，与其他依靠主方向的旋转不变性不同，对旋转更加稳定。

在本实施例中，模板图像与目标图像分别计算径向环形码直方图，并进行比较。现有有许多向量比较距离公式或相似函数的方法，如均方差距离，卡方距离或Manhattan距离等。而对于多目标匹配来说，很难用距离公式来做比较，因此，本发明利用径向环形直方图不同区域的特性，将不同的区域设置不同的权重，来提高对不同类型目标物体的表达能力。本实施例内圆的权重设为ω(其可根据需要进行选择)，外环的权重则为1-ω，一般情况下，让内圆的权值更小。

本实施例中，所述相似衡量量S通过如下计算公式获得：

当有效圆形区域为一个区域时：

$S=\frac{\underset{k=0}{\overset{N-1}{\&Sigma;}}min\left(V_M\right(k),V_O(k\left)\right)}{\underset{k=0}{\overset{N-1}{\&Sigma;}}{V}_M\left(k\right)};$

其中：V_M(k)表示模板图像N维径向环形直方图上第k柱的大小，V_O(k)表示目标图像N维径向环形直方图上第k柱的大小，k＝0，1，2，…，N-1；min(V_M(k),V_O(k))表示两个直方图的最大重叠量。

当有效圆形区域分为内、外两个区域时，所述相似衡量量S通过如下计算公式获得：

$S=\frac{\underset{k^{,}=0}{\overset{N-1}{\&Sigma;}}\mathrm{\&omega;}min\left({V_M}^{,}\right(k^{,}),{V_O}^{,}(k^{,}\left)\right)+\underset{k^{,}=N}{\overset{2N-1}{\&Sigma;}}(1-\mathrm{\&omega;})min\left({V_M}^{,}\right(k^{,}),{V_O}^{,}(k^{,}\left)\right)}{\underset{k^{,}=0}{\overset{N-1}{\&Sigma;}}{{\mathrm{\&omega;V}}_M}^{,}\left(k^{,}\right)+\underset{k^{,}=N}{\overset{2N-1}{\&Sigma;}}(1-\mathrm{\&omega;}){V_M}^{,}\left(k^{,}\right)};$

其中：V_M’(k’)表示模板图像2N维径向环形直方图上第k’柱的大小，V_O’(k’)表示目标图像2N维径向环形直方图上第k’柱的大小，k’＝0，1，2，…，2N-1；min(V_M’(k’),V_O’(k’))表示两个直方图的最大重叠量；ω表示内圆形区的权重。

本发明所提出的方法，利用区域梯度信息，可应对特征不明显的目标类型，且可较好应对光照变化，并将梯度角转化为径向梯度角，具有旋转不变性，加入环形区域划分，引入空间位置信息，让其具有更好的表征能力，可识别靠近的多目标物体。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于径向环形直方图的图像定位匹配方法，其特征在于，该方法包括如下步骤：

(1)选择定位匹配有效区域：

确定一模板图像及待定位匹配的目标图像，选用该模板图像内的最大内切圆为有效区域，设定该有效区域的圆心为O(i_O,j_O)、半径为R；在定位匹配过程中所述模板图像在所述目标图像上每平移一次，均在所述目标图像上获得与所述有效区域相同的圆形区域；

(2)获取径向环形直方图：

分别在上述有效区域和所有圆形区域内各自选取任意一点P(i_P,j_P)，计算该点的径向梯度角α(i_P,j_P)，并获取表征所述径向梯度角α(i_P,j_P)数值大小的径向梯度码C(i_P,j_P)，然后统计所述有效区域和所有圆形区域内各径向梯度码C(i_P,j_P)的直方图，以此分别获得所述模板图像的N维径向环形直方图V_M、以及各个所述目标图像的N维径向环形直方图V_O，其中，N为正整数；

(3)目标图像的定位匹配：

根据步骤(2)中获得的所述V_M和V_O，计算获得相似衡量量S；通过该相似衡量量S与预设阈值之间的比较，以及相似衡量量S的最大值所对应的位置，实现目标图像的定位匹配。

2.如权利要求1所述的基于径向环形直方图的图像定位匹配方法，其特征在于，步骤(2)中所述点P(i_P,j_P)进一步按照以下方式来选定：其梯度值G_M(i_P,j_P)大于预设的梯度阈值T时所对应的点。

3.如权利要求2所述的基于径向环形直方图的图像定位匹配方法，其特征在于，所述的梯度值G_M(i_p,j_p)采用Sobel算子进行计算，所述Sobel算子x、y方向的算子分别为：

$G_x=\left[\begin{array}{ccc}-1& 0& +1\\ -2& 0& +2\\ -1& 0& +1\end{array}\right],G_y=\left[\begin{array}{ccc}+1& +2& +1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right];$

通过上述x、y方向的算子计算得到点P(i_P,j_P)处的梯度矢量G_P＝[G_x(i_P,j_P),G_y(i_P,j_P和梯度值 $G_M(i_P,j_P)=\sqrt{G_x{(i_P,j_P)}^2+G_y{(i_P,j_P)}^2}.$

4.如权利要求1-3任一项所述的基于径向环形直方图的图像定位匹配方法，其特征在于，所述径向梯度码C(i_P,j_P)通过如下公式获得：

$C(i_P,j_P)=\&lsqb;\frac{\mathrm{\&alpha;}(i_P,j_P)}{\mathrm{\&Delta;}\mathrm{\&alpha;}}\&rsqb;;$

其中：[ ]为取整运算，U_PO＝[i_P-i_O,j_P-j_O]，G_p为点P(i_P,j_P)处的梯度矢量，Δα为角度步长，Δα＝π/N。

5.如权利要求4所述的基于径向环形直方图的图像定位匹配方法，其特征在于，将所述有效区域和各个圆形区域均划分为由内圆形区和外圆环区组成的两个区域，所述内圆形区和外圆环区同心，然后获得所述模板图像的2N维径向环形直方图V_M’，以及各个所述目标图像的2N维径向环形直方图V_O’；其中，所述内圆形区的半径r满足如下条件：其中，Δh为模板图像在目标图像上每次平移的距离。

6.如权利要求1所述的基于径向环形直方图的图像定位匹配方法，其特征在于，所述相似衡量量S通过如下计算公式获得：

$S=\frac{\underset{k=0}{\overset{N-1}{\&Sigma;}}min(V_M\left(k\right),V_O\left(k\right))}{\underset{k=0}{\overset{N-1}{\&Sigma;}}{V}_M\left(k\right)};$

其中：V_M(k)表示模板图像N维径向环形直方图上第k柱的大小，V_O(k)表示目标图像N维径向环形直方图上第k柱的大小，k＝0，1，2，…，N-1；min(V_M(k),V_O(k))表示两个直方图的最大重叠量。

7.如权利要求5所述的基于径向环形直方图的图像定位匹配方法，其特征在于，所述相似衡量量S通过如下计算公式获得：

$S=\frac{\underset{k^{,}=0}{\overset{N-1}{\&Sigma;}}\mathrm{\&omega;}min({V_M}^{,}\left(k^{,}\right),{V_O}^{,}\left(k^{,}\right))+\underset{k^{,}=N}{\overset{2N-1}{\&Sigma;}}(1-\mathrm{\&omega;})min({V_M}^{,}\left(k^{,}\right),{V_O}^{,}\left(k^{,}\right))}{\underset{k^{,}=0}{\overset{N-1}{\&Sigma;}}{{\mathrm{\&omega;V}}_M}^{,}\left(k^{,}\right)+\underset{k^{,}=N}{\overset{2N-1}{\&Sigma;}}(1-\mathrm{\&omega;}){V_M}^{,}\left(k^{,}\right)};$

其中：V_M’(k’)表示模板图像2N维径向环形直方图上第k’柱的大小，V_O’(k’)表示目标图像2N维径向环形直方图上第k’柱的大小，k’＝0，1，2，…，2N-1；min(V_M’(k’),V_O’(k’))表示两个直方图的最大重叠量；ω表示内圆形区的权重。