CN105389775B - 融合图像灰度特征与结构化表示的图像群组配准方法 - Google Patents

Abstract

一种融合灰度特征与结构化表示的图像群组配准方法，包括如下步骤：1)从机器中获取的原始图像，并获得该图像的结构化表示，并将此结构化表示以及原始图像作为输入数据输入；2)对输入图像不断进行仿射变换，并求取变换后图像的相似度量，使变换后图像为相似度最优；3)对仿射变换后相似度达到最优的图像不断进行B样条变换，并计算B样条变换后图像的相似性度量，使B样条变换后的图像的相似性最优，从而获得最终的精配准图像。本发明提供一种有效增加配准有效信息，相对减少无用信息、配置精度较高的融合灰度特征与结构化表示的图像群组配准方法。

Description

融合图像灰度特征与结构化表示的图像群组配准方法

技术领域

本发明涉及图像配准领域，尤其是一种应图像群组群配准方法。

背景技术

图像配准就是将不同传感器或相同传感器在不同时间获取的相同场景的两幅或更多幅图像进行空间上的校准，使得配准后参考图像和浮动图像对应像素在空间上表达的信息一致。

配准方法按照输入图像的多少可以分为成对配准和群组配准。成对图像配准一般会指定参考图像和浮动图像；群组配准一般不指定参考图像，同时对多幅图像进行配准。在配准的方法中，按照所利用的图像特征分主要可以分为基于图像几何特征的配准方法，基于图像灰度特征的配准方法和将图像几何特征与灰度特征相结合的配准方法。

现有的识别方法存在的缺陷：图像无关信息量较大，配准精度较低，鲁棒性不高。

发明内容

为了克服输入图像中包含大量的图像信息，配准精度较低，并且在配准中无法选取适合的参考图像的不足，本发明提供一种有效增加配准有效信息，相对减少无用信息、配置精度较高的融合灰度特征与结构化表示的图像群组配准方法。

本发明解决其技术问题所采用的技术方案是：

一种融合灰度特征与结构化表示的图像群组配准方法，所述图像群组配准方法包括如下步骤：

1)从机器中获取的原始图像，并获得该图像的结构化表示，并将此结构化表示以及原始图像作为输入数据输入；

2)对输入图像不断进行仿射变换，并求取变换后图像的相似度量，使变换后图像为相似度最优；

3)对仿射变换后相似度达到最优的图像不断进行B样条变换，并计算B样条变换后图像的相似性度量，使B样条变换后的图像的相似性最优，从而获得最终的精配准图像。

进一步，所述步骤1)中，获得图像的结构化表示的过程：

2.1)选择一个设定大小的块；

2.2)计算块的概率密度函数，即描述图像的灰度分布情况，利用图像的灰度直方图来计算图像的概率密度函数，设图像I的灰度级范围为[0,L-1]，则I的直方图用离散函数h(r_k)来表示：

h(r_k)＝n_k k＝0,1,...,L-1 (1)

其中，r_k表示第k级灰度值，n_k表示图像I中灰度级值为r_k的像素个数；

设图像I的行数和列数分别为M和N，则归一化的直方图即图像I的概率密度函数p(r_k)表示为：

2.3)计算块的熵，所述熵是香农熵，将块的灰度值看做随机变量，香农熵表示为：

其中，H表示香农熵，i表示灰度值的可能取值，p_i是指定的块的概率密度函数；

对整幅图像进行划分块，每块按照2.1)～2.3)操作得到整幅图像的结构化表示。

再进一步，所述步骤2)、3)中，对于给定的N幅图像{I₁,I₂,...,I_N}，群组配准旨在找到最优的变换T使得输入的N幅图像达到空间上的对准，T_n表示图像I_n的变换，表示对I_n进行变换后的图像；

群组配准表示为目标函数：

S(T)＝S(I₁(T₁),I₂(T₂),...,I_N(T_N)) (4)

其中，T₁，T₂，…，T_N分别是图像I₁，I₂，…，I_N的变换，S(T)是变换后图像I₁(T₁)，I₂(T₂)，…，I_N(T_N)的相似性度量；

将原始图像和图像的结构化表示同时作为输入图像，此时的目标函数包含两部分内容：

S(T)＝S_intensity(T)+S_structural(T) (5)

其中，S_intensity(T)表示利用原始图像的灰度信息得到的目标函数分量，S_structural(T)表示利用结构化表示的图像表示得到的目标函数分量。

采用信息熵来表示相似性度量，用x_m表示输入图像的一个采样点，用S(I(T(x_m))表示变换后图像在x_m处的熵，群组配准的目标函数表示为：

其中，G_σ表示方差为σ²的高斯核，d_ij(x_m)＝I_i(T_i(x_m))-I_j(T_j(x_m))表示变换后的图像I_i(T_i(x_m))和I_j(T_j(x_m))在点x_m处的距离。

本发明的有益效果为：有效增加配准有效信息，相对减少无用信息、配置精度较高。

附图说明

图1是融合灰度特征与结构化表示的图像配准方法的流程图。

图2是群配准方法的基本框架。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1和图2，一种融合图像灰度特征与结构化表示的图像群组配准方法，包括如下步骤：

1)从机器中获取的原始图像，并获得该图像的结构化表示，并将此结构化表示以及原始图像作为输入数据输入；

2)对输入图像不断进行仿射变化，并求取变换后图像的相似度量，使变换后图像为相似度最优；

3)对仿射变换后相似度达到最优的图像不断进行B样条变换，并计算B样条变换后图像的相似性度量，使B样条变换后的图像的相似性最优，从而获得最终的精配准图像。

所述步骤1)中，获得图像的结构化表示的过程：

2.1)选择一个大小合适的块，选择较大的块可以提高精度但是计算会比较耗时，选择较小的块计算时间会减少但是精度会下降。在可变行的配准中需要选择的块更具局部描述特性，因此在满足精度的条件下选择较小的块；

2.2)计算块的概率密度函数，即描述图像的灰度分布情况。一般利用图像的灰度直方图来计算图像的概率密度函数。设图像I的灰度级范围为[0,L-1]，则I的直方图可用离散函数h(r_k)来表示：

h(r_k)＝n_k k＝0,1,...,L-1 (1)

其中，r_k表示第k级灰度值，n_k表示图像I中灰度级值为r_k的像素个数。

为计算图像的概率密度函数需要对直方图进行归一化，设图像I的行数和列数分别为M和N，则归一化的直方图即图像I的概率密度函数p(r_k)可表示为：

2.3)计算块的熵，然后对整幅图像进行这样的操作。本文所用的熵是香农熵，香农熵能够定量的反应出所选择的块的信息。可以将块的灰度值看做随机变量，那么香农熵可以表示为：

其中，H表示香农熵，i表示灰度值的可能取值，p_i是指定的块的概率密度函数。

再进一步，所述步骤2)，3)中，采用群组配准的方法，即对于给定的N幅图像{I₁,I₂,...,I_N}，群组配准旨在找到最优的变换T使得输入的N幅图像达到空间上的对准。因为是N幅图像因此这里的T是向量，T_n表示图像I_n的变换，表示对I_n进行变换后的图像。

群组配准可以表示为目标函数：

S(T)＝S(I₁(T₁),I₂(T₂),...,I_N(T_N)) (4)

其中，T₁，T₂，…，T_N分别是图像I₁，I₂，…，I_N的变换，S(T)是变换后图像I₁(T₁)，I₂(T₂)，…，I_N(T_N)的相似性度量。

群组配准中引进了图像的结构化表示，具体地，在群组配准中将原始图像的灰度信息和相应图像的结构化表示结合起来进行配准。将原始图像和图像的结构化表示同时作为输入图像，此时的目标函数包含两部分内容：

S(T)＝S_intensity(T)+S_structural(T) (5)

其中，S_intensity(T)表示利用原始图像的灰度信息得到的目标函数分量，S_structural(T)表示利用结构化的图像表示得到的目标函数分量。

更进一步，在步骤2)，3)中，将使用信息熵的方法来表示相似性度量，具体地，用x_m表示输入图像的一个采样点，用S(I(T(x_m))表示变换后图像在x_m处的熵。此时群组配准的目标函数可以表示为：

其中，G_σ表示方差为σ²的高斯核，d_ij(x_m)＝I_i(T_i(x_m))-I_j(T_j(x_m))表示变换后的图像I_i(T_i(x_m))和I_j(T_j(x_m))在点x_m处的距离。

下面结合附图2说明下群组配准方法的基本框架：群组配准是指同时配准多幅图像。对于给定的多幅输入图像，群组配准就是要找到一组变换关系同时对输入图像进行变换从而使它们同时达到空间上的最佳对准。

一般成对配准需要选定一个模板作为参考图像，而参考图像的选取会引入偏见。群组配准可以避免参考图像选取时存在的偏见问题，因为群组配准一般不需要选取参考图像，对于一些需要选取参考图像的群组配准来说其参考图像是通过求取所有输入图像的均值得到的而不是像成对配准那样选取某一个输入图像作为参考图像。

群组配准是指同时配准多幅图像。对于给定的多幅输入图像，群组配准就是要找到一组变换关系同时对输入图像进行变换从而使它们同时达到空间上的最佳对准。

群组配准意味着同时配准多幅输入图像，也就是说对于给定的N幅图像{I₁,I₂,...,I_N}，群组配准旨在找到最优的变换T使得输入的N幅图像达到空间上的对准。因为是N幅图像因此这里的T是向量，T_n表示图像I_n的变换，表示对I_n进行变换后的图像。

群组配准可以表示为目标函数：

S(T)＝S(I₁(T₁),I₂(T₂),...,I_N(T_N)) (7)

其中，T₁，T₂，…，T_N分别是图像I₁，I₂，…，I_N的变换，S(T)是变换后图像I₁(T₁)，I₂(T₂)，…，I_N(T_N)的相似性度量。

在本实施例中，采用杰卡德系数来衡量配准的效果的好坏，杰卡德系数是现今比较好的评价配准效果的方法之一。其计算公式为：

表1为使用现流行的配准方法与本文所述的方法处理相同图像后的杰卡德系数比较。

表1

Claims (3)

1.一种融合灰度特征与结构化表示的图像群组配准方法，其特征在于：所述图像群组配准方法包括如下步骤：

1)从机器中获取的原始图像，并获得该图像的结构化表示，并将此结构化表示以及原始图像作为输入数据输入；

2)对输入图像不断进行仿射变换，并求取变换后图像的相似度量，使变换后图像为相似度最优；

3)对仿射变换后相似度达到最优的图像不断进行B样条变换，并计算B样条变换后图像的相似性度量，使B样条变换后的图像的相似性最优，从而获得最终的精配准图像；

所述步骤1)中，获得图像的结构化表示的过程：

2.1)选择一个设定大小的块；

2.2)计算块的概率密度函数，即描述图像的灰度分布情况，利用图像的灰度直方图来计算图像的概率密度函数，设图像I的灰度级范围为[0,L-1]，则I的直方图用离散函数h(r_k)来表示：

h(r_k)＝n_k k＝0,1,...,L-1 (1)

其中，r_k表示第k级灰度值，n_k表示图像I中灰度级值为r_k的像素个数；

设图像I的行数和列数分别为M和N，则归一化的直方图即图像I的概率密度函数p(r_k)表示为：

2.3)计算块的熵，所述熵是香农熵，将块的灰度值看做随机变量，香农熵表示为：

其中，H表示香农熵，i表示灰度值的可能取值，p_i是指定的块的概率密度函数；

对整幅图像进行划分块，每块按照2.1)～2.3)操作得到整幅图像的结构化表示。

2.如权利要求1所述的融合灰度特征与结构化表示的图像群组配准方法，其特征在于：所述步骤2)、3)中，对于给定的N幅图像{I₁,I₂,...,I_N}，群组配准旨在找到最优的变换T使得输入的N幅图像达到空间上的对准，T_n表示图像I_n的变换，表示对I_n进行变换后的图像；

群组配准表示为目标函数：

S(T)＝S(I₁(T₁),I₂(T₂),...,I_N(T_N)) (4)

其中，T₁，T₂，…，T_N分别是图像I₁，I₂，…，I_N的变换，S(T)是变换后图像I₁(T₁)，I₂(T₂)，…，I_N(T_N)的相似性度量；

将原始图像和图像的结构化表示同时作为输入图像，此时的目标函数包含两部分内容：

S(T)＝S_intensity(T)+S_structural(T) (5)

其中，S_intensity(T)表示利用原始图像的灰度信息得到的目标函数分量，S_structural(T)表示利用结构化表示的图像表示得到的目标函数分量。

3.如权利要求2所述的融合灰度特征与结构化表示的图像群组配准方法，其特征在于：采用信息熵来表示相似性度量，用x_m表示输入图像的一个采样点，用S(I(T(x_m))表示变换后图像在x_m处的熵，群组配准的目标函数表示为：

其中，G_σ表示方差为σ²的高斯核，d_ij(x_m)＝I_i(T_i(x_m))-I_j(T_j(x_m))表示变换后的图像I_i(T_i(x_m))和I_j(T_j(x_m))在点x_m处的距离。