CN106485651A - 快速鲁棒性尺度不变的图像匹配方法 - Google Patents
快速鲁棒性尺度不变的图像匹配方法 Download PDFInfo
- Publication number
- CN106485651A CN106485651A CN201610887108.6A CN201610887108A CN106485651A CN 106485651 A CN106485651 A CN 106485651A CN 201610887108 A CN201610887108 A CN 201610887108A CN 106485651 A CN106485651 A CN 106485651A
- Authority
- CN
- China
- Prior art keywords
- image
- nonlinear
- matched
- point
- matching method
- 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
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 37
- 238000001914 filtration Methods 0.000 claims abstract description 11
- 239000013598 vector Substances 0.000 claims description 23
- 230000008878 coupling Effects 0.000 claims description 11
- 238000010168 coupling process Methods 0.000 claims description 11
- 238000005859 coupling reaction Methods 0.000 claims description 11
- 238000009792 diffusion process Methods 0.000 claims description 10
- 230000004044 response Effects 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000001629 suppression Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 17
- 230000009466 transformation Effects 0.000 abstract description 10
- 238000005286 illumination Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 7
- 238000012360 testing method Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 229910002056 binary alloy Inorganic materials 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 241000282320 Panthera leo Species 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000009394 selective breeding Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了鲁棒性快速的尺度不变图像匹配方法,涉及计算机视觉领域。本发明的重点在于提高特征匹配的可靠性与实时性,提出了一种鲁棒性快速的尺度不变图像匹配方法。具体方法为,首先利用Wallis滤波与灰度均匀化减弱噪声与光照影响;其次提出SURNSIF检测子与描述子来增强算法对尺度变换与旋转变换的鲁棒性,以及提高运行速度;再次利用基于KD树的BBF与双向匹配结合的方法提高搜索效率;最后利用PROSAC去除错误点完成匹配。本发明中SURNSIF不仅保证了特征检测与描述的鲁棒性,还兼顾了运算的速度,从而改善了图像匹配的实时性与可靠性。
Description
技术领域
本发明涉及计算机视觉领域,尤其是涉及快速鲁棒性尺度不变的图像匹配方法。
背景技术
图像匹配是将不同时间、不同视角、相同或不同传感器获取的同一地区的两幅或多幅影像进行空间上对准的过程。其主要解决视点变换、噪声影响、光照变化、JPEG压缩、尺度与旋转变换问题,总体分为基于图像灰度信息与基于图像特征信息两大类,而基于图像特征信息又可分为基于边缘特征、基于轮廓特征、基于区域特征及基于特征点等几类。在像素点利用数目方面基于特征点的匹配与基于灰度信息匹配方法相比,前者减少了运算点的个数,从而大大减少了匹配的计算量,同时其匹配方式对位置变化比较敏感,从而提高了匹配精度。与基于图像特征信息相比,基于特征点的匹配方法在特征点的提取过程中减少了噪声、灰度、图像变形及遮挡的影响,并且匹配后的特征点坐标可以直接用来估计图像之间的空间变换关系。
Lowe提出了经典的SIFT(Scale Invariant Feature Transform)算法,并于2004年对该算法进行了进一步完善。该算法在高斯差分尺度空间(Difference of Gaussians,DoG)内检测极值点,并剔除对比度低的点及边缘响应,同时建立梯度方向分布直方图,生成128维描述符。该算法具有尺度与旋转不变性,同时对视点、模糊、照度与JPEG压缩等变换鲁棒性强,但实时性不高。
Bay等人改进了SIFT,提出了SURF(Speeded Up Robust Features)算法。该算法使用不同尺寸快速海森矩阵检测关键点,同时利用小波响应生成64维描述符,使得检测与描述速度大幅提升,但对模糊、照度与JPEG压缩等变换敏感。
Leutenegger改良了BRIEF(Binary Robust Independent Elementary Features)算法,提出了BRISK(Binary Robust Invariant Scalable Keypoints)算法。该算法在近似尺度空间中利用AGAST(Adaptive and Generic corner detection based on theAccelerated Segment Test)检测特征点,同时利用长距离迭代法为特征点赋予方向,并在关键点周围利用固定的采样模式生成二进制描述符。该算法不仅具有视点、模糊、照度、JPEG压缩、旋转与尺度等不变性,而且完全满足实时性要求,但与SIFT、SURF等算法相比,各方面鲁棒性较弱。
Pablo等人提出一种非线性特征检测的KAZE算法。传统基于线性高斯金字塔进行多尺度检测的算法都是以牺牲局部精度为代价,来提取特征点同时消除噪声,这容易造成边界模糊和细节丢失,使匹配稳定性差与误匹配点多,非线性尺度分解有望解决此类问题。KAZE的描述子与检测子都是基于SURF而改进设计的,采用任意步长来构造稳定的非线性尺度空间,同时考虑了子区域交叠带,使得对于各种变换比SIFT更为稳健,但速度大幅下降。
Pablo等人又提出一种快速的Accelerated-KAZE算法。该算法利用FED(FastExplicit Diffusion)数学框架,动态加速了非线性尺度空间的计算,同时提出一种二进制描述符M-LDB(Modified-Local Difference Binary),使得算法的速度大大提高,但描述子各方面鲁棒性弱于KAZE描述子。
发明内容
本发明旨在进一步提高图像匹配的鲁棒性与速度,提出了快速鲁棒性尺度不变的图像匹配方法,使得图像稳定实时匹配成为可能。
本发明采用以下技术方案,快速鲁棒性尺度不变的图像匹配方法,包括以下步骤:
步骤一:利用Wallis滤波和灰度均匀化对两张非同源图像分别进行预处理后一一对应得到两张待匹配图像;
步骤二:提出SURNSIF检测子:对两张待匹配图像分别构建非线性尺度空间,并在非线性尺度空间中利用AGAST算子对待匹配图像进行特征检测分别得到两组候选点后,对两组候选点均分别进行非极大值抑制和亚像素级矫正获得两组特征点;
步骤三:提出SURNSIF描述子:利用小波扇形环绕对两组特征点分别赋予方向得到两组定向的特征点,对两组定向的特征点分别构造具有交叠带的描述网格,在各自的描述网格内对定向的特征点进行邻域小波响应加权求和并增加尺度空间位置约束,得到两组特征向量;
步骤四:利用基于KD树的BBF算法与双向匹配法对两组特征向量进行快速匹配得到特征点对应关系后,对特征点对应关系采用PROSAC算法得到图像变换模型;
完成两张非同源图像的匹配。
其中,步骤二中所述的构建非线性尺度空间,具体包括步骤:
(201)对待匹配图像进行高斯滤波,然后求解出高斯滤波后待匹配图像的梯度直方图;
(202)根据待匹配图像的梯度直方图计算出非线性尺度空间的对比因子;
(203)对待匹配图像自适应选取非线性尺度空间的组数,然后根据非线性尺度空间的组数计算出非线性尺度空间的进化时间;
(204)根据非线性尺度空间的对比因子与进化时间建立非线性扩散方程,然后采用FED算法加速求解非线性扩散方程得到非线性尺度空间的所有图像。
其中,步骤二中所述的利用AGAST算子对待匹配图像进行特征检测得到候选点,具体为:利用AGAST算子对非线性尺度空间的每一层的每一个点进行计算,根据计算得到的所有点的特征分数及其处于非线性尺度空间的位置获取候选点。
其中,步骤三中所述的构造具有交叠带的描述网格,具体包括步骤:
(301)以定向的特征点为中心,以24σi为边长,以特征点方向为纵轴方向,确定一个正方形邻域;其中,σi为定向的特征点的尺度参数;
(302)将正方形邻域分成16个相同的子正方形邻域,将每个子正方形邻域的大小扩展为9σi×9σi,相邻的扩展后的子正方形邻域有宽度为2σi的交叠带,所有扩展后的子正方形邻域组成描述网格。
其中,步骤三中所述的进行邻域小波响应加权求和,具体包括步骤:
(401)求取描述网格内所有点的横向与纵向的小波响应;
(402)利用高斯核为2.5σi的高斯函数对每个扩展后的子正方形邻域内所有点的小波响应及其绝对值进行加权求和,得到4维向量;
(403)分别对每个扩展后的子正方形邻域内的4维向量进行大小为4σi×4σi的高斯核为1.5σi的高斯加权,并对加权结果进行归一化处理得到一个64维向量。
其中,步骤三中所述的增加尺度空间位置约束,具体为:将定向的特征点所在的非线性尺度空间的位置进行归一化得到2维向量,将64维向量与2维向量合并构成66维特征向量。
本发明相比背景技术的优点在于:
本发明提出快速鲁棒性尺度不变的图像匹配方法,首先利用Wallis滤波与灰度均匀化减弱噪声与光照影响,其次提出SURNSIF(Speeded Up Robust Nonlinear Scale-Invariant Feature)算子来增强算法对尺度变换与旋转变换的鲁棒性,以及提高运行速度,再次利用基于KD(K-Dimensional)树的BBF(Best Bin First)与双向匹配结合的方法提高搜索效率,最后利用PROSAC(PROgressive Sample Consensus)去除错误点完成匹配。本发明中SURNSIF不仅保证了特征检测与描述的鲁棒性,还兼顾了运算的速度,从而改善了图像匹配的实时性与可靠性。
附图说明
图1为本发明的图像匹配算法流程示意图。
图2为现有技术中高斯尺度空间的效果图。
图3为本发明的非线性尺度空间的效果图。
图4为本发明的特征点检测模板示意图。
图5-图9分别为旋转变换、光照变化、尺度变化、噪声变化和视点变换时,SURF、KAZE、BRISK和SURNSIF特征点的重复率比较曲线。
图10-图14分别为旋转变换、光照变化、尺度变化、噪声变化和视点变换时,SURF、KAZE、BRISK和SURNSIF特征点的查错率-查全率比较曲线。
图15为待匹配的无人机侦查图像。
图16为待匹配的谷歌卫星图像。
图17为本发明算法的匹配结果。
图18为本发明算法的误差点云。
具体实施方式
下面结合附图和具体实施例对本发明做进一步描述。
本实施方式阐述了图像匹配的原理,按照图像预处理、特征检测、特征描述、特征匹配、去除错误点的思路进行运算,着重对特征检测和特征描述算法进行优化改进,并与传统算法进行鲁棒性和实时性进行对比分析以说明本发明的优势所在。快速鲁棒性尺度不变的图像匹配方法,其具体步骤如下:
步骤一:利用Wallis滤波和灰度均匀化对两张非同源图像分别进行预处理后一一对应得到两张待匹配图像;
步骤二:提出SURNSIF检测子:对两张待匹配图像分别构建非线性尺度空间,并在非线性尺度空间中利用AGAST算子对待匹配图像进行特征检测分别得到两组候选点后,对两组候选点均分别进行非极大值抑制和亚像素级矫正获得两组特征点;
(1)构建非线性尺度空间的过程为:
(201)对待匹配图像进行高斯滤波,而后求解高斯滤波后待匹配图像的梯度直方图,进而求解出非线性尺度空间的对比因子;
(202)根据待匹配图像自适应选取非线性尺度空间的组数,进而计算出一组非线性尺度空间的进化时间;
非线性尺度空间组数的自适应选取:
为了进一步提高对不同图像检测的准确度并且提高效率,本文提出了适应选取尺度空间组数的方法,其原理如下:
构造尺度空间时,尺度级别按对数递增,尺度参数σi为:
σi(o,s)=σ02o+s/S,o=0,1,...,O-1,s=0,1,...,S-1,i=0,1,...,N (1)
式中,o表示组;s表示层;σ0表示尺度参数的初始值;O为总组数;S为总层数。N=O×S为尺度空间包含的图像总数。
过大的O与S会导致构造线性尺度空间耗时较长,过少的O与S会导致匹配率下降。经过大量实验,将S定为经验值4,然后根据图像尺寸来自适应选取O,公式为
式中,c与r分别表示图像的行数与列数;[]表示取整(四舍五入)。
最后根据尺度参数σi按式(3)求出进化时间ti,按照式(4)~式(7)求得相应尺度图像:
(203)根据对比因子与进化时间建立非线性扩散方程,然后利用FED算法加速求解该方程得到非线性尺度空间的所有图像。图2和图3为高斯与非线性尺度空间效果对比。
非线性尺度空间的快速求解过程为:
传统正向欧拉法求解非线性扩散方程时,由于迭代步长太短导致计算复杂。针对上述问题,本文拟采用快速显式扩散算法求解非线性扩散方程,此方法可以采用任意步长来构造稳定的非线性尺度空间,并且运算快捷。
非线性扩散滤波方法可以通过非线性偏微分方程来描述:
式中,L表示原始图像;t为时间;div为散度运算符;为梯度运算符;Lσ为L经高斯核为σ的滤波结果。
所选择的c函数能够有效保留边界信息同时平滑区域内部。对比度因子k能控制扩散程度,边缘信息保留量与其负相关,经过大量实验,其值取为图像的梯度直方图百分位上的值的70%。
FED算法是通过因数分解盒子滤波器进行动态循环加速,而达到快速求解非线性系统的目的,其本质思想是从因数分解盒子滤波器得到不同步长τj来执行显式扩散步骤,τj按式(6)求得,式(7)为该非线性偏微分方程的解:
Li+1,j+1=(I+τjAl(Li))Li+1,j,j=0,...,n-1 (7)
式中,I表示单位矩阵;Al为传导运算符;n表示显性扩散步数;τj表示对应步长;τmax表示满足条件的最大步长。
(2)AGAST算子检测:
AGAST提高了检测效率,与KAZE的海森矩阵检测法相对比,该算法大大提高了速度,同时保证了效果。其本质是有足够多的像素点,其灰度值小于或大于周围邻域内待检测点,则该点被认定为特征点。模板是以待检测点为圆心,半径为3个像素的Bresenham圆。经Rosten测试,阈值定为9的检测稳定性与速度综合性能最优,此阈值可以很快排除伪角点。
然后将AGAST9-16(圆周上共有16个像素,阈值为9)算子应用于非线性尺度空间每一层,并记录下候选点所在非线性尺度空间位置(o与s),求出候选点及其AGAST分数V。
步骤三:提出SURNSIF描述子:利用小波扇形环绕对两组特征点分别赋予方向得到两组定向的特征点,对两组定向的特征点分别构造具有交叠带的描述网格,在各自的描述网格内对定向的特征点进行邻域小波响应加权求和并增加尺度空间位置约束,得到两组特征向量;
(1)构造具有交叠带的描述网格:
描述网格容易过分分割了空间,打破图像的连续性。为解决此问题,可在选用描述网格的同时,构建描述网格交叠带。即以特征点为中心,以24σi为边长,确定一个正方形邻域。该邻域的y轴方向为已确定的特征点方向,如图3所示。
将该正方形区域分成16个子正方形区域(横纵各4个),大小为9σi×9σi,子正方形区域相邻有宽度为2σi的交叠带,这样的设计会使交叠带被充分考虑,减小网格描述子分割空间影响,模板描绘更加准确。
(2)邻域小波响应加权求和:
使用Haar小波滤波器对每一个子正方形区域内所有点进行计算(小波滤波器尺寸为2σi×2σi),得到相对于特征点水平方向与竖直方向的小波响应dx、dy;然后利用σ1=2.5σi的高斯函数对每个扩展后的子正方形邻域内所有点的小波响应及其绝对值进行加权求和,得到一个4维向量V(∑dx,∑dy,∑|dx|,∑|dy|);再对4维向量V进行大小为4σi×4σi的σ2=1.5σi高斯加权,并对加权结果进行归一化处理。最后就得到了4×4×4=64维该特征点的描述子特征向量。
(3)尺度空间位置约束:
不同图像中的相同物点的景深随观察视点的改变而改变,但不同物点之间空间位置未发生改变,所以不同物点间的景深归一化后是相同的。尺度空间位置是景深的反映,利用尺度空间位置对特征点描述进行约束是极为有利的。将特征点所在非线性尺度空间位置归一化为|o-O|/O与|s-S|/S,同邻域小波响应加权求和64维结果构成66维描述子向量。这种改进后的描述子能够更好的反映特征点在图像中的灰度关系以及景深关系。
步骤四:利用基于KD树的BBF算法与双向匹配法对两组特征向量进行快速匹配得到特征点对应关系,并对特征点对应关系采用PROSAC算法得到图像变换模型;
完成两张非同源图像的匹配。
为体现检测子与描述子所产生的不同效果,同时保证实验的客观性,本实验采用Mikolajczyk 05标准测试图集,通过测定检测子的复现率(区域重叠错误率低于40%)、描述子的查全率(recall)和错误率(1-precision)(SURF检测子(hessianThreshold:600)与基于欧氏距离的暴力匹配中的半径匹配方式)、运行时间以及遥感影像间的正确匹配率来评判配准算法性能。笔记本计算机配置:处理器为Intel酷睿双核i7第4代,主频为2.5GHz。操作系统为Win1064位系统,编程环境为Visual Studio 2015与OpenCV 3.10(SIFT与SURF是由OpenCV 2.41中提取加载的)。
对标准测试图集里的leuven1图像进行了处理,以准确连续测定近年来比较热门且特点显著的检测子的重复率:SURF、KAZE、BRISK以及本发明的SURNSIF检测子的旋转、光照、尺度、噪声和视点变换性能,如图5-图9所示。由于本发明的SURNSIF检测子尺度空间构建的性能优良,旋转、尺度、噪声、视点变换的鲁棒性高于SURF,而BRISK虽然实时性较好,但有关尺度空间的构建和方向的确定等都是近似估计的运算,所以鲁棒性最弱。为了保证算法的实时性,本发明的SURNSIF检测子中采用了AGAST检测法,使得旋转、视点及噪声变换鲁棒性稍弱于KAZE。因为SURF的FAST-HESSIAN较BRISK的AGAST亮度变换鲁棒性略高,而KAZE尺度空间构建的性能较SURF更好,本发明的SURNSIF检测子采用的非线性尺度空间构建弥补了AGAST鲁棒性的劣势,所以亮度变换鲁棒性方面的比较有KAZE>SURNSIF>SURF>BRISK。因此本发明的SURNSIF检测子无论在旋转、尺度、视点、亮度还是噪声等变换下,都具有很好的鲁棒性,综合性能要优于SURF、BRISK,与KAZE接近。
通过计算查全率和查错率衡量描述算法在关键点匹配问题上的匹配效果。使用推荐的旋转、尺度变化、视点变化、亮度变化和加噪声图像来比较SURF、KAZE、BRISK与本发明的SURNSIF描述子的性能,结果如图10-图14所示。虽然本发明的SURNSIF描述子的构建与KAZE相似,但加入了尺度空间位置约束,使其尺度变换与视点变换鲁棒性的性能在4种算子中最优。由于构造时考虑了相邻子区域的交叠问题,所以本发明的SURNSIF描述子具有连续性,所以对于光照变换的鲁棒性高于SURF,与KAZE近似。由于对每个子区域的向量进行加权、归一化处理,使得本发明描述算法噪声鲁棒性与KAZE近似,远高于SURF。虽然确定方向使用的方法与SURF相同,但由于考虑了相邻子区域的交叠问题,使得本发明的SURNSIF描述子旋转变换的鲁棒性高于SURF,与KAZE近似。因此本发明的SURNSIF描述子无论在尺度、视点、亮度还是噪声等变换下,都具有很好的鲁棒性,综合性能要优于KAZE与SURF,远高于重视实时性的BRISK。
利用Graf图像序列中的第一张进行了实验,同时对SURF、KAZE以及BRISK算法与本发明的SURNSIF检测子与描述子进行对比,分析了本发明SURNSIF检测子与描述子的特点与优势,为工程实践提供了指导帮助。如表2所示,本发明的SURNSIF检测子与描述子的速度优势明显,检测子的执行速度约为SURF的一倍,大大领先于KAZE,这是因为本发明引入了FED算法加速了尺度空间的构建,引入了AGAST算法加速了特征点的检测。描述子的执行速度比KAZE略低,这是因为本发明的SURNSIF选用66维描述子向量,所需时间较长。但每点平均耗时已与SURF接近,约为KAZE的二分之一。经检测子与描述子测试,本发明的SURNSIF各种变换的鲁棒性较高,对于大分辨率的非同源影像匹配大有裨益。本发明利用六旋翼无人机作为实验平台对河北省石家庄市行唐县地区进行了实验,实验主要技术参数如表1所示。航摄影像、谷歌卫星影像如图6所示,拍摄时间约相差6个月,拍摄分辨率约相差4倍,旋转角度超过180度,灰度平均值约相差100(0-255)。对其中两条航带进行实验,通过图像配准误差点云来评判配准效果,两种方法匹配后人工选择正确的同名点,再通过RANSAC(RANdomSample Consensus)算法进行单应性矩阵估计,然后与两种方法得到的单应性矩阵比较,从而计算出配准误差点云。图7中给出本发明的配准图。本发明在特征检测阶段,构建了非线性尺度空间,引入了灰度均匀化与Wallis滤波;在特征描述阶段,考虑了相邻子区域的交叠问题,使得描述具有连续性;而在特征向量匹配和去除外点阶段,使用了基于KD树的BBF算法、双向匹配算法以及PROSAC算法估算变换模型,增强了速度与精度,所以配准效果极好。
表1
表2
Claims (6)
1.快速鲁棒性尺度不变的图像匹配方法,其特征在于:包括以下步骤:
步骤一:利用Wallis滤波和灰度均匀化对两张非同源图像分别进行预处理后得到对应的两张待匹配图像;
步骤二:提出SURNSIF检测子:对两张待匹配图像分别构建非线性尺度空间,并在非线性尺度空间中利用AGAST算子对待匹配图像进行特征检测分别得到两组候选点后,对两组候选点均分别进行非极大值抑制和亚像素级矫正获得两组特征点;
步骤三:提出SURNSIF描述子:利用小波扇形环绕对两组特征点分别赋予方向得到两组定向的特征点,对两组定向的特征点分别构造具有交叠带的描述网格,在各自的描述网格内对定向的特征点进行邻域小波响应加权求和并增加尺度空间位置约束,得到两组特征向量;
步骤四:利用基于KD树的BBF算法与双向匹配法对两组特征向量进行快速匹配得到特征点对应关系后,对特征点对应关系采用PROSAC算法得到图像变换模型;
完成两张非同源图像的匹配。
2.根据权利要求1所述的快速鲁棒性尺度不变的图像匹配方法,其特征在于:步骤二中所述的构建非线性尺度空间,具体包括步骤:
(201)对待匹配图像进行高斯滤波,然后求解出高斯滤波后待匹配图像的梯度直方图;
(202)根据待匹配图像的梯度直方图计算出非线性尺度空间的对比因子;
(203)对待匹配图像自适应选取非线性尺度空间的组数,然后根据非线性尺度空间的组数计算出非线性尺度空间的进化时间;
(204)根据非线性尺度空间的对比因子与进化时间建立非线性扩散方程,然后采用FED算法加速求解非线性扩散方程得到非线性尺度空间的所有图像。
3.根据权利要求1或2所述的快速鲁棒性尺度不变的图像匹配方法,其特征在于:步骤二中所述的利用AGAST算子对待匹配图像进行特征检测得到候选点,具体为:利用AGAST算子对非线性尺度空间的每一层的每一个点进行计算,根据计算得到的所有点的特征分数及其处于非线性尺度空间的位置获取候选点。
4.根据权利要求1所述的快速鲁棒性尺度不变的图像匹配方法,其特征在于:步骤三中所述的构造具有交叠带的描述网格,具体包括步骤:
(301)以定向的特征点为中心,以24σi为边长,以特征点方向为纵轴方向,确定一个正方形邻域;其中,σi为定向的特征点的尺度参数;
(302)将正方形邻域分成16个相同的子正方形邻域,将每个子正方形邻域的大小扩展为9σi×9σi,相邻的扩展后的子正方形邻域有宽度为2σi的交叠带,所有扩展后的子正方形邻域组成描述网格。
5.根据权利要求4所述的快速鲁棒性尺度不变的图像匹配方法,其特征在于:步骤三中所述的进行邻域小波响应加权求和,具体包括步骤:
(401)求取描述网格内所有点的横向与纵向的小波响应;
(402)利用高斯核为2.5σi的高斯函数对每个扩展后的子正方形邻域内所有点的小波响应及其绝对值进行加权求和,得到4维向量;
(403)分别对每个扩展后的子正方形邻域内的4维向量进行大小为4σi×4σi的高斯核为1.5σi的高斯加权,并对加权结果进行归一化处理得到一个64维向量。
6.根据权利要求5所述的快速鲁棒性尺度不变的图像匹配方法,其特征在于:步骤三中所述的增加尺度空间位置约束,具体为:将定向的特征点所在的非线性尺度空间的位置进行归一化得到2维向量,将64维向量与2维向量合并构成66维特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610887108.6A CN106485651B (zh) | 2016-10-11 | 2016-10-11 | 快速鲁棒性尺度不变的图像匹配方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610887108.6A CN106485651B (zh) | 2016-10-11 | 2016-10-11 | 快速鲁棒性尺度不变的图像匹配方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106485651A true CN106485651A (zh) | 2017-03-08 |
CN106485651B CN106485651B (zh) | 2019-05-17 |
Family
ID=58269708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610887108.6A Active CN106485651B (zh) | 2016-10-11 | 2016-10-11 | 快速鲁棒性尺度不变的图像匹配方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106485651B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107194424A (zh) * | 2017-05-19 | 2017-09-22 | 山东财经大学 | 一种图像相似块快速搜索方法 |
CN107220658A (zh) * | 2017-05-10 | 2017-09-29 | 中国人民解放军军械工程学院 | 一种图像匹配点对筛选方法 |
CN107274440A (zh) * | 2017-06-26 | 2017-10-20 | 赵红林 | 一种图像匹配算法 |
CN108921175A (zh) * | 2018-06-06 | 2018-11-30 | 西南石油大学 | 一种基于fast改进的sift图像配准方法 |
CN109117851A (zh) * | 2018-07-06 | 2019-01-01 | 航天星图科技(北京)有限公司 | 一种基于网格统计约束的视频图像匹配方法 |
CN110059708A (zh) * | 2019-04-26 | 2019-07-26 | 四川大学 | 生成描述子的方法及装置、存储介质 |
CN111680723A (zh) * | 2020-05-26 | 2020-09-18 | 中国人民解放军96901部队21分队 | 基于快速自适应鲁棒性尺度不变的特征检测子技术的方法 |
CN111985502A (zh) * | 2020-08-03 | 2020-11-24 | 武汉大学 | 具有尺度与旋转不变性的多模态影像特征匹配方法 |
CN111985509A (zh) * | 2020-05-26 | 2020-11-24 | 中国人民解放军96901部队21分队 | 一种基于鲁棒性交叠的标准特征描述子技术的方法 |
-
2016
- 2016-10-11 CN CN201610887108.6A patent/CN106485651B/zh active Active
Non-Patent Citations (5)
Title |
---|
ELMAR MAIR ET AL: "Adaptive and Generic Corner Detection Based on the Accelerated Segment Test", 《PROCEEDINGS OF 11TH EUROPEAN CONFERENCE ON COMPUTER》 * |
HERBERT BAY ET AL: "SURF:Speeded Up Robust Features", 《PROCEEDINGS OF 9TH EUROPEAN CONFERENCE ON COMPUTER VISION》 * |
张岩 等: "基于特征的摇杆图像匹配技术研究", 《无线电工程》 * |
张岩 等: "快速稳健的自适应非线性尺度特征检测子", 《系统工程与电子技术》 * |
王洪 等: "一种改进的快速鲁棒性特征匹配算法", 《红外与激光工程》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107220658A (zh) * | 2017-05-10 | 2017-09-29 | 中国人民解放军军械工程学院 | 一种图像匹配点对筛选方法 |
CN107220658B (zh) * | 2017-05-10 | 2019-05-31 | 中国人民解放军军械工程学院 | 一种图像匹配点对筛选方法 |
CN107194424A (zh) * | 2017-05-19 | 2017-09-22 | 山东财经大学 | 一种图像相似块快速搜索方法 |
CN107194424B (zh) * | 2017-05-19 | 2019-08-27 | 山东财经大学 | 一种图像相似块快速搜索方法 |
CN107274440A (zh) * | 2017-06-26 | 2017-10-20 | 赵红林 | 一种图像匹配算法 |
CN108921175A (zh) * | 2018-06-06 | 2018-11-30 | 西南石油大学 | 一种基于fast改进的sift图像配准方法 |
CN109117851A (zh) * | 2018-07-06 | 2019-01-01 | 航天星图科技(北京)有限公司 | 一种基于网格统计约束的视频图像匹配方法 |
CN110059708A (zh) * | 2019-04-26 | 2019-07-26 | 四川大学 | 生成描述子的方法及装置、存储介质 |
CN110059708B (zh) * | 2019-04-26 | 2022-02-01 | 四川大学 | 生成描述子的方法及装置、存储介质 |
CN111680723A (zh) * | 2020-05-26 | 2020-09-18 | 中国人民解放军96901部队21分队 | 基于快速自适应鲁棒性尺度不变的特征检测子技术的方法 |
CN111985509A (zh) * | 2020-05-26 | 2020-11-24 | 中国人民解放军96901部队21分队 | 一种基于鲁棒性交叠的标准特征描述子技术的方法 |
CN111985502A (zh) * | 2020-08-03 | 2020-11-24 | 武汉大学 | 具有尺度与旋转不变性的多模态影像特征匹配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106485651B (zh) | 2019-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106485651A (zh) | 快速鲁棒性尺度不变的图像匹配方法 | |
Li et al. | Automatic pavement crack detection by multi-scale image fusion | |
Hou et al. | Shape-adaptive selection and measurement for oriented object detection | |
Du et al. | Approaches for improvement of the X-ray image defect detection of automobile casting aluminum parts based on deep learning | |
CN109766835B (zh) | 基于多参数优化生成对抗网络的sar目标识别方法 | |
CN106023257B (zh) | 一种基于旋翼无人机平台的目标跟踪方法 | |
US9141871B2 (en) | Systems, methods, and software implementing affine-invariant feature detection implementing iterative searching of an affine space | |
Song et al. | Learning point-guided localization for detection in remote sensing images | |
CN107103317A (zh) | 基于图像融合和盲反卷积的模糊车牌图像识别算法 | |
CN111652292B (zh) | 一种基于ncs、ms的相似物体实时检测方法及系统 | |
CN108021890B (zh) | 一种基于plsa和bow的高分遥感影像港口检测方法 | |
CN105335725A (zh) | 一种基于特征融合的步态识别身份认证方法 | |
CN104036284A (zh) | 基于Adaboost算法的多尺度行人检测方法 | |
CN107392136B (zh) | 一种基于特征自适应震荡衰减的签名真伪性鉴别系统 | |
CN104008379A (zh) | 一种基于surf特征的物体识别方法 | |
CN107886539B (zh) | 一种工业场景下高精度齿轮视觉检测方法 | |
CN101650784A (zh) | 一种利用结构上下文特征进行图像匹配的方法 | |
Tao et al. | A pipeline for 3-D object recognition based on local shape description in cluttered scenes | |
CN110633727A (zh) | 基于选择性搜索的深度神经网络舰船目标细粒度识别方法 | |
CN106897723B (zh) | 基于特征匹配的目标实时识别方法 | |
CN114821358A (zh) | 光学遥感图像海上舰船目标提取与识别方法 | |
CN113688846A (zh) | 物体尺寸识别方法、可读存储介质及物体尺寸识别系统 | |
CN104200229B (zh) | 一种结合稀疏特征选择的sar目标鉴别方法 | |
CN114463397A (zh) | 一种基于渐进式滤波的多模态图像配准方法 | |
CN105160666B (zh) | 基于非平稳分析与条件随机场的sar图像变化检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |