CN106485739B - 一种基于l2距离的点集配准方法 - Google Patents

一种基于l2距离的点集配准方法 Download PDF

Info

Publication number
CN106485739B
CN106485739B CN201610842937.2A CN201610842937A CN106485739B CN 106485739 B CN106485739 B CN 106485739B CN 201610842937 A CN201610842937 A CN 201610842937A CN 106485739 B CN106485739 B CN 106485739B
Authority
CN
China
Prior art keywords
point feature
function
matrix
point set
spatial alternation
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.)
Active
Application number
CN201610842937.2A
Other languages
English (en)
Other versions
CN106485739A (zh
Inventor
杨宪强
高会军
白立飞
孙昊
刘鑫
许超
张智浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute of Technology
Original Assignee
Harbin Institute of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute of Technology filed Critical Harbin Institute of Technology
Priority to CN201610842937.2A priority Critical patent/CN106485739B/zh
Publication of CN106485739A publication Critical patent/CN106485739A/zh
Application granted granted Critical
Publication of CN106485739B publication Critical patent/CN106485739B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Landscapes

  • Image Analysis (AREA)

Abstract

本发明提供一种鲁棒好及精度高的基于L2距离的点集配准方法,属于图像处理中的图像配准技术领域。包括如下步骤:步骤一:获取参考点集和目标点集;步骤二:建立从参考点集到目标点集的空间变换函数;步骤三:根据参考点集和目标点集及建立的空间变换函数,建立参考点集和目标点集的匹配矩阵;步骤四:使得L2距离最小,得到最佳的匹配矩阵和空间变换函数;步骤五:根据得到最佳的匹配矩阵和空间变换函数,完成点集配准。本发明利用L2距离来进一步提升配准算法的效果,配准精度高及改善了鲁棒性。

Description

一种基于L2距离的点集配准方法
技术领域
本发明涉及一种图像配准方法,特别涉及一种基于L2距离的点集配准方法,属于图像处理中的图像配准技术领域。
背景技术
随着图像获取技术的快速发展和自动化需求的提升,对多源、多视角、多时相的图像的分析技术越来越迫切。作为一种比较或融合不同条件下的图像的技术,图像配准已经广泛应用于遥感数据分析、计算机视觉和图像处理等领域。通过图像配准技术,寻找并建立不同图像之间的对应关系和变换关系,从而实现信息融合的目的。
现有配准技术主要分为三类,基于灰度信息的配准、基于变换域的配准和基于特征信息的配准。这三类中,鉴于鲁棒性和计算量两个方面,基于特征信息的图像配准方法是目前最常用的。由于点特征或边缘特征,更容易提取,所以大部分都是基于点特征的配准技术。然而大部分基于点特征的图像配准并未充分利用特征和位置坐标信息。
虽然大量的基于点特征的配准技术被提出,然而基于算法的鲁棒性和精度仍然是一个严重的问题。
发明内容
针对上述不足,本发明提供一种鲁棒好及精度高的基于L2距离的点集配准方法。
一种基于L2距离的点集配准方法,所述方法包括如下步骤:
步骤一:获取参考点集和目标点集;
步骤二:建立从参考点集到目标点集的空间变换函数;
步骤三:根据参考点集和目标点集及建立的空间变换函数,建立参考点集和目标点集的匹配矩阵;
步骤四:使得L2距离最小,得到最佳的匹配矩阵和空间变换函数;
步骤五:根据得到最佳的匹配矩阵和空间变换函数,完成点集配准。
优选的是,所述步骤四包括:步骤四一、建立基于L2距离的配准能量函数:
其中,E()为配准能量函数,Σ为匹配矩阵,f为从参考点集到目标点集的空间变换函数,变换点ui=f(xi),N()表示以ui为均值,以σ2I为协方差的高斯函数,I为单位阵,σ2为正数;dL2(ui,yj)表示ui和yj的L2距离;xi表示参考点集中的元素,i=1,2,…,M,M表示参考点集中元素的数量,yj表示目标点集中的元素,j=1,2,…,N,N表示目标点集中元素的数量;
步骤四二:利用高斯函数性质对配准能量函数进行简化:
步骤四三:根据步骤二简化的配准能量函数,求解最佳变换函数和最佳匹配矩阵
优选的是,所述步骤三包括:
步骤三一:根据获取的参考点集和目标点集,获得参考点集和目标点集的特征描述子;
步骤三二:对获得的参考点集和目标点集的特征描述子进行匹配,得到基于点特征的匹配关系;
步骤三三:根据得到的基于点特征的匹配关系和建立的空间变换函数,获得匹配矩阵。
优选的是,所述步骤三三获得的匹配矩阵为:
其中,Pij表示基于点特征的匹配关系的矩阵P中的元素,D表示参考点集的维数。
优选的是,所述步骤二中,从参考点集到目标点集的空间变换为刚性变换,空间变换函数f(X):
f(X)=XRT+T
其中,X=[x1,…,xi,…,xM]T,R为D×D维以旋转角度θ为参数的旋转矩阵,满足RTR=I和|R|=1,T=1MtT,t为平移向量;
则配准能量函数E对参数θ和t进行求导:
其中,1D为所有元素均为1的D维向量,1M为所有元素均为1的M维向量,表示点乘;配准能量函数E对变换点集U的导数写为M×D维矩阵形式G=[G1,…,Gi,…,GM];
变换点集U=[u1,…,ui,…,uM]T
求得参数θ和t,确定空间变换函数f(X)。
优选的是,所述步骤二中,从参考点集到目标点集的空间变换为仿射变换,空间变换函数f(X)为:
f(X)=XAT+T;
其中,X=[x1,…,xi,…,xM]T,A为D×D维仿射矩阵,T=1MtT,t为平移向量;
则配准能量函数E对A和t进行求导:
其中,1M为所有元素均为1的M维向量,配准能量函数E对变换点集U的导数写为M×D维矩阵形式G=[G1,…,Gi,…,GM];变换点集U=[u1,…,ui,…,uM]T
求得A和t,确定空间变换函数f(X)。
优选的是,所述步骤二中,从参考点集到目标点集的空间变换为非刚性变换,空间变换函数f(X)为:
f(X)=X+ΞW;
其中,Ξ为M×M维核矩阵,β2为平滑参数,k=1,2,…,M,W为M×D维参数矩阵;
则配准能量函数E对W进行求导:
λ用于平衡能量距离和弯曲能量,配准能量函数E对变换点集U的导数写为M×D维矩阵形式G=[G1,…,Gi,…,GM];变换点集U=[u1,…,ui,…,uM]T
求得W,确定空间变换函数f(X)。
优选的是,所述Gi为:
优选的是,所述方法还包括:
利用降火方法对δ2进行更新,设降火速率为κ,则δ2=κδ2
本发明的有益效果在于,本发明充分利用点特征和位置坐标信息,并利用L2距离来进一步提升配准算法的效果,配准精度高及改善了鲁棒性,并针对刚性,仿射和非线性变换给出了相应的解决方案。
附图说明
图1为具体实施方式所述的一种基于L2距离的点集配准方法的原理示意图。
具体实施方式
结合图1说明本实施方式,本实施方式所述的一种基于L2距离的点集配准方法,包括:
步骤一:获取参考点集X和目标点集Y;
本实施方式利用边缘点、角点和SIFT特征检测算子;
设参考点集X和目标点集Y均属于维空间子集;
X=[x1,x2,…,xM]T,Y=[y1,y2,…,yN]T
步骤二:建立从参考点集到目标点集的空间变换函数;
步骤三:根据参考点集和目标点集及建立的空间变换函数,建立参考点集和目标点集的匹配矩阵;
步骤四:使得L2距离最小,得到最佳的匹配矩阵和空间变换函数;
步骤五:根据得到最佳的匹配矩阵和空间变换函数,完成点集配准。
L2距离一般用于衡量两个函数之间的距离,是指函数的绝对值的平方的积分的平方根。
本实施方式利用L2距离来度量匹配矩阵及空间变换函数,提高配准精度及改善鲁棒性。
步骤四是将点集配准问题视为求取最佳的变换函数和匹配矩阵使得L2距离最小,优选实施例中,步骤四包括:
步骤四一、建立基于L2距离的配准能量函数:
其中,E()为配准能量函数,Σ为匹配矩阵,f为从参考点集到目标点集的空间变换函数,变换点ui=f(xi),N()表示以ui为均值,以σ2I为协方差的高斯函数,I为单位阵,σ2为正数;dL2(ui,yj)表示ui和yj的L2距离;xi表示参考点集中的元素,i=1,2,…,M,M表示参考点集中元素的数量,yj表示目标点集中的元素,j=1,2,…,N,N表示目标点集中元素的数量;
步骤四二:利用高斯函数性质,且忽略常数项,对配准能量函数进行简化:
步骤四三:根据步骤二简化的配准能量函数,求解最佳变换函数和最佳匹配矩阵
步骤三是建立参考点集和目标点集的匹配矩阵,优选的实施例中,步骤三包括:
步骤三一:根据获取的参考点集和目标点集,获得参考点集和目标点集的特征描述子;
参考点集和目标点集的特征描述子分别为{ξi,i=1,2,…,M}和{ζj,j=1,2,…,N}。
步骤三二:对获得的参考点集和目标点集的特征描述子进行匹配,得到基于点特征的匹配关系;
本实施方式利用合适的函数对参考点集和目标点集的特征描述子进行匹配,如利用Hungaria方法和χ2测试统计,计算基于shape context的特征匹配关系。建立特征匹配关系矩阵P,该矩阵为M×N维。矩阵P中元素的值根据具体应用而改变,例如若只需对特征匹配关系进行验证,从而给出正确的匹配关系,只需要将存在特征匹配的设置为1,其余为0。
步骤三三:根据得到的基于点特征的匹配关系和建立的空间变换函数,获得匹配矩阵。
优选实施例中,匹配矩阵为:
其中,Pij表示基于点特征的匹配关系的矩阵P中的元素,D表示参考点集的维数;
然后对匹配矩阵进行归一化。归一化方法如下公式所示
优选实施例中,在步骤二中,从参考点集到目标点集的空间变换为刚性变换,空间变换函数f(X):
f(X)=XRT+T
其中,X=[x1,…,xi,…,xM]T,R为D×D维以旋转角度θ为参数的旋转矩阵,满足RTR=I和|R|=1,T=1MtT,t为平移向量;
为了方便处理,本实施方式将旋转矩阵写为
则配准能量函数E对参数θ和t进行求导:
其中,1D为所有元素均为1的D维向量,1M为所有元素均为1的M维向量,表示点乘;配准能量函数E对变换点集U的导数写为M×D维矩阵形式G=[G1,…,Gi,…,GM];
变换点集U=[u1,…,ui,…,uM]T
求得参数θ和t,确定空间变换函数f(X)。
由于引入Gi,存在严重耦合,因此利用数值方法对f(X)中的参数进行求解。
优选实施例中,在步骤二中,从参考点集到目标点集的空间变换为仿射变换,空间变换函数f(X)为:
f(X)=XAT+T;
其中,X=[x1,…,xi,…,xM]T,A为D×D维仿射矩阵,T=1MtT,t为平移向量;
则配准能量函数E对A和t进行求导:
其中,1M为所有元素均为1的M维向量,配准能量函数E对变换点集U的导数写为M×D维矩阵形式G=[G1,…,Gi,…,GM];
变换点集U=[u1,…,ui,…,uM]T
求得A和t,确定空间变换函数f(X)。
由于引入Gi,存在严重耦合,因此利用数值方法对f(X)中的参数进行求解。
优选实施例中,在步骤二中,从参考点集到目标点集的空间变换为非刚性变换,空间变换函数f(X)为:
f(X)=X+ΞW;
其中,Ξ为M×M维核矩阵,β2为平滑参数,k=1,2,…,M,W为M×D维参数矩阵;
本实施方式的参数矩阵取λtr{WTΞW},其中,λ是正实数,用于平衡能量距离和弯曲能量,tr(·)表示对矩阵求迹;
则配准能量函数E对W进行求导:
配准能量函数E对变换点集U的导数写为M×D维矩阵形式G=[G1,…,Gi,…,GM];变换点集U=[u1,…,ui,…,uM]T
求得W,确定空间变换函数f(X)。
由于引入Gi,存在严重耦合,因此利用数值方法对f(X)中的参数进行求解。
优选实施例中,Gi为:
优选实施例中,本实施方式还包括:
利用降火方法对δ2进行更新,设降火速率为κ,则δ2=κδ2
本实施方式实现了综合点特征和点位置信息,运用L2距离来度量匹配函数。该方法具有较高的鲁棒性和精度。

Claims (8)

1.一种基于L2距离的图像点特征集配准方法,所述方法包括如下步骤,
步骤一:获取参考图像点特征集和目标图像点特征集;
步骤二:建立从参考图像点特征集到目标图像点特征集的空间变换函数;
步骤三:根据参考图像点特征集和目标图像点特征集及建立的空间变换函数,建立参考图像点特征集和目标图像点特征集的匹配矩阵;
步骤四:使得L2距离最小,得到最佳的匹配矩阵和空间变换函数;
步骤五:根据得到最佳的匹配矩阵和空间变换函数,完成图像点特征集配准,其特征在于,所述步骤四包括:步骤四一、建立基于L2距离的配准能量函数:
其中,E()为配准能量函数,Σ为匹配矩阵,f为从参考图像点特征集到目标图像点特征集的空间变换函数,变换点ui=f(xi),N(z|ui2I)表示以ui为均值,以σ2I为协方差的高斯函数,N(z|yj2I)表示以yj为均值,以σ2I为协方差的高斯函数,I为单位阵,σ2为正数;dL2(ui,yj)表示ui和yj的L2距离;xi表示参考图像点特征集中的元素,i=1,2,…,M,M表示参考图像点特征集中元素的数量,yj表示目标图像点特征集中的元素,j=1,2,…,N,N表示目标图像点特征集中元素的数量;
步骤四二:利用高斯函数性质对配准能量函数进行简化:
步骤四三:根据步骤四二简化的配准能量函数,求解最佳变换函数和最佳匹配矩阵
P为基于点特征的匹配关系的矩阵。
2.根据权利要求1所述的一种基于L2距离的图像点特征集配准方法,其特征在于,所述步骤三包括:
步骤三一:根据获取的参考图像点特征集和目标图像点特征集,获得参考图像点特征集和目标图像点特征集的特征描述子;
步骤三二:对获得的参考图像点特征集和目标图像点特征集的特征描述子进行匹配,得到基于点特征的匹配关系;
步骤三三:根据得到的基于点特征的匹配关系和建立的空间变换函数,获得匹配矩阵。
3.根据权利要求2所述的一种基于L2距离的图像点特征集配准方法,其特征在于,所述步骤三三获得的匹配矩阵为:
其中,Pij表示基于点特征的匹配关系的矩阵P中的元素,D表示参考图像点特征集的维数。
4.根据权利要求1所述的一种基于L2距离的图像点特征集配准方法,其特征在于,所述步骤二中,从参考图像点特征集到目标图像点特征集的空间变换为刚性变换,空间变换函数f(X):
f(X)=XRT+T
其中,X=[x1,…,xi,…,xM]T,R为D×D维以旋转角度θ为参数的旋转矩阵,满足RTR=I和|R|=1,T=1MtT,t为平移向量;
则配准能量函数E对参数θ和t进行求导:
其中,1D为所有元素均为1的D维向量,1M为所有元素均为1的M维向量,表示点乘;配准能量函数E对变换图像点特征集U的导数写为M×D维矩阵形式G=[G1,…,Gi,…,GM];
变换图像点特征集U=[u1,…,ui,…,uM]T
求得参数θ和t,确定空间变换函数f(X)。
5.根据权利要求1所述的一种基于L2距离的图像点特征集配准方法,其特征在于,所述步骤二中,从参考图像点特征集到目标图像点特征集的空间变换为仿射变换,空间变换函数f(X)为:
f(X)=XAT+T;
其中,X=[x1,…,xi,…,xM]T,A为D×D维仿射矩阵,T=1MtT,t为平移向量;
则配准能量函数E对A和t进行求导:
其中,1M为所有元素均为1的M维向量,配准能量函数E对变换图像点特征集U的导数写为M×D维矩阵形式G=[G1,…,Gi,…,GM];变换图像点特征集U=[u1,…,ui,…,uM]T
求得A和t,确定空间变换函数f(X)。
6.根据权利要求1所述的一种基于L2距离的图像点特征集配准方法,其特征在于,所述步骤二中,从参考图像点特征集到目标图像点特征集的空间变换为非刚性变换,空间变换函数f(X)为:
f(X)=X+ΞW;
其中,Ξ为M×M维核矩阵,β2为平滑参数,k=1,2,…,M,W为M×D维参数矩阵;
则配准能量函数E对W进行求导:
λ用于平衡能量距离和弯曲能量,配准能量函数E对变换图像点特征集U的导数写为M×D维矩阵形式G=[G1,…,Gi,…,GM];变换图像点特征集U=[u1,…,ui,…,uM]T
求得W,确定空间变换函数f(X)。
7.根据权利要求4、5或6所述的一种基于L2距离的图像点特征集配准方法,其特征在于,所述Gi为:
8.根据权利要求1所述的一种基于L2距离的图像点特征集配准方法,其特征在于,所述方法还包括:
利用降火方法对σ2进行更新,设降火速率为κ,则σ2=κσ2
CN201610842937.2A 2016-09-22 2016-09-22 一种基于l2距离的点集配准方法 Active CN106485739B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610842937.2A CN106485739B (zh) 2016-09-22 2016-09-22 一种基于l2距离的点集配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610842937.2A CN106485739B (zh) 2016-09-22 2016-09-22 一种基于l2距离的点集配准方法

Publications (2)

Publication Number Publication Date
CN106485739A CN106485739A (zh) 2017-03-08
CN106485739B true CN106485739B (zh) 2019-06-11

Family

ID=58267751

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610842937.2A Active CN106485739B (zh) 2016-09-22 2016-09-22 一种基于l2距离的点集配准方法

Country Status (1)

Country Link
CN (1) CN106485739B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112861965B (zh) * 2021-02-05 2022-09-16 中国地质大学(武汉) 基于多特征交叉一致性模型的图像匹配方法
CN113096164A (zh) * 2021-04-15 2021-07-09 宁波智能装备研究院有限公司 基于高斯l2距离的鲁棒刚性变换图像配准方法
CN113470084B (zh) * 2021-05-18 2024-01-30 西安电子科技大学 一种基于外轮廓粗匹配的点集配准方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003109004A (ja) * 2001-10-02 2003-04-11 Yamatake Corp 画像検査装置
CN102567995A (zh) * 2012-01-04 2012-07-11 朱经纬 图像配准方法
CN102999902A (zh) * 2012-11-13 2013-03-27 上海交通大学医学院附属瑞金医院 基于ct配准结果的光学导航定位系统及其导航方法
CN104318570A (zh) * 2014-10-29 2015-01-28 沈阳建筑大学 一种基于背景的自适应迷彩伪装设计方法
CN105635719A (zh) * 2014-11-20 2016-06-01 三星电子株式会社 用于校准图像的方法和设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003109004A (ja) * 2001-10-02 2003-04-11 Yamatake Corp 画像検査装置
CN102567995A (zh) * 2012-01-04 2012-07-11 朱经纬 图像配准方法
CN102999902A (zh) * 2012-11-13 2013-03-27 上海交通大学医学院附属瑞金医院 基于ct配准结果的光学导航定位系统及其导航方法
CN104318570A (zh) * 2014-10-29 2015-01-28 沈阳建筑大学 一种基于背景的自适应迷彩伪装设计方法
CN105635719A (zh) * 2014-11-20 2016-06-01 三星电子株式会社 用于校准图像的方法和设备

Also Published As

Publication number Publication date
CN106485739A (zh) 2017-03-08

Similar Documents

Publication Publication Date Title
Zuo et al. A robust approach to reading recognition of pointer meters based on improved mask-RCNN
CN102521560B (zh) 高鲁棒仪表指针图像识别方法
CN104021547B (zh) 肺部 ct 的三维配准方法
CN106548462B (zh) 基于薄板样条插值的非线性sar图像几何校正方法
CN106204574B (zh) 基于目标平面运动特征的相机位姿自标定方法
CN110659636A (zh) 基于深度学习的指针式仪表读数识别方法
CN105427298A (zh) 基于各向异性梯度尺度空间的遥感图像配准方法
CN112906694A (zh) 变电站倾斜式指针式仪表图像的读数矫正系统及方法
CN109118528A (zh) 基于区域分块的奇异值分解图像匹配算法
CN104598936A (zh) 人脸图像面部关键点的定位方法
CN106023187B (zh) 一种基于sift特征和角度相对距离的图像配准方法
CN107292925A (zh) 基于Kinect深度相机测量方法
CN105654421B (zh) 基于变换不变低秩纹理的投影变换图像匹配方法
CN105354841B (zh) 一种快速遥感影像匹配方法及系统
CN104835144A (zh) 利用一个球的球心的像及正交性求解摄像机内参数
CN102231191A (zh) 基于asift的多模态图像特征提取与匹配方法
Yang et al. An image-based intelligent system for pointer instrument reading
CN106485739B (zh) 一种基于l2距离的点集配准方法
Chen et al. Robust affine-invariant line matching for high resolution remote sensing images
CN105488541A (zh) 增强现实系统中基于机器学习的自然特征点识别方法
CN109448043A (zh) 平面约束下的立木高度提取方法
CN112801094B (zh) 一种指针式仪表图像倾斜校正方法
CN110852954B (zh) 指针式仪表的图像倾斜校正方法及系统
Zhou et al. Intelligent reading recognition method of a pointer meter based on deep learning in a real environment
CN102915540A (zh) 基于改进的Harris-Laplace和SIFT描述符的影像匹配方法

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