CN106780571A - 一种基于多核dsp的灰度图像匹配方法 - Google Patents

Abstract

本发明公开了一种基于多核DSP的灰度图像匹配方法，包括：对图像进行小波变换并保留小波变换后低频部分的子图像；采用改进型归一化互相关度量方法，在子图像上遍历搜索，搜索过程中保留几个相似度较高的匹配点；将相似度较高的匹配点映射到原始待匹配图像的搜索子区域中；分别在每个搜索子区域内采用差分进化算法，对每个种群进行初始化，选择合适的变异因子与交叉因子，经过变异操作、交叉操作以及选择操作，完成一次处理；迭代过程中，逐渐舍弃相似性较差的搜索子区域，缩小种群数量，减少运算量；迭代结束时，仅保留一个子区域，找到最佳匹配点，完成匹配过程。本发明在提高匹配速度的同时，保证了较高的匹配准确率。

Description

一种基于多核DSP的灰度图像匹配方法

技术领域

本发明属于图像匹配技术领域，尤其涉及一种基于多核DSP的灰度图像匹配方法。

背景技术

图像匹配技术是图像处理领域的一个重要研究方向，在模式识别、医疗诊断、导弹末端引导以及遥感图像处理等领域具有重要的应用价值。当前，匹配速度快、鲁棒性强且准确度高的匹配算法日益成为图像匹配的重点研究方向。一般而言，图像匹配技术分为两类：基于图像灰度信息的匹配和基于图像特征的匹配。基于特征的匹配算法处理包括点、线、面等图像特征，该类算法受图像尺寸变换和噪声因素影响小，抗干扰能力较强。但是存在计算量大、通用性较差、特征提取与分割对匹配精度影响大以及不利于硬件实现等缺点。基于图像灰度信息匹配的基本思想是以统计的观点将图像看成二维信号，采用统计相关的方法寻找信号间的相关匹配。不同算法的区别主要在于相似性度量方法和搜索策略的选取。传统的相似性度量方法有归一化互相关法、绝对差和法、临近差方和法等不同方法。其中，归一化互相关匹配法是经典的匹配方法，它通过计算原始图像与模板图像之间的互相关度量值来确定二者的匹配程度。该方法抗噪声性能强、在灰度及几何畸变不大的情况下，匹配准确度较高，缺点是计算量大，匹配速度慢。搜索策略方面，遍历搜索是常用的搜索方法。该方法对图像逐个像素点搜索，准确度高，但处理速度较慢，难以满足系统实时性要求。许多研究者尝试通过改进搜索策略来减少搜索点数。常见的改进策略有分层算法、遗传算法等。中国专利号201210398873.3，名称是一种基于多核DSP的高速并行图像匹配方法，公开了一种三层金字塔结构的匹配优化算法，采用首次粗匹配、再次粗匹配与精匹配三个步骤。改进的搜索策略使得搜索点数减少，匹配速度加快，然而匹配准确率也随之下降。如何在减少搜索点的同时，保证较高的匹配准确率，成为改进搜索策略的关键。

综上所述，改进搜索策略的灰度图像匹配方法存在匹配准确率降低的问题。

发明内容

本发明的目的在于提供一种基于多核DSP的灰度图像匹配方法，旨在解决改进搜索策略的灰度图像匹配方法存在匹配准确率降低的问题。

本发明是这样实现的，一种基于多核DSP的灰度图像匹配方法，所述基于多核DSP的灰度图像匹配方法包括以下步骤：

步骤一，对图像进行n次小波变换并保留小波变换后低频部分的子图像，则子图像的宽度与高度均为原图像的子图像面积为原图像面积的在子图像内进行匹配；采用改进型归一化互相关度量方法，在子图像上遍历搜索，搜索过程中保留几个相似度较高的匹配点；搜索结束后，将相似度较高的匹配点映射到原始待匹配图像的搜索子区域中；

步骤二，分别在每个搜索子区域内采用差分进化算法，对每个种群进行初始化，选择合适的变异因子与交叉因子，经过变异操作、交叉操作以及选择操作，完成一次迭代处理；迭代过程中，逐渐舍弃相似性较差的搜索子区域；迭代结束时，仅保留一个子区域，找到最佳匹配点，完成匹配过程。

进一步，所述改进型归一化互相关度量方法的公式如下：

S(x,y)表示原始待匹配图像中坐标位置为(x,y)处像素点的灰度值，T(u,v)表示模板图像中坐标位置为(u,v)处像素点的灰度值，模板图像大小为m×n。

进一步，所述差分进化算法的图像匹配具体步骤如下：

(1)原始待匹配图像宽度M，高度N，模板图像的宽度m，高度n；取左上角坐标为(i,j)，则取值范围分别是1≤i≤(M-m)和1≤j≤(N-n)，且i，j都是整数；

(2)在每个子区域中取一个种群，记作种群1、种群2、种群3，种群4；对四个种群分别进行初始化操作，其中每个种群保留15个初始化个体；图像匹配的实数编码形式为(i,j)，在各种群范围内随机生成初始化个体，个体坐标表示为(X_i,X_j)，表达式如下：

X_i＝D_xk+rand()*W_k；

X_j＝D_yk+rand()*H_k；

k＝1,2,3,4表示不同种群，(D_xk,D_yk)为各种群左上角位置坐标，rand()取0到1间随机数，W_k、H_k为各种群的宽度与高度。

(3)在当前个体X_a上加上种群中另外两个个体X_b与X_c的差值来完成变异操作。通过随机选择种群中另外两个个体X_b与X_c，将当前个体X_a变异成X_a ^*，表达式如下：

X_a ^*＝X_a+F*(X_b-X_c)；

其中，F为变异因子，本发明中F具体取值范围是0.3至0.5；X_a取各种群中每代的最优染色体，记作T_k(k＝1,2,3,4)，则上式写成：

X_a ^*＝T_k+F*(X_b-X_c)；

(4)原个体为X_a(X_i,X_j)，在种群中随机选一个不比当前个体适应度值低的个体V_a(V_i,V_j)作为交叉对象；则新生成个体U_a(U_i,U_j)表示为：

rand()取0到1之间随机数，CR为交叉因子，本发明CR具体取值范围是0.6至0.8；j随机取整数0或整数1；

(5)保存最优染色体，采用改进型归一化互相关计算公式作为适应度函数，公式如下：

(6)重复步骤(3)、步骤(4)、步骤(5)；随着迭代次数的增加，不同种群中最优染色体之间的差异不断增大，逐渐舍弃适应度值较低的种群。

本发明提供的基于多核DSP的灰度图像匹配方法，在提高匹配速度的同时，保证了较高的匹配准确率。

附图说明

图1是本发明实施例提供的基于多核DSP的灰度图像匹配方法流程图。

图2是本发明实施例提供的两层小波分解示意图。

图3是本发明实施例提供的细匹配原理图。

图4是本发明实施例提供的多核DSP并行任务划分原理图。

图5是本发明实施例提供的Lena原始图像。

图6是本发明实施例提供的模板图像。

图7是本发明实施例提供的Lena加高斯噪声图像。

图8是本发明实施例提供的Lena灰度提升图像。

图9是本发明实施例提供的Lena图像归一化互相关匹配度量曲面图。

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。

下面结合附图对本发明的应用原理作详细的描述。

如图1所示，本发明实施例提供的基于多核DSP的灰度图像匹配方法包括以下步骤：

S101：对图像进行小波变换并保留小波变换后低频部分的子图像，在子图像内进行匹配，将极大减少匹配点数量；采用改进型归一化互相关度量方法，在子图像上遍历搜索，搜索过程中保留几个相似度较高的匹配点；搜索结束后，将相似度较高的匹配点映射到原始待匹配图像的搜索子区域中；

S102：分别在每个搜索子区域内采用差分进化算法，对每个种群进行初始化，选择合适的变异因子与交叉因子，经过变异操作、交叉操作以及选择操作，完成一次迭代处理；随着迭代次数的增加，逐渐舍弃相似度较低的子区域，减少系统运算量；迭代结束时，仅保留一个子区域，找到最佳匹配点，完成匹配过程。

下面结合具体实施例对本发明的应用原理作进一步的描述。

本发明实施例提供了基于多核DSP的灰度图像匹配方法，用以解决在改进搜索策略的过程中，图像匹配准确率下降的问题。

1、粗匹配：

小波变换是时间和频率的局部变换，通过伸缩平移运算对信号逐步进行多尺度细化。如图2所示，每一尺度分解成四个子带LL、HL、LH和HH，分别表征图像的低频信息及水平、垂直和斜方向上的细节。其中LL子带保留图像的大部分灰度信息，本发明即在LL子带中进行匹配。

将待匹配图像和模板图像进行二次小波变换，保存第二次小波变换后得到的LL子区域，此时图像的宽和高分别为原图像的LL子区域包含图像的主要灰度信息，匹配即在该子区域进行。采用改进型归一化互相关匹配方法，在小波变换的图像上进行遍历搜索。归一化互相关度量公式如下：

S(x,y)表示原始待匹配图像中坐标位置为(x,y)处像素点的灰度值，T(u,v)表示模板图像中坐标位置为(u,v)处像素点的灰度值，模板图像大小为m×n。

由于图像匹配过程中，模板图像保持不变，是个定值，去掉该项可以减少运算量，同时不影响度量结果的判定。所以上式可变为：

实际工程中，开方运算消耗大量的系统时间，对上式作平方处理，可得：

本发明即采用上述公式作为图像匹配度量函数。

基于小波变换的图像匹配，经过小波变换后，保留图像的LL子区域，即保留了图像的大部分灰度信息。由于舍弃了图像边界和轮廓等信息，造成部分有用信息丢失，导致图像误匹配概率增大。

解决该问题的关键方法之一是：粗匹配过程中，保留多个相似度较高的匹配点，然后对这些匹配点进一步处理。经过研究发现，实际工程中保留的匹配点数目与待匹配图像的大小以及特征等因素有关。为叙述方便，本发明只保留四个匹配点，将待匹配图像均匀分成四块，遍历搜索每块区域，各区域均保留一个最佳匹配点。

2、细匹配：

粗匹配过程保留了四个匹配点，将这四个匹配点映射到原始待匹配图像的搜索子区域。对这四个子区域进行细匹配，可以保证较高的匹配准确率。图3即为原始待匹配图像上保留的四个搜索子区域示意图，在四个子区域内分别采用差分进化算法。

差分进化算法的基本思想是在当前个体上加上种群中另外两个个体的差值来实现变异操作，算法的特点是：在算法进化初期，个体之间的差异较大，算法的全局搜索能力较强；在算法进化后期，种群逐渐收敛，个体间差异逐渐减小，算法的局部搜索能力较强。本发明保留了四个搜索子区域，在每个子区域中进行细匹配。因此，主要利用差分进化算法中后期局部搜索能力较强的特点。基于差分进化算法的图像匹配具体步骤如下：

(1)染色体编码

实验中使用的图像为二维灰度图像，灰度值范围是0至255，原始待匹配图像宽度M，高度N，模板图像的宽度m，高度n。图像匹配即是找出模板图像在原图像中的位置坐标，取左上角坐标为(i,j)，则取值范围分别是1≤i≤(M-m)和1≤j≤(N-n)，且i，j都是整数。差分进化算法采用实数编码，在对目标问题进行优化时，降低了算法实现的复杂度，提高算法的执行效率。

(2)种群初始化

本发明保留了四个搜索子区域，在每个子区域中取一个种群，记作种群1、种群2、种群3，种群4。对四个种群分别进行初始化操作，其中每个种群保留15个初始化个体。图像匹配的实数编码形式为(i,j)，在各种群范围内随机生成初始化个体，个体坐标表示为(X_i,X_j)，表达式如下：

X_i＝D_xk+rand()*W_k；

X_j＝D_yk+rand()*H_k；

k＝1,2,3,4表示不同种群，(D_xk,D_yk)为各种群左上角位置坐标，rand()取0到1间随机数，W_k、H_k为各种群的宽度与高度。

(3)变异操作

变异操作是在当前个体X_a上加上种群中另外两个个体X_b与X_c的差值来完成。通过随机选择种群中另外两个个体X_b与X_c，将当前个体X_a变异成X_a ^*，表达式如下：

X_a ^*＝X_a+F*(X_b-X_c)；

其中，F为变异因子，本发明中F具体取值范围是0.3至0.5；为了加快种群收敛速度，X_a取各种群中每代的最优染色体，记作T_k(k＝1,2,3,4)，则上式写成：

X_a ^*＝T_k+F*(X_b-X_c)；

(4)交叉操作

为了保证种群中个体的多样性，需要对变异后的个体进行交叉操作。假设原个体为X_a(X_i,X_j)，在种群中随机选一个不比当前个体适应度值低的个体V_a(V_i,V_j)作为交叉对象。则新生成个体U_a(U_i,U_j)表示为：

rand()取0到1之间随机数，CR为交叉因子，本发明CR具体取值范围是0.6至0.8；j随机取整数0或整数1。

(5)保存最优染色体

经过变异操作与交叉操作，种群产生新个体，此时需要计算新个体的适应度值。采用改进型归一化互相关计算公式作为适应度函数，公式如下：

匹配过程中，适应度值越大，则相似程度越高，最佳匹配位置的搜索过程，即寻找最大适应度值的过程。四个种群每代运算过程中，均保留一个适应度值最大的个体作为每代的最优染色体。

(6)重复步骤(3)、步骤(4)、步骤(5)；随着迭代次数的增加，不同种群中最优染色体之间的差异不断增大。逐渐舍弃相似性较差的搜索子区域，缩小种群数量，减少运算量，加快匹配任务的完成。

本发明实施例的硬件实现：

硬件方面，为了提高匹配速度，则应选择运算速度更快的DSP芯片。本发明即选择TI公司推出的高性能多核DSP芯片TMS320C6678。该芯片内部集成8个定点/浮点内核，工作频率为1.25GHz时，整片拥有320GMAC定点运算能力或160GFLOP浮点运算能力。对于多核DSP开发，若想高效利用各个内核性能、充分发挥多核并行处理的优势，应对系统任务进行合理的划分。图像匹配是采用模板图像在待匹配图像上逐像素点搜索，原始待匹配图像内部各区域块之间互不影响。因此，将原始待匹配图像均匀分成七块，如图4所示，核1至核7分别对应处理其中的一块区域，核0负责芯片的整体控制及对其他核匹配结果进行融合处理，找出最佳匹配位置。

下面以Lena图像为例，采用两种方案对比实验；待匹配图像如图5，宽度是256个像素点，高度是256个像素点；在待匹配图像上任意位置取图像作为模板，例如以坐标位置(152,115)为左上角点，取宽度是32个像素点，高度是32个像素点的模板图像，如图6。

方案一，全图遍历搜索策略使用32x 32大小的模板图像，在256x 256大小的图像上，以改进型归一化互相关函数为度量准则，对全图进行遍历搜索。公式如下：

方案二，本发明搜索策略

步骤一，将待匹配图像与模板图像分别进行二次小波变换，保留LL子区域，此时待匹配图像大小变成64x 64，模板图像大小变成8x 8；在LL子区域内采用改进型归一化互相关度量方法进行遍历搜索，公式如下；遍历结束时，保留四个相似度较高的匹配点，分别映射到原始待匹配图像的搜索子区域。

步骤二，在四个搜索子区域内各取一个种群，每个种群范围是宽度W＝30，高度H＝30；对每个种群进行初始化操作，各种群保留15个初始化个体，并在种群范围内随机选取个体；对种群个体进行变异操作与交叉操作以产生新个体，变异因子F取0.4，交叉因子CR取0.7；计算新个体的适应度值，采用改进型归一化互相关度量方法作为适应度函数，公式如下；四个种群每代运算过程中，均保留一个适应度值最大的个体作为最优染色体。

迭代次数至20次时，开始舍弃相似度较低的种群；以后每隔5代舍弃一个种群；迭代至30次时，当且仅剩一个种群，找出最优个体，完成匹配任务。方案一、方案二分别以图5、图7、图8作为原始待匹配图像；为避免多核间通信引起实验数据误差，所有实验均在TMS320C6678单核上完成，且未使用任何优化技术；两种方案分别进行50次实验，结果如表1、表2所示；表1是本发明实施例提供的基于改进型归一化互相关的全图遍历搜索实验结果。表2是本发明实施例提供的本发明搜索策略实验结果。从表1、表2可以看出，允许一个像素点距离的误差，则方案一与方案二均匹配正确，但方案二在时间上有很大优势。同时，方案二提供了一个良好的后续改进平台，在归一化互相关度量准则的基础上，可以方便地融合其他度量准则，添加更多判定条件，从而提高匹配准确率。

表1

表2

对比全图采用差分进化方法《差分进化算法在图像处理中的应用研究》论文中，整幅图采用差分进化算法进行匹配，且迭代过程只保留一个种群。图9为归一化互相关匹配的度量曲面图，从图中可以看出，整幅图像存在多个波峰位置，在全图范围内采用差分进化算法，极易陷入局部最优点，造成早熟收敛，无法得出正确匹配结果。与之相比，本发明保留四个种群，在各种群内采用差分进化算法，且各种群范围较小，在每个小范围内容易收敛，找到最佳匹配点。因此，本发明具有优势。

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 (3)

1.一种基于多核DSP的灰度图像匹配方法，其特征在于，所述基于多核DSP的灰度图像匹配方法包括以下步骤：

步骤一，对图像进行n次小波变换并保留小波变换后低频部分的子图像，则子图像的宽度与高度均为原图像的子图像面积为原图像面积的在子图像内进行匹配；采用改进型归一化互相关度量方法，在子图像上遍历搜索，搜索过程中保留几个相似度较高的匹配点；搜索结束后，将相似度较高的匹配点映射到原始待匹配图像的搜索子区域中；

步骤二，分别在每个搜索子区域内采用差分进化算法，对每个种群进行初始化，选择合适的变异因子与交叉因子，经过变异操作、交叉操作以及选择操作，完成一次处理；迭代过程中，逐渐舍弃相似性较差的搜索子区域；迭代结束时，仅保留一个子区域，找到最佳匹配点，完成匹配过程。

2.如权利要求1所述的基于多核DSP的灰度图像匹配方法，其特征在于，所述改进型归一化互相关度量方法的公式如下：

$P(x,y)=\frac{{\[\underset{v=0}{\overset{n}{\Σ}}\underset{u=0}{\overset{m}{\Σ}}T(u,v)S(x+u,y+v)\]}^2}{\underset{v=0}{\overset{n}{\Σ}}\underset{u=0}{\overset{m}{\Σ}}{S}^2(x+u,y+v)};$

S(x,y)表示原始待匹配图像中坐标位置为(x,y)处像素点的灰度值，T(u,v)表示模板图像中坐标位置为(u,v)处像素点的灰度值，模板图像大小为m×n。

3.如权利要求1所述的基于多核DSP的灰度图像匹配方法，其特征在于，所述差分进化算法的图像匹配具体步骤如下：

(1)原始待匹配图像宽度M，高度N，模板图像宽度m，高度n；图像匹配即是找出模板图像在原图像中的位置坐标，取左上角坐标为(i,j)，则取值范围分别是1≤i≤(M-m)和1≤j≤(N-n)，且i，j都是整数；

(2)在每个子区域中取一个种群，记作种群1、种群2、种群3，种群4；对四个种群分别进行初始化操作，其中每个种群保留15个初始化个体；图像匹配的实数编码形式为(i,j)，在各种群范围内随机生成初始化个体，个体坐标表示为(X_i,X_j)，表达式如下：

X_i＝D_xk+rand()*W_k；

X_j＝D_yk+rand()*H_k；

k＝1,2,3,4表示不同种群，(D_xk,D_yk)为各种群左上角位置坐标，rand()取0到1间随机数，W_k、H_k为各种群的宽度与高度；

(3)在当前个体X_a上加上种群中另外两个个体X_b与X_c的差值来完成变异操作；通过随机选择种群中另外两个个体X_b与X_c，将当前个体X_a变异成X_a ^*，表达式如下：

X_a ^*＝X_a+F*(X_b-X_c)；

其中，F为变异因子，本发明中F具体取值范围是0.3至0.5；X_a取各种群中每代的最优染色体，记作T_k(k＝1,2,3,4)；则上式写成：

X_a ^*＝T_k+F*(X_b-X_c)；

(4)原个体为X_a(X_i,X_j)，在种群中随机选一个不比当前个体适应度值低的个体V_a(V_i,V_j)作为交叉对象；则新生成个体U_a(U_i,U_j)表示为：

$U_i=\left\{\begin{array}{cc}{X}_i,& \begin{array}{ccc}rand\left(\right)\≤CR& or& j=0\end{array}\\ V_i,& others\end{array}\right.;$

$U_j=\left\{\begin{array}{cc}{X}_j,& \begin{array}{ccc}rand\left(\right)\≤CR& or& j=1\end{array}\\ V_j,& others\end{array}\right.;$

rand()取0到1之间随机数，CR为交叉因子，本发明CR具体取值范围是0.6至0.8；j随机取整数0或整数1；

(5)保存最优染色体，采用改进型归一化互相关计算公式作为适应度函数，公式如下：

$P(x,y)=\frac{{\[\underset{v=0}{\overset{n}{\Σ}}\underset{u=0}{\overset{m}{\Σ}}T(u,v)S(x+u,y+v)\]}^2}{\underset{v=0}{\overset{n}{\Σ}}\underset{u=0}{\overset{m}{\Σ}}{S}^2(x+u,y+v)};$

(6)重复步骤(3)、步骤(4)、步骤(5)；随着迭代次数的增加，不同种群中最优染色体之间的差异不断增大，逐渐舍弃适应度值较低的种群。