CN107146244A - 基于pbil算法的图像配准方法 - Google Patents
基于pbil算法的图像配准方法 Download PDFInfo
- Publication number
- CN107146244A CN107146244A CN201710230960.0A CN201710230960A CN107146244A CN 107146244 A CN107146244 A CN 107146244A CN 201710230960 A CN201710230960 A CN 201710230960A CN 107146244 A CN107146244 A CN 107146244A
- Authority
- CN
- China
- Prior art keywords
- image
- registration
- subject
- mrow
- reference picture
- 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 37
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 23
- 230000009466 transformation Effects 0.000 claims abstract description 30
- 239000013598 vector Substances 0.000 claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 238000000746 purification Methods 0.000 claims abstract description 4
- 238000012216 screening Methods 0.000 claims abstract description 4
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000004044 response Effects 0.000 claims description 11
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical group C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims description 3
- 239000012141 concentrate Substances 0.000 claims description 3
- 241000208340 Araliaceae Species 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 230000008859 change Effects 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 5
- 238000002474 experimental method Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000007812 deficiency Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提出了一种基于PBIL算法的图像配准方法,旨在提高图像配准的精度,实现步骤为:分别构建参考图像和待配准图像的尺度空间;在参考图像和待配准图像的尺度空间中分别进行极值点检测;根据参考图像和待配准图像的极值点检测结果生成关键点的特征向量;根据参考图像和待配准图像的特征向量生成关键点特征描述子;根据参考图像和待配准图像的关键点特征描述子对参考图像和待配准图像进行初始匹配;对初始匹配结果进行提纯;采用PBIL算法以图像的互信息为优化对象,对提纯后的匹配结果进行筛选;根据筛选后的匹配结果,搜索最优变换参数;融合参考图像和待配准图像,得到配准图像。本发明的图像配准精度高,配准结果稳定性好。
Description
技术领域
本发明属于图像处理技术领域,涉及一种图像配准方法,具体涉及一种基于PBIL算法的图像配准方法,可应用于计算机视觉、遥感图像及模式识别等领域。
背景技术
图像配准是图像处理应用方面非常关键的步骤,它是将不同时刻、不同视角或者是不同传感器获取的同一场景的两幅或者多幅图像进行匹配对应的过程。图像配准技术在很多领域有着广泛的应用,比如计算机视觉、遥感图像、图像对比、数据融合以及模式识别领域。图像配准比较常用的方法分为三类:基于像素灰度的配准方法、基于变换域的配准方法和基于特征的配准方法。
基于灰度的图像配准方法不需要预处理图像,是直接利用全部可用的图像灰度信息,计算图像之间的相似度,求得空间变换参数,因此能提高配准的精度和鲁棒性,但是计算复杂度相对较高且其应用范围较窄,不能直接用于校正图像的非线性形变。
基于变换域的图像配准方法是将配准转换到频域来计算,比较普遍的方法是傅里叶变换。主要的优点是具有抗噪的鲁棒性,但是不足在于只能应用于简单的图像配准。
基于特征的图像配准方法是目前图像配准采用最多的方法,是首先提取图像的代表性特征信息,利用特征匹配判断图像之间的对应关系。特征包含了点特征、线特征和面特征。当提取的特征为点特征时,利用参考图像和待配准图像的匹配点对来计算参考图像和待配准图像的变换参数,基于特征的图像配准方法配准运算速度较快,适用于大部分种类的图像,但是不足在于当图像的信息量较少的时候,很难找到参考图像和待配准图像的最优匹配点对,导致配准精度较低。
基于人口增量学习(Population Based Incremental Learning,PBIL)算法是一种进化算法,其主要思想是指导优化对象进行进化,使得优化对象朝着最优对象的方向进化,最终使得优化对象成为最优对象,实现对目标的优化,这种算法为搜索基于特征的图像配准方法中参考图像和待配准图像的最优匹配点对提供了一种可能。
发明内容
本发明的目的在于克服上述现有技术存在的不足,提出了一种基于PBIL算法的图像配准方法,用于解决现有基于特征的图像配准方法中存在的图像配准精度低的技术问题。
本发明的技术思路是:首先对参考图像和待配准图像进行处理,得到参考图像和待配准图像的匹配点对,利用PBIL算法对参考图像和待配准图像的匹配点对进行筛选,得到最优匹配点对,利用最优匹配点对计算参考图像和待配准图像的仿射变换参数,根据仿射变换参数得到配准图像。
根据上述技术思路,实现本发明目的采取的技术方案,包括如下步骤:
(1)对输入的参考图像I1和待配准图像I2的尺度空间极值分别进行检测,得到参考图像I1在其尺度空间中的极值点集和待配准图像I2在其尺度空间中的极值点集,实现步骤为:
(1a)分别构建参考图像I1高斯金字塔和待配准图像I2高斯金字塔;
(1b)采用参考图像I1高斯金字塔,构建参考图像I1高斯差分金字塔,同时采用待配准图像I2高斯金字塔,构建待配准图像I2高斯差分金字塔;
(1c)采用参考图像I1高斯差分金字塔表示参考图像I1的尺度空间,同时采用待配准图像I2高斯差分金字塔表示待配准图像I2的尺度空间;
(1d)在参考图像I1的尺度空间中初步检测参考图像I1的空间极值点,同时在待配准图像I2的尺度空间中初步检测待配准图像I2的空间极值点,得到参考图像I1在其尺度空间中的极值点集和待配准图像I2在其尺度空间中的极值点集;
(2)对参考图像I1关键点和待配准图像I2关键点分别进行定位:从参考图像I1在其尺度空间中的极值点集中剔除低对比度极值点和不稳定边缘响应点,同时从待配准图像I2在其尺度空间中的极值点集中剔除低对比度极值点和不稳定边缘响应点,得到参考图像I1关键点和待配准图像I2关键点;
(3)对参考图像I1的关键点和待配准图像I2的关键点分别进行方向分配:采用图像梯度的方法,分别计算参考图像I1关键点的主方向和待配准图像I2关键点的主方向,得到参考图像I1关键点方向和待配准图像I2关键点方向;
(4)计算参考图像I1的关键点特征描述子和待配准图像I2的关键点特征描述子:采用参考图像I1关键点方向,计算参考图像I1关键点方向对应的关键点特征描述子,同时采用待配准图像I2关键点方向,计算待配准图像I2关键点方向对应的关键点特征描述子,得到参考图像I1的关键点特征描述子和待配准图像I2的关键点特征描述子;
(5)根据参考图像I1的关键点特征描述子和待配准图像I2的关键点特征描述子,对参考图像I1和待配准图像I2进行初始匹配:在参考图像I1特征点集内找到待配准图像I2上的特征点相对应的匹配点,得到参考图像I1和待配准图像I2的匹配点对;
(6)计算参考图像I1和待配准图像I2的仿射变换参数N1:对参考图像I1和待配准图像I2的匹配点对进行提纯,并利用提纯的参考图像I1和待配准图像I2的初始匹配点对,计算参考图像I1和待配准图像I2的仿射变换参数N1;
(7)利用参考图像I1和待配准图像I2的仿射变换参数N1,对待配准图像I2进行仿射变换,得到待配准图像I2仿射变换后的图像F1;
(8)采用PBIL算法,对步骤(6)中提纯的初始匹配点对进行筛选,得到参考图像I1和待配准图像I2的匹配点对集;
(9)计算参考图像I1和待配准图像I2的仿射变换参数N2:从参考图像I1和待配准图像I2的匹配点对集中挑选表现最优的匹配点对,并利用该表现最优的匹配点对,计算参考图像I1和待配准图像I2的仿射变换参数N2;
(10)利用参考图像I1和待配准图像I2的仿射变换参数N2,对待配准图像I2进行仿射变换,得到待配准图像I2仿射变换后的图像F2;
(11)将仿射变换后的图像F2与参考图像I1进行融合,得到配准图像。
本发明与现有技术相比,具有如下优点:
本发明由于计算参考图像和待配准图像的变换参数时所需的最优匹配点对,是采用PBIL算法对参考图像和待配准图像的匹配点对进行筛选实现的,避免了现有基于特征的图像配准方法中,通过对参考图像和待配准图像的匹配点对进行排序获取变换参数导致难以找到最优匹配点的缺点,能够实现参考图像和待配准图像更好的融合,与现有技术相比有效地提高了图像的配准精度,同时保持了配准结果的稳定性。
附图说明
图1为本发明的实现流程图;
图2为本发明的参考遥感图像、待配准遥感图像和遥感图像配准结果图。
具体实施方式
以下结合附图和具体实施例,对本发明作进一步详细说明:
参照图1,基于PBIL算法的图像配准方法,包括如下步骤:
步骤1,对输入的参考图像I1和待配准图像I2的尺度空间极值分别进行检测,得到参考图像I1在其尺度空间中的极值点集和待配准图像I2在其尺度空间中的极值点集,实现步骤为:
步骤1a,分别构建参考图像I1高斯金字塔和待配准图像I2高斯金字塔,其构建公式为:
n=log{min(M,N)-t},t∈[0,log2{min(M,N)}]
其中,(M,N)表示原始图像的大小,t表示塔顶图像的最小维数的对数值;
步骤1b,采用参考图像I1高斯金字塔,构建参考图像I1高斯差分金字塔,同时采用待配准图像I2高斯金字塔,构建待配准图像I2高斯差分金字塔,其构建公式为:
D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y)=L(x,y,kσ)-L(x,y,σ)
其中,L(x,y,σ)表示图像的尺度空间,G(x,y,σ)表示高斯函数,k为组内总层数的倒数;
步骤1c,采用参考图像I1高斯差分金字塔表示参考图像I1的尺度空间,同时采用待配准图像I2高斯差分金字塔表示待配准图像I2的尺度空间;
步骤1d,在参考图像I1的尺度空间中初步检测参考图像I1的空间极值点,同时在待配准图像I2的尺度空间中初步检测待配准图像I2的空间极值点,得到参考图像I1在其尺度空间中的极值点集和待配准图像I2在其尺度空间中的极值点集。
步骤2,对参考图像I1关键点和待配准图像I2关键点分别进行定位:从参考图像I1在其尺度空间中的极值点集中剔除低对比度极值点和不稳定边缘响应点,同时从待配准图像I2在其尺度空间中的极值点集中剔除低对比度极值点和不稳定边缘响应点,得到参考图像I1关键点和待配准图像I2关键点,其中剔除低对比度极值点采用的公式为:
其中,X=(x,y,σ)T表示参考图像I1极值点的位置与尺度信息,和待配准图像I2极值点的位置与尺度信息,而当|D(X)|<0.03时,参考图像I1极值点和待配准图像I2极值点被判为低对比度极值点,将其剔除;
剔除不稳定边缘响应点,采用的公式为:
其中,H表示Hessian矩阵,γ为比例系数,且γ=10,若不满足上式时,参考图像I1极值点和待配准图像I2极值点被判为不稳定边缘响应点,将其剔除。
步骤3,对参考图像I1的关键点和待配准图像I2的关键点分别进行方向分配:采用图像梯度的方法,分别计算参考图像I1关键点的主方向和待配准图像I2关键点的主方向,得到参考图像I1关键点方向和待配准图像I2关键点方向,其实现步骤为:
步骤3a,分别计算参考图像I1的关键点和待配准图像I2的关键点梯度的模值,其计算公式均为:
其中,L为不同图像关键点所在的尺度空间值,(x,y)表示不同图像内的像素坐标;
步骤3b,分别计算参考图像I1的关键点和待配准图像I2的关键点梯度的方向,其计算公式均为:
θ(x,y)=tan-1(L(x,y+1)-L(x,y-1))/(L(x+1,y)-L(x-1,y))
步骤3c,分别统计参考图像I1的关键点和待配准图像I2的关键点邻域内像素的梯度的模值和方向,实现对参考图像I1的关键点和待配准图像I2的关键点分别进行方向分配。
步骤4,采用参考图像I1关键点方向和待配准图像I2关键点方向,计算各关键点方向对应的关键点特征描述子,得到参考图像I1的关键点特征描述子和待配准图像I2的关键点特征描述子,其计算步骤为:
步骤4a,计算关键点特征描述子所需要的图像区域,其图像区域半径计算公式为:
其中,将关键点附近的邻域划分为d×d个子区域,且d=4,3σ_oct表示子区域边长;
步骤4b,将坐标轴旋转为关键点的方向:旋转之后的领域内的关键点新坐标为:
步骤4c,计算步骤4a中的子区域内的采样点的梯度和方向,旋转之后,关键点落在子区域内的坐标为:
关键点的梯度大小的计算公式为:
其中a,b为关键点在高斯金字塔图像中的坐标位置;
步骤4d,采用插值算法,计算步骤4a中的所述的种子点8个方向的梯度,其计算公式为:
weight=w×drk×(1-dr)1-k×dcm×(1-dc)1-m×don×(1-do)1-n
其中k,m,n为0或者1,dr为采样点对第0行第3列种子点的贡献因子,1-dr为对第1行第3列的贡献因子,dc和1-dc为对邻近两列的贡献因子,do和1-do为对邻近两个方向的贡献因子;
步骤4e,统计关键点的特征向量的4×4×8=128个梯度信息,并其进行归一化处理,设得到的描述子向量维H=(h1,h2,...,h128),归一化后的特征向量为L=(l1,l2,...,l128)则:
步骤4f,设置关键点描述子向量门限:向量归一化后,一般取(0,0.2),截断较大的梯度值,然后再进行一次归一化处理,提高特征的鉴别性;
步骤4g,按关键点的尺度对特征描述向量进行排序。
步骤5,根据参考图像I1的关键点特征描述子和待配准图像I2的关键点特征描述子,对参考图像I1和待配准图像I2进行初始匹配:在参考图像I1特征点集内找到待配准图像I2上的特征点相对应的匹配点,得到参考图像I1和待配准图像I2的匹配点对,其匹配公式为:
其中,DA为参考图像I1中的关键点A的特征向量,DB为待配准图像I2中关键点B的特征向量,DC为待配准图像I2中关键点C的特征向量,关键点B为关键点A在待配准图像I2中的最近邻,关键点C为关键点A在待配准图像I2中的次最近邻,t为欧式距离阈值。
步骤6,计算参考图像I1和待配准图像I2的仿射变换参数N1:对参考图像I1和待配准图像I2的匹配点对进行提纯,并利用提纯的参考图像I1和待配准图像I2的初始匹配点对,计算参考图像I1和待配准图像I2的仿射变换参数N1,其计算公式:
其中,[x,y]T表示待配准图像I2的关键点,[u,v]T表示参考图像I1的关键点;
步骤7,利用参考图像I1和待配准图像I2的仿射变换参数N1,对待配准图像I2进行仿射变换,得到待配准图像I2仿射变换后的图像F1;
步骤8,采用PBIL算法,对步骤(6)中提纯的初始匹配点对进行筛选,得到参考图像I1和待配准图像I2的匹配点对集;
步骤9,计算参考图像I1和待配准图像I2的仿射变换参数N2:从参考图像I1和待配准图像I2的匹配点对集中挑选表现最优的匹配点对,并利用该表现最优的匹配点对计算参考图像I1和待配准图像I2的仿射变换参数N2,其计算公式为:
步骤10,利用参考图像I1和待配准图像I2的仿射变换参数N2,对待配准图像I2进行仿射变换,得到待配准图像I2仿射变换后的图像F2;
步骤11,将仿射变换后的图像F2与参考图像I1进行融合,得到配准图像。
以下结合仿真实验,对本发明的技术效果进行进一步说明。
1.仿真条件和内容:
硬件平台为:Intel(R)Core(TM)i5-6200U CPU@2.30GHz 2.40GHZ;软件平台为:Windows 10.1,Matlab 2010a;仿真实验参数设置:PBIL的学习概率阈值P0为0.55,学习速率即修正常数X为0.01。
对参考遥感图像和待配准遥感图像图进行图像配准仿真实验,其结果如图2所示。
2.仿真结果分析:
参照图2,从图中可以看出参考图像和待配准图像的重叠区域可以很精确地融合,结果几乎没有错位,表明配准精度高。
Claims (7)
1.一种基于PBIL算法的图像配准方法,包括如下步骤:
(1)对输入的参考图像I1和待配准图像I2的尺度空间极值分别进行检测,得到参考图像I1在其尺度空间中的极值点集和待配准图像I2在其尺度空间中的极值点集,实现步骤为:
(1a)分别构建参考图像I1高斯金字塔和待配准图像I2高斯金字塔;
(1b)采用参考图像I1高斯金字塔,构建参考图像I1高斯差分金字塔,同时采用待配准图像I2高斯金字塔,构建待配准图像I2高斯差分金字塔;
(1c)采用参考图像I1高斯差分金字塔表示参考图像I1的尺度空间,同时采用待配准图像I2高斯差分金字塔表示待配准图像I2的尺度空间;
(1d)在参考图像I1的尺度空间中初步检测参考图像I1的空间极值点,同时在待配准图像I2的尺度空间中初步检测待配准图像I2的空间极值点,得到参考图像I1在其尺度空间中的极值点集和待配准图像I2在其尺度空间中的极值点集;
(2)对参考图像I1关键点和待配准图像I2关键点分别进行定位:从参考图像I1在其尺度空间中的极值点集中剔除低对比度极值点和不稳定边缘响应点,同时从待配准图像I2在其尺度空间中的极值点集中剔除低对比度极值点和不稳定边缘响应点,得到参考图像I1关键点和待配准图像I2关键点;
(3)对参考图像I1关键点和待配准图像I2关键点分别进行方向分配:采用图像梯度的方法,分别计算参考图像I1关键点的主方向和待配准图像I2关键点的主方向,得到参考图像I1关键点方向和待配准图像I2关键点方向;
(4)计算参考图像I1的关键点特征描述子和待配准图像I2的关键点特征描述子:采用参考图像I1关键点方向,计算参考图像I1关键点方向对应的关键点特征描述子,同时采用待配准图像I2关键点方向,计算待配准图像I2关键点方向对应的关键点特征描述子,得到参考图像I1的关键点特征描述子和待配准图像I2的关键点特征描述子;
(5)根据参考图像I1的关键点特征描述子和待配准图像I2的关键点特征描述子,对参考图像I1和待配准图像I2进行初始匹配:在参考图像I1特征点集内找到待配准图像I2上的特征点相对应的匹配点,得到参考图像I1和待配准图像I2的匹配点对;
(6)计算参考图像I1和待配准图像I2的仿射变换参数N1:对参考图像I1和待配准图像I2的匹配点对进行提纯,并利用提纯的参考图像I1和待配准图像I2的初始匹配点对,计算参考图像I1和待配准图像I2的仿射变换参数N1;
(7)利用参考图像I1和待配准图像I2的仿射变换参数N1,对待配准图像I2进行仿射变换,得到待配准图像I2仿射变换后的图像F1;
(8)采用PBIL算法,对步骤(6)中提纯的初始匹配点对进行筛选,得到参考图像I1和待配准图像I2的匹配点对集;
(9)计算参考图像I1和待配准图像I2的仿射变换参数N2:从参考图像I1和待配准图像I2的匹配点对集中挑选表现最优的匹配点对,并利用该表现最优的匹配点对,计算参考图像I1和待配准图像I2的仿射变换参数N2;
(10)利用参考图像I1和待配准图像I2的仿射变换参数N2,对待配准图像I2进行仿射变换,得到待配准图像I2仿射变换后的图像F2;
(11)将仿射变换后的图像F2与参考图像I1进行融合,得到配准图像。
2.根据权利要求1所述的基于PBIL算法的图像配准方法,其特征在于,步骤(1a)中所述的高斯金字塔,其构建公式为:
n=log{min(M,N)-t},t∈[0,log2{min(M,N)}]
其中,(M,N)表示原始图像的大小,t表示塔顶图像的最小维数的对数值。
3.根据权利要求1所述的基于PBIL算法的图像配准方法,其特征在于,步骤(1b)中所述的差分高斯金字塔,其构建公式为:
D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y)=L(x,y,kσ)-L(x,y,σ)
其中,L(x,y,σ)表示图像的尺度空间,G(x,y,σ)表示高斯函数,k为组内总层数的倒数。
4.根据权利要求1所述的基于PBIL算法的图像配准方法,其特征在于,步骤(2)中所述的剔除低对比度极值点和不稳定边缘响应点,其中剔除低对比度极值点采用的公式为:
<mrow>
<mi>D</mi>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>D</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mn>0</mn>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<msup>
<mi>D</mi>
<mi>T</mi>
</msup>
</mrow>
<mrow>
<mo>&part;</mo>
<mi>X</mi>
</mrow>
</mfrac>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
<mi>T</mi>
</msup>
<mfrac>
<mrow>
<msup>
<mo>&part;</mo>
<mn>2</mn>
</msup>
<msup>
<mi>D</mi>
<mi>T</mi>
</msup>
</mrow>
<mrow>
<mo>&part;</mo>
<msup>
<mi>X</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mrow>
<mo>(</mo>
<mi>X</mi>
<mo>)</mo>
</mrow>
</mrow>
其中,X=(x,y,σ)T表示参考图像I1极值点的位置与尺度信息,和待配准图像I2极值点的位置与尺度信息,而当|D(X)|<0.03时,参考图像I1极值点和待配准图像I2极值点被判为低对比度极值点,将其剔除;
剔除不稳定边缘响应点,采用的公式为:
<mrow>
<mfrac>
<mrow>
<mi>T</mi>
<mi>r</mi>
<msup>
<mrow>
<mo>(</mo>
<mi>H</mi>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mi>D</mi>
<mi>e</mi>
<mi>t</mi>
<mrow>
<mo>(</mo>
<mi>H</mi>
<mo>)</mo>
</mrow>
</mrow>
</mfrac>
<mo><</mo>
<mfrac>
<msup>
<mrow>
<mo>(</mo>
<mi>&gamma;</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mi>&gamma;</mi>
</mfrac>
</mrow>
其中,H表示Hessian矩阵,γ为比例系数,且γ=10,若不满足上式时,参考图像I1极值点和待配准图像I2极值点被判为不稳定边缘响应点,将其剔除。
5.根据权利要求1所述的基于PBIL算法的图像配准方法,其特征在于,步骤(3)中所述的对参考图像I1的关键点和待配准图像I2的关键点分别进行方向分配,实现步骤为:
(3a)分别计算参考图像I1的关键点和待配准图像I2的关键点梯度的模值,其计算公式均为:
<mrow>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msqrt>
<mrow>
<msup>
<mrow>
<mo>(</mo>
<mi>L</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>+</mo>
<mn>1</mn>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<mi>L</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
<mi>y</mi>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<mo>+</mo>
<msup>
<mrow>
<mo>(</mo>
<mi>L</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>-</mo>
<mi>L</mi>
<mo>(</mo>
<mrow>
<mi>x</mi>
<mo>,</mo>
<mi>y</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
其中,L为不同图像关键点所在的尺度空间值,(x,y)表示不同图像内的像素坐标;
(3b)分别计算参考图像I1的关键点和待配准图像I2的关键点梯度的方向,其计算公式均为:
θ(x,y)=tan-1(L(x,y+1)-L(x,y-1))/(L(x+1,y)-L(x-1,y))
(3c)分别统计参考图像I1的关键点和待配准图像I2的关键点邻域内像素的梯度的模值和方向,实现对参考图像I1的关键点和待配准图像I2的关键点分别进行方向分配。
6.根据权利要求1所述的基于PBIL算法的图像配准方法,其特征在于,步骤(5)中所述的对参考图像I1和待配准图像I2进行初始匹配,其公式为:
<mrow>
<mo>|</mo>
<mfrac>
<mrow>
<msub>
<mi>D</mi>
<mi>A</mi>
</msub>
<mo>-</mo>
<msub>
<mi>D</mi>
<mi>B</mi>
</msub>
</mrow>
<mrow>
<msub>
<mi>D</mi>
<mi>A</mi>
</msub>
<mo>-</mo>
<msub>
<mi>D</mi>
<mi>C</mi>
</msub>
</mrow>
</mfrac>
<mo>|</mo>
<mo>></mo>
<mi>t</mi>
</mrow>
其中,DA为参考图像I1中的关键点A的特征向量,DB为待配准图像I2中关键点B的特征向量,DC为待配准图像I2中关键点C的特征向量,关键点B为关键点A在待配准图像I2中的最近邻,关键点C为关键点A在待配准图像I2中的次最近邻,t为欧式距离阈值。
7.根据权利要求1所述的基于PBIL算法的图像配准方法,其特征在于,步骤(6)所述的计算参考图像I1和待配准图像I2的仿射变换参数N1,其计算公式:
<mrow>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mi>u</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>v</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>=</mo>
<msub>
<mi>N</mi>
<mn>1</mn>
</msub>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<mi>x</mi>
</mtd>
</mtr>
<mtr>
<mtd>
<mi>y</mi>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>+</mo>
<mfenced open = "[" close = "]">
<mtable>
<mtr>
<mtd>
<msub>
<mi>&delta;</mi>
<mi>x</mi>
</msub>
</mtd>
</mtr>
<mtr>
<mtd>
<msub>
<mi>&delta;</mi>
<mi>y</mi>
</msub>
</mtd>
</mtr>
</mtable>
</mfenced>
</mrow>
其中,[x,y]T表示待配准图像I2的关键点,[u,v]T表示参考图像I1的关键点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710230960.0A CN107146244B (zh) | 2017-04-11 | 2017-04-11 | 基于pbil算法的图像配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710230960.0A CN107146244B (zh) | 2017-04-11 | 2017-04-11 | 基于pbil算法的图像配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107146244A true CN107146244A (zh) | 2017-09-08 |
CN107146244B CN107146244B (zh) | 2019-10-11 |
Family
ID=59774676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710230960.0A Active CN107146244B (zh) | 2017-04-11 | 2017-04-11 | 基于pbil算法的图像配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107146244B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537832A (zh) * | 2018-04-10 | 2018-09-14 | 安徽大学 | 基于局部不变灰度特征的图像配准方法、图像处理系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020945A (zh) * | 2011-09-21 | 2013-04-03 | 中国科学院电子学研究所 | 一种多源传感器的遥感图像配准方法 |
US20130156336A1 (en) * | 2011-12-15 | 2013-06-20 | Electronics And Telecommunications Research Institute | Image registration device and method thereof |
CN104517287A (zh) * | 2014-12-10 | 2015-04-15 | 广州赛意信息科技有限公司 | 一种图像匹配的方法及装置 |
CN105550427A (zh) * | 2015-12-09 | 2016-05-04 | 天津大学 | 一种基于改进pbil算法的软硬件划分方法 |
CN105701512A (zh) * | 2016-01-14 | 2016-06-22 | 西安电子科技大学 | 一种基于bbo-mlp和纹理特征的图像分类方法 |
-
2017
- 2017-04-11 CN CN201710230960.0A patent/CN107146244B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103020945A (zh) * | 2011-09-21 | 2013-04-03 | 中国科学院电子学研究所 | 一种多源传感器的遥感图像配准方法 |
US20130156336A1 (en) * | 2011-12-15 | 2013-06-20 | Electronics And Telecommunications Research Institute | Image registration device and method thereof |
CN104517287A (zh) * | 2014-12-10 | 2015-04-15 | 广州赛意信息科技有限公司 | 一种图像匹配的方法及装置 |
CN105550427A (zh) * | 2015-12-09 | 2016-05-04 | 天津大学 | 一种基于改进pbil算法的软硬件划分方法 |
CN105701512A (zh) * | 2016-01-14 | 2016-06-22 | 西安电子科技大学 | 一种基于bbo-mlp和纹理特征的图像分类方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108537832A (zh) * | 2018-04-10 | 2018-09-14 | 安徽大学 | 基于局部不变灰度特征的图像配准方法、图像处理系统 |
CN108537832B (zh) * | 2018-04-10 | 2021-11-26 | 安徽大学 | 基于局部不变灰度特征的图像配准方法、图像处理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107146244B (zh) | 2019-10-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Automatic pavement crack detection by multi-scale image fusion | |
CN108256446B (zh) | 用于确定道路中的车道线的方法、装置和设备 | |
CN105184801B (zh) | 一种基于多层次策略的光学与sar影像高精度配准方法 | |
CN110399884B (zh) | 一种特征融合自适应锚框模型车辆检测方法 | |
CN107515895A (zh) | 一种基于目标检测的视觉目标检索方法与系统 | |
CN111046856B (zh) | 基于动静态特征提取并行位姿跟踪与地图创建的方法 | |
CN111091023B (zh) | 一种车辆检测方法、装置及电子设备 | |
CN107506795A (zh) | 一种面向图像匹配的局部灰度直方图特征描述子建立方法和图像匹配方法 | |
KR20100112155A (ko) | 이미지 식별용 특징-기반 시그네처 | |
CN107886539B (zh) | 一种工业场景下高精度齿轮视觉检测方法 | |
CN105631872A (zh) | 基于多特征点的遥感图像配准方法 | |
CN112288758B (zh) | 一种电力设备红外与可见光图像配准方法 | |
CN106529548A (zh) | 亚像素级的多尺度Harris角点检测算法 | |
CN115937552A (zh) | 一种基于融合手工特征与深度特征的图像匹配方法 | |
CN117314901B (zh) | 一种尺度自适应的芯片检测神经网络系统 | |
CN111582270A (zh) | 基于高精度的桥梁区域视觉靶标特征点的识别追踪方法 | |
CN109344758B (zh) | 基于改进局部二值模式的人脸识别方法 | |
CN107392211A (zh) | 基于视觉稀疏认知的显著目标检测方法 | |
CN109829511B (zh) | 基于纹理分类的下视红外图像中云层区域检测方法 | |
CN107146244A (zh) | 基于pbil算法的图像配准方法 | |
JP3251840B2 (ja) | 画像認識装置 | |
CN105844260A (zh) | 一种多功能智能清洁机器人装置 | |
CN104616302A (zh) | 一种目标实时识别方法 | |
CN115063679A (zh) | 一种基于深度学习的路面质量评估方法 | |
CN111899284B (zh) | 一种基于参数化esm网络的平面目标跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 | ||
TR01 | Transfer of patent right | ||
TR01 | Transfer of patent right |
Effective date of registration: 20231122 Address after: 710116, 6th Floor, Building A, Galaxy, Collaborative Innovation Port, Hongguang Avenue, Fengdong New City, Xi'an City, Shaanxi Province, China 618-11 Patentee after: Xi'an Aomin Guozhong Information Technology Co.,Ltd. Address before: 710071 Taibai South Road, Yanta District, Xi'an, Shaanxi Province, No. 2 Patentee before: XIDIAN University |