CN108269274A - 基于傅里叶变换和Hough变换的图像配准方法 - Google Patents
基于傅里叶变换和Hough变换的图像配准方法 Download PDFInfo
- Publication number
- CN108269274A CN108269274A CN201611266603.1A CN201611266603A CN108269274A CN 108269274 A CN108269274 A CN 108269274A CN 201611266603 A CN201611266603 A CN 201611266603A CN 108269274 A CN108269274 A CN 108269274A
- Authority
- CN
- China
- Prior art keywords
- registration
- value
- threshold
- fourier transformation
- hough
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20061—Hough transform
Abstract
本发明涉及一种基于傅里叶变换和Hough变换的图像配准方法,步骤如下:待配准图通过填充延扩;进行傅里叶变换,将幅度值归一化,并将频域移至中心位置;对频谱图阈值分割,判断中心位置周围的散点未分布在给定矩形范围占总散点数是否超过预设比例,若超过,阈值加1重新阈值分割,否则下一步;设定投票点数值进行Hough直线检测,判断直线数目是否等于3,若不等于,将投票点数值减1重新直线检测,否则下一步;求直线的斜率获得θ,根据角度值对待配准图做仿射变换得到初步匹配图;对标准图和初步匹配图进行基于特征点的匹配,获得最终的配准图。本发明能够实现0°至90°旋转角度和任何平移偏量的图像的快速高精度配准。
Description
技术领域
本发明涉及图像处理领域,特别是一种基于傅里叶变换和Hough变换的图像配准方法。
背景技术
图像配准是图像处理的重要任务之一,用于将不同时间、不同传感器、不同视角以及不同拍摄条件下获取的两幅及以上图像进行几何意义上的匹配。其广泛应用于计算机视觉、医学图像处理、遥感数据分析等研究领域,具有十分重要的研究意义和实用价值。
图像配准的方法一般分为两类:基于区域的图像配准方法和基于特征的图像配准方法,而基于区域的配准又可以分为基于灰度的配准和基于变换域的配准。针对具有平移、旋转、缩放类型的图像匹配最常用的是单一的基于特征的配准或者基于变换域的配准。
基于特征的配准,其能将整个图像的各种分析转化为图像特征的分析,大大压缩了图像信息的数据量,同时保持了图像的平移、旋转等方面的特征,相比于其他方法速度快,鲁棒性好。最经典的是基于特征点的配准方法:SURF和SIFT。SIFT算法使用DoG对LoG进行简化,提高了特征点的搜索速度,并且配准精度很高。SURF算法借鉴SIFT的思想,将DoG中的高斯二阶微分模板进行了近似简化,使得模板只需要进行几个简单的加减法运算就能完成图像的滤波,并且运算量与滤波模板的尺寸无关,且同样具备对图像旋转、平移和尺度变化的不变性,在不降低性能的情况下,SURF算法比SIFT算法速度快。但这两种算法的缺点是:必须要有去除误匹配算法,占据了一定的时间,且有些去除误匹配的算法效果不好。
基于变换域的图像配准,最常用的是傅立叶变换,比如傅里叶梅林变换,将图像变换到频域,并对图像幅度谱进行对数-极坐标变换,在对数-极坐标空间求解相对旋转角度和平移偏量。但是该方法的缺点是:必须事先规定好角度的取值范围,如果仅在整数角度取值,当旋转角度为浮点值时,对角度的估计会有偏差,如果将角度的取值范围进一步细化,则势必增加计算量。
以上两种方法在处理过程中所采用的几何变换都是仿射变换,而仿射变换只能很好的处理二维空间的变换,如果存在微变的三维空间匹配精度会很低。很多基于上述两种方法改进的方法也都没有考虑到这个细节,导致配准精度和正确率一般。
发明内容
本发明的目的在于提供一种基于傅里叶变换和Hough变换的图像配准方法。
实现本发明目的的技术解决方案为:一种基于傅里叶变换和Hough变换的图像配准方法,包括以下步骤:
步骤1,将待配准图进行填充延扩,使其尺寸变为2、3或5的整数倍;
步骤2,对延扩之后的图进行快速傅里叶变换,并对幅度值进行归一化,将频域原点置于整幅图像的中心位置,得到傅里叶频谱图;
步骤3,对步骤2得到的频谱图以设定范围内的某一阈值开始进行阈值分割,判断中心位置周围未分布在给定矩形范围的散点数占总散点数的比例是否超过预设比例,若超过,阈值加1重新阈值分割,若反之,则进行下一步骤;
步骤4,对步骤3得到的阈值图以设定的投票点数值进行Hough直线检测,判断检测到的直线数目是否等于3,若不等于,投票点数值减1重新进行Hough直线检测,若反之,则进行下一步骤;
步骤5,对步骤4得到的直线求其斜率获得旋转角度θ,根据该角度对待配准图做仿射变换获得初步配准图;
步骤6,将步骤5得到的初步配准图与标准图进行基于特征点的匹配,得到最终配准图。
本发明与现有方法相比,其显著优点在于:
(1)针对0°至90°旋转角度和任何平移偏量的图像都能实现高精度配准;(2)傅里叶变换时不需要事先规定甚至细化角度范围,即使得到浮点角度后续可以通过特征匹配进一步精配准;(3)基于特征点的匹配无需比较选择SURF/SIFT中的某一种,两者精度相当,因为傅里叶变换之后得到的配准图旋转角度已经被削减了很多,且无需去除误匹配算法,节省时间;(4)基于特征点匹配中的几何变化采取透射变换可以处理二维甚至三维空间的图像配准,配准精度更高。
附图说明
图1是本发明基于傅里叶变换和Hough变换的图像配准方法流程图。
图2是本发明傅里叶变换部分的流程图。
图3是本发明阈值分割的流程图。
图4为本发明基于傅里叶变换和Hough变换的图像配准方法的实施例图,其中图4(a)为标准图,图4(b)为待配准图,图4(c)为延扩后的待配准图,图4(d)为待配准图归一化后的傅里叶频谱图,图4(e)为阈值分割图,图4(f)为Hough直线检测结果,图4(g)为初步配准图,图4(h)为最终配准图。
具体实施方式
结合图1,一种基于傅里叶变换和Hough变换的图像配准方法,包括以下步骤:
步骤1,将待配准图进行填充延扩,使其尺寸变为2、3或5的整数倍;
步骤2,对延扩之后的图进行快速傅里叶变换,并对幅度值进行归一化,将频域原点置于整幅图像的中心位置,得到傅里叶频谱图;
步骤3,对步骤2得到的频谱图以设定范围内的某一阈值开始进行阈值分割,判断中心位置周围未分布在给定矩形范围的散点数占总散点数的比例是否超过预设比例,若超过,阈值加1重新阈值分割,若反之,则进行下一步骤;
步骤4,对步骤3得到的阈值图以设定的投票点数值进行Hough直线检测,判断检测到的直线数目是否等于3,若不等于,投票点数值减1重新进行Hough直线检测,若反之,则进行下一步骤;
步骤5,对步骤4得到的直线求其斜率获得旋转角度θ,根据该角度对待配准图做仿射变换获得初步配准图;
步骤6,将步骤5得到的初步配准图与标准图进行基于特征点的匹配,得到最终配准图。
进一步的,步骤1所述的填充延扩采用的是纯黑色填充延扩。
进一步的,步骤2的归一化,并将频域原点置于中心位置,具体过程如下:
将亮度范围[0,255]归一化为范围[0,1],此时低频区域分布在四个角,高频区域在图像中心,其中低频代表的是目标;
将图像以中心为原点分为四个象限,再将第一象限和第三象限的区域互换,将第二象限和第四象限的区域互换,使得低频位于中心即频域原点置于中心位置,得到新的频谱图。
进一步的,步骤3所述的阈值分割,设定的阈值范围为100—120,具体过程如下:
对步骤2中的频谱图以设定范围100—120内的某一阈值进行全局自适应OTSU阈值分割,并以图像中心为原点设置一个长宽分别为待配准图像长宽1/4大小的矩形,计算未落入矩形内部的散点数占总散点数的比例,设置的基准比例值为10%,若超过,阈值加1重新阈值分割,若反之,则进行下一步骤。
进一步的,步骤4中投票点数值为250。
进一步的,步骤4所述的Hough直线检测采取的是标准霍夫线变换,投票点数值即为散点的数目,达到所设定的投票点数值即可看为是一条直线。
进一步的,步骤6所述的基于特征点的匹配中采取的几何变换是透射变换,且无需去除误匹配算法。
进一步的,步骤6中基于特征点的匹配采用SURF算法或SIFT算法。
下面结合附图及具体实施方式对本发明作进一步详细说明。
实施例
结合图1,本发明基于傅里叶变换和Hough变换的图像配准方法,包括以下步骤:
步骤1,将待配准图进行纯黑色填充延扩,使其尺寸变为2、3或5的倍数;
步骤2,结合图2,对所述步骤1延扩之后的图进行快速傅立叶变换,对幅度值进行归一化,并将频域原点置于中心位置,得到傅里叶频谱图;具体如下:将亮度范围[0,255]归一化为范围[0,1],此时低频区域分布在四个角,高频区域在图像中心,其中低频代表的是目标。将图像以中心为原点分为四个象限,再将第一象限和第三象限的区域互换,将第二象限和第四象限的区域互换,使得低频位于中心即频域原点置于中心位置,得到傅里叶频谱图;
步骤3,结合图3,对所述步骤2中的频谱图以设定范围100—120内某一阈值进行全局自适应OTSU阈值分割,并以图像中心为原点设置一个长宽分别为待配准图像长宽1/4大小的矩形,计算未落入矩形内部的散点数占总散点数的比例,设置的基准比例值为10%,若超过,阈值加1重新阈值分割,若反之,则进行下一步骤;
步骤4,对所述步骤3得到的阈值图以一较大的投票点数值250进行基于标准Hough霍夫变换的Hough直线检测,该投票点数值即为散点的数目,达到所规定的投票点数值即可看为是一条直线。判断检测到的直线数目是否等于3,若不等于,投票点数值减1重新检测,若反之,则进行下一步骤;
步骤5,对所述步骤4得到的直线求其斜率获得旋转角度θ,根据该角度对待配准图做仿射变换获得初步配准图;
步骤6,将所述步骤5得到的初步配准图与标准图进行基于特征点的匹配,采用的是SURF算法或SIFT算法,其中几何变换采取的是透射变换,无需去除误匹配算法,得到最终配准图。
结合图4,一种基于傅里叶变换和Hough变换的图像配准方法,包括以下步骤:
S1,相对标准图4(a)逆时针旋转20°的待配准图4(b),其尺寸为976×1104,对其进行纯黑色填充延扩,使其尺寸为5的倍数,得到尺寸为1000×1125的图4(c);
S2,对图4(c)进行快速傅立叶变换,将幅度进行归一化,并将频域原点置于中心位置,得到傅里叶频谱图4(d);
S3,选取设定阈值范围100—120内的115为起始阈值对图4(d)进行全局自适应OTSU阈值分割,并以图像中心为原点设置一个长宽分别为待配准图像长宽1/4大小的矩形,其尺寸为250×281,计算未落入矩形内部的散点数占总散点数的比例,设置的基准比例值为10%,若超过,阈值加1重新阈值分割,若反之,则进行下一步骤。最终初次符合条件的阈值为160,未落入矩形内部的散点数占总散点数的比例为0,阈值分割结果为图4(e);
S4,对阈值图4(e)以一较大的投票点数值250进行基于标准Hough霍夫变换的Hough直线检测。判断检测到的直线数目是否等于3,若不等于,投票点数值减1重新检测,若反之,则进行下一步骤。最终初次符合条件的的投票点数值为209,直线检测结果为图4(f);
S5,计算图4(f)三条直线的角度,得到三个角度0°,20.18°,90°,则θ=20.18°。根据θ对图4(b)做仿射变换得到初步配准图4(g);
S6,对图4(a)和图4(g)进行基于特征点的匹配,采用SURF算法或SIFT算法,其中的几何变换采用透射变换,得到最终的配准图4(h);
本发明方法简单、速度快、精度高且实时性好,能够实现0°至90°旋转角度和任何平移偏量的图像的快速高精度配准,满足各种需要图像配准市场的需求,有很好的应用前景。
以上所述,仅为本发明较佳的具体实施方式,本发明的保护范围不限于此,任何熟悉本发明领域的技术人员在本发明披露的技术范围内,可显而易见地得到的技术方案的简单变化或等效替换或被作为某技术方案部分技术均落入本发明的保护范围内。
Claims (8)
1.一种基于傅里叶变换和Hough变换的图像配准方法,其特征在于,包括以下步骤:
步骤1,将待配准图进行填充延扩,使其尺寸变为2、3或5的整数倍;
步骤2,对延扩之后的图进行快速傅里叶变换,并对幅度值进行归一化,将频域原点置于整幅图像的中心位置,得到傅里叶频谱图;
步骤3,对步骤2得到的频谱图以设定范围内的某一阈值开始进行阈值分割,判断中心位置周围未分布在给定矩形范围的散点数占总散点数的比例是否超过预设比例,若超过,阈值加1重新阈值分割,若反之,则进行下一步骤;
步骤4,对步骤3得到的阈值图以设定的投票点数值进行Hough直线检测,判断检测到的直线数目是否等于3,若不等于,投票点数值减1重新进行Hough直线检测,若反之,则进行下一步骤;
步骤5,对步骤4得到的直线求其斜率获得旋转角度θ,根据该角度对待配准图做仿射变换获得初步配准图;
步骤6,将步骤5得到的初步配准图与标准图进行基于特征点的匹配,得到最终配准图。
2.根据权利要求1所述的基于傅里叶变换和Hough变换的图像配准方法,其特征在于,步骤1所述的填充延扩采用的是纯黑色填充延扩。
3.根据权利要求1所述的基于傅里叶变换和Hough变换的图像配准方法,其特征在于,步骤2的归一化,并将频域原点置于中心位置,具体过程如下:
将亮度范围[0,255]归一化为范围[0,1],此时低频区域分布在四个角,高频区域在图像中心,其中低频代表的是目标;
将图像以中心为原点分为四个象限,再将第一象限和第三象限的区域互换,将第二象限和第四象限的区域互换,使得低频位于中心即频域原点置于中心位置,得到新的频谱图。
4.根据权利要求1所述的基于傅里叶变换和Hough变换的图像配准方法,其特征在于,步骤3所述的阈值分割,设定的阈值范围为100—120,具体过程如下:
对步骤2中的频谱图以设定范围100—120内的某一阈值进行全局自适应OTSU阈值分割,并以图像中心为原点设置一个长宽分别为待配准图像长宽1/4大小的矩形,计算未落入矩形内部的散点数占总散点数的比例,设置的基准比例值为10%,若超过,阈值加1重新阈值分割,若反之,则进行下一步骤。
5.根据权利要求1所述的基于傅里叶变换和Hough变换的图像配准方法,其特征在于,步骤4中投票点数值为250。
6.根据权利要求1所述的基于傅里叶变换和Hough变换的图像配准方法,其特征在于,步骤4所述的Hough直线检测采取的是标准霍夫线变换,投票点数值即为散点的数目,达到所设定的投票点数值即可看为是一条直线。
7.根据权利要求1所述的基于傅里叶变换和Hough变换的图像配准方法,其特征在于,步骤6所述的基于特征点的匹配中采取的几何变换是透射变换,且无需去除误匹配算法。
8.根据权利要求1所述的基于傅里叶变换和Hough变换的图像配准方法,其特征在于,步骤6中基于特征点的匹配采用SURF算法或SIFT算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611266603.1A CN108269274B (zh) | 2016-12-31 | 2016-12-31 | 基于傅里叶变换和Hough变换的图像配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611266603.1A CN108269274B (zh) | 2016-12-31 | 2016-12-31 | 基于傅里叶变换和Hough变换的图像配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108269274A true CN108269274A (zh) | 2018-07-10 |
CN108269274B CN108269274B (zh) | 2022-01-11 |
Family
ID=62770242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611266603.1A Active CN108269274B (zh) | 2016-12-31 | 2016-12-31 | 基于傅里叶变换和Hough变换的图像配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108269274B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409356A (zh) * | 2018-08-23 | 2019-03-01 | 浙江理工大学 | 一种基于swt的多方向中文印刷体文字检测方法 |
CN109614972A (zh) * | 2018-12-06 | 2019-04-12 | 泰康保险集团股份有限公司 | 图像处理方法、装置、电子设备及计算机可读介质 |
CN109829899A (zh) * | 2019-01-18 | 2019-05-31 | 创新奇智(广州)科技有限公司 | 一种针对钢卷端面缺陷检测的背景抑制算法 |
CN110363095A (zh) * | 2019-06-20 | 2019-10-22 | 华南农业大学 | 一种针对表格字体的识别方法 |
CN110838135A (zh) * | 2019-10-31 | 2020-02-25 | 上海工程技术大学 | 一种pcb裸板图像配准方法 |
CN112233158A (zh) * | 2020-10-14 | 2021-01-15 | 首都师范大学 | 微纳米ct投影图像的二次投影配准方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110038905A1 (en) * | 2007-04-02 | 2011-02-17 | Fujifilm Corporation | Skin anti-aging agent for external use |
CN102096920A (zh) * | 2010-12-31 | 2011-06-15 | 清华大学 | 基于标靶图像的亚像素配准方法 |
CN102538973A (zh) * | 2011-12-31 | 2012-07-04 | 南京理工大学 | 一种快速收敛的基于场景非均匀性校正方法 |
-
2016
- 2016-12-31 CN CN201611266603.1A patent/CN108269274B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110038905A1 (en) * | 2007-04-02 | 2011-02-17 | Fujifilm Corporation | Skin anti-aging agent for external use |
CN102096920A (zh) * | 2010-12-31 | 2011-06-15 | 清华大学 | 基于标靶图像的亚像素配准方法 |
CN102538973A (zh) * | 2011-12-31 | 2012-07-04 | 南京理工大学 | 一种快速收敛的基于场景非均匀性校正方法 |
Non-Patent Citations (2)
Title |
---|
LUKE A. D. HUTCHISON 等: "Fourier based registration of differentially scaled images", 《2013 IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSIN》 * |
张楠: "基于灰度特征的SAR图像配准方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109409356A (zh) * | 2018-08-23 | 2019-03-01 | 浙江理工大学 | 一种基于swt的多方向中文印刷体文字检测方法 |
CN109409356B (zh) * | 2018-08-23 | 2021-01-08 | 浙江理工大学 | 一种基于swt的多方向中文印刷体文字检测方法 |
CN109614972A (zh) * | 2018-12-06 | 2019-04-12 | 泰康保险集团股份有限公司 | 图像处理方法、装置、电子设备及计算机可读介质 |
CN109829899A (zh) * | 2019-01-18 | 2019-05-31 | 创新奇智(广州)科技有限公司 | 一种针对钢卷端面缺陷检测的背景抑制算法 |
CN109829899B (zh) * | 2019-01-18 | 2020-08-07 | 创新奇智(广州)科技有限公司 | 一种针对钢卷端面缺陷检测的背景抑制算法 |
CN110363095A (zh) * | 2019-06-20 | 2019-10-22 | 华南农业大学 | 一种针对表格字体的识别方法 |
CN110363095B (zh) * | 2019-06-20 | 2023-07-04 | 华南农业大学 | 一种针对表格字体的识别方法 |
CN110838135A (zh) * | 2019-10-31 | 2020-02-25 | 上海工程技术大学 | 一种pcb裸板图像配准方法 |
CN112233158A (zh) * | 2020-10-14 | 2021-01-15 | 首都师范大学 | 微纳米ct投影图像的二次投影配准方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108269274B (zh) | 2022-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108269274A (zh) | 基于傅里叶变换和Hough变换的图像配准方法 | |
CN107145829B (zh) | 一种融合纹理特征和尺度不变特征的掌静脉识别方法 | |
CN107092829B (zh) | 一种基于图像匹配的恶意代码检测方法 | |
CN111340109B (zh) | 图像匹配方法、装置、设备及存储介质 | |
US10339409B2 (en) | Method and a device for extracting local features of a three-dimensional point cloud | |
CN108022262A (zh) | 一种基于点的邻域重心向量特征的点云配准方法 | |
CN108550166B (zh) | 一种空间目标图像匹配方法 | |
CN101859326A (zh) | 一种图像检索方法 | |
CN107452030B (zh) | 基于轮廓检测和特征匹配的图像配准方法 | |
CN104992400B (zh) | 多光谱图像配准方法和装置 | |
Ma et al. | Remote sensing image matching based improved ORB in NSCT domain | |
CN110738222B (zh) | 图像匹配方法、装置、计算机设备和存储介质 | |
CN111709426B (zh) | 一种基于轮廓和纹理的硅藻识别方法 | |
Zhang et al. | Robust corner finding based on multi-scale K-cosine angle detection | |
CN111199558A (zh) | 一种基于深度学习的图像匹配方法 | |
CN106802149B (zh) | 基于高维组合特征的快速序列图像匹配导航方法 | |
CN109871779B (zh) | 掌纹识别的方法及电子设备 | |
Zhao et al. | Principal direction-based Hough transform for line detection | |
CN111931794B (zh) | 一种基于草图的图像匹配方法 | |
CN111768368B (zh) | 一种基于最大稳定极值区域的图像区域复制篡改检测方法 | |
CN112183596B (zh) | 结合局部网格约束和几何约束的直线段匹配方法与系统 | |
CN114708420A (zh) | 基于局部方差和后验概率分类器的视觉定位方法及装置 | |
CN104462111A (zh) | 图像检索数据库建立方法 | |
Song et al. | The method of shape recognition based on V-system | |
Bong et al. | Classify the plant species based on lobes, sinuses and margin |
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 |