CN108765476A - 一种偏振图像配准方法 - Google Patents
一种偏振图像配准方法 Download PDFInfo
- Publication number
- CN108765476A CN108765476A CN201810567470.4A CN201810567470A CN108765476A CN 108765476 A CN108765476 A CN 108765476A CN 201810567470 A CN201810567470 A CN 201810567470A CN 108765476 A CN108765476 A CN 108765476A
- Authority
- CN
- China
- Prior art keywords
- image
- point
- characteristic
- transformation
- polarization
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10048—Infrared image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种偏振图像配准方法,与现有技术相比解决了尚无针对于偏振图像进行配准方法的缺陷。本发明包括以下步骤:偏振图像的获取;偏振图像的特征提取;初选特征匹配;变换参数模型的获得;调整变换模型的平移参数;配准结果的获得。本发明充分考虑了偏振图像的图像特点,实现了偏振图像之间的配准,对各种环境下的偏振图像的配准精度均能达到亚像素要求。
Description
技术领域
本发明涉及图像配准技术领域,具体来说是一种偏振图像配准方法。
背景技术
红外偏振成像技术利用人造目标和自然目标、真实目标与伪装目标的红外辐射偏振特征差异来提高目标识别效果,可以提高关于地物的纹理、材料、表面粗糙度等信息,从而使目标识别从表面结构上升到空间结构,为红外场景下目标的描述提供了多种选择,更有利于检测目标细节特征。红外偏振成像主要由多相机或单相机两种成像系统实现。相机偏振成像系统在相同场景下拍摄的偏振图像由于受到多个镜头之间的距离和主光轴夹角的影响,造成图像之间存在一定的平移和旋转。单相机采集时,由于偏振片的转动,平台稳定性等的影响,也会造成图像之间的平移旋转。在获取偏振信息时,通常检测的就是辐射测量较小的差别,它对图像之间像素的配准有较大的敏感性。因此,红外偏振解析处理的前提是红外偏振图像配准技术,根据红外偏振信息解析处理的特点,得出红外偏振图像配准的要求:一是精度要求高,误差在0.1像素以内;二是适用性好,要求配准方法对于各种场景图像均能很好的配准。
图像亚素级配准的方法很多,大致可分为基于区域和特征的,目前基于区域的图像亚像素配准方法有插值法、扩展相位相关方法和最优化方法。其中,插值法采用插值技术对图像和模板进行插值重采样,在采样后的图像上进行像素级的配准来获得亚像素级精度,配准精度的性能受内插方法的影响;最优化方法求解精度虽高,但在实际应用中计算量非常大,计算速度慢,收敛概率和寻找最优解的概率需要提高。而相位相关法能将两者的性能相互综合,其范围包括了空域的相位相关和频率域的相位相关。频率域相位相关方法最早由文献(KUGLIN C D.The phase correlation image alignment method[C].Proc.Int.Conf.On Cybernrtics and Society,1975:163-165)提出。文献(CHEN Q,DEFRISE M.DECONINCK F.Symmetric phase-only matched filtering of Fourier-Mellin transform.For image registration and recognition[J].IEEE Transactionson Pattern Analysis and Machine Intelligence,1994,16(12):1156-1168.)将图像配准扩展到了具有旋转、平移、缩放等不同情况,但涉及到的大都只是像素级配准,后来文献(SOUMMER R,PUEYO L,SIVARAMAKRISHNANA,et al.Fast computation of Lyot-stylecoronagraph propagation[J].Optics Express,2007,15(24);15935-15951)和(GUIZAR-SICAIROS M,THURMAN ST,FIENUP JR.Efficient subpixel image registrationalgorithms[J].Optics letters,2008,33(2):156-158)提出了矩阵乘法傅里叶变换用于图像的亚像素配准,该方法是以相位相关像素级配准为基础,在求得整数位移的一定邻域范围内进行上采样离散傅里叶变换,求得亚像素偏移量。文献(刘卫光,崔江涛,周利华.插值和相位相关的图像亚像素配准方法[J].计算机辅助设计与图形学学报,2005,17(6):1273-1277)通过结合线性插值和扩展相位相关方法实现了亚像素配准,配准精度仍然由扩展相位相关决定,受噪声影响较大。基于区域的配准方法较适合于细节较少、纹理不丰富的图像,适用范围较窄而且计算量较大。基于特征的图像配准方法具有良好的鲁棒性,配准精度也可达到亚像素级,较适合于图像结构信息丰富、目标易于区分和检测的情况。基于特征的图像配准方法主要是先将基准图像和待配准图像的相同特征点提取出来,然后利用匹配形成相应的变换关系,最后通过变换关系得到配准后的图像。
但这些方法均是针对于传统图像进行的配准方法,偏振图像由于其特征不明显,利用传统方法进行偏振图像配准时遇到特征提取难、配准效果差、适应性差的问题。因此,如何研发了出一种针对于偏振图像的配准方法已经成为急需解决的技术问题。
发明内容
本发明的目的是为了解决现有技术中尚无针对于偏振图像进行配准方法的缺陷,提供一种偏振图像配准方法来解决上述问题。
为了实现上述目的,本发明的技术方案如下:
一种偏振图像配准方法,包括以下步骤:
11)偏振图像的获取,获取偏振参考图像I1和偏振待配准图像I2;
12)偏振图像的特征提取,使用Hessian-Affine仿射不变检测算子对偏振参考图像I1和偏振待配准图像I2提取特征点,并得到两个对应的仿射不变的椭圆区域;建立椭圆区域与固定大小圆形的映射关系,将椭圆区域正规化为圆形区域;
13)初选特征匹配,利用改进的归一化互相关匹配方法对初选特征进行匹配;
14)变换参数模型的获得,利用随机抽样一致性方法剔除错误匹配对,获得最佳匹配点对和变换模型M';
15)调整变换模型的平移参数,利用上采样矩阵乘法修正变换模型的参数;
16)配准结果的获得,将偏振待配准图像I2按修改后的变换模型做变换,并通过双线性插值进行重采样,获得配准结果。
所述的偏振图像的特征提取具体包括以下步骤:
21)利用Hessian矩阵H(L)在图像的尺度空间上提取特征点,其表达式如下所示:
其中:x表示图像中的点,Lxy和Lyx是使用高斯尺度值σ对图像进行高斯平滑后分别在x和y方向混合微分的结果,Lxx和Lyy表示在x和y方向上的二阶微分;
22)利用Laplacian算子计算图像特征点的特征尺度;
23)利用特征点处二阶矩阵的特征值和特征向量估算特征点的仿射椭圆区域,其特征值决定椭圆的长短半轴大小,椭圆的方向由特征向量决定;
图像局部区域的结构特征由特征点邻域的二阶矩μ表示,并且该区域的二阶矩近似成一个椭圆区域,则在此椭圆区域基础上生成具有仿射不变特征描述子,仿射空间内给定点x的二阶矩定义为:
μ(x,∑I,ΣD)=det(ΣD)g(ΣI)*Σ((▽L)(x,ΣD)(▽L)(x,ΣD)T),
其中,ΣI和ΣD分别为用来计算积分与差分高斯核的协方差矩阵,▽L为梯度算子;
24)将椭圆仿射区域归一化为圆形区域;在迭代的过程中不断调整特征点的尺度、位置和形状,通过归一化的方法将仿射形变转化为旋转变换;
设两幅图间对应的特征点为xL和xR,他们之间满足仿射变换,xR=AxL,ML和MR分别表示特征点xL和xR邻域的二阶矩;
仿射变换可定义为:
其中,R是一个正交矩阵,表示任意的旋转变换,点xL和xR的邻域内的点分别通过变换和进行归一化变为圆形区域,而且归一化后区域间仅仅存在一个旋转变换x'L=Rx'R;
25)在归一化的圆形区域中重新检测新的特征点,并利用Laplacian算子重新计算其尺度信息;
26)若新特征点的局部区域的二阶矩阵的特征值相等,则检测结束,否则利用新特征点及其特征尺度代替原来的特征点和尺度,返回步骤23)继续处理。
所述初选特征匹配包括以下步骤:
31)将圆形区域外切得到矩形区域;
32)利用矩形区域计算参考图像I1和待配准图像I2所有特征点间的互相关值,其计算公式如下:
其中,参考图像I1中第i个特征点pi和待配准图像I2中第qj个特征点对应的窗口像素的灰度值分别是I1(x,y)和I2(x,y),和代表两幅图像在对应窗口中的所有像素点的平均值;
33)根据双向匹配策略完成匹配,双向匹配策略为在两幅图像中的两个特征点需满足彼此相关系数最大才能成为匹配对。
所述变换参数模型的获得包括以下步骤:
41)设得到特征点匹配对集合为C={c1,c2,...cs},随机抽样n对匹配对集合S,求得初始化模型为M;
42)集合C中除随机抽取的n对匹配对外,计算余下的所有特征对分别在模型M下的均方根误差;若小于设定阈值t,则该特征对被加入内点集Ct;
43)如果最终求得的内点集的大小N大于设定的阈值Nt,则认为模型M为正确的模型,并根据内点集Ct重新计算出新模型M';然后重新随机抽取新的S,重复41)步骤至43)步骤;
44)在完成预设定的抽样次数后,选取抽样后得到的最大集合S={s1,s2,...sm},并返回对应的新模型M',则匹配对集合为S={s1,s2,...sm},设第i对匹配对中两个特征点对应的正规化矩形区域为Ri和Ri'。
所述调整变换模型的平移参数包括以下步骤:
51)利用上采样矩阵乘法可以求出矩形区域Ri和Ri'之间的亚像素平移量(txi,tyi),然后求出s对匹配对的矩形区域之间的平移量,最后求出s对亚像素平移量的平均值
52)把变换模型M'的平移参数修改为
有益效果
本发明的一种偏振图像配准方法,与现有技术相比充分考虑了偏振图像的图像特点,实现了偏振图像之间的配准,对各种环境下的偏振图像的配准精度均能达到亚像素要求。
本发明针对偏振图像中目标缺少特定可用于识别和准确测量的特征和图像之间灰度分布差别较大的特点,选用具有对图像灰度变化、噪声影响、图像模糊等特点的检测算子对偏振图像进行特征点的提取,并得到仿射不变区域;然后根据特征点的仿射不变区域来求特征点间的相关性,根据特征对间彼此相关性最大的原则建立初始特征点对,可得到较多数量的匹配对;同时为了提纯特征点对,利用RANSAC方法去除错误匹配,并得到变换模型参数;为了提高方变换模型的精确性,针对提纯后的所有特征点对间的仿射不变区域,计算求取其上采样范围内频率域相位相关的峰值,从而求取亚像素位移的平均值,利用亚像素平移的平均值来调整变换模型的参数,得到最优的变换模型,实现偏振图像的配准。
附图说明
图1为本发明的方法流程图;
图2a为场景一以偏振角为0的图像作为参考图像,使用本发明方法得到的偏振角为60的配准后的图像和参考图像的差值图像;
图2b为场景一以偏振角为0的图像作为参考图像,使用传统方法得到的偏振角为60的配准后的图像和参考图像的差值图像;
图2c为场景一以偏振角为0的图像作为参考图像,使用本发明方法得到的偏振角为120的配准后的图像和参考图像的差值图像;
图2d为场景一以偏振角为0的图像作为参考图像,使用传统方法得到的偏振角为120的配准后的图像和参考图像的差值图像;
图3a为场景二以偏振角为60的图像作为参考图像,使用本发明方法得到的偏振角为0的配准后的图像和参考图像的差值图像;
图3b为场景二以偏振角为60的图像作为参考图像,使用传统方法得到的偏振角为0的配准后的图像和参考图像的差值图像;
图3c为场景二以偏振角为60的图像作为参考图像,使用本发明方法得到的偏振角为120的配准后的图像和参考图像的差值图像;
图3d为场景二以偏振角为60的图像作为参考图像,使用传统方法得到的偏振角为120的配准后的图像和参考图像的差值图像。
具体实施方式
为使对本发明的结构特征及所达成的功效有更进一步的了解与认识,用以较佳的实施例及附图配合详细的说明,说明如下:
如图1所示,本发明所述的一种偏振图像配准方法,包括以下步骤:
第一步,偏振图像的获取,获取偏振参考图像I1和偏振待配准图像I2。
第二步,偏振图像的特征提取。使用Hessian-Affine仿射不变检测算子对偏振参考图像I1和偏振待配准图像I2提取特征点,并得到两个对应的仿射不变的椭圆区域;建立椭圆区域与固定大小圆形的映射关系,将椭圆区域正规化为圆形区域。
根据偏振图像中目标缺少特定的可用于识别和准确测量的特征和图像之间灰度分布差别较大的特点,在此选用Hessian-Afffine检测算子获得特征点的坐标。Hessian-Afffine检测算子所使用的Hessian矩阵对偏振图像的块状区域和脊状区域具有很大的响应,构造出来特征点邻域的仿射不变区域对图像的旋转、灰度变化、噪声影响、图像模糊和视角变化具有非常高的稳定性及鲁棒性,且操作简单,而且提取的特征区域的数量也很多。使用Hessian-Afffine算子提取的特征区域改进NCC匹配方法,用得到的仿射不变区域代替归一化互相关方法中使用的固定窗口。
其具体步骤如下:
(1)利用Hessian矩阵H(L)在图像的尺度空间上提取特征点,其表达式如下所示:
其中:x表示图像中的点,Lxy和Lyx是使用高斯尺度值σ对图像进行高斯平滑后分别在x和y方向混合微分的结果,Lxx和Lyy表示在x和y方向上的二阶微分。
(2)利用传统的Laplacian算子计算图像特征点的特征尺度。
(3)利用特征点处二阶矩阵的特征值和特征向量估算特征点的仿射椭圆区域,其特征值决定椭圆的长短半轴大小,椭圆的方向由特征向量决定。
图像局部区域的结构特征由特征点邻域的二阶矩μ表示,并且该区域的二阶矩近似成一个椭圆区域,则在此椭圆区域基础上生成具有仿射不变特征描述子,仿射空间内给定点x的二阶矩定义为:
μ(x,ΣI,∑D)=det(ΣD)g(∑I)*∑((▽L)(x,∑D)(▽L)(x,∑D)T),
其中,∑I和∑D分别为用来计算积分与差分高斯核的协方差矩阵,▽L为梯度算子。
(4)将椭圆仿射区域归一化为圆形区域。在迭代的过程中不断调整特征点的尺度、位置和形状,通过归一化的方法将仿射形变转化为旋转变换;
设两幅图间对应的特征点为xL和xR,他们之间满足仿射变换,xR=AxL,ML和MR分别表示特征点xL和xR邻域的二阶矩;
仿射变换可定义为:
其中,R是一个正交矩阵,表示任意的旋转变换,点xL和xR的邻域内的点分别通过变换和进行归一化变为圆形区域,而且归一化后区域间仅仅存在一个旋转变换x'L=Rx'R。
(5)在归一化的圆形区域中重新检测新的特征点,并利用Laplacian算子重新计算其尺度信息;
(6)若新特征点的局部区域的二阶矩阵的特征值相等,则检测结束,否则利用新特征点及其特征尺度代替原来的特征点和尺度,返回步骤(3)继续处理。
第三步,初选特征匹配,利用改进的归一化互相关匹配方法对初选特征进行匹配。
在此,使用Hessian-Afffine算子提取的特征区域改进NCC匹配方法,用得到的仿射不变区域代替归一化互相关方法中使用的固定窗口,计算特征点间的互相关值,然后根据双向匹配策略完成匹配,相比原NCC匹配方法能得到更多的匹配对,而且还大幅度提高了匹配正确率。
其具体步骤如下:
(1)将圆形区域外切得到矩形区域。
(2)利用矩形区域计算参考图像I1和待配准图像I2所有特征点间的互相关值,其计算公式如下:
其中,参考图像I1中第i个特征点pi和待配准图像I2中第qj个特征点对应的窗口像素的灰度值分别是I1(x,y)和I2(x,y),和代表两幅图像在对应窗口中的所有像素点的平均值;
(3)根据双向匹配策略完成匹配,双向匹配策略为在两幅图像中的两个特征点需满足彼此相关系数最大才能成为匹配对。
第四步,变换参数模型的获得,利用随机抽样一致性方法(RANSAC)剔除错误匹配对,获得最佳匹配点对和变换模型M'。利用RANSAC算法完成对匹配对的提纯,并计算得到最优的变换模型。利用Hessian-Affine算子检测特征点的数量可以达到很多,但在参考和待配准的偏振图像上分布不是太均匀,由RANSAC方法求得的模型表示的是图像间的全局变换参数,可以达到亚像素级。
其具体步骤如下:
(1)设得到特征点匹配对集合为C={c1,c2,...cs},随机抽样n对匹配对集合S,求得初始化模型为M。
(2)集合C中除随机抽取的n对匹配对外,计算余下的所有特征对分别在模型M下的均方根误差;若小于设定阈值t,则该特征对被加入内点集Ct。
(3)如果最终求得的内点集的大小N大于设定的阈值Nt,则认为模型M为正确的模型,并根据内点集Ct重新计算出新模型M';然后重新随机抽取新的S,重复(1)步骤至(3)步骤。
(4)在完成预设定的抽样次数后,选取抽样后得到的最大集合S={s1,s2,...sm},并返回对应的新模型M',则匹配对集合为S={s1,s2,...sm},设第i对匹配对中两个特征点对应的正规化矩形区域为Ri和Ri'。
第五步,调整变换模型的平移参数,利用上采样矩阵乘法修正变换模型的参数;
由于RANSAC方法无法周全到图像局部间的亚像素级偏差,在此使用上采样矩阵乘法的离散傅里叶变换方法进行所有特征点邻域间的位移求取,用平均值来对T的位移参数进行调整,特征点间的邻域用对Hessian-Affine算子检测得到的仿射协变区域正规化后得到的圆形邻域表示。
相位相关法是根据参考图像和待配准图像间的傅里叶变换求取归一化互功率谱,然后对归一化互功率谱进行傅里叶逆变换,得到脉冲函数,根据脉冲函数的峰值可定位得到图像的像素级位移坐标,上采样矩阵乘法的离散傅里叶变换方法根据这个像素级位移,在该位置进行k倍上采样,并利用矩阵乘法傅里叶变换计算求取该上采样范围内频率域相位相关的峰值,从而求取亚像素位移。本发明使用匹配点对间在特征提取过程中得到的仿射不变区域,利用矩阵乘法傅里叶变换计算所有匹配对的平均位移值,用这个平均值调整RANSAC得出的变换矩阵的位移参数,作为最终的变换矩阵,然后对待配准图像做变换并利用插值方法,求出配准后的图像。其具体步骤如下:
(1)利用上采样矩阵乘法可以求出矩形区域Ri和Ri'之间的亚像素平移量(txi,tyi),然后求出s对匹配对的矩形区域之间的平移量,最后求出s对亚像素平移量的平均值
(2)把变换模型M'的平移参数修改为
第六步,配准结果的获得,将偏振待配准图像I2按修改后的变换模型做变换,并通过双线性插值进行重采样,获得配准结果。
本发明综合了基于特征和灰度配准方法的优点,通过特征匹配对的几何关系得到图像的整体变换关系,通过矩阵傅里叶变换对仿射不变区域间的亚像素位移信息进行求解,利用位移的平均值微调变换模型,然后将该模型作为最终模型对图像做配准。本发明与传统的基于灰度和特征的配准方法相比,适用性更强,配准精度更高。
通过在本发明提出的方法下,使用两种真实场景下的偏振图像进行实验并和传统配准方法进行对比,每个场景下都得到偏振角分别是0、60和120的偏振图像。对配准精度的评价使用客观和主观两种方式,客观采用计算参考图像和配准后的图像间的归一化互信息(NMI)值,其为一个全局指标,其值越大表明配准的效果越好;主观采用对偏振参考图像和配准后的偏振图像做差值,差值后的图像越黑则表明配准效果越好。
以场景一为基础,以偏振角为0的图像作为参考图像,对偏振角为60和120的待配准图像做配准,对得到配准后的图像和参考图像做差值。如图2a所示,图2a为本发明的方法下,偏振角为60的配准后的图像和参考图像的差值图像,计算得到的NMI值是1.2150;图2b为传统方法下,偏振角为60的配准后的图像和参考图像的差值图像,计算得到的NMI值是1.1492。图2c是在本发明的方法下,偏振角为120的配准后的图像和参考图像的差值图像,计算得到的NMI值是1.2137,图2d是在传统方法下的对应结果,计算得到的NMI值是1.1487。
以场景二为基础,以偏振角为60的图像作为参考图像,对偏振角为0和120的待配准图像做配准,对得到配准后的图像和参考图像做差值。图3a和图3b分别为本发明的方法和传统方法下偏振角为0的配准后的图像和参考图像的差值图像,计算得到的对应的NMI值分别为1.1625和1.0086。图3c和图3d分别为在本发明的方法和传统方法下,得到的偏振角为120的配准后的图像和参考图像的差值图像,计算得到的对应的NMI值分别为1.1815和1.1424。
根据图2a-图2d、图3a-图3d和其对应的NMI数值可知,本发明的配准效果明显优于传统方法对偏振图像的配准效果,本发明对于偏振图像的配准是十分有效的。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是本发明的原理,在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。
Claims (5)
1.一种偏振图像配准方法,其特征在于,包括以下步骤:
11)偏振图像的获取,获取偏振参考图像I1和偏振待配准图像I2;
12)偏振图像的特征提取,使用Hessian-Affine仿射不变检测算子对偏振参考图像I1和偏振待配准图像I2提取特征点,并得到两个对应的仿射不变的椭圆区域;建立椭圆区域与固定大小圆形的映射关系,将椭圆区域正规化为圆形区域;
13)初选特征匹配,利用改进的归一化互相关匹配方法对初选特征进行匹配;
14)变换参数模型的获得,利用随机抽样一致性方法剔除错误匹配对,获得最佳匹配点对和变换模型M';
15)调整变换模型的平移参数,利用上采样矩阵乘法修正变换模型的参数;
16)配准结果的获得,将偏振待配准图像I2按修改后的变换模型做变换,并通过双线性插值进行重采样,获得配准结果。
2.根据权利要求1所述的一种偏振图像配准方法,其特征在于,所述的偏振图像的特征提取具体包括以下步骤:
21)利用Hessian矩阵H(L)在图像的尺度空间上提取特征点,其表达式如下所示:
其中:x表示图像中的点,Lxy和Lyx是使用高斯尺度值σ对图像进行高斯平滑后分别在x和y方向混合微分的结果,Lxx和Lyy表示在x和y方向上的二阶微分;
22)利用Laplacian算子计算图像特征点的特征尺度;
23)利用特征点处二阶矩阵的特征值和特征向量估算特征点的仿射椭圆区域,其特征值决定椭圆的长短半轴大小,椭圆的方向由特征向量决定;
图像局部区域的结构特征由特征点邻域的二阶矩μ表示,并且该区域的二阶矩近似成一个椭圆区域,则在此椭圆区域基础上生成具有仿射不变特征描述子,仿射空间内给定点x的二阶矩定义为:
μ(x,∑I,∑D)=det(∑D)g(∑I)*∑((▽L)(x,∑D)(▽L)(x,∑D)T),
其中,∑I和∑D分别为用来计算积分与差分高斯核的协方差矩阵,▽L为梯度算子;
24)将椭圆仿射区域归一化为圆形区域;在迭代的过程中不断调整特征点的尺度、位置和形状,通过归一化的方法将仿射形变转化为旋转变换;
设两幅图间对应的特征点为xL和xR,他们之间满足仿射变换,xR=AxL,ML和MR分别表示特征点xL和xR邻域的二阶矩;
仿射变换可定义为:
其中,R是一个正交矩阵,表示任意的旋转变换,点xL和xR的邻域内的点分别通过变换和进行归一化变为圆形区域,而且归一化后区域间仅仅存在一个旋转变换x'L=Rx'R;
25)在归一化的圆形区域中重新检测新的特征点,并利用Laplacian算子重新计算其尺度信息;
26)若新特征点的局部区域的二阶矩阵的特征值相等,则检测结束,否则利用新特征点及其特征尺度代替原来的特征点和尺度,返回步骤23)继续处理。
3.根据权利要求1所述的一种偏振图像配准方法,其特征在于,所述初选特征匹配包括以下步骤:
31)将圆形区域外切得到矩形区域;
32)利用矩形区域计算参考图像I1和待配准图像I2所有特征点间的互相关值,其计算公式如下:
其中,参考图像I1中第i个特征点pi和待配准图像I2中第qj个特征点对应的窗口像素的灰度值分别是I1(x,y)和I2(x,y),和代表两幅图像在对应窗口中的所有像素点的平均值;
33)根据双向匹配策略完成匹配,双向匹配策略为在两幅图像中的两个特征点需满足彼此相关系数最大才能成为匹配对。
4.根据权利要求1所述的一种偏振图像配准方法,其特征在于,所述变换参数模型的获得包括以下步骤:
41)设得到特征点匹配对集合为C={c1,c2,...cs},随机抽样n对匹配对集合S,求得初始化模型为M;
42)集合C中除随机抽取的n对匹配对外,计算余下的所有特征对分别在模型M下的均方根误差;若小于设定阈值t,则该特征对被加入内点集Ct;
43)如果最终求得的内点集的大小N大于设定的阈值Nt,则认为模型M为正确的模型,并根据内点集Ct重新计算出新模型M';然后重新随机抽取新的S,重复41)步骤至43)步骤;
44)在完成预设定的抽样次数后,选取抽样后得到的最大集合S={s1,s2,...sm},并返回对应的新模型M',则匹配对集合为S={s1,s2,...sm},设第i对匹配对中两个特征点对应的正规化矩形区域为Ri和R′i。
5.根据权利要求1所述的一种偏振图像配准方法,其特征在于,所述调整变换模型的平移参数包括以下步骤:
51)利用上采样矩阵乘法可以求出矩形区域Ri和R′i之间的亚像素平移量(txi,tyi),然后求出s对匹配对的矩形区域之间的平移量,最后求出s对亚像素平移量的平均值
52)把变换模型M'的平移参数修改为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810567470.4A CN108765476B (zh) | 2018-06-05 | 2018-06-05 | 一种偏振图像配准方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810567470.4A CN108765476B (zh) | 2018-06-05 | 2018-06-05 | 一种偏振图像配准方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108765476A true CN108765476A (zh) | 2018-11-06 |
CN108765476B CN108765476B (zh) | 2021-04-20 |
Family
ID=63999903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810567470.4A Active CN108765476B (zh) | 2018-06-05 | 2018-06-05 | 一种偏振图像配准方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108765476B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109685838A (zh) * | 2018-12-10 | 2019-04-26 | 上海航天控制技术研究所 | 基于超像素分割的图像弹性配准方法 |
CN109859252A (zh) * | 2018-12-07 | 2019-06-07 | 福建师范大学 | 一种基于变换增量的数字图像配准方法 |
CN110021037A (zh) * | 2019-04-17 | 2019-07-16 | 南昌航空大学 | 一种基于生成对抗网络的图像非刚性配准方法及系统 |
CN110119771A (zh) * | 2019-04-29 | 2019-08-13 | 杭州电子科技大学上虞科学与工程研究院有限公司 | 基于组合特征和级联分类器的高压输电线路防震锤检测方法 |
CN111664798A (zh) * | 2020-04-29 | 2020-09-15 | 深圳奥比中光科技有限公司 | 一种深度成像方法、装置及计算机可读存储介质 |
CN111882594A (zh) * | 2020-07-27 | 2020-11-03 | 北京环境特性研究所 | 一种基于orb特征点的偏振图像快速配准方法及装置 |
CN112649814A (zh) * | 2021-01-14 | 2021-04-13 | 北京斯年智驾科技有限公司 | 一种用于激光定位的匹配方法、装置、设备和存储介质 |
CN114937067A (zh) * | 2022-06-14 | 2022-08-23 | 陕西师范大学 | 分孔径偏振相机的图像配准方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101405768A (zh) * | 2006-03-23 | 2009-04-08 | 国立大学法人东京工业大学 | 图像配准方法 |
CN102693542A (zh) * | 2012-05-18 | 2012-09-26 | 中国人民解放军信息工程大学 | 一种影像特征匹配方法 |
US20130028519A1 (en) * | 2011-07-29 | 2013-01-31 | Oscar Zuniga | Feature based image registration |
CN104680550A (zh) * | 2015-03-24 | 2015-06-03 | 江南大学 | 一种通过图像特征点的轴承表面瑕疵检测的方法 |
CN106981077A (zh) * | 2017-03-24 | 2017-07-25 | 中国人民解放军国防科学技术大学 | 基于dce和lss的红外图像和可见光图像配准方法 |
-
2018
- 2018-06-05 CN CN201810567470.4A patent/CN108765476B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101405768A (zh) * | 2006-03-23 | 2009-04-08 | 国立大学法人东京工业大学 | 图像配准方法 |
US20130028519A1 (en) * | 2011-07-29 | 2013-01-31 | Oscar Zuniga | Feature based image registration |
CN102693542A (zh) * | 2012-05-18 | 2012-09-26 | 中国人民解放军信息工程大学 | 一种影像特征匹配方法 |
CN104680550A (zh) * | 2015-03-24 | 2015-06-03 | 江南大学 | 一种通过图像特征点的轴承表面瑕疵检测的方法 |
CN106981077A (zh) * | 2017-03-24 | 2017-07-25 | 中国人民解放军国防科学技术大学 | 基于dce和lss的红外图像和可见光图像配准方法 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109859252A (zh) * | 2018-12-07 | 2019-06-07 | 福建师范大学 | 一种基于变换增量的数字图像配准方法 |
CN109859252B (zh) * | 2018-12-07 | 2022-09-30 | 福建师范大学 | 一种基于变换增量的数字图像配准方法 |
CN109685838A (zh) * | 2018-12-10 | 2019-04-26 | 上海航天控制技术研究所 | 基于超像素分割的图像弹性配准方法 |
CN109685838B (zh) * | 2018-12-10 | 2023-06-09 | 上海航天控制技术研究所 | 基于超像素分割的图像弹性配准方法 |
CN110021037A (zh) * | 2019-04-17 | 2019-07-16 | 南昌航空大学 | 一种基于生成对抗网络的图像非刚性配准方法及系统 |
CN110021037B (zh) * | 2019-04-17 | 2020-12-29 | 南昌航空大学 | 一种基于生成对抗网络的图像非刚性配准方法及系统 |
CN110119771B (zh) * | 2019-04-29 | 2020-12-22 | 杭州电子科技大学上虞科学与工程研究院有限公司 | 基于组合特征和级联分类器的高压输电线路防震锤检测方法 |
CN110119771A (zh) * | 2019-04-29 | 2019-08-13 | 杭州电子科技大学上虞科学与工程研究院有限公司 | 基于组合特征和级联分类器的高压输电线路防震锤检测方法 |
CN111664798B (zh) * | 2020-04-29 | 2022-08-02 | 奥比中光科技集团股份有限公司 | 一种深度成像方法、装置及计算机可读存储介质 |
CN111664798A (zh) * | 2020-04-29 | 2020-09-15 | 深圳奥比中光科技有限公司 | 一种深度成像方法、装置及计算机可读存储介质 |
CN111882594A (zh) * | 2020-07-27 | 2020-11-03 | 北京环境特性研究所 | 一种基于orb特征点的偏振图像快速配准方法及装置 |
CN112649814A (zh) * | 2021-01-14 | 2021-04-13 | 北京斯年智驾科技有限公司 | 一种用于激光定位的匹配方法、装置、设备和存储介质 |
CN112649814B (zh) * | 2021-01-14 | 2022-12-23 | 北京斯年智驾科技有限公司 | 一种用于激光定位的匹配方法、装置、设备和存储介质 |
CN114937067A (zh) * | 2022-06-14 | 2022-08-23 | 陕西师范大学 | 分孔径偏振相机的图像配准方法 |
CN114937067B (zh) * | 2022-06-14 | 2023-01-31 | 陕西师范大学 | 分孔径偏振相机的图像配准方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108765476B (zh) | 2021-04-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108765476A (zh) | 一种偏振图像配准方法 | |
CN109883533B (zh) | 基于机器视觉的低频振动测量方法 | |
CN104318548B (zh) | 一种基于空间稀疏度和sift特征提取的快速图像配准实现方法 | |
CN101398886B (zh) | 一种基于双目被动立体视觉的快速三维人脸识别方法 | |
CN107993258B (zh) | 一种图像配准方法及装置 | |
CN105205858A (zh) | 一种基于单个深度视觉传感器的室内场景三维重建方法 | |
CN111083365B (zh) | 一种最佳焦平面位置快速检测方法及装置 | |
CN103839265A (zh) | 基于sift和归一化互信息的sar图像配准方法 | |
CN105913415A (zh) | 一种具有广泛适应性的图像亚像素边缘提取方法 | |
CN105427298A (zh) | 基于各向异性梯度尺度空间的遥感图像配准方法 | |
CN104899888B (zh) | 一种基于Legendre矩的图像亚像素边缘检测方法 | |
CN104599258A (zh) | 一种基于各向异性特征描述符的图像拼接方法 | |
CN107909018B (zh) | 一种稳健的多模态遥感影像匹配方法和系统 | |
Alemán-Flores et al. | Line detection in images showing significant lens distortion and application to distortion correction | |
CN109636790B (zh) | 一种管路结构的识别方法及装置 | |
CN111462198B (zh) | 一种尺度、旋转和辐射不变性的多模态影像配准方法 | |
Stentoumis et al. | A local adaptive approach for dense stereo matching in architectural scene reconstruction | |
CN113628170B (zh) | 一种基于深度学习的激光线提取方法及系统 | |
CN113642397A (zh) | 一种基于手机视频的物体长度测量方法 | |
CN111126508A (zh) | 一种基于hopc改进的异源图像匹配方法 | |
Liu et al. | SAR image matching based on speeded up robust feature | |
CN105783785A (zh) | 一种小波脊相位提取方法 | |
Wang et al. | Interference image registration combined by enhanced scale-invariant feature transform characteristics and correlation coefficient | |
CN115511928A (zh) | 多光谱图像的匹配方法 | |
CN106056599B (zh) | 一种基于物体深度数据的物体识别算法及装置 |
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 |