CN109859252B - 一种基于变换增量的数字图像配准方法 - Google Patents

一种基于变换增量的数字图像配准方法 Download PDF

Info

Publication number
CN109859252B
CN109859252B CN201811495453.0A CN201811495453A CN109859252B CN 109859252 B CN109859252 B CN 109859252B CN 201811495453 A CN201811495453 A CN 201811495453A CN 109859252 B CN109859252 B CN 109859252B
Authority
CN
China
Prior art keywords
image
transformation
increment
calculating
delta
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
CN201811495453.0A
Other languages
English (en)
Other versions
CN109859252A (zh
Inventor
施文灶
何代毅
林志斌
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.)
Fujian Normal University
Original Assignee
Fujian Normal University
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 Fujian Normal University filed Critical Fujian Normal University
Priority to CN201811495453.0A priority Critical patent/CN109859252B/zh
Publication of CN109859252A publication Critical patent/CN109859252A/zh
Application granted granted Critical
Publication of CN109859252B publication Critical patent/CN109859252B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Processing (AREA)

Abstract

本发明涉及一种基于变换增量的数字图像配准方法。包括如下步骤：步骤1，输入基准图像和待配准图像；步骤2，计算梯度；步骤3，构造仿射矩阵；步骤4，计算变换矩阵；步骤5，扭转待配准图像；步骤6，计算差分图像；步骤7，计算变换增量；步骤8，判断变化增量与阈值的大小关系；步骤9，输出配准图像。能够对实现准确的数字图像配准，可以应用于遥感数据分析、计算机视觉、医学图像处理等领域。

Description

一种基于变换增量的数字图像配准方法
技术领域
本发明涉及一种数字图像处理领域，具体说是一种基于变换增量的数字图像配准方法。
背景技术
数字图像配准就是指对不同时间从不同传感器所获得的两幅或多幅图像实施最佳匹配的处理过程。数字图像配准过程中，通常指定一幅图像为基准图像。另一幅图像为待配准图像，配准的目的是通过某种几何变换使待配准图像与基准图像的坐标达到一致。现有的图像配准方法可归纳为基于灰度的配准方法和基于特征的配准方法两大类。基于图像灰度的配准方法是直接利用图像灰度值来计算图像间的空间变换形式的一类方法。配准过程中，需要利用整个图像的灰度信息。其基本思想是：利用待配准图像和基准图像的对应点及其周围区域的灰度特征具有相似性这一原则，构造某种相似性度量函数，然后计算使相似性度量函数最大的几何变换参数，从而确定图像的几何变换关系，完成配准。基于图像特征的算法是以图像中区域、线(边界线)和点(角点、重心点、拐点等)等显著特征作为配准的基本元素，通过寻找特征之间的对应关系来实现配准的。该算法主要包括特征检测和特征匹配。首先分别提取参考图像和待配准图像中的显著特征构成特征集；其次将参考图像和待配准图像相对应的特征利用特征匹配算法进行匹配，生成对应关系；最后，利用插值等方法处理非特征像素点，从而实现图像间所有像素的配准。目前数字图像配准中存在的一些主要问题有：①图像配准算法的速度较慢；②算法精度有待提高；③自动配准。
发明内容
本发明提供了一种基于变换增量的数字图像配准方法，采用由粗略到精细的方案，通过迭代方式，通过变换增量不断调整配准图像的精度，计算量小，配准准确性高。
为实现本发明的目标所采用的技术方案是：方法包括以下步骤：
步骤1：输入灰度图像I1和I2；
步骤2：计算灰度图像I1的横坐标方向的梯度▽I1x和纵坐标方向的梯度▽I1y；
步骤3：构造仿射矩阵JM；
步骤4：计算变换矩阵H：
Figure BDA0001896766580000011
式(1)中，符号T表示矩阵的转置；
步骤5：对灰度图像I2进行双三次插值，得到插值图像I2p，并利用步骤4中的变换矩阵对插值图像I2p进行扭转操作，得到扭转图像I2w；
步骤6：计算差分图像DifI，DifI＝I2w-I1；
步骤7：计算变换增量Δp；
步骤8：比较变换增量Δp与δ的大小关系，其中δ为增量变化阈值，当Δp小于δ时，进入步骤9，否则更新I2w，并回到步骤6执行；
步骤9：输出配准图像I2w。
步骤1所述的灰度图像I1为基准图像，灰度图像I2为待配准图像。
步骤3所述的仿射矩阵JM通过式(2)构造：
Figure BDA0001896766580000021
式(2)中，x和y分别为灰度图像I1的横坐标取值和纵坐标取值。
步骤5所述的扭转操作通过式(3)计算：
Figure BDA0001896766580000022
式(3)中，m和n分别为插值图像I2p的像素点(m,n)的坐标取值和纵坐标的取值,mw和nw分别为m和n经过扭转操作后的取值。
步骤7所述的变换增量Δp通过求取步骤6中的DifI的行列式的值获取。
步骤8所述的I2w的更新方法通过式(4)计算：
I2wp＝Δp×I2w， (4)
式(4)中，I2wp为利用变换增量更新后的I2w。
本发明的有益效果是：能够对实现准确的数字图像配准，可以应用于遥感数据分析、计算机视觉、医学图像处理等领域。
附图说明
图1是本发明的总体处理流程图。
具体实施方式
下面结合附图详细描述本发明的具体实施方式。
图1中，101是输入基准图像和待配准图像步骤，102是计算梯度步骤，103是构造仿射矩阵步骤，104是计算变换矩阵步骤，105是扭转待配准图像步骤，106是计算差分图像步骤，107是计算变换增量步骤，108是判断变化增量与阈值的大小关系步骤，109是输出配准图像步骤。
具体实施例过程如下：
步骤101：输入灰度图像I1和I2，其中，灰度图像I1为基准图像，灰度图像I2为待配准图像；
步骤102：计算灰度图像I1的横坐标方向的梯度▽I1x和纵坐标方向的梯度▽I1y；
步骤103：构造仿射矩阵JM：
Figure BDA0001896766580000031
式中，x和y分别为灰度图像I1的横坐标取值和纵坐标取值。
步骤104：计算变换矩阵H：
Figure BDA0001896766580000032
式中，符号T表示矩阵的转置；
步骤105：对灰度图像I2进行双三次插值，得到插值图像I2p，并利用步骤104中的变换矩阵对插值图像I2p进行扭转操作，得到扭转图像I2w，其中，扭转操作通过下式计算：
Figure BDA0001896766580000033
式中，m和n分别为插值图像I2p的像素点(m,n)的坐标取值和纵坐标的取值,mw和nw分别为m和n经过扭转操作后的取值；
步骤106：计算差分图像DifI，DifI＝I2w-I1；
步骤107：计算变换增量Δp，增量Δp通过求取步骤106中的DifI的行列式的值获取；
步骤108：比较变换增量Δp与δ的大小关系，其中δ为增量变化阈值，当Δp小于δ时，进入步骤9，否则更新I2w，并回到步骤6执行，其中I2w通过下式更新：
I2wp＝Δp×I2w，
式中，I2wp为利用变换增量更新后的I2w；
步骤109：输出配准图像I2w。

Claims (3)

1.一种基于变换增量的数字图像配准方法，其特征在于包括以下步骤：
步骤1：输入灰度图像I1和I2；其中所述的灰度图像I1为基准图像，灰度图像I2为待配准图像；
步骤2：计算灰度图像I1的横坐标方向的梯度▽I1x和纵坐标方向的梯度▽I1y；
步骤3：构造仿射矩阵JM；
步骤4：计算变换矩阵H：
Figure FDA0003805125940000011
式(1)中，符号T表示矩阵的转置；
步骤5：对灰度图像I2进行双三次插值，得到插值图像I2p，并利用步骤4中的变换矩阵对插值图像I2p进行扭转操作，得到扭转图像I2w；
步骤6：计算差分图像DifI，DifI＝I2w-I1；
步骤7：计算变换增量Δp；所述的变换增量Δp通过求取步骤6中的DifI的行列式的值获取；
步骤8：比较变换增量Δp与δ的大小关系，其中δ为增量变化阈值，当Δp小于δ时，进入步骤9，否则更新I2w，并回到步骤6执行；所述的I2w的更新方法通过式(4)计算：
I2wp＝Δp×I2w (4)
式(4)中，I2wp为利用变换增量更新后的I2w；
步骤9：输出I2w。
2.根据权利要求1所述的一种基于变换增量的数字图像配准方法，其特征在于步骤3所述的仿射矩阵JM通过式(2)构造：
Figure FDA0003805125940000012
式(2)中，x和y分别为灰度图像I1的横坐标取值和纵坐标取值。
3.根据权利要求1所述的一种基于变换增量的数字图像配准方法，其特征在于步骤5所述的扭转操作通过式(3)计算：
Figure FDA0003805125940000013
式(3)中，m和n分别为插值图像I2p的像素点(m,n)的横坐标取值和纵坐标的取值,mw和nw分别为m和n经过扭转操作后的取值。
CN201811495453.0A 2018-12-07 2018-12-07 一种基于变换增量的数字图像配准方法 Active CN109859252B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811495453.0A CN109859252B (zh) 2018-12-07 2018-12-07 一种基于变换增量的数字图像配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811495453.0A CN109859252B (zh) 2018-12-07 2018-12-07 一种基于变换增量的数字图像配准方法

Publications (2)

Publication Number Publication Date
CN109859252A CN109859252A (zh) 2019-06-07
CN109859252B true CN109859252B (zh) 2022-09-30

Family

ID=66890819

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811495453.0A Active CN109859252B (zh) 2018-12-07 2018-12-07 一种基于变换增量的数字图像配准方法

Country Status (1)

Country Link
CN (1) CN109859252B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104504723A (zh) * 2015-01-14 2015-04-08 西安电子科技大学 基于视觉显著特征的图像配准方法
CN108765476A (zh) * 2018-06-05 2018-11-06 安徽大学 一种偏振图像配准方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8457373B2 (en) * 2009-03-16 2013-06-04 Siemens Aktiengesellschaft System and method for robust 2D-3D image registration

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104504723A (zh) * 2015-01-14 2015-04-08 西安电子科技大学 基于视觉显著特征的图像配准方法
CN108765476A (zh) * 2018-06-05 2018-11-06 安徽大学 一种偏振图像配准方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于超分辨率重建的亚像素图像配准;李方彪;《光学精密工程》;20170228;第25卷(第2期);全文 *

Also Published As

Publication number Publication date
CN109859252A (zh) 2019-06-07

Similar Documents

Publication Publication Date Title
JP6088792B2 (ja) 画像検出装置及び制御プログラム並びに画像検出方法
CN108229490A (zh) 关键点检测方法、神经网络训练方法、装置和电子设备
CN110598600A (zh) 一种基于unet神经网络的遥感图像云检测方法
CN110378906B (zh) 一种基于弦切线距离的椭圆检测方法
CN112818989B (zh) 一种基于梯度幅值随机采样的图像匹配方法
WO2010043954A1 (en) Method, apparatus and computer program product for providing pattern detection with unknown noise levels
CN113888461A (zh) 基于深度学习的小五金件缺陷检测方法、系统及设备
CN112364881B (zh) 一种进阶采样一致性图像匹配方法
CN111199558A (zh) 一种基于深度学习的图像匹配方法
CN107527348B (zh) 基于多尺度分割的显著性检测方法
CN113095187A (zh) 一种基于图像特征匹配对齐的试卷批改方法
CN111583322A (zh) 一种基于深度学习的2d图像场景深度预测及语义分割方法和系统
CN109859252B (zh) 一种基于变换增量的数字图像配准方法
US8971627B2 (en) Template matching processing device and template matching processing program
CN115908314A (zh) 一种基于从像素到全局双边指导网络的少样本缺陷检测方法
CN111145221A (zh) 一种基于多层深度特征提取的目标跟踪算法
CN115294351A (zh) 图像特征提取方法、装置和电子设备
CN108121994B (zh) 在检测目标形状中进行特征提取的方法和装置
Zhang et al. A novel algorithm for disparity calculation based on stereo vision
JP6639369B2 (ja) テンプレートマッチング装置、方法、及びプログラム
JP2019133702A (ja) テンプレートマッチング装置、方法、及びプログラム
JP6453618B2 (ja) 算出装置、方法及びプログラム
TWI814483B (zh) 金屬胚辨識系統與方法
CN113780319B (zh) 闭环检测方法及装置、计算机可存储介质
CN117808855B (zh) 一种基于视觉图像的目标对位方法及系统

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