CN110070110B - 一种自适应阈值图像匹配方法 - Google Patents

一种自适应阈值图像匹配方法 Download PDF

Info

Publication number
CN110070110B
CN110070110B CN201910244721.XA CN201910244721A CN110070110B CN 110070110 B CN110070110 B CN 110070110B CN 201910244721 A CN201910244721 A CN 201910244721A CN 110070110 B CN110070110 B CN 110070110B
Authority
CN
China
Prior art keywords
matching
vector
adaptive threshold
nearest neighbor
correct
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
CN201910244721.XA
Other languages
English (en)
Other versions
CN110070110A (zh
Inventor
张鹏超
姚晋晋
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.)
Dragon Totem Technology Hefei Co ltd
Guangzhou Jingzhi Information Technology Co ltd
Liu Xiangjian
Peng Weijun
Qu Bingzhao
Tianshengqiao Two Hydropower Co ltd
Wang Huayou
Zhang Jian
Original Assignee
Shaanxi University of Technology
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 Shaanxi University of Technology filed Critical Shaanxi University of Technology
Priority to CN201910244721.XA priority Critical patent/CN110070110B/zh
Publication of CN110070110A publication Critical patent/CN110070110A/zh
Application granted granted Critical
Publication of CN110070110B publication Critical patent/CN110070110B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/757—Matching configurations of points or features

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种自适应阈值图像匹配方法，步骤1、分别对待匹配的两张RGB图片进行特征点提取；步骤2、利用KNN算法计算每一个特征点对应的最近邻匹配向量M1与次近邻匹配向量M2；步骤3、根据最近邻匹配向量M1与次近邻匹配向量M2计算自适应阈值ratio；步骤4、新建向量M，并根据所述自适应阈值ratio去除误匹配，得到正确匹配后将其存入向量M，即得到正确的匹配向量M，完成匹配。本发明一种自适应阈值图像匹配方法，能在保证一定的匹配准确率的情况下，获得更多数量的正确匹配。

Description

一种自适应阈值图像匹配方法
技术领域
本发明属于数字图像处理方法技术领域，涉及一种自适应阈值图像匹配方法。
背景技术
图像匹配是数字图像处理中一项关键技术，在许多领域都有着广泛的应用，包括移三维重建，场景恢复，物体追踪以及动机器人的定位与导航等，并且应用在航空航天、医学、交通、文字识别等各个领域，因此，在现代信息社会中，数字图像匹配技术的研究存在巨大的发展前景。其中在基于特征的匹配方法中，目前采用的匹配算法中无论是暴力匹配还是基于快速近似最近邻算法的匹配，去除阈值均是人工设定的，当人工设定阈值过小时，正确率高，但是正确匹配数量下降，当人工设定阈值过高时，正确匹配保留了下来，但是正确率下降，无法同时满足对匹配精度和匹配数量的需求。
发明内容
本发明的目的是提供一种自适应阈值图像匹配方法，在能保证一定匹配准确率的条件下，获得更多的正确匹配数量。
本发明所采用的技术方案是，一种自适应阈值图像匹配方法，具体按照以下步骤实施：
步骤1、分别对待匹配的两张RGB图片进行特征点提取；
步骤2、利用KNN算法计算每一个特征点对应的最近邻匹配向量M1与次近邻匹配向量M2；
步骤3、根据最近邻匹配向量M1与次近邻匹配向量M2计算自适应阈值ratio；
步骤4、新建向量M，并根据所述自适应阈值ratio去除误匹配，得到正确匹配后将其存入向量M，即得到正确的匹配向量M，完成匹配。
本发明的特征还在于：
步骤3中自适应阈值ratio的计算公式如下：
Figure BDA0002010741590000021
式(1)中：M1为两张图片所有特征点的最近邻匹配向量；M2为两张图片所有特征点的次近邻匹配向量；|M1|i为M1中第i个向量两特征点的距离；|M2|i为M2中第i个向量两特征点的距离；ratio为求出的用于去除误匹配的自适应阈值；n为特征点的个数。
步骤4去除误匹配的依据如下：当
Figure BDA0002010741590000022
时，最近邻匹配M1i是正确匹配，否则最近邻匹配M1i是错误匹配，将其去除。
本发明的有益效果是：
本发明一种自适应阈值图像匹配方法，在能保证一定匹配准确率的条件下，获得更多的正确匹配数量。首先对任意两帧图像进行特征提取，接着运用KNN算法计算出最近邻匹配向量与次近邻匹配向量，然后根据最近邻匹配与次近邻匹配之间的距离关系计算出自适应阈值，最后使用该阈值对匹配结果进行筛选，去除误匹配，使得在保证一定的匹配准确率的情况下，获得更多数量的正确匹配。
附图说明
图1是本发明一种自适应阈值图像算法的流程图；
图2是本发明一种自适应阈值图像算法实施例bike自适应阈值筛选后的图片；
图3是本发明一种自适应阈值图像算法实施例leuven自适应阈值筛选后的图片；
图4是本发明一种自适应阈值图像算法实施例bike固定阈值筛选后的图片。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种自适应阈值图像匹配方法，流程如如图1所示，具体按照以下步骤实施：
步骤1、分别对待匹配的两张RGB图片进行特征点提取；
步骤2、利用KNN算法计算每一个特征点对应的最近邻匹配向量M1与次近邻匹配向量M2；
步骤3、根据最近邻匹配向量M1与次近邻匹配向量M2计算自适应阈值ratio，自适应阈值ratio的计算公式如下：
Figure BDA0002010741590000041
式(1)中：M1为两张图片所有特征点的最近邻匹配向量(设两张图片分别为A、B，M1即A中的特征点与B中距离最近的特征点的匹配信息)；M2为两张图片所有特征点的次近邻匹配向量(设两张图片分别为A、B，M2即A中的特征点与B中距离次近的特征点的匹配信息)；|M1|i为M1中第i个向量两特征点的距离；|M2|i为M2中第i个向量两特征点的距离；ratio为求出的用于去除误匹配的自适应阈值；n为特征点的个数；
步骤4、新建向量M，并根据自适应阈值ratio去除误匹配，得到正确匹配后将其存入向量M，即得到正确的匹配向量M，完成匹配；
去除误匹配的依据如下：当
Figure BDA0002010741590000042
时，最近邻匹配M1i是正确匹配，否则最近邻匹配M1i是错误匹配，将其去除。
实施例
在Ubuntu 16.04LTS 64位系统下，采用OpenCV3.1在kDeveloper下进行，采用的图片集来自于K.Mikolajczyk和C.Schmid创建的数据库。实验首先对所选图片提取ORB特征，然后通过kNN算法计算最近邻匹配与次近邻匹配，接着用自适应阈值进行筛选，得到不同数据集下匹配数量。为了验证算法的有效性和鲁棒性，做了在不同数据集下的实验，数据如下，其中表1和表2为匹配结果。每个数据集都有多张图片，表中1-2表示数据集中第一张图片与第二张图片的匹配。
表1 数据集bike不同阈值选择下的匹配数
Figure BDA0002010741590000051
表2 数据集graf不同阈值选择下的匹配数
Figure BDA0002010741590000052
从表中可以看出在牺牲了平均约1％的准确率的情况下，匹配数量提高了15％以上，能够在一定程度上满足保证匹配精度的情况下提高正确匹配数量。
下面图1到图3分别是在不同数据集下的测试结果。其中bike数据集是不同模糊程度的图像，leuven数据集是明暗差距较大的图像。
图1是在模糊化处理后的图片上采用自适应阈值方法进行的测试，为bike自适应阈值筛选；图2是在光照条件变化较大的图片上采用自适应阈值方法进行的测试，为leuven自适应阈值筛选；图3在固定阈值为0.7的情况下在bike数据集进行的测试。
通过上述方式，本发明一种自适应阈值图像匹配方法，步骤1、分别对待匹配的两张RGB图片进行特征点提取；步骤2、利用KNN算法计算每一个特征点对应的最近邻匹配向量M1与次近邻匹配向量M2；步骤3、根据最近邻匹配向量M1与次近邻匹配向量M2计算自适应阈值ratio；步骤4、新建向量M，并根据所述自适应阈值ratio去除误匹配，得到正确匹配后将其存入向量M，即得到正确的匹配向量M，完成匹配。本发明一种自适应阈值图像匹配方法，能在保证一定的匹配准确率的情况下，获得更多数量的正确匹配。

Claims (2)

1.一种自适应阈值图像匹配方法，其特征在于，具体按照以下步骤实施：
步骤1、分别对待匹配的两张RGB图片进行特征点提取；
步骤2、利用KNN算法计算每一个特征点对应的最近邻匹配向量M1与次近邻匹配向量M2；
步骤3、根据最近邻匹配向量M1与次近邻匹配向量M2计算自适应阈值ratio；
步骤3中所述自适应阈值ratio的计算公式如下：
Figure FDA0003827345210000011
式(1)中：M1为两张图片所有特征点的最近邻匹配向量；M2为两张图片所有特征点的次近邻匹配向量；|M1|i为M1中第i个向量两特征点的距离；|M2|i为M2中第i个向量两特征点的距离；ratio为求出的用于去除误匹配的自适应阈值；n为特征点的个数；
步骤4、新建向量M，并根据所述自适应阈值ratio去除误匹配，得到正确匹配后将其存入向量M，即得到正确的匹配向量M，完成匹配。
2.根据权利要求1所述一种自适应阈值图像匹配方法，其特征在于，步骤4去除误匹配的依据如下：当
Figure FDA0003827345210000021
时，最近邻匹配M1i是正确匹配，否则最近邻匹配M1i是错误匹配，将其去除。
CN201910244721.XA 2019-03-28 2019-03-28 一种自适应阈值图像匹配方法 Active CN110070110B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910244721.XA CN110070110B (zh) 2019-03-28 2019-03-28 一种自适应阈值图像匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910244721.XA CN110070110B (zh) 2019-03-28 2019-03-28 一种自适应阈值图像匹配方法

Publications (2)

Publication Number Publication Date
CN110070110A CN110070110A (zh) 2019-07-30
CN110070110B true CN110070110B (zh) 2022-10-21

Family

ID=67366999

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910244721.XA Active CN110070110B (zh) 2019-03-28 2019-03-28 一种自适应阈值图像匹配方法

Country Status (1)

Country Link
CN (1) CN110070110B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110617800A (zh) * 2019-08-21 2019-12-27 深圳大学 基于民航客机的应急遥感监测方法、系统及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109101985A (zh) * 2018-06-03 2018-12-28 东南大学 一种基于自适应邻域测试的图像误匹配点对剔除方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170154056A1 (en) * 2014-06-24 2017-06-01 Beijing Qihoo Technology Company Limited Matching image searching method, image searching method and devices

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109101985A (zh) * 2018-06-03 2018-12-28 东南大学 一种基于自适应邻域测试的图像误匹配点对剔除方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于RANSAC的SIFT匹配阈值自适应估计;刘川熙等;《计算机科学》;20170615;全文 *

Also Published As

Publication number Publication date
CN110070110A (zh) 2019-07-30

Similar Documents

Publication Publication Date Title
CN109974743B (zh) 一种基于gms特征匹配及滑动窗口位姿图优化的视觉里程计
US20150178899A1 (en) Non-local mean-based video denoising method and apparatus
US11367195B2 (en) Image segmentation method, image segmentation apparatus, image segmentation device
CN109614933B (zh) 一种基于确定性拟合的运动分割方法
CN111028292A (zh) 一种亚像素级图像匹配导航定位方法
JP6997369B2 (ja) プログラム、測距方法、及び測距装置
CN107862319B (zh) 一种基于邻域投票的异源高分光学影像匹配误差剔除方法
CN111563404B (zh) 用于基于视频的人再识别的全局局部时间表示方法
CN112084895B (zh) 一种基于深度学习的行人重识别方法
CN115329111B (zh) 一种基于点云与影像匹配的影像特征库构建方法及系统
CN110826534B (zh) 一种基于局部主成分分析的人脸关键点检测方法及系统
CN108537832B (zh) 基于局部不变灰度特征的图像配准方法、图像处理系统
CN111914832B (zh) 一种rgb-d相机在动态场景下的slam方法
CN115761734A (zh) 基于模板匹配和概率分布的物体位姿估计方法
CN113643365A (zh) 一种相机位姿估计方法、装置、设备以及可读存储介质
CN113838058A (zh) 一种基于小样本分割的医学图像自动标注方法及系统
CN110070110B (zh) 一种自适应阈值图像匹配方法
CN111310690A (zh) 基于cn和三通道胶囊网络的森林火灾识别方法及装置
CN112270748B (zh) 基于图像的三维重建方法及装置
CN113850748A (zh) 点云质量的评估系统及方法
CN109816709B (zh) 基于单目摄像头的深度估计方法、装置及设备
CN114399547B (zh) 一种基于多帧的单目slam鲁棒初始化方法
CN110197184A (zh) 一种基于傅里叶变换的快速图像sift提取方法
CN107392936B (zh) 一种基于meanshift的目标跟踪方法
CN113837243B (zh) 基于边缘信息的rgb-d相机动态视觉里程计方法

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

Effective date of registration: 20231123

Address after: 510000 room 432, second floor, unit 2, building 2, No. 24, Jishan new road street, Tianhe District, Guangzhou City, Guangdong Province (office only)

Patentee after: Guangzhou Jingzhi Information Technology Co.,Ltd.

Address before: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee before: Dragon totem Technology (Hefei) Co.,Ltd.

Effective date of registration: 20231123

Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province

Patentee after: Dragon totem Technology (Hefei) Co.,Ltd.

Address before: No.1, East 1st ring road, Hantai District, Hanzhong City, Shaanxi Province

Patentee before: Shaanxi University of Technology

Effective date of registration: 20231123

Address after: Room 208, No. 100, Dongxing Road, Donghuan Street, Panyu District, Guangzhou City, Guangdong Province, 511493

Patentee after: TIANSHENGQIAO TWO HYDROPOWER Co.,Ltd.

Patentee after: Liu Xiangjian

Patentee after: Zhang Jian

Patentee after: Peng Weijun

Patentee after: Wang Huayou

Patentee after: Qu Bingzhao

Address before: 510000 room 432, second floor, unit 2, building 2, No. 24, Jishan new road street, Tianhe District, Guangzhou City, Guangdong Province (office only)

Patentee before: Guangzhou Jingzhi Information Technology Co.,Ltd.

TR01 Transfer of patent right