CN110458757B - 一种阈值自适应的特征点匹配图像拼接方法 - Google Patents
一种阈值自适应的特征点匹配图像拼接方法 Download PDFInfo
- Publication number
- CN110458757B CN110458757B CN201910633607.6A CN201910633607A CN110458757B CN 110458757 B CN110458757 B CN 110458757B CN 201910633607 A CN201910633607 A CN 201910633607A CN 110458757 B CN110458757 B CN 110458757B
- Authority
- CN
- China
- Prior art keywords
- threshold
- feature
- screening
- matching points
- points
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012216 screening Methods 0.000 claims abstract description 29
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 239000003063 flame retardant Substances 0.000 description 14
- 230000003044 adaptive effect Effects 0.000 description 6
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种阈值自适应的特征点匹配图像拼接方法。首先在两幅待拼接图像中提取特征匹配点;然后获取所有特征匹配点间的欧氏距离并量化数据;其次利用KSW熵方法确定筛选特征点初始阈值;接着利用Freeman链码对各组特征点进行灰度相似度计算;再次进行筛选特征匹配点最佳阈值的迭代搜索直至满足误差要求;最后根据由最佳阈值筛选得到的最终特征点数据进行图像拼接。通过采用阈值自适应的FLANN特征点筛选匹配算法,增强了算法的鲁棒性,极大地提高了图像拼接准确率。
Description
技术领域
本发明涉及一种图像拼接方法,尤其涉及一种阈值自适应的特征点匹配图像拼接方法。
背景技术
图像拼接是将多幅来自同一场景的有重叠区域的小尺寸图像合成一幅大尺寸的高质量图像的过程。图像拼接一直是计算机视觉中的一个关键问题,在目标检测、物体识别、三维重建、图像配准、图像理解等具体应用中发挥着重要作用。由于图像的成像条件和所记录的内容复杂多样,而且应用需求各有不同,对图像特征点提取和匹配的研究一直都是视觉领域中一个极具挑战性的问题。
传统图像拼接在图像拼接匹配时存在特征信息少和误匹配率高的问题,而基于SURF特征提取和FLANN搜索的图像匹配算法可利用SURF算法提取大量的图像特征信息,同时采用FLANN的KD-TREE搜索相似的特征矢量,在不影响图像匹配速度的前提下,可提高特征匹配准确率,但其特征点筛选阈值选取主要依靠经验取值,在同一场景图像拼接时鲁棒性较差,具有局限性。设计一种可自适应选取阈值的图像拼接方法尤为重要。
基于此,本案提出了一种阈值自适应的特征点匹配图像拼接方法。
发明内容
本发明的目的是所要解决的技术问题就是提供一种阈值自适应的特征点匹配图像拼接方法。
为达到上述目的,本发明采用如下技术方案:
所述的一种阈值自适应的特征点匹配图像拼接方法,该方法包括图像间特征匹配点的提取、筛选特征匹配点初始阈值的确定、各组特征匹配点的灰度相似度计算、筛选特征匹配点最佳阈值的迭代搜索和图像的拼接等步骤。
所述的用于拼接的图像是从波纹阻火盘表面波高尺寸测量系统中利用线阵相机采集得到的图像。
所述的图像间特征匹配点的提取方法是:利用加速鲁棒特征提取算法和FLANN算法在两幅待拼接图像中获取所有特征匹配点P0i的欧氏距离di(i=1,2,…,N),并将di对应的欧氏距离量化到[0,255]的范围内,得到量化数据oi。
所述的筛选特征匹配点初始阈值的确定方法是:利用量化数据oi结合最佳熵自动门限(KSW熵)方法确定筛选特征点初始阈值r0,并利用r0进行初始特征匹配点筛选,得到筛选后特征点数据P1j(j=1,2,…,M)。
所述的各组特征匹配点的灰度相似度计算方法是:利用Freeman链码对各组特征匹配点P1j进行灰度相似度计算。
筛选特征匹配点最佳阈值的迭代搜索方法是:以初始阈值r0为搜索起点,在区间[0.4,r0]内从右往左,每次减小固定步长的方式进行搜索,重复特征匹配点的灰度相似度计算操作,计算当前阈值r下相似度高的特征匹配点对数的比值z与每一次迭代误差zw,当连续三次迭代误差zw小于某个设定值时,则迭代结束,刚进入迭代误差收敛时的阈值r即为最佳阈值rb;若迭代误差zw不满足收敛条件,则取搜索范围区间内z最高时对应的阈值r作为最佳阈值rb。
所述的图像的拼接方法是:根据最佳阈值rb对P1j近一步筛选得到的最终特征点数据P2k(k=1,2,…q),根据P2k实现两幅图像的精准拼接。
本发明的有益效果是:本发明所公开的阈值自适应的特征点匹配图像拼接方法,利用SURF算法提取更多的图像特征信息,结合KSW熵方法与Freeman链码原理,运用特征点筛选阈值自适应的FLANN特征点筛选匹配算法提高匹配精度,增强了算法鲁棒性,大大地提高了图像的拼接准确率。
附图说明
图1是阈值自适应的特征点匹配图像拼接方法流程图。
图2是阻火盘线阵图像I1。
图3是阻火盘线阵图像I2。
图4是两张阻火盘线阵图像拼接结果I12局部示意图。
图5是固定阈值法波纹阻火盘图像特征点筛选结果。
图6是自适应阈值法波纹阻火盘图像特征点筛选结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
实施例,请参照图1至图4:图1示意性地给出了本发明所公开的阈值自适应的特征点匹配图像拼接方法整体流程;图2给出了本发明获取的阻火盘线阵图像I1;图3给出了本发明获取的阻火盘线阵图像I2;图4给出了采用传统固定阈值法得到的波纹阻火盘图像特征点筛选结果;图5给出了采用本发明方法得到的波纹阻火盘线阵图像特征点筛选结果;表1给出了三组波纹阻火盘图像特征点经过传统固定阈值方法与本发明方法筛选后的正确匹配率;
依据图1所示流程,对阻火盘两幅线阵图像依据以下步骤进行拼接:
Step1:线阵图像I1与线阵图像I2如图2、3所示,利用SURF算法和FLANN算法获取两图中所有特征匹配点P0i的欧氏距离di(i=1,2,…,N),并将di对应的欧氏距离根据公式(1)量化到[0,255]的范围内,得到量化数据oi;
Step2:将量化数据oi根据公式(2)、(3)、(4)计算熵值S,式中,t为KSW法得到的灰度阈值,S1和S2分别为[0,t]和[t+1,L-1]的像素频率分布,且S1={p0,p1,...,pt},S2={pt+1,pt+2,...,pL-1},pi为各灰度级出现的频率,在灰度级范围内遍历每一个灰度值t,计算两部分熵值,最后将熵值之和S最大时对应的阈值t除以255即为筛选特征匹配点的初始阈值r0,并利用r0进行初始特征匹配点筛选,得到筛选后特征点数据P1j(j=1,2,…,M);
S=S1+S2 (4)
Step3:利用Freeman链码对初步筛选得到的特征点P1j进行近一步筛选,获取I1、I2中以各组特征点P1j为中心的5×5像素区域R1、R2,计算R1、R2的平均灰度G1、G2,;利用G1、G2逐个比较R1、R2相同位置上的像素,将大于G1、G2的像素值置1,反之,则置0,按公式(5)的链码形式表示,得到两条链码F1、F2,式中,ai为人为设定的方向符;w为方向符总数;MN表示第N个像素区域对应的Freeman链码。将F1、F2进行异或运算,统计异或结果值为1的总数W,若W小于等于5,则认为该组特征匹配点相似度高,反之,则认为该组特征匹配点匹配错误;
Step4:以初始阈值r0为搜索起点,在[0.4,r0]中进行搜索,重复Step3的操作,计算当前阈值r下相似度高的特征匹配点对数的比值z与每一次迭代误差zw,当连续三次迭代误差zw小于10-4时,则迭代结束,刚进入迭代误差收敛时的阈值r即为最佳阈值rb;若迭代误差zw不满足收敛条件,则取搜索范围区间内z最高时对应的阈值r作为最佳阈值rb;
Step5:根据最佳阈值rb对P1j近一步筛选得到的最终特征点数据P2k(k=1,2,…q),根据P2k实现两张线阵图像的精准拼接,得到拼接结果I12,其局部示意图如图4所示,同时选取三组不同的阻火盘线阵图像分别采用传统发法固定阈值法和自适应阈值法进行实验,如图5所示为第一组线阵图像采用传统固定阈值法得到的波纹阻火盘图像特征点筛选结果,如图6所示为第一组线阵图像采用自适应阈值法得到的波纹阻火盘图像特征点筛选结果,三组线阵图像特征点正确匹配率如表1所示。
表1三组波纹阻火盘图像特征点正确匹配率
Claims (1)
1.一种阈值自适应的特征点匹配图像拼接方法,其特征在于:该方法包括图像间特征匹配点的提取、筛选特征匹配点初始阈值的确定、各组特征匹配点的灰度相似度计算、筛选特征匹配点最佳阈值的迭代搜索和图像的拼接等步骤;
所述的图像间特征匹配点的提取方法为:利用加速鲁棒特征提取算法和FLANN算法在两幅待拼接图像中获取所有特征匹配点P0i的欧氏距离di,i=1,2,…,N,并将di对应的欧式距离量化到[0,255]的范围内,得到量化数据oi;
所述的筛选特征匹配点初始阈值的确定方法为:利用量化数据oi结合最佳熵自动门限方法,即KSW熵法,确定筛选特征点初始阈值r0,并利用r0进行初始特征匹配点筛选,得到筛选后特征点数据P1j,j=1,2,…,M;
所述的各组特征匹配点的灰度相似度计算方法为:利用Freeman链码对各组特征匹配点P1j进行灰度相似度计算;
所述的筛选特征匹配点最佳阈值的迭代搜索方法为:以初始阈值r0为搜索起点,在区间[0.4,r0]内从右往左,每次减小固定步长的方式进行搜索,重复特征匹配点的灰度相似度计算操作,计算当前阈值r下相似度高的特征匹配点对数的比值z与每一次迭代误差zw,当连续三次迭代误差zw小于10-4时,则迭代结束,刚进入迭代误差收敛时的阈值r即为最佳阈值rb;若迭代误差zw不满足收敛条件,则取搜索范围区间内z最高时对应的阈值r作为最佳阈值rb;
所述的图像的拼接方法为:根据最佳阈值rb对P1j进一步筛选得到的最终特征点数据P2k,k=1,2,…q,根据P2k实现两张图像的精准拼接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910633607.6A CN110458757B (zh) | 2019-07-15 | 2019-07-15 | 一种阈值自适应的特征点匹配图像拼接方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910633607.6A CN110458757B (zh) | 2019-07-15 | 2019-07-15 | 一种阈值自适应的特征点匹配图像拼接方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110458757A CN110458757A (zh) | 2019-11-15 |
CN110458757B true CN110458757B (zh) | 2023-03-31 |
Family
ID=68482850
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910633607.6A Active CN110458757B (zh) | 2019-07-15 | 2019-07-15 | 一种阈值自适应的特征点匹配图像拼接方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110458757B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114139007B (zh) * | 2022-01-26 | 2022-06-21 | 荣耀终端有限公司 | 图像搜索方法、电子设备及其介质 |
CN114782495B (zh) * | 2022-06-16 | 2022-10-18 | 西安中科立德红外科技有限公司 | 一种多目标跟踪方法、系统及计算机存储介质 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101984463A (zh) * | 2010-11-02 | 2011-03-09 | 中兴通讯股份有限公司 | 全景图合成方法及装置 |
WO2016160862A1 (en) * | 2015-04-01 | 2016-10-06 | Capso Vision Inc | Method of overlap-dependent image stitching for images captured using a capsule camera |
EP3032459A1 (en) * | 2014-12-10 | 2016-06-15 | Ricoh Company, Ltd. | Realogram scene analysis of images: shelf and label finding |
US9466109B1 (en) * | 2015-06-30 | 2016-10-11 | Gopro, Inc. | Image stitching in a multi-camera array |
CN105957007B (zh) * | 2016-05-05 | 2018-12-18 | 电子科技大学 | 基于特征点平面相似度的图像拼接方法 |
CN105957015B (zh) * | 2016-06-15 | 2019-07-12 | 武汉理工大学 | 一种螺纹桶内壁图像360度全景拼接方法及系统 |
CN105869120B (zh) * | 2016-06-16 | 2018-10-26 | 哈尔滨工程大学 | 一种图像拼接的实时性优化方法 |
CN108416732A (zh) * | 2018-02-02 | 2018-08-17 | 重庆邮电大学 | 一种基于图像配准与多分辨率融合的全景图像拼接方法 |
CN109271996A (zh) * | 2018-08-21 | 2019-01-25 | 南京理工大学 | 基于surf特征和哈希感知算法的fpc图像自动配准方法 |
CN109949220A (zh) * | 2019-01-29 | 2019-06-28 | 国网河南省电力公司郑州供电公司 | 全景无人机图像拼接方法 |
-
2019
- 2019-07-15 CN CN201910633607.6A patent/CN110458757B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110458757A (zh) | 2019-11-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110458757B (zh) | 一种阈值自适应的特征点匹配图像拼接方法 | |
Jung et al. | Rigid motion segmentation using randomized voting | |
CN108550166B (zh) | 一种空间目标图像匹配方法 | |
CN112767456B (zh) | 一种三维激光点云快速重定位方法 | |
CN110570443B (zh) | 一种基于结构约束条件生成模型的图像线状目标提取方法 | |
CN103080979A (zh) | 从照片合成肖像素描的系统和方法 | |
CN109472770B (zh) | 一种印刷电路板检测中的图像特征点快速匹配方法 | |
CN108369649A (zh) | 焦点检测 | |
CN103116890B (zh) | 一种基于视频图像的智能搜索匹配方法 | |
CN110738695A (zh) | 一种基于局部变换模型的图像特征点误匹配剔除方法 | |
CN112329662B (zh) | 基于无监督学习的多视角显著性估计方法 | |
CN110766708B (zh) | 基于轮廓相似度的图像比较方法 | |
CN109063774B (zh) | 图像追踪效果评价方法、装置、设备及可读存储介质 | |
CN109377455B (zh) | 改进的基于自相似性的多序列磁共振图像配准方法 | |
CN107392936B (zh) | 一种基于meanshift的目标跟踪方法 | |
CN114882235A (zh) | 基于图像数据特征的红外图像目标自动识别系统及方法 | |
CN114005069A (zh) | 一种视频特征提取和检索方法 | |
CN107909608A (zh) | 基于互信息和局部频谱抑制的运动目标定位方法及装置 | |
CN110728699B (zh) | 一种基于特征距离的轨迹后处理方法 | |
CN113920147A (zh) | 基于深度学习的遥感影像建筑物提取方法及设备 | |
CN110070110B (zh) | 一种自适应阈值图像匹配方法 | |
CN110866952A (zh) | 一种基于深度图编码的重定位与回环检测方法 | |
CN108537739B (zh) | 一种基于特征匹配度的无参考视频增强效果评测方法 | |
KR102571811B1 (ko) | 기저 벡터 회전을 이용한 이산코사인변환 방법 및 영상 처리 장치 | |
CN111709344B (zh) | 一种基于高斯混合模型的epll图像去光照识别处理方法 |
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 |