CN111127311B - 基于微重合区域的图像配准方法 - Google Patents
基于微重合区域的图像配准方法 Download PDFInfo
- Publication number
- CN111127311B CN111127311B CN201911353961.XA CN201911353961A CN111127311B CN 111127311 B CN111127311 B CN 111127311B CN 201911353961 A CN201911353961 A CN 201911353961A CN 111127311 B CN111127311 B CN 111127311B
- Authority
- CN
- China
- Prior art keywords
- registration
- image
- registered
- point
- feature point
- 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 46
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 68
- 238000005259 measurement Methods 0.000 claims abstract description 24
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 17
- 238000011524 similarity measure Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000012795 verification Methods 0.000 claims 1
- 230000004927 fusion Effects 0.000 abstract description 9
- 230000000007 visual effect Effects 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 8
- 230000004044 response Effects 0.000 description 6
- 238000001914 filtration Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000009499 grossing Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 241000282320 Panthera leo Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
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
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
-
- 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
本发明公开了一种基于微重合区域的图像配准方法和系统，其中，所述方法包括：对待配准的多个图像进行预处理；对所述待配准的多个图像分别进行特征点提取，并且生成特征点描述符；利用距离相似性度量算法对所述特征点进行双向配准，以获得正确的配准点对。该方法克服现有技术中在拼接的视角范围一定的情况下，当相邻传感器之间的重合区域增加时，则必然导致传感器数目的增加，进而导致图像融合数据量的增加，降低了图像拼接速度的问题，同时克服了图像配准精度不高的问题。
Description
技术领域
本发明涉及图像配准技术领域，具体地，涉及一种基于微重合区域的图像配准方法。
背景技术
图像配准技术是近年来研究热点之一，广泛用于运动物体跟踪、双目识别和图像拼接等多个领域，其中，特征点的检测与配准是图像配准技术中两个重要的环节。在特征点检测的阶段，最经典的特征点检测算法主要有Forstner算法、Harris算法、SUSAN(smallunivalue segment assimilating nucleus)算法、SIFT(Scale Invariant FeatureTransform)算法、PCA-SIFT算法与SURF(Speeded Up Robust Feature)算法。Forstner W.等于1988年提出Forstner算法，该算法特征点检测准确度高，但时间复杂度高。Harris C.等于1989年提出了一种改进的算法，即Harris算法，该算法检测的特征点对旋转、光照具有适应性，但不具备尺度不变性。Smith S.M.等于1997年提出SUSAN算法，该算法时间复杂度低，同样不具备尺度不变性。为了克服上述特征点检测算法所存在的问题，David Lowe等于2004年提出一种用来描述局部特征的算法，即尺度不变特征变换(SIFT)算法，该算法对尺度、光照和旋转保持一定的适应性，但该算法具有检测特征点耗时长、特征点描述子维数高的问题。从SIFT算法被提出至今，国内外科研者针对SIFT算法存在的问题一直从未停止优化和改进。在检测特征点耗时长方面，2012年，息朝健等利用Forstner算法替代SIFT算法检测特征点部分进行特征点检测，2015年，许佳佳等利用Harris算法替代SIFT算法检测特征点部分进行特征点检测，同年，彭勃宇等利用SUSAN算法替代SIFT算法检测特征点部分进行特征点检测，模拟实验结果表明，与传统算法相比，特征点检测速度有了显著的提升。2004年，Yan Ke等在保持SIFT算法原有的基础上，再利用PCA(principle component analysis)算法对特征点描述符参数进行降维，提升了图像特征点的配准速度，即PCA-SIFT算法。2014年，刘辉等使用8×8像素的正方形模板代替传统SIFT算法的16×16像素的正方形模板生成特征点描述符参数，把128维描述符参数降到64维，特征点配准速度相对于传统算法有了显著的提升。在特征点配准的阶段，NCC(normalized cross correlation)算法和SSDA(sequential similarity detection algorithm)算法是基于灰度的配准算法，该类算法适用性强，但误差较大。欧式距离算法和Hamming距离算法是基于相似度的配准算法，该类算法主要针对特征点检测算法，正确率较高，但该类算法针对高维特征点描述符参数具有配准速度慢，针对这个问题，采用变换基矩阵将高维特征点描述符信号稀疏，再采用随机测量矩阵将稀疏特征点描述符信号投影到低维空间上，得到一个低维特征点描述符信号，用其代替高维特征点描述符信号进行后续处理，即稀疏降维原理。稀疏降维原理是压缩感知理论的基本组成部分，主要应用于图像处理、成像技术和信号处理等方面。
图像配准是视频拼接过程中重要的阶段之一，视频拼接包括图像配准和视频融合，图像配准是视频融合的前提，视频融合根据图像配准参数进行实时映射。在视频拼接中，如果拼接的视角范围一定，当相邻传感器之间的重合区域增加时，则必然导致传感器数目的增加，进而导致图像融合数据量的增加，降低了图像拼接的速度；同时图像配准的精度也得不到保障。
因此，提供一种在使用过程中可以有效地解决以上技术问题的基于微重合区域的图像配准方法是本发明亟需解决的问题。
发明内容
针对上述技术问题，本发明的目的是克服现有技术中，在拼接的视角范围一定的情况下，当相邻传感器之间的重合区域增加时，则必然导致传感器数目的增加，进而导致图像融合数据量的增加，降低了图像拼接速度的问题，同时克服了图像配准精度不高的问题，从而提供一种在使用过程中可以有效地解决以上技术问题的基于微重合区域的图像配准方法。
为了实现上述目的，本发明提供了一种基于微重合区域的图像配准方法，所述方法包括：
对待配准的多个图像进行预处理；
对所述待配准的多个图像分别进行特征点提取，并且生成特征点描述符；
利用距离相似性度量算法对所述特征点进行双向配准，以获得正确的配准点对。
优选地，待配准的图像包括：待配准图像a和待配准图像b；
所述预处理包括：
根据图像的拍摄角度判断上述两张待配准图像的非重合区域；
在所述待配准的图像上限定配准区域。
优选地，所述生成特征点描述符中形成的特征矢量参数的维数为六十四维；
利用距离相似性度量算法对所述特征点进行双向配准中距离相似性度量的计算公式为：
其中，xm表示待配准图像a中特征点描述符向量的元素，ym表示待配准图像b中特征点描述符向量的元素，d(Ui,Vj)为特征点之间的距离相似性度量的值。
优选地，利用距离相似性度量算法对所述特征点进行双向配准的步骤包括：
以待配准图像a的特征点为参考点Ui，利用公式(1)遍历所述待配准图像b中特征点，得到最近邻特征点V1j和次最近邻特征点V2j；
根据公式(2)验证所述最近邻特征点V1j和次最近邻特征点V2j；其中，
在满足所述公式(2)的情况下，以所述最近邻特征点V1j为参考点Ui的配准点，从而得到配准点对集A；
以待配准图像b的特征点为参考点Vi，利用公式1遍历待配准图像a中特征点，得到最近邻特征点U1j和次最近邻特征点U2j；
根据公式(2)验证所述最近邻特征点U1j和次最近邻特征点U2j；其中，
在满足所述公式(2)的情况下，以所述最近邻特征点U1j为参考点Ui的配准点，从而得到配准点对集B；
比较所述配准点对集A和所述配准点对集B；其中，
在所述配准点对集A和所述配准点对集B中待配准图像a中特征点和待配准图像b中特征点完全相同，则为正确的配准点对，反之，则为错误的配准点对；
所述公式(2)为：
其中，d(Ui,V1j)是待配准图像a的特征点与待配准图像b的最近邻特征点的距离相似性度量的值，d(Ui,V2j)是待配准图像a的特征点与待配准图像b的次最近邻特征点的距离相似性度量的值，Th为设定的阈值。
优选地，所述Th为0.8。
优选地，所述利用距离相似性度量算法对所述特征点进行双向配准，以获得正确的配准点对之后，所述方法还包括：
利用获得的正确的配准点对为所述多个图像进行图像配准。
优选地，所述图像配准的方式包括：横向配准和纵向配准。
本发明还提供了一种基于微重合区域的图像配准系统，所述方法包括：
预处理模块，用于对待配准的多个图像进行预处理；
特征点提取模块，用于对所述待配准的多个图像分别进行特征点提取，并且生成特征点描述符；
配准点对筛选模块，用于利用距离相似性度量算法对所述特征点进行双向配准，以获得正确的配准点对，去除错误的配准点对。
优选地，待配准的图像包括：待配准图像a和待配准图像b；
所述预处理模块进行的预处理包括：
根据图像的拍摄角度判断上述两张待配准图像的非重合区域；
在所述待配准的图像上限定配准区域。
优选地，所述配准点对筛选模块是利用距离相似性度量算法对所述特征点进行双向配准以筛选出正确的配准点对和错误的配准点对；其中，
以待配准图像a的特征点为参考点Ui，利用公式1遍历所述待配准图像b中特征点，得到最近邻特征点V1j和次最近邻特征点V2j；
根据公式(2)验证所述最近邻特征点V1j和次最近邻特征点V2j；其中，
在满足所述公式(2)的情况下，以所述最近邻特征点V1j为参考点Ui的配准点，从而得到配准点对集A；
以待配准图像b的特征点为参考点Vi，利用公式1遍历待配准图像a中特征点，得到最近邻特征点U1j和次最近邻特征点U2j；
根据公式(2)验证所述最近邻特征点U1j和次最近邻特征点U2j；其中，
在满足所述公式(2)的情况下，以所述最近邻特征点U1j为参考点Ui的配准点，从而得到配准点对集B；
比较所述配准点对集A和所述配准点对集B；其中，
在所述配准点对集A和所述配准点对集B中待配准图像a中特征点和待配准图像b中特征点完全相同，则为正确的配准点对，反之，则为错误的配准点对；
所述公式(2)为：
其中，d(Ui,V1j)是待配准图像a的特征点与待配准图像b的最近邻特征点的距离相似性度量的值，d(Ui,V2j)是待配准图像a的特征点与待配准图像b的次最近邻特征点的距离相似性度量的值，Th为设定的阈值。
根据上述技术方案，本发明提供的基于微重合区域的图像配准方法在使用时的有益效果为：可以利用距离相似性度量算法对所述特征点进行双向配准，从而筛选出正确的配准点对，去除错误的配准点对，以提高拼接的精度，再利用所述预处理操作限定配准区域从而降低图像融合复杂度，也间接地提高图像拼接的速度。
本发明的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明，但并不构成对本发明的限制。在附图中：
图1是本发明的一种优选的实施方式中提供的基于微重合区域的图像配准方法的流程框图；
图2是本发明的一种优选的实施方式中提供的基于微重合区域的图像配准系统的结构框图；
图3是SIFT算法和SURF算法的DOG示意图；以及
图4描述符生成示意图；
图5是待配准图像a和待配准图像b的示意图；以及
图6是待配准图像a和待配准图像b的配准结果示意图。
具体实施方式
以下结合附图对本发明的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明，并不用于限制本发明。
如图1所示，本发明提供了一种基于微重合区域的图像配准方法，所述方法包括：
对待配准的多个图像进行预处理；
对所述待配准的多个图像分别进行特征点提取，并且生成特征点描述符；
利用距离相似性度量算法对所述特征点进行双向配准，以获得正确的配准点对。
在本发明的一种优选的实施方式中，待配准的图像包括：待配准图像a和待配准图像b；
所述预处理包括：
根据图像的拍摄角度判断上述两张待配准图像的非重合区域；
在所述待配准的图像上限定配准区域。
在上述方案中，所述非重合区域一般为待配准图像的1/3-1/2，然后根据非重合区域来限定配准区域，例如非重合区域为1/3，则限定配准区域为2/3，根据对配准区域的限定可以有效地提高图像配准的速度和精度。
在本发明的一种优选的实施方式中，所述生成特征点描述符中形成的特征矢量参数的维数为六十四维；对于所述特征矢量参数的维数是本领域常规情况下的维数，
利用距离相似性度量算法对所述特征点进行双向配准中距离相似性度量的计算公式为：
其中，xm表示待配准图像a中特征点描述符向量的元素，ym表示待配准图像b中特征点描述符向量的元素，d(Ui,Vj)为特征点之间的距离相似性度量的值。
在本发明的一种优选的实施方式中，利用所述距离相似性度量算法对所述特征点进行双向配准的步骤包括：
以待配准图像a的特征点为参考点Ui，利用公式1遍历所述待配准图像b中特征点，得到最近邻特征点V1j和次最近邻特征点V2j；
根据公式(2)验证所述最近邻特征点V1j和次最近邻特征点V2j；其中，
在满足所述公式(2)的情况下，以所述最近邻特征点V1j为参考点Ui的配准点，从而得到配准点对集A；
以待配准图像b的特征点为参考点Vi，利用公式1遍历待配准图像a中特征点，得到最近邻特征点U1j和次最近邻特征点U2j；
根据公式(2)验证所述最近邻特征点U1j和次最近邻特征点U2j；其中，
在满足所述公式(2)的情况下，以所述最近邻特征点U1j为参考点Ui的配准点，从而得到配准点对集B；
比较所述配准点对集A和所述配准点对集B；其中，
在所述配准点对集A和所述配准点对集B中待配准图像a中特征点和待配准图像b中特征点完全相同，则为正确的配准点对，反之，则为错误的配准点对；
所述公式(2)为：
其中，d(Ui,V1j)是待配准图像a的特征点与待配准图像b的最近邻特征点的距离相似性度量的值，d(Ui,V2j)是待配准图像a的特征点与待配准图像b的次最近邻特征点的距离相似性度量的值，Th为设定的阈值；其中所述Th可以取0.8。
在上述方案中，利用双向配准的方法可以判断出正确的配准点对和错误的配准点对，然后去除掉错误的配准点对，以利用所述正确的配准点对对图像进行图像配准，这样不仅可以提高配准的速度，还能提高配准的精度。
其中，所述图像配准的方式包括：横向配准和纵向配准；在配准过程中可以根据待配准图像的实际情况进行选择。
本发明中对于特征点提取是SURF算法实现的；其中，SURF算法是利用近似的Hessian矩阵检测图像中的特征点的位置，计算Hessian矩阵，首先需要计算输入图像函数f(x,y)的二阶偏导数，Hessian矩阵就是由输入图像函数f(x,y)的二阶偏导数组成的。假定给定待拼接图像I，其中X＝(x,y)是待拼接图像中一个像素点，该像素点的Hessian矩阵如式(3)所示：
其中：Lxx(X,σ)是经过高斯滤波后图像像素点X＝(x,y)处在水平方向上的二阶导数的值。Lyy(X,σ)是经常高斯滤波后图像的像素点X＝(x,y)处在垂直方向的二阶导数的数值。Lxy(X,σ)同样是二阶导数。
Lxx(X,σ)、Lyy(X,σ)与Lxy(X,σ)的计算公式如式(4)、(5)、(6)所示：
Hessian矩阵的行列式如式7所示：
Det(H)＝Lxx(X,σ)Lyy(X,σ)-[Lxy(X,σ)]2 (7)
其中：Lxx(X,σ)是经过高斯滤波后图像像素点X＝(x,y)处在水平方向上的二阶导数的值。Lyy(X,σ)是经常高斯滤波后图像的像素点X＝(x,y)处在垂直方向的二阶导数的数值。Lxy(X,σ)同样是二阶导数，*表示做卷积运算。
为了加快卷积的速度，从David Lowe用DOG近似LOG的成功做法中的得到启发，采用了盒子型滤波器对上面的模版滤波器进行近似，如图4所示，对于采用盒子型滤波器得到的对于Lxx、Lxy、Lyy的近似，我们用Dxx、Dxy、Dyy来表示区分，这样Hessian矩阵的行列式有一个近似计算公式如式8所示：
Det(HApproximate)＝DxxDyy-(ωDxy)2 (8)
其中：ω是调节参数，一般取0.9。
如果行列式的结果符号为正，则特征值有相同的符号，该特征点为初选参考点，反之，则剔除该特征点。
尺度空间是用金字塔表示的，David Lowe在SIFT算法中是这样构造尺度空间的：对原图像不断地进行Gauss平滑加上图像降采样处理，得到金字塔图像后，再进一步得到了DOG，在DOG上提取特征点，而SURF算法中的做法与SIFT是有所不同的，SURF算法是图像大小保持不变，改变的是Gauss平滑滤波器的大小，如图3所示。
设定阈值Th，使用3×3×3的模板在三维尺度空间进行非最大化抑制，根据设定的阈值，当Det(H)>Th，而且大于上一层9个点、当前层8个点、下一层9个点的所有像素点响应值才被选择为特征点，同时进行插值运算得到精确特征点。
为了使特征点对旋转具有适应性，需要对特征点增加方向参数，具体执行过程为，首先，确定以特征点为中心，以6s(s为特征点的尺度)为半径的圆形区域，同时确定以特征点为中心，角度大小为60°的扇形滑动窗口，让扇形滑动窗口以12°角度左右围绕特征点旋转，对图像进行Haar小波响应计算，并对窗口内的图像Haar小波的响应值进行累加，主方向为最大的Haar响应累加值对应的方向。
在生成特征点描述符中：首先将坐标轴旋转为特征点主方向，建立以特征点为中心，生成一个20s×20s(s为特征点的尺度)的正方形区域，将其分成16个子区域，利用尺寸2s(s为特征点的尺度)的Haar小波模板对每个子区域进行响应值计算，然后对∑dx,∑|dx|,∑dy,∑|dy|响应值进行统计形成的特征矢量参数，矢量参数的维数是4×4×4＝64。
如图2所示，本发明还提供了一种基于微重合区域的图像配准方法，所述方法包括：
预处理模块，用于对待配准的多个图像进行预处理；
特征点提取模块，用于对所述待配准的多个图像分别进行特征点提取，并且生成特征点描述符；
配准点对筛选模块，用于利用距离相似性度量算法对所述特征点进行双向配准，以获得正确的配准点对，去除错误的配准点对。
在本发明的一种优选的实施方式中，待配准的图像包括：待配准图像a和待配准图像b；
所述预处理模块进行的预处理包括：
根据图像的拍摄角度判断上述两张待配准图像的非重合区域；
在所述待配准的图像上限定配准区域。
在本发明的一种优选的实施方式中，所述配准点对筛选模块是利用距离相似性度量算法对所述特征点进行双向配准以筛选出正确的配准点对和错误的配准点对；其中，
以待配准图像a的特征点为参考点Ui，利用公式1遍历所述待配准图像b中特征点，得到最近邻特征点V1j和次最近邻特征点V2j；
根据公式2验证所述最近邻特征点V1j和次最近邻特征点V2j；其中，
在满足所述公式2的情况下，以所述最近邻特征点V1j为参考点Ui的配准点，从而得到配准点对集A；
以待配准图像b的特征点为参考点Vi，利用公式1遍历待配准图像a中特征点，得到最近邻特征点U1j和次最近邻特征点U2j；
根据公式2验证所述最近邻特征点U1j和次最近邻特征点U2j；其中，
在满足所述公式2的情况下，以所述最近邻特征点U1j为参考点Ui的配准点，从而得到配准点对集B；
比较所述配准点对集A和所述配准点对集B；其中，
在所述配准点对集A和所述配准点对集B中待配准图像a中特征点和待配准图像b中特征点完全相同，则为正确的配准点对，反之，则为错误的配准点对；
所述公式(2)为：
其中，d(Ui,V1j)是待配准图像a的特征点与待配准图像b的最近邻特征点的距离相似性度量的值，d(Ui,V2j)是待配准图像a的特征点与待配准图像b的次最近邻特征点的距离相似性度量的值，Th为设定的阈值。
如图5所示为待配准图像a和待配准图像b的示意图，利用本发明提供的基于微重合区域的图像配准方法对图像进行配准后的图像如图6所示。
综上所述，本发明提供的基于微重合区域的图像配准方法，克服在拼接的视角范围一定的情况下，当相邻传感器之间的重合区域增加时，则必然导致传感器数目的增加，进而导致图像融合数据量的增加，降低了图像拼接的速度，同时针对现有的图像配准的精度不高的问题，利用距离相似性度量算法对所述特征点进行双向配准，从而筛选出正确的配准点对，去除错误的配准点对，以提高图像配准的精度，再利用所述预处理操作限定配准区域从而降低图像融合复杂度，也间接地提高图像拼接的速度。
以上结合附图详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种简单变型，这些简单变型均属于本发明的保护范围。
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合，为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。
此外，本发明的各种不同的实施方式之间也可以进行任意组合，只要其不违背本发明的思想，其同样应当视为本发明所公开的内容。
Claims (5)
1.一种基于微重合区域的图像配准方法，其特征在于，所述方法包括：
对待配准的多个图像进行预处理；
对所述待配准的多个图像分别进行特征点提取，并且生成特征点描述符；
利用距离相似性度量算法对所述特征点进行双向配准，以获得正确的配准点对；
待配准的图像包括：待配准图像a和待配准图像b；
所述预处理包括：
根据图像的拍摄角度判断上述两张待配准图像的非重合区域；
在所述待配准的图像上限定配准区域；
所述生成特征点描述符中形成的特征矢量参数的维数为六十四维；
利用距离相似性度量算法对所述特征点进行双向配准，其中，距离相似性度量的计算公式为：
其中，xm表示待配准图像a中特征点描述符向量的元素，ym表示待配准图像b中特征点描述符向量的元素，d(Ui,Vj)为特征点之间的距离相似性度量的值；
利用距离相似性度量算法对所述特征点进行双向配准的步骤包括：
以待配准图像a的特征点为参考点Ui，利用公式(1)遍历所述待配准图像b中特征点，得到最近邻特征点V1j和次最近邻特征点V2j；
根据公式(2)验证所述最近邻特征点V1j和次最近邻特征点V2j；其中，
在满足所述公式(2)的情况下，以所述最近邻特征点V1j为参考点Ui的配准点，从而得到配准点对集A；
以待配准图像b的特征点为参考点Vi，利用公式(1)遍历待配准图像a中特征点，得到最近邻特征点U1j和次最近邻特征点U2j；
根据公式(2)验证所述最近邻特征点U1j和次最近邻特征点U2j；其中，
在满足所述公式(2)的情况下，以所述最近邻特征点U1j为参考点Ui的配准点，从而得到配准点对集B；
比较所述配准点对集A和所述配准点对集B；其中，
在所述配准点对集A和所述配准点对集B中待配准图像a中特征点和待配准图像b中特征点完全相同，则为正确的配准点对，反之，则为错误的配准点对；
所述公式(2)为：
其中，d(Ui,V1j)是待配准图像a的特征点与待配准图像b的最近邻特征点的距离相似性度量的值，d(Ui,V2j)是待配准图像a的特征点与待配准图像b的次最近邻特征点的距离相似性度量的值，Th为设定的阈值。
2.根据权利要求1所述的基于微重合区域的图像配准方法，其特征在于，所述Th为0.8。
3.根据权利要求1所述的基于微重合区域的图像配准方法，其特征在于，所述利用距离相似性度量算法对所述特征点进行双向配准，以获得正确的配准点对之后，所述方法还包括：
利用获得的正确的配准点对为所述多个图像进行图像配准。
4.根据权利要求3所述的基于微重合区域的图像配准方法，其特征在于，所述图像配准的方式包括：横向配准和纵向配准。
5.一种基于微重合区域的图像配准系统，其特征在于，所述方法包括：
预处理模块，用于对待配准的多个图像进行预处理；
特征点提取模块，用于对所述待配准的多个图像分别进行特征点提取，并且生成特征点描述符；
配准点对筛选模块，用于利用距离相似性度量算法对所述特征点进行双向配准，以获得正确的配准点对，去除错误的配准点对；
待配准的图像包括：待配准图像a和待配准图像b；
所述预处理模块进行的预处理包括：
根据图像的拍摄角度判断上述两张待配准图像的非重合区域；
在所述待配准的图像上限定配准区域；
所述配准点对筛选模块是利用距离相似性度量算法对所述特征点进行双向配准以筛选出正确的配准点对和错误的配准点对；其中，
以待配准图像a的特征点为参考点Ui，利用公式(1)遍历所述待配准图像b中特征点，得到最近邻特征点V1j和次最近邻特征点V2j；
根据公式(2)验证所述最近邻特征点V1j和次最近邻特征点V2j；其中，
在满足所述公式(2)的情况下，以所述最近邻特征点V1j为参考点Ui的配准点，从而得到配准点对集A；
以待配准图像b的特征点为参考点Vi，利用公式(1)遍历待配准图像a中特征点，得到最近邻特征点U1j和次最近邻特征点U2j；
根据公式(2)验证所述最近邻特征点U1j和次最近邻特征点U2j；其中，
在满足所述公式(2)的情况下，以所述最近邻特征点U1j为参考点Ui的配准点，从而得到配准点对集B；
比较所述配准点对集A和所述配准点对集B；其中，
在所述配准点对集A和所述配准点对集B中待配准图像a中特征点和待配准图像b中特征点完全相同，则为正确的配准点对，反之，则为错误的配准点对；
所述公式(2)为：
其中，d(Ui,V1j)是待配准图像a的特征点与待配准图像b的最近邻特征点的距离相似性度量的值，d(Ui,V2j)是待配准图像a的特征点与待配准图像b的次最近邻特征点的距离相似性度量的值，Th为设定的阈值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911353961.XA CN111127311B (zh) | 2019-12-25 | 2019-12-25 | 基于微重合区域的图像配准方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911353961.XA CN111127311B (zh) | 2019-12-25 | 2019-12-25 | 基于微重合区域的图像配准方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111127311A CN111127311A (zh) | 2020-05-08 |
| CN111127311B true CN111127311B (zh) | 2023-07-18 |
Family
ID=70502916
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911353961.XA Active CN111127311B (zh) | 2019-12-25 | 2019-12-25 | 基于微重合区域的图像配准方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111127311B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111798501B (zh) * | 2020-07-02 | 2023-11-24 | 中航华东光电有限公司 | 融入颜色直方图与余弦相似性的优化图像配准方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017107700A1 (zh) * | 2015-12-21 | 2017-06-29 | 努比亚技术有限公司 | 一种实现图像配准的方法及终端 |
| CN108805812A (zh) * | 2018-06-04 | 2018-11-13 | 东北林业大学 | 用于图像拼接的多尺度不变orb算法 |
| CN109559273A (zh) * | 2018-11-23 | 2019-04-02 | 河北工业大学 | 一种面向车底图像的快速拼接方法 |
| WO2019085932A1 (zh) * | 2017-10-31 | 2019-05-09 | 上海微电子装备（集团）股份有限公司 | 一种基底预对准方法和装置以及一种光刻机 |
-
2019
- 2019-12-25 CN CN201911353961.XA patent/CN111127311B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2017107700A1 (zh) * | 2015-12-21 | 2017-06-29 | 努比亚技术有限公司 | 一种实现图像配准的方法及终端 |
| WO2019085932A1 (zh) * | 2017-10-31 | 2019-05-09 | 上海微电子装备（集团）股份有限公司 | 一种基底预对准方法和装置以及一种光刻机 |
| CN108805812A (zh) * | 2018-06-04 | 2018-11-13 | 东北林业大学 | 用于图像拼接的多尺度不变orb算法 |
| CN109559273A (zh) * | 2018-11-23 | 2019-04-02 | 河北工业大学 | 一种面向车底图像的快速拼接方法 |
Non-Patent Citations (3)
| Title |
|---|
| 张艳珠 ; 王涛 ; .序列图像的快速配准算法研究.沈阳理工大学学报.2017,(第03期),全文. * |
| 王新华 ; 黄玮 ; 欧阳继红 ; .多探测器拼接成像系统实时图像配准.中国光学.2015,(第02期),全文. * |
| 韩超 ; 方露 ; 章盛 ; .一种优化的图像配准算法.电子测量与仪器学报.2017,(第02期),全文. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111127311A (zh) | 2020-05-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Automatic crack detection and measurement of concrete structure using convolutional encoder-decoder network | |
| Yao et al. | A new pedestrian detection method based on combined HOG and LSS features | |
| CN106981077B (zh) | 基于dce和lss的红外图像和可见光图像配准方法 | |
| CN103217438B (zh) | 一种基于图像特征的电路板元件精确定位与检测的方法 | |
| CN104751465A (zh) | 一种基于lk光流约束的orb图像特征配准方法 | |
| Zhu et al. | Moving object detection with deep CNNs | |
| CN106991695A (zh) | 一种图像配准方法及装置 | |
| CN113592923B (zh) | 一种基于深度局部特征匹配的批图像配准方法 | |
| CN110222661B (zh) | 一种用于运动目标识别及跟踪的特征提取方法 | |
| CN110472625B (zh) | 一种基于傅里叶描述子的象棋棋子视觉识别方法 | |
| CN113591967A (zh) | 一种图像处理方法、装置、设备及计算机存储介质 | |
| CN109472770B (zh) | 一种印刷电路板检测中的图像特征点快速匹配方法 | |
| CN104123554A (zh) | 基于mmtd的sift图像特征提取方法 | |
| Daixian | SIFT algorithm analysis and optimization | |
| CN111369605A (zh) | 一种基于边缘特征的红外与可见光图像的配准方法和系统 | |
| CN109447062A (zh) | 基于巡检机器人的指针型仪表识别方法 | |
| CN111199558A (zh) | 一种基于深度学习的图像匹配方法 | |
| CN114359591A (zh) | 一种融合边缘特征的自适应图像匹配算法 | |
| CN106897723B (zh) | 基于特征匹配的目标实时识别方法 | |
| Yang et al. | A research of feature-based image mosaic algorithm | |
| CN111127311B (zh) | 基于微重合区域的图像配准方法 | |
| CN113763274A (zh) | 一种联合局部相位锐度定向描述的多源图像匹配方法 | |
| CN113095385A (zh) | 一种基于全局和局部特征描述的多模图像匹配方法 | |
| CN112418262A (zh) | 车辆再识别的方法、客户端及系统 | |
| CN116665097A (zh) | 一种结合上下文感知的自适应目标跟踪方法 |
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 |