CN111626325B - 一种基于特征的图像匹配方法 - Google Patents

一种基于特征的图像匹配方法 Download PDF

Info

Publication number
CN111626325B
CN111626325B CN202010285347.0A CN202010285347A CN111626325B CN 111626325 B CN111626325 B CN 111626325B CN 202010285347 A CN202010285347 A CN 202010285347A CN 111626325 B CN111626325 B CN 111626325B
Authority
CN
China
Prior art keywords
feature
image
points
matching
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
Application number
CN202010285347.0A
Other languages
English (en)
Other versions
CN111626325A (zh
Inventor
张嘉超
黄云彬
许志兴
曹雪虹
龙静
李宏
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.)
Nanjing Kangni Mechanical and Electrical Co Ltd
Original Assignee
Nanjing Kangni Mechanical and Electrical Co Ltd
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 Nanjing Kangni Mechanical and Electrical Co Ltd filed Critical Nanjing Kangni Mechanical and Electrical Co Ltd
Priority to CN202010285347.0A priority Critical patent/CN111626325B/zh
Publication of CN111626325A publication Critical patent/CN111626325A/zh
Application granted granted Critical
Publication of CN111626325B publication Critical patent/CN111626325B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations

Landscapes

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

Abstract

本发明公开了一种基于特征的图像匹配方法，该方法通过图像匹配算法获取待匹配图像的特征点及其特征描述子，再根据最小欧式距离计算出待测图像间的n组初匹配点，根据最小欧式距离与次小欧式距离的比值，对误匹配点进行第一次删减；再根据图像角度进行第二次误匹配点删减，从而完成图像匹配。本发明解决了误匹配点多的问题，提升了匹配性能。

Description

一种基于特征的图像匹配方法
技术领域
本发明属于图像处理领域，尤其涉及一种基于特征的图像匹配方法。
背景技术
图像匹配是图像处理及计算机视觉中的一项重要技术，被广泛应用于医学图像处理分析、天气预报检测、遥感图像分析、图像三维重构、图像拼接、目标跟踪识别等领域。
图像匹配可分成以灰度为基础的匹配和以特征为基础的匹配。灰度匹配是将图像看成是二维信号，采用统计相关的方法寻找信号间的相关匹配。灰度匹配的缺点是计算量太大，不适合有速度要求的场景，所以该方法很少被使用。特征匹配是指通过分别提取两个或多个图像的特征(点、线、面等特征)，对特征进行参数描述，然后运用所描述的参数来进行匹配的一种算法。基于特征的匹配所处理的图像一般包含的特征有颜色特征、纹理特征、形状特征、空间位置特征等。特征匹配首先对图像进行预处理来提取其高层次的特征，然后建立两幅图像之间特征的匹配对应关系，通常使用的特征基元有：点特征、边缘特征和区域特征。特征匹配需要用到许多数学运算，如矩阵运算、梯度求解、傅立叶变换和泰勒展开等。实际使用过程中，会因仿射变换、尺度变化、环境干扰等问题出现误匹配点多而使得匹配性能严重降低的问题。
发明内容
发明目的：本发明提供了一种匹配性能高的图像匹配方法。
技术方案：为实现本发明的目的，本发明所述的基于特征的图像匹配方法，包括步骤：
(1)利用图像匹配算法选择待匹配的图像和/>的特征点并得到特征点的描述子；
(2)对于不同图像特征点的描述子进行欧式距离的计算，选取欧氏距离最小的两个特征点作为初匹配点；
(3)在初匹配点中，将最小欧式距离与次小欧式距离的比值和阈值比较，进行第一次误匹配点的删减；
(4)采用角度删减法，进行第二次误匹配点的删减。
进一步地，所述步骤(1)具体包括：通过图像匹配算法分别得到图像和/>的特征点X＝{Xi|Xi∈R,i∈[1,n]}，Y＝{Yj|Yj∈R,j∈[1,m]}，以及特征点所对应的特征描述子Xik、Yjk，k∈[1,c]；其中，i表示图像/>检测得到的特征点序号，n为图像/>检测到的特征点总数，j为图像/>检测得到的特征点序号，m为图像/>检测到的特征点总数，c表示特征描述子的维度，k为描述子维度的序号。
优选地，所述特征描述子的维度k取值为128。
进一步地，步骤(1)中，所述图像匹配算法包括：SURF算法、SIFT算法。
进一步地，所述步骤(2)包括：
(21)根据如下公式计算图像中的每个特征点Xi与图像/>中每个特征点Yj描述子之间的欧式距离：
(22)计算描述子的最小欧式距离Dij，将此时的Yj和特征点Xi作为一个初匹配点，记作(Xo,Yo')：
(23)重复步骤(21)-(22)直至遍历图像中所有特征点，得到n个初匹配点。
进一步地，所述步骤(3)包括：
(31)计算初匹配点Xi的次小欧式距离Dij'，Yj'为对应次小欧式距离的特征点：
(32)计算最小欧式距离和次小欧式距离之间的比值：
λ＝Dij/Dij'
当λ小于等于阈值α时，则保留初匹配点(Xo,Yo')；当λ大于阈值α时，判定(Xo,Yo')为误匹配点，对其进行删除，从而完成第一次误匹配点的删减。如果初匹配点中存在的大量误匹配点会夸大图像之间的匹配程度。
优选地，步骤(33)中，所述阈值α取值为0.4。
进一步地，所述步骤(4)包括：
(41)将第一次误匹配点删减后的初匹配点按λ的值排序，将比值最小的三个匹配点(Xa,Ya')、(Xb,Yb')、(Xc,Yc')作为标准匹配点；
(42)计算图像内的夹角/>
其中，(pa,qa)、(pb,qb)、(pc,qc)、(po,qo)分别是Xa、Xb、Xc和初匹配点(Xo,Yo')中Xo的像素坐标，o取值范围为1,2,…,n除去第一误匹配点序号；
(43)计算图像内的夹角/>
其中，(pa',qa')、(pb',qb')、(pc',qc')、(po',qo')分别是Ya'、Yb'、Yc'和初匹配点(Xo,Yo')中Yo'的像素坐标；
(44)计算和/>的绝对差值/>将其与阈值β比较，当δ＞β，认定该初匹配点为误匹配点，并将其删除；当δ≤β，则保留，通过该筛选过程完成第二次误匹配点的删减，否则误匹配点过多会影响图像的后续使用，如图像拼接、图像融合。
优选地，所述步骤(44)中，所述阈值β取值为15。
有益效果：1、通过用最小和次小欧式距离比值和阈值比较的方法进行了第一次误匹配点的删减，显著提高了匹配点的正确率；2、通过角度删减的方法进行了第二次误匹配点的删减，进一步提高了匹配点的正确率。在图像拼接、图像融合等领域中，对图像之间匹配点正确率的要求很高，而本申请提供的技术方案极大提高了图像的匹配正确率，满足了后续操作的要求。
附图说明
图1是本发明所述方法的流程图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
如图1所示，其示出了本发明所述的基于特征的图像匹配方法的流程图，该方法包括步骤：
(1)对于待匹配图像和待匹配图像/>通过已有的图像匹配算法如SURF算法、SIFT算法分别得到两幅图像的特征点X＝{Xi|Xi∈R,i∈[1,n]}、Y＝{Yj|Yj∈R,j∈[1,m]},以及特征点所对应的特征描述子Xik、Yjk。其中，i表示图像/>检测得到的特征点序号；n为图像/>检测到的特征点总数；j表示图像/>检测得到的特征点序号；m为图像/>检测到的特征点总数；k∈[1,c]表示特征描述子的序号；c表示特征描述子的维度，一般取值为128。
(2)得到特征点的描述子后，对于图像中的每个特征点Xi，通过下面的公式计算与图像/>中每个特征点Yj描述子之间的欧式距离，选取欧氏距离最小的点Yj作为Xi对应的匹配点，记作初匹配点(Xo,Yo')。遍历完图像/>中的每一个点后，可以得到n个初匹配点。
(3)对于初匹配点，通过下面的公式计算最小欧式距离Dij与次小欧式距离Dij'的比值，将此比值λ和阈值α比较。α越大，匹配点数越多，但错误匹配点也越多。经多次实验，得到经验阈值α＝0.4，若λ＞α，对误匹配点进行删除，完成第一次误匹配点的删减。
λ＝Dij/Dij'
(4)对第一次删减后的初匹配点按λ的值排序，将比值最小的三个匹配点(Xa,Ya')、(Xb,Yb')、(Xc,Yc')为标准匹配点。在第一张待匹配图像中，三个标准匹配点Xa、Xb、Xc和Xo的像素坐标分别是(pa,qa)、(pb,qb)、(pc,qc)、(po,qo)。在图像/>中，三个标准匹配点Ya'、Yb'、Yc'和Yo'的像素坐标分别是(pa',qa')、(pb',qb')、(pc',qc')、(po',qo')。
计算图像内的夹角/>图像/>内的夹角/>
对于两张待匹配图像来说，如果匹配点都是正确的，上述四个点的相对位置是不变的，夹角相差不大。当出现误匹配点时，夹角会有差异。确定正确概率最大的三个点为基准对剩下的点进行第二次删减。计算/>和/>的绝对差值/>将其与阈值β比较，当δ＞β，认定该初匹配点为误匹配点，并将其删除；当δ≤β，则保留，通过该筛选过程完成第二次误匹配点的删减，否则误匹配点过多会影响图像的后续使用，如图像拼接、图像融合。β越大匹配点数越多，但错误匹配点也越多。经多次实验得到经验阈值β＝15。

Claims (7)

1.一种基于特征的图像匹配方法，其特征在于，包括步骤：
(1)利用图像匹配算法选择待匹配的图像和/>的特征点并得到特征点的描述子；
(2)对于不同图像特征点的描述子进行欧式距离的计算，选取欧氏距离最小的两个特征点作为初匹配点；
(3)在初匹配点中，将最小欧式距离与次小欧式距离的比值和阈值比较，进行第一次误匹配点的删减；
(4)采用角度删减法，进行第二次误匹配点的删减；
所述步骤(3)包括：
(31)计算初匹配点Xi的次小欧式距离Dij'，Yj'为对应次小欧式距离的特征点：
(32)计算最小欧式距离和次小欧式距离之间的比值：
λ＝Dij/Dij'
当λ小于等于阈值α时，则保留初匹配点(Xo,Yo')；当λ大于阈值α时，判定(Xo,Yo')为误匹配点，对其进行删除，从而完成第一次误匹配点的删减；
所述步骤(4)包括：
(41)将第一次误匹配点删减后的初匹配点按λ的值排序，将比值最小的三个匹配点(Xa,Ya')、(Xb,Yb')、(Xc,Yc')作为标准匹配点；
(42)计算图像内的夹角/>
其中，(pa,qa)、(pb,qb)、(pc,qc)、(po,qo)分别是Xa、Xb、Xc和初匹配点(Xo,Yo')中Xo的像素坐标；
(43)计算图像内的夹角/>
其中，(pa',qa')、(pb',qb')、(pc',qc')、(po',qo')分别是Ya'、Yb'、Yc'和初匹配点(Xo,Yo')中Yo'的像素坐标；
(44)计算和/>的绝对差值/>将其与阈值β比较，当δ＞β，认定该初匹配点为误匹配点，并将其删除；当δ≤β，则保留，通过该筛选过程完成第二次误匹配点的删减，否则误匹配点过多会影响图像的后续使用，如图像拼接、图像融合。
2.根据权利要求1所述的基于特征的图像匹配方法，其特征在于，步骤(1)具体包括：通过图像匹配算法分别得到图像和/>的特征点X＝{Xi|Xi∈R,i∈[1,n]}，Y＝{Yj|Yj∈R,j∈[1,m]}，以及特征点所对应的特征描述子Xik、Yjk，k∈[1,c]；其中，i表示图像/>检测得到的特征点序号，n为图像/>检测到的特征点总数，j为图像/>检测得到的特征点序号，m为图像检测到的特征点总数，c表示特征描述子的维度，k为描述子维度的序号。
3.根据权利要求2所述的基于特征的图像匹配方法，其特征在于，所述特征描述子的维度c取值为128。
4.根据权利要求1或2所述的基于特征的图像匹配方法，其特征在于，步骤(1)中，所述图像匹配算法包括：SURF算法、SIFT算法。
5.根据权利要求1所述的基于特征的图像匹配方法，其特征在于：所述步骤(2)包括：
(21)根据如下公式计算图像中的每个特征点Xi与图像/>中每个特征点Yj描述子之间的欧式距离：
(22)计算描述子的最小欧式距离Dij，将此时的Yj和特征点Xi作为一个初匹配点，记作(Xo,Yo')：
(23)重复步骤(21)-(22)直至遍历图像中所有特征点，得到n个初匹配点。
6.根据权利要求1所述的基于特征的图像匹配方法，其特征在于，步骤(33)中，所述阈值α取值为0.4。
7.根据权利要求1所述的基于特征的图像匹配方法，其特征在于，所述步骤(44)中，所述阈值β取值为15。
CN202010285347.0A 2020-04-13 2020-04-13 一种基于特征的图像匹配方法 Active CN111626325B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010285347.0A CN111626325B (zh) 2020-04-13 2020-04-13 一种基于特征的图像匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010285347.0A CN111626325B (zh) 2020-04-13 2020-04-13 一种基于特征的图像匹配方法

Publications (2)

Publication Number Publication Date
CN111626325A CN111626325A (zh) 2020-09-04
CN111626325B true CN111626325B (zh) 2023-09-12

Family

ID=72259692

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010285347.0A Active CN111626325B (zh) 2020-04-13 2020-04-13 一种基于特征的图像匹配方法

Country Status (1)

Country Link
CN (1) CN111626325B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116958606B (zh) * 2023-09-15 2024-05-28 腾讯科技（深圳）有限公司 一种图像匹配方法及相关装置

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106651756A (zh) * 2016-11-16 2017-05-10 浙江工业大学 一种基于sift和验证机制的图像配准方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9095285B2 (en) * 2013-04-11 2015-08-04 Yaroslav Ryabov Portable biometric identification device using a dorsal hand vein pattern

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106651756A (zh) * 2016-11-16 2017-05-10 浙江工业大学 一种基于sift和验证机制的图像配准方法

Also Published As

Publication number Publication date
CN111626325A (zh) 2020-09-04

Similar Documents

Publication Publication Date Title
CN110210463B (zh) 基于Precise ROI-Faster R-CNN的雷达目标图像检测方法
CN110097093B (zh) 一种异源图像精确匹配方法
WO2019042232A1 (zh) 一种快速鲁棒的多模态遥感影像匹配方法和系统
WO2017049994A1 (zh) 一种高光谱图像角点检测方法与系统
CN106981077B (zh) 基于dce和lss的红外图像和可见光图像配准方法
CN112085772B (zh) 一种遥感图像配准方法及装置
US11030436B2 (en) Object recognition
Dibeklioglu et al. 3D facial landmarking under expression, pose, and occlusion variations
CN110334762B (zh) 一种基于四叉树结合orb和sift的特征匹配方法
CN107240130B (zh) 遥感影像配准方法、装置及系统
CN108830888B (zh) 基于改进的多尺度协方差矩阵特征描述子的粗匹配方法
CN108564092A (zh) 基于sift特征提取算法的向日葵病害识别方法
CN108550166B (zh) 一种空间目标图像匹配方法
CN110110618B (zh) 一种基于pca和全局对比度的sar目标检测方法
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
CN109325407B (zh) 基于f-ssd网络滤波的光学遥感视频目标检测方法
CN113989604A (zh) 基于端到端深度学习的轮胎dot信息识别方法
CN115731257A (zh) 基于图像的叶片形态信息提取方法
Okorie et al. Region-based image registration for remote sensing imagery
CN111626307A (zh) 一种基于l-orb算法的植株图像实时拼接方法
CN115601407A (zh) 一种红外与可见光图像配准方法
CN111626325B (zh) 一种基于特征的图像匹配方法
CN113095385A (zh) 一种基于全局和局部特征描述的多模图像匹配方法
CN117372480A (zh) 一种利用自适应下采样与曲率增强点对特征的点云配准方法
CN116823940A (zh) 一种三维场景移动物体检测方法

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