CN112132877A - 一种基于sift特征的图像配准改进算法 - Google Patents
一种基于sift特征的图像配准改进算法 Download PDFInfo
- Publication number
- CN112132877A CN112132877A CN202011057538.8A CN202011057538A CN112132877A CN 112132877 A CN112132877 A CN 112132877A CN 202011057538 A CN202011057538 A CN 202011057538A CN 112132877 A CN112132877 A CN 112132877A
- Authority
- CN
- China
- Prior art keywords
- image
- matrix
- transformation
- transformation matrix
- low
- 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.)
- Pending
Links
- 230000006872 improvement Effects 0.000 title claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims abstract description 75
- 230000009466 transformation Effects 0.000 claims abstract description 59
- 238000000605 extraction Methods 0.000 claims abstract description 5
- 230000000694 effects Effects 0.000 claims description 6
- 230000003321 amplification Effects 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- 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
-
- 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
- G06T3/60—Rotation of whole images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/37—Determination of transform parameters for the alignment of images, i.e. image registration using transform domain methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Editing Of Facsimile Originals (AREA)
- Image Processing (AREA)
Abstract
本发明设计了一种基于SIFT特征的图像配准改进算法,通过在低尺度图像上进行SIFT特征提取、运用RANSAC特征匹配算法,对低尺度图像变换矩阵进行求解,并由此得到原始输入图像的变换矩阵,最后得到改进后的图像配准结果,主要包括以下几个步骤:先将新时相图像和旧时相图像分别缩小a倍,再对缩小后的低尺度图像分别进行特征提取和特征匹配,得到低尺度图像的变换矩阵,利用矩阵缩放操作和低尺度的变换矩阵,得到原始图像的变换矩阵,最后进行配准。本方法有效地减少了配准算法整体的计算量,在不损失细节信息的前提下,对图像配准算法进行了加速,极大地提高了算法的效率。
Description
技术领域
本发明涉及一种基于SIFT特征的图像配准改进算法,属于图像处理领域。
背景技术
图像配准过程中,通过SIFT特征点检测算法和RANSAC算法虽然可以达到较高的配准精度,但两个算法的整体计算量较大。如果输入图像尺寸为1920X1080,那么每张输入图像的平均配准时间会超过1s。在实际应用中,程序的整体运行时间将无法满足要求。
通过直接将输入图片的尺寸进行压缩的方式可以简单有效地减少配准算法整体的计算量,但是由于新旧时相图像的变化往往只存在于整张图像的一个局部区域,当图像缩小时,发生变化的区域也会被压缩,使之变得难以识别,加大了后续操作处理的难度。而通过将输入图像先缩小进行配准,然后将配准结果放大到原始尺寸的方式,由于其在缩放过程中图像会丢失大量的细节信息,复原后的图像会变得十分模糊。
发明内容
发明目的:针对上述现有技术存在的问题,本发明提供了一种基于SIFT特征的图像配准改进算法,主要目标是有效减少配准算法整体的计算量,在不损失细节信息的前提下,对图像配准算法进行加速,极大地提高算法的效率。
技术方案:一种基于SIFT特征的图像配准改进算法,其特征在于,包括以下步骤:
步骤1:将新旧时相图像分别缩小a倍;
步骤1.1:对于新旧时相图像之间的变换矩阵H,看作是多个变换矩阵的组合:
H=S×T×R
式中,S表示一个缩放矩阵,T表示一个平移矩阵,R表示一个旋转矩阵。通过将不同的变换矩阵相乘,得到一个组合变换矩阵,其变换效果与单独进行缩放、平移和旋转变换一致。
步骤1.2:可以将待求取的变换矩阵H分解为如下形式:
H=S-1×h×S
式中,S为一个放大矩阵,S-1则为相应的缩小矩阵;a为S矩阵放大的倍数,其值大于1。通过设定a的值,则求得矩阵h就得到了最终的变换矩阵H。
步骤2:对缩小后的图像应用SIFT特征提取和RANSAC特征匹配算法,得到低尺度图像的变换矩阵;
步骤2.1:对于原始输入的新时相图像In和旧时相图像Io,二者的空间变换关系用如下公式进行表述:
In=Io×H
结合上式,得到如下形式:
In=Io×S-1×h×S
进一步将等式两边同时右乘一个缩小矩阵S-1,得到如下形式:
In×S-1=Io×S-1×h
由于矩阵S-1的作用是将图像尺寸缩小为原来的a倍,则In×S-1和Io×S-1表示为缩小a倍后的新旧时相图像,矩阵h就表示新旧时相图像缩小a倍后对应的空间变换矩阵。
步骤3:低尺度图像变换矩阵结合图像缩放矩阵,得到原始图像的变换矩阵;
步骤4:利用原始图像的变换矩阵对旧时相图像进行图像变换,得到配准后的旧时相图像;
将低尺度图像的变换矩阵h代入公式:
H=S-1×h×S
得到原始输入图像间的变换矩阵H。
有益效果:本发明有效地减少了配准算法整体的计算量,在不损失细节信息的前提下,对图像配准算法进行了加速,极大地提高了算法的效率。
附图说明
图1是本发明所述的方法步骤流程图;
图2是不同缩放倍数下的配准精度损失图;
图3是算法改进前后的配准效率对比图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面结合本发明实施例中的附图,对发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。因此,以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的发明的范围。
图1是本发明的方法流程图。如图1所示,本发明的的方法包括以下步骤:
步骤1:将新旧时相图像分别缩小a倍;
步骤1.1:对于新旧时相图像之间的变换矩阵H,看作是多个变换矩阵的组合:
H=S×T×R
式中,S表示一个缩放矩阵,T表示一个平移矩阵,R表示一个旋转矩阵。通过将不同的变换矩阵相乘,得到一个组合变换矩阵,其变换效果与单独进行缩放、平移和旋转变换一致。
步骤1.2:将待求取的变换矩阵H分解为如下形式:
H=S-1×h×S
式中,S为一个放大矩阵,S-1则为相应的缩小矩阵;a为S矩阵放大的倍数,其值大于1。通过设定a的值,则求得矩阵h就得到了最终的变换矩阵H。
步骤2:对缩小后的图像应用SIFT特征提取和RANSAC特征匹配算法,得到低尺度图像的变换矩阵;
步骤2.1:对于原始输入的新时相图像In和旧时相图像Io,二者的空间变换关系用如下公式进行表述:
In=Io×H
结合上式,得到如下形式:
In=Io×S-1×h×S
进一步将等式两边同时右乘一个缩小矩阵S-1,得到如下形式:
In×S-1=Io×S-1×h
由于矩阵S-1的作用是将图像尺寸缩小为原来的a倍,则In×S-1和Io×S-1表示为缩小a倍后的新旧时相图像,矩阵h就表示新旧时相图像缩小a倍后对应的空间变换矩阵。
步骤3:低尺度图像变换矩阵结合图像缩放矩阵,得到原始图像的变换矩阵;
步骤4:利用原始图像的变换矩阵对旧时相图像进行图像变换,得到配准后的旧时相图像;
将低尺度图像的变换矩阵h代入公式:
H=S-1×h×S
得到原始输入图像间的变换矩阵H。
本发明方案所公开的技术手段不仅限于上述实施方式所公开的技术手段,还包括由以上技术特征任意组合所组成的技术方案。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (4)
1.一种基于SIFT特征的图像配准改进算法,其特征在于,包括以下步骤:
步骤1:将新旧时相图像分别缩小a倍;
步骤2:对缩小后的图像应用SIFT特征提取和RANSAC特征匹配算法,得到低尺度图像的变换矩阵;
步骤3:低尺度图像变换矩阵结合图像缩放矩阵,得到原始图像的变换矩阵;
步骤4:利用原始图像的变换矩阵对旧时相图像进行图像变换,得到配准后的旧时相图像。
3.根据权利要求1所述的一种基于SIFT特征的图像配准改进算法,其特征在于,所述步骤2包括如下步骤:
步骤2.1:对于原始输入的新时相图像In和旧时相图像Io,二者的空间变换关系用如下公式进行表述:
In=Io×H
结合上式,得到如下形式:
In=Io×S-1×h×S
进一步将等式两边同时右乘一个缩小矩阵S-1,得到如下形式:
In×S-1=Io×S-1×h
由于矩阵S-1的作用是将图像尺寸缩小为原来的a倍,则In×S-1和Io×S-1表示为缩小a倍后的新旧时相图像,矩阵h就表示新旧时相图像缩小a倍后对应的空间变换矩阵。
4.根据权利要求1所述的一种基于SIFT特征的图像配准改进算法,其特征在于,所述步骤3包括如下步骤:
将低尺度图像的变换矩阵h代入公式:
H=S-1×h×S
得到原始输入图像间的变换矩阵H。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011057538.8A CN112132877A (zh) | 2020-09-30 | 2020-09-30 | 一种基于sift特征的图像配准改进算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011057538.8A CN112132877A (zh) | 2020-09-30 | 2020-09-30 | 一种基于sift特征的图像配准改进算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112132877A true CN112132877A (zh) | 2020-12-25 |
Family
ID=73843397
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011057538.8A Pending CN112132877A (zh) | 2020-09-30 | 2020-09-30 | 一种基于sift特征的图像配准改进算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132877A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114554052A (zh) * | 2022-02-18 | 2022-05-27 | 深圳宇视嘉网络科技有限公司 | 基于多光谱特征的线扫相机成像方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140089365A1 (en) * | 2012-09-21 | 2014-03-27 | Fondation de I'Institut de Recherche Idiap | Object detection method, object detector and object detection computer program |
CN107169999A (zh) * | 2017-06-19 | 2017-09-15 | 江南大学 | 基于融合特征的sift配准算法 |
CN108537723A (zh) * | 2018-04-08 | 2018-09-14 | 华中科技大学苏州脑空间信息研究院 | 海量脑图像数据集的三维非线性配准方法及系统 |
-
2020
- 2020-09-30 CN CN202011057538.8A patent/CN112132877A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140089365A1 (en) * | 2012-09-21 | 2014-03-27 | Fondation de I'Institut de Recherche Idiap | Object detection method, object detector and object detection computer program |
CN107169999A (zh) * | 2017-06-19 | 2017-09-15 | 江南大学 | 基于融合特征的sift配准算法 |
CN108537723A (zh) * | 2018-04-08 | 2018-09-14 | 华中科技大学苏州脑空间信息研究院 | 海量脑图像数据集的三维非线性配准方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114554052A (zh) * | 2022-02-18 | 2022-05-27 | 深圳宇视嘉网络科技有限公司 | 基于多光谱特征的线扫相机成像方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhu et al. | Lightweight image super-resolution with expectation-maximization attention mechanism | |
Hui et al. | Fast and accurate single image super-resolution via information distillation network | |
CN110930309B (zh) | 基于多视图纹理学习的人脸超分辨率方法及装置 | |
US20070237425A1 (en) | Image resolution increasing method and apparatus for the same | |
CN113870283B (zh) | 人像抠图方法、装置、计算机设备及可读存储介质 | |
CN105447828B (zh) | 沿运动模糊路径进行一维反卷积的单视点图像去模糊方法 | |
US20230343119A1 (en) | Captured document image enhancement | |
CN111353955A (zh) | 一种图像处理方法、装置、设备和存储介质 | |
CN112132877A (zh) | 一种基于sift特征的图像配准改进算法 | |
CN111833245A (zh) | 一种基于多场景视频补帧算法的超分辨率重建方法 | |
CN113298187B (zh) | 图像处理方法及装置、计算机可读存储介质 | |
Liu et al. | Multi-scale skip-connection network for image super-resolution | |
Senturk et al. | Seam carving based image retargeting: A survey | |
Chen et al. | Eigen-patch: Position-patch based face hallucination using eigen transformation | |
CN110852947B (zh) | 一种基于边缘锐化的红外图像超分辨方法 | |
CN110705568B (zh) | 一种图像特征点提取的优化方法 | |
CN110545414B (zh) | 一种图像锐化方法 | |
CN110580462B (zh) | 一种基于非局部网络的自然场景文本检测方法和系统 | |
JP2011070283A (ja) | 顔画像高解像度化装置、及びプログラム | |
CN112581400B (zh) | 基于高斯标准差和对比度调谐图像增强方法 | |
CN110853040B (zh) | 一种基于超分辨率重建的图像协同分割方法 | |
Yin et al. | Speedup method for real-time thinning algorithm | |
CN113256652A (zh) | 一种混合图像数据增强方法 | |
CN113449721A (zh) | 图像预处理方法、装置、计算机设备及存储介质 | |
CN103077396B (zh) | 一种彩色图像的向量空间特征点提取方法及装置 |
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 |