CN112614167A - 一种结合单偏光与正交偏光图像的岩石薄片图像对齐方法 - Google Patents

Abstract

本发明公开了一种结合单偏光与正交偏光图像的岩石薄片图像对齐方法，包括：S1、对岩石薄片的单偏光图像和正交偏光图像进行预处理；S2、对预处理后的图像中的特征点进行提取，并对提取出的特征点进行粗匹配；S3、基于特征点粗匹配结果，利用双向交叉匹配方法获得用于像素映射的单应性矩阵，作为精准的匹配结果；S4、基于精确的匹配结果，将正交偏光图像的所有像素映射到单偏光图像中，实现岩石薄片图像对齐。通过本方法对齐后的正交偏光图像和单偏光图像，在后续的融合过程中未出现严重失真现象，实现了较好的图像对齐效果；本方法不仅能够减少图像对齐的计算时间，达到实时性，也能抑制噪声对特征提取的影响，在提取特征点时具有稳定性。

Description

一种结合单偏光与正交偏光图像的岩石薄片图像对齐方法

技术领域

本发明属于图像处理技术领域，具体涉及一种结合单偏光与正交偏光图像的岩石薄片图像对齐方法。

背景技术

岩石薄片图像的粒度分析一般是在显微镜下利用透射单偏光获取薄片图像，再针对该图像进行粒度分析，但由于单偏光下岩石薄片图像中的岩石颗粒缺乏清晰的轮廓，颗粒与孔隙间没有良好的颜色区分度，而正交偏光下岩石薄片图像能够获得岩石颗粒清晰的轮廓边界，因此，通过融合单偏光图像和正交偏光图像将两者的优势进行互补，可以获得质量更高的图像，从而达到很好的颗粒分割效果。

在获取正交偏光图像和单偏光图像过程中，因外界因素可能会导致两张图像存在不对齐的现象，所以进行正交偏光图像和单偏光图像融合之前，需要对图像的每个像素点进行像素匹配对准，即图像对齐预处理。这使得同一个像素对应的是同一个物体，才能保证融合结果不出现失真和假影。

图像对齐将两幅或多幅拍摄不同时间、不同视角等多种变化的图像进行对其，继而确定图像间空间位置、强度等之间的映射关系，它是图像处理技术领域的关键技术，在图像融合、图像拼接以及计算机视觉等方面发挥重要作用。

图像对其方法主要分为三类：基于特征的对齐方法、基于变换域的对齐方法和基于灰度信息的对齐方法，其中基于特征的对齐方法计算速度快且对灰度变换和图像形变等都有较好的适应能力，克服了其他两种方法的不足，是如今图像对齐研究领域的热门方法。基于特征的图像对其方法主要包括以下四步：1、特征提取：找到两幅图像中的特征点(关键点)；2、对两幅待对其的图像进行特征匹配；3、估计图像变换模型的参数；4、统一坐标变换进行图像对齐；Lowe提出了尺度不变的SIFT特征检测方法，是基于特定兴趣点，对于图像缩放和旋转是不变的，它们对于光照、噪音和视角的微小变化也是强有力的，但是整个过程消耗时间太多，不符合实时性条件。HerbertBay提出了的SURF，它的优点是速度快于SIFT且稳定性好，在时间上，SURF的运行速度大约为SIFT的3倍，后来EthanRublee提出了ORB，其主要优点是运行速度大约是SIFT的两个数量级，是SURF的一个数量级，能满足实时性要求，但其鲁棒性不如SIFT，误匹配率高。

发明内容

针对现有技术中的上述不足，本发明提供的结合单偏光与正交偏光的岩石薄片图像对齐方法解决了不同偏光下的图像对齐的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种结合单偏光与正交偏光图像的岩石薄片图像对齐方法，包括以下步骤：

S1、对岩石薄片的原始图像进行预处理；

所述岩石薄片的原始图像包括单偏光图像和正交偏光图像；

S2、对预处理后的原始图像中的特征点进行提取，并对提取出的单偏光图像中的特征点与正交偏光图像中的特征点进行粗匹配；

S3、基于特征点粗匹配结果，利用RANSAC方法获得用于像素映射的单应性矩阵；

S4、基于单应性矩阵，将正交偏光图像的所有像素映射到单偏光图像中，实现岩石薄片图像对齐。

进一步地，所述步骤S1中，对原始图像进行预处理的方法具体为：对单偏光图像和正交偏光图像均依次进行平滑去噪及光照均衡化处理。

进一步地，所述步骤S2具体为：

S21、分别构造单偏光图像和正交偏光图像的多尺度空间，在每层尺度空间中利用FAST算法对单偏光图像和正交偏光图像分别进行特征点提取；

S22、利用Brief算法对单偏光图像和正交偏光图像中提取出的特征点进行描述，生成对应的描述特征点；

S23、对单偏光图像中的描述特征点和正交偏光图像中的描述特征点进行相似度匹配，得到特征点的粗匹配结果。

进一步地，所述步骤S21中对单偏光图像或正交偏光图像进行特征点提取的方法具体为：

A1、对图像构建8层结构的图像金字塔；

A2、在每一层图像中进行关键点检测，并选出最优特征点；

A3、对选出的最优特征点区域进行非极大值抑制处理，进而去除局部密集特征点；

A4、基于当前保留的特征点，进行特征点的尺度不变性和旋转不变性处理，进而提取出所需的特征点。

进一步地，所述步骤A1中构建的图像金字塔包含普通层和中间层，且普通层和中间层的数据均为4；所述图像金字塔各层的缩放尺度为：

t(c_i)＝2ⁱ

t(d_i)＝2ⁱ×1.5

式中，c_i为图像金字塔的普通层，d_i为图像金字塔的中间层，i为图像金字塔的各层序数；

所述步骤A2具体为：

在每一层图像中使用FAST 9-16探测器进行关键点检测，使其在具有相同设定阈值的普通层和中间层中确定潜在的感兴趣区域，将感兴趣区域中的特征点作为最优特征点；

所述步骤A3具体为：

对确定的感兴趣区域中的特征点进行位置和尺度空间上的非极大值抑制处理，为每一个特征点计算其响应值，将距离小于设定阈值的相邻特征点中的较大特征点保留，并删除其余特征点，实现局部密集特征点去除；

所述步骤A4中进行尺度不变性处理的方法具体为：

建立金字塔来实现特征点的多尺度不变性，设置比例因子和金字塔层数n，将原图像按照比例因子缩小成n幅图像，n幅不同比例的图像中保留的特征点的总和作为该比例图像中的oFAST特征点，即尺度不变性特征点，实现尺度不变性处理；

所述步骤A4中进行旋转不变性处理的方法具体为：

对于一个保留的特征点P，其邻域像素的矩m_pq为：

其中，I(x,y)为(x,y)处的像素值，下标p和q决定了灰度矩的阶数，x,y在半径为r的圆形区域内，即x,y∈(-r,r)，r为特征点的邻域半径；

该灰度矩的质心为：

式中，m₀₀为零阶矩，m₀₁和m₁₀为一阶矩，当角点坐标为O，确定角点-质心向量的夹角即得到该特征点P的主方向，即完成旋转不变性处理；

该特征点的旋转方向角度为：

θ＝arctan2(m₀₁,m₁₀)。

进一步地，所述步骤S22中，生成单偏光图像或正交偏光图像中的特征点描述的方法具体为：

B1、对图像进行降噪处理；

B2、在降噪处理后的图像中，选取任意特征点P的一个大小为A×A的邻域B，利用空间分布特性在邻域B中抽样选择特征点P位置附近分布的点对；

B3、将抽样选择出的点对的二进制测试τ作为该特征点P的二进制特征描述子；

B4、将所有特征点的二进制特征描述子组成二进制特征描述串，对二进制特征描述串进行旋转并构造出旋转后的各二进制测试τ的位置矩阵，进而得到Steerd Brief描述符；

B5、基于Steerd Brief描述符对图像中所有的像素块执行贪婪搜索，从中找到256个相关性最低的像素块对，得到最终的rBrief并用其来描述特征点，得到描述特征点。

进一步地，所述步骤B1中，采用高斯核为9×9，高斯平滑参数为0～0.3的高斯滤波器对图像进行降噪处理；

所述步骤B2中，利用各项同性的高斯分布Gaussian(0,2A/25)抽样选择特征点P位置附近分布的点对；

所述步骤B3中，经过高斯分布处理得到的邻域B，其对应的二进制测试τ表示为：

式中，I(B,x)为平滑后的图像邻域B在点x位置的像素灰度值；

选取n对(x₁,y₂)测试点对，并利用Brief来表示特征点P的n维二进制描述子：

所述步骤B4中，设二进制测试τ对应的点对为(x_i,y_i)，则所有二进制测试τ对应的点对可表示为2×n的矩阵S，即二进制特征描述串S：

利用特征点旋转主方向θ的旋转矩阵R_θ构造旋转后的各二进制测试的位置矩阵S_θ：

S_θ＝R_θS

所述Steerd Brief描述符为：

g_n(B,θ)＝f_n(I)|(x_i,y_i)∈S_θ。

进一步地，所述步骤S23中，对单偏光图像中的描述特征点和正交偏光图像的描述特征点依次使用按位XOR运算和累加运算，实现特征点的粗匹配。

进一步地，所述步骤S3具体为：

S31、将正交偏光图像作为参考图像，单偏光图像作为待配准图像，正交偏光图像中的描述特征点作为参考点M₁；

S32、计算参考图像中的参考点M₁与待配准图像中的描述特征点的汉明距离，进而确定最近邻描述特征点M_2j与次近邻描述特征点M_2k；

S33、当最近邻描述特征点M_2j与次近邻描述特征点M_2k满足下式时，将M_2j作为参考点M₁的特征匹配点；

式中，D(·)为图像中的特征点的最近邻特征点距离相似性度量值，T_h为双向匹配算法中设置的阈值；

S34、遍历参考图像中所有作为参考点的描述特征点，得到正交偏光图像对应的匹配点对集M_A；

S35、将单偏光图像作为参考图像，将正交偏光图像作为待配准图像，单偏光图像中的描述特征点作为参考点M₂，同理执行步骤S32～S34，得到单偏光图像对应的匹配点对集M_B；

S36、当M_A和M_B中存在相同的匹配点对时，则认为该匹配点对正确，将所有正确的匹配点对提取出来；

S37、基于提取出来的匹配点对，使用RANSAC算法计算对应的单应性矩阵并进行迭代更新，剔除误匹配点，确定最优单应性矩阵F。

本发明的有益效果为：

(1)为了兼顾配准和消耗时间，使得正交偏光图像和单偏光图像有更好的对齐结果，本发明使用一种尺度不变的特征检测算法，即改进的SRB方法，该算法通过构造尺度不变特征点来弥补传统ORB算法缺少尺度不变性的特点，使得图像特征点提取稳定，且提取特征点的数量能够达到计算所需的3对以上，同时误匹配点降低；

(2)本发明方法采用双向匹配和RANSAC算法配合使用，降低了误匹配率和提高匹配精确度；

(3)通过本方法对齐后的正交偏光图像和单偏光图像，在后续的融合过程中未出现严重失真现象，实现了较好的图像对齐效果；

(4)总体来说，本发明方法不仅能够减少图像对齐的计算时间，达到实时性，也能抑制噪声对特征提取的影响，在提取特征点时具有稳定性。

附图说明

图1为本发明提供的结合单偏光和正交偏光图像的岩石薄片图像对齐方法流程图。

图2为本发明提供的单偏光图像和正交偏光图像进准匹配结果示意图。

图3为本发明提高的岩石薄片图像对齐结果示意图。

图4为本发明提供的融合图像前后对比示意图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1所示，一种结合单偏光与正交偏光图像的岩石薄片图像对齐方法，包括以下步骤：

S1、对岩石薄片的原始图像进行预处理；

所述岩石薄片的原始图像包括单偏光图像和正交偏光图像；

S2、对预处理后的原始图像中的特征点进行提取，并对提取出的单偏光图像中的特征点与正交偏光图像中的特征点进行粗匹配；

S3、基于特征点粗匹配结果，利用RANSAC方法获得用于像素映射的单应性矩阵；

S4、基于单应性矩阵，将正交偏光图像的所有像素映射到单偏光图像中，实现岩石薄片图像对齐。

本实施例中的步骤S1中，对原始图像进行预处理的方法具体为：对单偏光图像和正交偏光图像均依次进行平滑去噪及光照均衡化处理；具体地，使用平滑滤波和直方图均衡化方法进行预处理操作。

本实施例的步骤S2中，利用改进的ORB方法实现特征点的检测，获取正交偏光图像和单偏光图像的特征点，将检测到的特征点通过改进的ORB特征描述子进行描述，得到描述特征点，然后通过ORB方法中的特征点匹配方法将正交偏光图像和单偏光图像进行粗匹配。

改进的ORB特征检测点算法有检测特征点、计算特征点描述符和匹配特征点三部分组成；首先构造多尺度空间，在每层尺度空间中通过改进的Features from AcceleratedSegment Test(FAST)算法来检测特征点,然后，用具有旋转的Binary Robust IndependentElementary Features(BRIEF)来生成图像局部特征的特征点描述符，最后，使用汉明距离进行相似性匹配；

基于此，上述步骤S2具体为：

S21、分别构造单偏光图像和正交偏光图像的多尺度空间，在每层尺度空间中利用FAST算法对单偏光图像和正交偏光图像分别进行特征点提取；

S22、利用Brief算法对单偏光图像和正交偏光图像中提取出的特征点进行描述，生成对应的描述特征点；

S23、对单偏光图像中的描述特征点和正交偏光图像中的描述特征点进行相似度匹配，得到特征点的粗匹配结果。

在上述步骤S21中，对单偏光图像或正交偏光图像进行特征点提取的方法具体为：

A1、对图像构建8层结构的图像金字塔；

A2、在每一层图像中进行关键点检测，并选出最优特征点；

A3、对选出的最优特征点区域进行非极大值抑制处理，进而去除局部密集特征点；

A4、基于当前保留的特征点，进行特征点的尺度不变性和旋转不变性处理，进而提取出所需的特征点。

上述步骤A1中构建的图像金字塔包含普通层和中间层，且普通层和中间层的数据均为4；所述图像金字塔各层的缩放尺度为：

t(c_i)＝2ⁱ

t(d_i)＝2ⁱ×1.5

式中，c_i为图像金字塔的普通层，d_i为图像金字塔的中间层，i为图像金字塔的各层序数；普通层之间的缩放因子是2倍关系，中间层之间的缩放因子也是2倍关系；

上述步骤A2具体为：

在每一层图像中使用FAST 9-16探测器进行关键点检测，这基本上要求图像中能够的某像素点的灰度值比其周围16像素圆中连续的9个都要大，进而使其在具有相同设定阈值的普通层和中间层中确定潜在的感兴趣区域，将感兴趣区域中的特征点满足相同层8邻域内和上下总共26个邻域点中的FAST分数最大的点作为最优特征点；

所述步骤A3具体为：

对确定的感兴趣区域中的特征点进行位置和尺度空间上的非极大值抑制处理，为每一个特征点计算其响应值，将距离小于设定阈值的相邻特征点中的较大特征点保留，并删除其余特征点，实现局部密集特征点去除；

其中，进行非极大值处理的特征点为相同层8邻域内和上下总共26个邻域点中的FAST分数最大的点；

所述步骤A4中进行尺度不变性处理的方法具体为：

建立金字塔来实现特征点的多尺度不变性，设置比例因子和金字塔层数n，将原图像按照比例因子缩小成n幅图像，n幅不同比例的图像中保留的特征点的总和作为该比例图像中的oFAST特征点，即尺度不变性特征点，实现尺度不变性处理；

所述步骤A4中进行旋转不变性处理是，由于FAST特征点不具有方向性，因此本发明实用一个简单而有效的角度方向度量-强度质心来解决这个问题，假设角的强度偏离其中心，并这这个矢量可以用于计算方向，则对一个特征点P进行旋转不变性处理的方法具体为：

对于一个保留的特征点P，其邻域像素的矩m_pq为：

其中，I(x,y)为(x,y)处的像素值，下标p和q决定了灰度矩的阶数(一般等于0或等于1)，x,y在半径为r的圆形区域内，即x,y∈(-r,r)，r为特征点的邻域半径，由此来提高特征点的旋转不变性；

该灰度矩的质心为：

式中，m₀₀为零阶矩，m₀₁和m₁₀为一阶矩，当角点坐标为O，确定角点-质心向量的夹角即得到该特征点P的主方向，即完成旋转不变性处理；

该特征点的旋转方向角度为：

θ＝arctan2(m₀₁,m₁₀)。

在上述步骤S22中，ORB在获取上述特征点主方向的基础上，采用Brief描述子对特征点进行描述，同时将特征点的主方向应用于Brief算法上，将其改进为具有旋转不变性的Rotated-Brief；基于此，上述步骤S22中生成单偏光图像或正交偏光图像中的特征点描述的方法具体为：

B1、对图像进行降噪处理；

具体地，对图像I(x,y)进行高斯滤波即blur operation，降低图像噪声，记降噪后的图像为I'(x,y)；高斯滤波时的高斯平滑参数σ取值一般为0～3，取值越高，处理完成后生成描述符的识别率就越高；本发明采用高斯核为9×9进行滤波，具有较好的图像降噪效果。

B2、在降噪处理后的图像中，选取任意特征点P的一个大小为A×A的邻域B，利用空间分布特性在邻域B中抽样选择特征点P位置附近分布的点对；

具体地，利用各项同性的高斯分布Gaussian(0,2A/25)抽样选择特征点P位置附近分布的点对；

B3、将抽样选择出的点对的二进制测试τ作为该特征点P的二进制特征描述子；

其中，经过高斯分布处理得到的邻域B，其对应的二进制测试τ表示为：

式中，I(B,x)为平滑后的图像邻域B在点x位置的像素灰度值；

选取n对(x₁,y₂)测试点对，并利用Brief来表示特征点P的n维二进制描述子：

B4、将所有特征点的二进制特征描述子组成二进制特征描述串，对二进制特征描述串进行旋转并构造出旋转后的各二进制测试τ的位置矩阵，进而得到Steerd Brief描述符；

设二进制测试τ对应的点对为(x_i,y_i)，则所有二进制测试τ对应的点对可表示为2×n的矩阵S，即二进制特征描述串S：

通过对二进制特征描述串进行旋转，使其具有旋转不变性；具体地，利用特征点旋转主方向θ的旋转矩阵R_θ构造旋转后的各二进制测试的位置矩阵S_θ：

S_θ＝R_θS

所述Steerd Brief描述符为：

g_n(B,θ)＝f_n(I)|(x_i,y_i)∈S_θ

B5、基于Steerd Brief描述符对图像中所有的像素块执行贪婪搜索，从中找到256个相关性最低的像素块对，得到最终的rBrief并用其来描述特征点，得到描述特征点。

在上述步骤S23中，在二进制空间中，特征相似性可以使用汉明距离汉明距离(Hamming distance)来表示，具体地，对单偏光图像中的描述特征点和正交偏光图像的描述特征点依次使用按位XOR运算和累加运算，即可实现特征点的粗匹配，此类匹配方法极大减少了特征匹配计算时间，增加了匹配速度。

本实施例的步骤S3具体为：

S31、将正交偏光图像作为参考图像，单偏光图像作为待配准图像，正交偏光图像中的描述特征点作为参考点M₁；

S32、计算参考图像中的参考点M₁与待配准图像中的描述特征点的汉明距离，进而确定最近邻描述特征点M_2j与次近邻描述特征点M_2k；

S33、当最近邻描述特征点M_2j与次近邻描述特征点M_2k满足下式时，将M_2j作为参考点M₁的特征匹配点；

式中，D(·)为图像中的特征点的最近邻特征点距离相似性度量值，T_h为双向匹配算法中设置的阈值，该阈值设置能够有效删去不同偏光图像中的大多数错误和重复的匹配点对；

S34、遍历参考图像中所有作为参考点的描述特征点，得到正交偏光图像对应的匹配点对集M_A；

S35、将单偏光图像作为参考图像，将正交偏光图像作为待配准图像，单偏光图像中的描述特征点作为参考点M₂，同理步骤S32～S34，得到单偏光图像对应的匹配点对集M_B；

S36、当M_A和M_B中存在相同的匹配点对时，则认为该匹配点对正确，将所有正确的匹配点对提取出来；

S37、基于提取出来的匹配点对，使用RANSAC算法计算对应的单应性矩阵并进行迭代更新，剔除误匹配点，确定最优单应性矩阵F。

具体地，在上述步骤S37中，考虑到岩矿图像具有纹理重复性的问题，一次近邻特征匹配获取的同名点可能存在错误匹配，因此需要进行消除错误匹配，为了保证最优的变形，使用随机抽样一致法(RANSAC)在大量提取出的匹配点对存在匹配错误的情况下计算单应性矩阵F，该矩阵的大小为3×3，需要计算矩阵F的8个参数，则至少需要4组匹配对，假设两幅图像中的一个匹配点对N_i＝(u,v,1)^T和N_i'＝(u',v',1)^T，变化矩阵T满足：

对变换矩阵F进行归一化处理，然后在计算N_i进行变换后得到的坐标N_i'的距离d(N_i',FN_i)²，同时对N_i'做相同的计算得到距离d(N,FN_i')²；

di＝d(N_i',FN_i)²+d(N,FN_i')²

在确定最终的单应性矩阵时，RANSAC算法基本上由迭代重复的两个步骤组成：在第一步中，从所有提取出的匹配点对中选择一个包含最小数据项的样本子集；在第二步中，算法检查整个数据集的元素从第一步获得的模型估计参数实例化的模型一致，如果一个数据元素不符合由一组估计模型参数实例化的拟合模型，在某个误差阈值内定义归因于噪声影响的最大偏差，则该数据元素将被视为异常值，通过不断迭代，找到最优单应性矩阵F。

基于上述特征匹配方法得到的匹配结果如图2所示，其中(a)是参考图像正交偏光图像，(b)是待匹配图像单偏光图像。从图中可以看出虽有少量的误匹配结果，但大部分都是正确的匹配结果。说明该方法在特征点匹配中的良好效果。

在本发明实施例的步骤S4中，当计算出准确的单应性矩阵后，将正交偏光图像的所有像素映射到单偏光图像中，实现岩石薄片图像对齐；

基于该特征对齐方法，得到对齐图像如图3所示，其中(a)是参照图像即正交偏光图像，(b)是待对齐图像即单偏光图像，(c)是对齐后的单偏光图像，从图(a)和图(b)中可以看出两张图像在采集过程中发生了偏移，导致两张图像有些偏差。经过本发明中的对齐方法后，从图(c)中可以看出待对齐图像单偏光图像向上移后，和参照图像正交偏光图像一致。

为了验证该结果是否正确，进行了对齐前后的融合图像对比，如图4所示。其中(a)是未对齐前的图像融合结果，可以看出融合图像出现了重影失真的现象，而(b)是经过该发明提出的对齐方法训练后进行融合的结果，可以看出自动对齐后的正交偏光图像和单偏光图像进行融合时完全相叠，未出现重影现象。

Claims (9)

1.一种结合单偏光与正交偏光图像的岩石薄片图像对齐方法，其特征在于，包括以下步骤：

S1、对岩石薄片的原始图像进行预处理；

所述岩石薄片的原始图像包括单偏光图像和正交偏光图像；

S2、对预处理后的原始图像中的特征点进行提取，并对提取出的单偏光图像中的特征点与正交偏光图像中的特征点进行粗匹配；

S3、基于特征点粗匹配结果，利用RANSAC方法获得用于像素映射的单应性矩阵；

S4、基于单应性矩阵，将正交偏光图像的所有像素映射到单偏光图像中，实现岩石薄片图像对齐。

2.根据权利要求1所述的结合单偏光与正交偏光图像的岩石薄片图像对齐方法，其特征在于，所述步骤S1中，对原始图像进行预处理的方法具体为：对单偏光图像和正交偏光图像均依次进行平滑去噪及光照均衡化处理。

3.根据权利要求1所述的结合单偏光与正交偏光图像的岩石薄片图像对齐方法，其特征在于，所述步骤S2具体为：

S21、分别构造单偏光图像和正交偏光图像的多尺度空间，在每层尺度空间中利用FAST算法对单偏光图像和正交偏光图像分别进行特征点提取；

S22、利用Brief算法对单偏光图像和正交偏光图像中提取出的特征点进行描述，生成对应的描述特征点；

S23、对单偏光图像中的描述特征点和正交偏光图像中的描述特征点进行相似度匹配，得到特征点的粗匹配结果。

4.根据权利要求3所述的结合单偏光和正交偏光图像的岩石薄片图像对齐方法，其特征在于，所述步骤S21中对单偏光图像或正交偏光图像进行特征点提取的方法具体为：

A1、对图像构建8层结构的图像金字塔；

A2、在每一层图像中进行关键点检测，并选出最优特征点；

A3、对选出的最优特征点区域进行非极大值抑制处理，进而去除局部密集特征点；

A4、基于当前保留的特征点，进行特征点的尺度不变性和旋转不变性处理，进而提取出所需的特征点。

5.根据权利要求4所述的结合单偏光与正交偏光图像的岩石薄片图像对齐方法，其特征在于，所述步骤A1中构建的图像金字塔包含普通层和中间层，且普通层和中间层的数据均为4；所述图像金字塔各层的缩放尺度为：

t(c_i)＝2ⁱ

t(d_i)＝2ⁱ×1.5

式中，c_i为图像金字塔的普通层，d_i为图像金字塔的中间层，i为图像金字塔的各层序数；

所述步骤A2具体为：

在每一层图像中使用FAST 9-16探测器进行关键点检测，使其在具有相同设定阈值的普通层和中间层中确定潜在的感兴趣区域，将感兴趣区域中的特征点作为最优特征点；

所述步骤A3具体为：

对确定的感兴趣区域中的特征点进行位置和尺度空间上的非极大值抑制处理，为每一个特征点计算其响应值，将距离小于设定阈值的相邻特征点中的较大特征点保留，并删除其余特征点，实现局部密集特征点去除；

所述步骤A4中进行尺度不变性处理的方法具体为：

建立金字塔来实现特征点的多尺度不变性，设置比例因子和金字塔层数n，将原图像按照比例因子缩小成n幅图像，n幅不同比例的图像中保留的特征点的总和作为该比例图像中的oFAST特征点，即尺度不变性特征点，实现尺度不变性处理；

所述步骤A4中进行旋转不变性处理的方法具体为：

对于一个保留的特征点P，其邻域像素的矩m_pq为：

其中，I(x,y)为(x,y)处的像素值，下标p和q决定了灰度矩的阶数，x,y在半径为r的圆形区域内，即x,y∈(-r,r)，r为特征点的邻域半径；

该灰度矩的质心为：

式中，m₀₀为零阶矩，m₀₁和m₁₀为一阶矩，当角点坐标为O，确定角点-质心向量的夹角即得到该特征点P的主方向，即完成旋转不变性处理；

该特征点的旋转方向角度为：

θ＝arctan2(m₀₁,m₁₀)。

6.根据权利要求3所述的结合单偏光与正交偏光图像的岩石薄片图像对齐方法，其特征在于，所述步骤S22中，生成单偏光图像或正交偏光图像中的特征点描述的方法具体为：

B1、对图像进行降噪处理；

B2、在降噪处理后的图像中，选取任意特征点P的一个大小为A×A的邻域B，利用空间分布特性在邻域B中抽样选择特征点P位置附近分布的点对；

B3、将抽样选择出的点对的二进制测试τ作为该特征点P的二进制特征描述子；

B4、将所有特征点的二进制特征描述子组成二进制特征描述串，对二进制特征描述串进行旋转并构造出旋转后的各二进制测试τ的位置矩阵，进而得到Steerd Brief描述符；

B5、基于Steerd Brief描述符对图像中所有的像素块执行贪婪搜索，从中找到256个相关性最低的像素块对，得到最终的rBrief并用其来描述特征点，得到描述特征点。

7.根据权利要求6所述的结合单偏光与正交偏光图像的岩石薄片图像对齐方法，其特征在于，所述步骤B1中，采用高斯核为9×9，高斯平滑参数为0～0.3的高斯滤波器对图像进行降噪处理；

所述步骤B2中，利用各项同性的高斯分布Gaussian(0,2A/25)抽样选择特征点P位置附近分布的点对；

所述步骤B3中，经过高斯分布处理得到的邻域B，其对应的二进制测试τ表示为：

式中，I(B,x)为平滑后的图像邻域B在点x位置的像素灰度值；

选取n对(x₁,y₂)测试点对，并利用Brief来表示特征点P的n维二进制描述子：

所述步骤B4中，设二进制测试τ对应的点对为(x_i,y_i)，则所有二进制测试τ对应的点对可表示为2×n的矩阵S，即二进制特征描述串S：

利用特征点旋转主方向θ的旋转矩阵R_θ构造旋转后的各二进制测试的位置矩阵S_θ：

S_θ＝R_θS

所述Steerd Brief描述符为：

g_n(B,θ)＝f_n(I)|(x_i,y_i)∈S_θ。

8.根据权利要求3所述的结合单偏光和正交偏光图像的岩石薄片图像对齐方法，其特征在于，所述步骤S23中，对单偏光图像中的描述特征点和正交偏光图像的描述特征点依次使用按位XOR运算和累加运算，实现特征点的粗匹配。

9.根据权利要求1所述的结合单偏光和正交偏光图像的岩石薄片图像对齐方法，其特征在于，所述步骤S3具体为：

S31、将正交偏光图像作为参考图像，单偏光图像作为待配准图像，正交偏光图像中的描述特征点作为参考点M₁；

S32、计算参考图像中的参考点M₁与待配准图像中的描述特征点的汉明距离，进而确定最近邻描述特征点M_2j与次近邻描述特征点M_2k；

S33、当最近邻描述特征点M_2j与次近邻描述特征点M_2k满足下式时，将M_2j作为参考点M₁的特征匹配点；

式中，D(·)为图像中的特征点的最近邻特征点距离相似性度量值，T_h为双向匹配算法中设置的阈值；

S34、遍历参考图像中所有作为参考点的描述特征点，得到正交偏光图像对应的匹配点对集M_A；

S35、将单偏光图像作为参考图像，将正交偏光图像作为待配准图像，单偏光图像中的描述特征点作为参考点M₂，同理执行步骤S32～S34，得到单偏光图像对应的匹配点对集M_B；

S36、当M_A和M_B中存在相同的匹配点对时，则认为该匹配点对正确，将所有正确的匹配点对提取出来；

S37、基于提取出来的匹配点对，使用RANSAC算法计算对应的单应性矩阵并进行迭代更新，剔除误匹配点，确定最优单应性矩阵F。

Images