CN114463393A - 图像配准方法、计算机设备及存储装置 - Google Patents
图像配准方法、计算机设备及存储装置 Download PDFInfo
- Publication number
- CN114463393A CN114463393A CN202111670473.9A CN202111670473A CN114463393A CN 114463393 A CN114463393 A CN 114463393A CN 202111670473 A CN202111670473 A CN 202111670473A CN 114463393 A CN114463393 A CN 114463393A
- Authority
- CN
- China
- Prior art keywords
- matching point
- pair
- image
- pairs
- point pair
- 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
- 238000000034 method Methods 0.000 title claims abstract description 58
- 230000009466 transformation Effects 0.000 claims abstract description 91
- 238000001914 filtration Methods 0.000 claims abstract description 85
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 description 21
- 230000008569 process Effects 0.000 description 16
- 238000010586 diagram Methods 0.000 description 10
- 239000011159 matrix material Substances 0.000 description 10
- 230000008859 change Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- FCQJEPASRCXVCB-UHFFFAOYSA-N flavianic acid Chemical compound C1=C(S(O)(=O)=O)C=C2C(O)=C([N+]([O-])=O)C=C([N+]([O-])=O)C2=C1 FCQJEPASRCXVCB-UHFFFAOYSA-N 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000007667 floating Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000001959 radiotherapy Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000009827 uniform distribution 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
-
- G06T3/08—
-
- G06T3/147—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10032—Satellite or aerial image; Remote sensing
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种图像配准方法、计算机设备及存储装置。该方法包括：确定待配准图像对中的多组候选匹配点对，其中，待配准图像对包括第一图像和第二图像，候选匹配点对包括第一图像的第一特征点和第二图像的第二特征点；基于各候选匹配点对的第一过滤阈值分别对各候选匹配点对进行过滤，得到若干第一目标匹配点对，其中，候选匹配点对的第一过滤阈值与候选匹配点对的第一误差关系相关，候选匹配点对的第一误差关系为候选匹配点对与其他候选匹配点对之间关于第一投影误差的大小关系，第一投影误差是利用待配准图像对的第一变换参数确定的；利用若干第一目标匹配点对，确定待配准图像对的第二变换参数。上述方案，能够提高图像配准的准确度。
Description
技术邻域
本申请涉及图像处理技术邻域，特别是涉及一种图像配准方法、计算机设备及存储装置。
背景技术
图像配准(Image Registration)是将不同时间、不同传感器(成像设备)或不同条件下(天候、照度、摄像位置和角度等)获取的两幅或多幅图像进行匹配、叠加的过程。图像配准技术已经被广泛地应用于遥感数据分析、计算机视觉、图像处理、医疗等邻域。
目前，在对图像配准的匹配过程中，由于图像的场景差异、亮度变化、视角变换、重叠度低等因素的影响，往往会产生大量的错误匹配，这些错误匹配会导致图像配准的准确度低。
发明内容
本申请主要解决的技术问题是提供一种图像配准方法、计算机设备及存储装置，能够提高图像配准的准确度。
为了解决上述问题，本申请第一方面提供了一种图像配准方法，该方法包括：确定待配准图像对中的多组候选匹配点对，其中，待配准图像对包括第一图像和第二图像，候选匹配点对包括第一图像的第一特征点和第二图像的第二特征点；基于各候选匹配点对的第一过滤阈值分别对各候选匹配点对进行过滤，得到若干第一目标匹配点对，其中，候选匹配点对的第一过滤阈值与候选匹配点对的第一误差关系相关，候选匹配点对的第一误差关系为候选匹配点对与其他候选匹配点对之间关于第一投影误差的大小关系，第一投影误差是利用待配准图像对的第一变换参数确定的；利用若干第一目标匹配点对，确定待配准图像对的第二变换参数。
为了解决上述问题，本申请第二方面提供了一种计算机设备，该计算机设备包括相互耦接的存储器和处理器，存储器中存储有程序数据，处理器用于执行程序数据以实现上述图像配准方法的任一步骤。
为了解决上述问题，本申请第三方面提供了一种存储装置，该存储装置存储有能够被处理器运行的程序数据，程序数据用于实现上述图像配准方法的任一步骤。
上述方案，通过确定待配准图像对中的多组候选匹配点对，其中，待配准图像对包括第一图像和第二图像，候选匹配点对包括第一图像的第一特征点和第二图像的第二特征点；基于各候选匹配点对的第一过滤阈值分别对各候选匹配点对进行过滤，得到若干第一目标匹配点对；其中；由于候选匹配点对的第一过滤阈值与候选匹配点对的第一误差关系相关，候选匹配点对的第一误差关系为候选匹配点对与其他候选匹配点对之间关于第一投影误差的大小关系，第一投影误差是利用待配准图像对的第一变换参数确定的，使得第一过滤阈值可以适应各候选匹配点对进行变化，从而对于待配准图像对的不同区域，能够自适应的确定候选匹配点对的第一过滤阈值对各候选匹配点对进行过滤，能够提高待配准图像中第一特征点和第一特征点匹配的准确度；从而利用过滤后得到的若干第一目标匹配点对，确定待配准图像对的第二变换参数，对待配准图像对进行配准，能够提高图像配准的准确度。
附图说明
为了更清楚地说明本申请中的技术方案，下面将对实施例描述中所需要的附图作简单的介绍，显而易见地，下面描述的附图仅仅是本申请的一些实施例，对于本邻域普通技术人员来说，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。其中：
图1是本申请图像配准方法第一实施例的流程示意图；
图2是本申请图1中步骤S11一实施例的流程示意图；
图3是本申请图1中步骤S12一实施例的流程示意图；
图4是本申请图1中步骤S13一实施例的流程示意图；
图5是利用RANSAC算法对待配准图像对进行特征匹配的匹配结果示例示意图；
图6是本申请图像配准方法第二实施例的流程示意图；
图7是本申请图像配准方法第二实施例对待配准图像对进行特征匹配的匹配结果示例示意图；
图8是本申请图像配准装置一实施例的结构示意图；
图9是本申请计算机设备一实施例的结构示意图；
图10是本申请存储装置一实施例的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，本邻域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请中的术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本邻域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本申请提供以下实施例，下面对各实施例进行具体说明。
请参阅图1，图1是本申请图像配准方法第一实施例的流程示意图。该方法可以包括以下步骤：
S11：确定待配准图像对中的多组候选匹配点对，其中，待配准图像对包括第一图像和第二图像，候选匹配点对包括第一图像的第一特征点和第二图像的第二特征点。
待配准图像对包括第一图像和第二图像，其中，第一图像、第二图像可以是在不同时间、不同传感器(成像设备)或不同条件下(天候、照度、摄像位置和角度等)获取得到的图像。
可以对第一图像和第二图像进行图像配准，例如将图像B配准到图像A，则可以将图像A作为参考图像，图像B作为浮动图像，从而得到图像B配准到图像A的变形场。
在一些实施方式中，第一图像和第二图像为遥感图像。遥感图像是指由航空器或卫星上成像系统获得的具有地面目标特征的图像。其中，第一图像和第二图像可以为多视角遥感图像，多视角遥感图像指两幅图像(分别称作参考图像和待配准图像)由同一传感器采集，但采集视角有水平或(和)垂直方向上的改变。多视角遥感图像配准可以实现图像辅助导航。
在一些实施方式中，第一图像和第二图像为医学图像，通过医学图像的配准，可以将多种多样的信息准确地融合到同一图像中，使医生更方便更精确地从各个角度观察病灶和结构。同时，通过对不同时刻采集的动态图像的配准，可以定量分析病灶和器官的变化情况，使得医疗诊断、制定手术计划、放射治疗计划更准确可靠。
在一些实施方式中，第一图像和第二图像为视频帧图像，通过对视频帧图像的配准，可被用来进行视频分析、模式识别，自动跟踪目标对象的运动变化。
本申请的第一图像和第二图像还可以是其他需要进行配准的图像，本申请对此不做限制。
对第一图像和第二图像进行图像配准时，例如将第二图像配准到第一图像，可以分别提取第一图像和第二图像的特征点，以及确定特征点的特征描述，从而对第一图像和第二图像的特征点进行匹配，确定待配准图像对中的多组候选匹配点对，其中，候选匹配点对包括第一图像的第一特征点和第二图像的第二特征点，第一特征点和第二特征点是初始匹配的特征点。
S12：基于各候选匹配点对的第一过滤阈值分别对各候选匹配点对进行过滤，得到若干第一目标匹配点对。
可以选取至少两组候选匹配点对，确定待配准图像对的第一变换参数，从而利用第一变换参数确定各候选匹配点对的第一投影误差。
基于候选匹配点对与其他候选匹配点对之间关于第一投影误差的大小关系，作为候选匹配点对的第一误差关系。
在一些实施方式中，候选匹配点对的第一过滤阈值与候选匹配点对的第一误差关系相关，因此，可以基于各候选匹配点对的第一误差关系，确定出候选匹配点对的第一过滤阈值。其中，每组候选匹配点对可以对应一个第一过滤阈值。
基于各候选匹配点对的第一过滤阈值分别对各候选匹配点对进行过滤，也即可以将候选匹配点对中错误的匹配进行过滤，得到若干第一目标匹配点对。
S13：利用若干第一目标匹配点对，确定待配准图像对的第二变换参数。
在一些实施方式中，第二变换参数为单应性变换参数。其中，单应性变换参数可以用矩阵表示，单应性变换参数矩阵描述的是针对同一事物，在不同的视角下拍摄的两幅图像之间的关系，也即单应性变换参数可以表示第一图像与第二图像之间的位置映射关系。
通过利用若干第一目标匹配点对，确定出第二图像配准到第一图像的第二变换参数，从而可以利用第二变换参数，将第二图像配准到第一图像。
本实施例中，通过确定待配准图像对中的多组候选匹配点对，其中，待配准图像对包括第一图像和第二图像，候选匹配点对包括第一图像的第一特征点和第二图像的第二特征点；基于各候选匹配点对的第一过滤阈值分别对各候选匹配点对进行过滤，得到若干第一目标匹配点对；其中；由于候选匹配点对的第一过滤阈值与候选匹配点对的第一误差关系相关，候选匹配点对的第一误差关系为候选匹配点对与其他候选匹配点对之间关于第一投影误差的大小关系，第一投影误差是利用待配准图像对的第一变换参数确定的，使得第一过滤阈值可以适应各候选匹配点对进行变化，从而对于待配准图像对的不同区域，能够自适应的确定候选匹配点对的第一过滤阈值对各候选匹配点对进行过滤，能够提高待配准图像中第一特征点和第一特征点匹配的准确度；从而利用过滤后得到的若干第一目标匹配点对，确定待配准图像对的第二变换参数，对待配准图像对进行配准，能够提高图像配准的准确度。
在一些实施例中，请参阅图2，上述步骤S11，确定待配准图像对中的多组候选匹配点对，可以包括以下步骤：
S111：获取待配准图像对中的多组初始匹配点对。
可以利用预设特征检测算法，分别确定待配准图像对中第一图像和第二图像的第一特征点和第二特征点，以及特征点的描述子。然后，利用预设特征匹配算法对第一图像的第一特征点和第二图像上的第二特征点进行匹配，以得到待配准图像对的多组初始匹配点对，初始匹配点对包括初始匹配的第一特征点和第二特征点。
其中，预设特征检测算法包括DFM算法(Dynamic Feature Match，动态特征匹配)、FAST算法(Features from Accelerated Segment Test，加速分割测试获得特征)等，本申请对此不做限制。
预设特征匹配算法包括DNNS算法(Dense Nearest Neighbor Search，密集最近邻搜索算法)、SIFT算法(Scale Invariant Feature Transform，尺度不变特征变换)等算法，本申请对此不做限制。
在一些实施方式中，以预设特征匹配算法包括DNNS算法为例，可以通过DNNS算法使用相互最近邻搜索和预设阈值比率在第一图像和第二图像中确定初始匹配点对。
可以获取第一图像的各第一特征点与第二图像中各第二特征点之间的欧氏距离，基于欧式距离，确定初始化匹配点对。其中，若欧式距离的值越小，则第一特征点与第二特征点的匹配质量越好。
作为一种示例，图像A包括第一特征点Pa、第一特征点Pc，在图像B中包括第二特征点Pb、第二特征点Pd。若第一特征点Pa与第二特征点Pb的欧式距离最小，也即第二特征点Pb是第一特征点Pa的距离最近点。若第一特征点Pa与第二特征点Pd的欧式距离第二小，也即第二特征点Pd是第一特征点Pa的距离次近点。
同理，若图像B的第二特征点Pb在图像A的距离最近点为第一特征点Pa，距离次近点为第一特征点Pc。
若第一特征点Pa在图像B中的距离最近点Pb与距离次近点Pd的欧式距离的比值(下述称为最近邻距离比值)，小于预设阈值比率，则可以表示距离最近点Pb与第一特征点Pa匹配。同时，若第二特征点Pb在图像A中距离最近点Pa与距离次近点Pc的欧式距离的比值(下述称为最近邻距离比值)，小于预设阈值比率，则可以表示距离最近点Pa与第二特征点Pb匹配。从而，可以称第一特征点Pa和第二特征点Pb是一对初始匹配点对。
由上述方式，可以得到待配准图像对中的多组初始匹配点对。
S112：从多组初始匹配点对中，选出至少一组种子点对。
由于在初始匹配点对中存在一些错误的匹配点对，这些错误的匹配点对通常与周围的正确的匹配点对不一致。
为了解决上述问题，本申请从多组初始匹配点对中选出至少一组种子点对，以将整个图像划分为多个局部区域，从而基于种子点对的局部区域对错误的匹配点对进行过滤。
在一些实施方式中，可以基于初始匹配点对中的特征点(第一特征点或第二特征点)的最近邻距离比值，确定特征点的匹配置信度，可以基于特征点的匹配置信度，选出至少一组种子点对。其中，最近邻距离比值越小，匹配置信度越高，也即可以表示该初始匹配点对的匹配可信程度。最近邻距离比值和/或匹配置信度的取值范围可以为0～1之间的数，当然，也可以采用其他的取值范围，本申请不限于此。
在一些实施方式中，对于第一图像中属于初始匹配点对的各第一特征点，若第一特征点在其第二距离范围内具有最高的匹配置信度，例如在第一特征点的第二距离范围R内具有多个初始匹配点对的其他第一特征点，但第一特征点的匹配置信度最高，则可以将第一特征点作为第一图像的第一种子点。同时，还可以将第一种子点对应的初始匹配点对作为种子点对，也即可以将第一特征点初始匹配的第二特征点作为第二图像的第二种子点。
通过在图像的局部区域(第二距离范围)选出待配准图像中的种子点对，可以使得选出的种子点对具有很好的特征表征能力，而且，选出的种子点对在图像中均匀分布。
S113：对于每组种子点对，在种子点对的第一距离范围内查找出至少一组邻域点对。
其中，种子点对包括第一图像中的第一种子点和第二图像中的第二种子点。
可以基于每组种子点对，在种子点对的第一距离范围内查找出至少一组邻域点对。
具体地，若初始匹配点对位于种子点对的第一距离范围内，则将初始匹配点对作为邻域点对，其中，初始匹配点对位于种子点对的第一距离范围内为：初始匹配点的第一特征点位于种子点对的第一种子点的第一距离范围内、且初始匹配点的第二特征点位于种子点对的第二种子点的第一距离范围内。其中，第一距离范围大于第二距离范围。
在一些实施方式中，若初始匹配点对的第一特征点在种子点对的第一种子点的第三距离范围内，初始匹配点对的第二特征点在种子点对的第二种子点对的第四距离范围内，则将初始匹配点对作为邻域点对。其中，第三距离范围、第四距离范围大于第二距离范围。
作为一种示例，种子点对包括第一种子点P1和第二种子点P2。初始匹配点对包括第一特征点Pa和第二特征点Pb。在图像A中包括一个第一种子点P1，在第一种子点P1的第三距离范围Ra＝βR内包括任一第一特征点Pa(初始匹配点对)，其中，R可以表示为第二距离范围，β为大于1的参数。在图像B中包括一个种子点P2，若第二特征点Pb在种子点P2的第四预设范围Rb＝γR内，其中，R可以表示为第二距离范围，γ为大于1的参数。则可以确定第一特征点Pa为第一种子点P1的邻域点。可以将第一特征点Pa和第二特征点Pb作为一组邻域点对。
其中，第三距离范围Ra和第四距离范围Rb可以分别为图像A和图像B的邻域空间大小，参数β和参数γ可以控制着不同邻域之间的重叠面积。
由上述方式，可以选出每组种子点对，在种子点对的第一距离范围内的所有邻域点对。
S114：将种子点对以及邻域点对作为候选匹配点对。
可以将种子点对以及邻域点对作为候选匹配点对，可以将每组种子点对的所有邻域点对加入各种子点对的邻域点对集合，邻域点对集合可以包括多组候选匹配点对。
在一些实施方式中，还可以将各组邻域点对加入其种子点对的邻域点对集合，可以作为候选匹配点对。
本实施例中，通过一组匹配置信度较高且分布均匀的种子点对，以及在种子点对的第一范围内选出邻域点对，从而，可以将整个图像(待配准图像对)划分成多个局部区域(邻域点对集合)，选出的种子点对和邻域点对局部区域具有很好的特征表征能力，利用选出的种子点对和邻域点对过滤异常的初始匹配点对，可以提高匹配的准确度。
在一些实施例中，请参阅图3，上述步骤S12，基于各候选匹配点对的第一过滤阈值分别对各候选匹配点对进行过滤，得到若干第一目标匹配点对，可以包括以下步骤：
S121：从多组候选匹配点对中选择第二数量组候选匹配点对，以组成样本点对集。
在本实施例中，以每个种子点对以及其所有邻域点组成的邻域点对集合为单位，依次对每个种子点对的邻域点对集合执行该实施例中步骤S121至步骤S125进行多轮迭代。其中，一个邻域点对集合可以包括多组候选匹配点对，也即包括种子点对和多组邻域点对。
在一些实施方式中，可以预先设置迭代次数为第一数量，也即对该实施例中步骤S121至步骤S125执行第一数量K轮。
在一些实施方式中，在每轮迭代过程中，可以从邻域点对集合的多组候选匹配点对中，选择第二数量n组候选匹配点对，以组成样本点对集。
在一些实施方式中，每轮迭代过程中，从邻域点对集合的多组候选匹配点对中，选择匹配置信度最高的第二数量组候选匹配点对。也即选择匹配置信度排序的前第二数量组候选匹配点，组成样本点对集。
在一些实施方式中，第一数量和第二数量存在预设关系。其中，每轮迭代过程中，需要从第二数量n组候选匹配点对中，随机选择至少两组候选匹配点对(具体参阅下述步骤S122)，其中，至少两组的数量可以为第三数量m。则预先关系可以包括：迭代次数第一数量K小于或等于第二数量n与第三数量m的组合数。
其中，组合(Combination)表示：从n个不同元素中每次取出m个不同元素(0≤m≤n)，不管其顺序合成一组，称为从n个元素中不重复地选取m个元素的一个组合。所有这样的组合的总数称为组合数。
也即第一数量K、第二数量n和第三数量m的预设关系可以表示为：
上述公式(1)中，K表示第一数量(迭代次数)，n表示第二数量(样本点对的数量)，m表示第三数量(每轮迭代选择的候选匹配点对的组成)。
表示组合数。
在一些实施方式中，以选取两组匹配点对为例，预设关系包括：第二数量与预设数值之间的差与第二数量的乘积大于或等于第一数量的两倍。第一数量和第二数量的预设关系可以表示为：
上述公式(2)中，K表示第一数量，n表示第二数量，a表示预设数值。例如预设数值为1，则上述第一数量和第二数量的预设关系可以表示为：
对上述公式(3)进行变换，可以得到第一数量和第二数量之间的预设关系可以表示为：
上述公式(4)中，K为第一数量，可以表示迭代次数，n为第二数量，可以表示样本点对的数量。
S122：利用至少两组候选匹配点对确定第一变换参数。
在一些实施方式中，在每轮迭代过程中，可以从样本点对集中随机选择选择至少两组候选匹配点对。
在一些实施方式中，第一变换参数为仿射变换参数。其中，仿射变换表示：在几何中，一个向量空间进行一次线性变换并接上一个平移，变换为另一个向量空间。仿射变换(Affine Transform)可以表示一种仿射平面到自身的变换，它可以保持点的共线性(Parallelism)和直线的平行性(Straightness)，共线性即保持二维图线之间相对位置关系不变，平行仍是平行，相交直线的交角不变。平行性即变换后圆弧还是圆弧。直线还是直线。
在一些应用场景中，第一变换参数可以为中心仿射变换。其中，中心仿射变换是指含一个不变点的仿射变换，这个不变点称为中心仿射变换的中心。
在一些实施例在，以种子点对为中心仿射变换的中心，则第一变换参数可以表示为：
P′＝AP
也即：
上述公式(5)中，P表示变换前的像素点坐标，P’表示变换后的坐标，A表示仿射变换矩阵，其含有四个参数，只需任意两组候选匹配点对即可求解，从而可以确定出仿射变换矩阵，也即确定出第一变换参数A。
以将第二图像B配准到第一图像A为例，在选出两组候选匹配点对后，P可以表示候选匹配点对中的第二特征点，P’可以表示候选匹配点对中的第一特征点。
S123：基于第一变换参数，确定各候选匹配点对的第一投影误差。
在每轮迭代过程中，在从邻域点对集合的样本点对集选出至少两组候选匹配点对，确定出第一变换参数A后，可以获取该邻域点对集合内的各候选匹配点对的第一投影误差。
以第j轮迭代为例，邻域点对集合为Ni，获取的第一变换参数(仿射变换参数)为
对于候选匹配点对k，可以得到第一投影误差为：
上述公式(6)中，
表示候选匹配点对k的第一投影误差，
可以表示候选匹配点对k中的第二特征点，
可以表示候选匹配点对k中的第一特征点。
表示第二图像的第二特征点，通过第一变换参数
映射到第一图像中的位置。
由该步骤可以获取各候选匹配点对的第一投影误差。
在一些实施方式中，在对待配准图像进行配准的过程中，可能由于以下原因：大气或透镜畸变等因素会在两张图像中引入非线性。在两张图像中找到的特征点并不代表着空间中的同一空间点。图像中的邻域点并不在三维空间中的同一平面上等因素的影响，第一变换参数与真实的变换参数之间的第一投影残差没有明确的界限，对第一投影残差设定一个固定的过滤阈值，不能准确地确定候选匹配点对是否正确匹配。为了解决该问题，本申请采用适应对各候选匹配点对的自适应阈值，也即第一过滤阈值进行过滤，具体如下。
S124：基于各候选匹配点对的第一误差关系，对应确定各候选匹配点对的第一过滤阈值。
其中，候选匹配点对的第一误差关系由候选匹配点对的点对统计数量表征。
可以将各候选匹配点对作为参考匹配点对，其中，参考匹配点对的点对统计数量为第一投影误差小于或等于参考匹配点对的候选匹配点对的数量。例如获取候选匹配点对的第一过滤阈值时，可以将该候选匹配点对作为参考匹配点对，参考匹配点对的第一投影误差为Rc，若其他候选匹配点对的第一投影误差为Rh，可以统计Rh小于或等于Rc的候选匹配点对的数量，也即为点对统计数量。
利用参考匹配点对的点对统计数量，确定参考匹配点对的第一过滤阈值，其中，可以将参考匹配点对的点对统计数量与候选匹配点对的总点对数量之间的比值，作为参考匹配点对的第一过滤阈值。
在一些实施方式中，可以将参考匹配点对的点对统计数量与候选匹配点对的总点对数量、阈值系数之间的比值，作为参考匹配点对的第一过滤阈值。其第一过滤阈值可以表示为：
上述公式(7)中，ta表示候选匹配点对(参考匹配点对)的第一过滤阈值，P(rk)表示候选匹配点对(参考匹配点对)的点对统计数量，M表示候选匹配点对的总点对数量，t表示阈值系数。
在一些实施方式中，若参考匹配点对(候选匹配点对)的第一投影误差小于或等于该第一过滤阈值，则可以确定该参考匹配点对(候选匹配点对)为内点对，内点可以表示为正确的匹配。否则，则确定参考匹配点对(候选匹配点对)是外点对。
在一些实施方式中，每组候选匹配点对可以对应一个第一过滤阈值。
作为一种示例，邻域点对集合中包括候选匹配点对的总点对数量为M，确定候选匹配点对k1的第一过滤阈值的过程，具体如下：将候选匹配点对k1作为参考匹配点对，参考匹配点对k1的第一投影误差为R1，可以假设该第一投影误差为第一过滤阈值t1，则可以通过该第一过滤阈值t1，可以判断其他各候选匹配点对的第一投影误差是否小于或等于第一过滤阈值t1，则可以统计出第一投影误差小于或等于第一过滤阈值t1的候选匹配点对的数量Pk。从而，可以确定该候选匹配点对k1的第一过滤阈值为：
S125：将第一投影误差与第一过滤阈值之间的大小关系符合预设要求的候选匹配点对，保留作为第一目标匹配点对。
若候选匹配点对的第一投影误差小于或等于第一过滤阈值，则可以判断该候选匹配点对为内点对，也即可以将该候选匹配点对加入邻域点对集合的内点对集合，作为内点对的候选匹配点对可以表示符合预设要求的候选匹配点对，则可以保留作为第一目标匹配点对，也即是内点对集合。
若候选匹配点对的第一投影误差大于第一过滤阈值，则可以判断该候选匹配点对为外点对，不作为第一目标匹配点对。
通过上述方式，可以确定出邻域点对集合的所有第一目标匹配点对，也即内点对集合。
本实施例中，通过上述构建样本点对集的方法，可以增加匹配置信度较高的特征点被采样的概率，从而使其在尽可能小的迭代次数中寻找出最佳的第一变换参数，从而减少了计算量。
另外，通过各候选匹配点对的第一过滤阈值来判断匹配是否正确，可以充分保留正确匹配并滤除错误匹配。
在一些实施例中，上述基于各候选匹配点对的第一过滤阈值分别对各候选匹配点对进行过滤，得到若干第一目标匹配点对的步骤执行第一数量轮，每轮所使用的第一变换参数分别利用每轮选择的至少两组候选匹配点对确定的。
在一些实施例中，请参阅图4，上述步骤S13，利用若干第一目标匹配点对，确定待配准图像对的第二变换参数，可以包括以下步骤：
S131：从第一数量轮中选择其中一轮的第一目标匹配点对，作为第二目标匹配点对。
在第一数量轮迭代中，对于每个邻域点对集合，每轮迭代可以选出一个第一目标匹配点对的集合，也即内点对集合，可以选择第一目标匹配点对的数量最多的一轮迭代作为目标轮，也即内点对集合中内点对数量最多的一轮作为目标轮。并将目标轮的第一目标匹配点对作为第二匹配点对集，也即作为最优内点对集合。
从而将第二匹配点对集中的每组第一目标匹配点对，作为第二目标匹配点对。
S132：基于第二目标匹配点对，确定待配准图像对的第二变换参数。
对于每个邻域点对集合，可以利用至少两组第二目标匹配点对确定待配准图像对的新的第一变换参数。也即可以利用目标轮选取的至少两组候选匹配点对确定待配准图像对的新的第一变换参数。
基于各候选匹配点对的第二过滤阈值分别对各候选匹配点对进行过滤，得到若干第三目标匹配点对，其中，候选匹配点对的第二过滤阈值与候选匹配点对的第二误差关系有关，候选匹配点对的第二误差关系为候选匹配点对与其他候选匹配点对之间关于第二投影误差的大小关系，第二投影误差是利用新的第一变换参数确定的。
该过程具体可以参考上述步骤S12的具体实施过程，本申请在此不再赘述。
通过上述方式，可以得到每个邻域点对集合的若干第三目标匹配点对，也即最终内点对集合，可以将若干第三目标匹配点作为正确匹配的邻域点对，从而，可以过滤掉每个邻域点对集合中错误匹配的邻域点对。
从而，可以得到整个待配准图像对的若干第三目标匹配点对，基于若干第三目标匹配点对的位置信息，计算得到第二变换参数。其中，第二变换参数为单应性变换参数。
三维空间中的同一平面上的点在两个不同的像素平面上的投影可以通过单应性关系来描述。由于遥感图像可以近似认为是对同一平面上的物体成像，所以可通过单应性变换参数描述待配准图像对之间的关系。也即可以利用单应性变换参数，将第二图像配准到第一图像。
在一些实施方式中，单应性变换参数可以用矩阵的形式表示，例如单应性变换参数矩阵H是一个3x3的矩阵。第一图像和第二图像进行配准的单应性变换参数之间的关系可以表示为：
P1＝HP2
也即：
上述公式(8)中，P1表示第一图像的第三目标匹配点对的第一特征点，P2表示第二图像的第三目标匹配点对的第二特征点，H表示单应性变换参数矩阵。其中，单应性变换参数矩阵H共有8个未知参数和1个已知参数，可以利用至少四对不共线的第三目标匹配点对可以求解。
本实施例中，通过利用第一过滤阈值对邻域对集合(局部邻域)的异常匹配进行过滤，可以得到正确匹配的邻域点对，也即若干第三目标匹配点。从而基于正确匹配的若干第三目标匹配点确定第二参数，将浮动图像(第二图像)通过单应性变换参数映射到基准图像(第一图像)上，提高待配准图像对之间的配准精度。
在现有技术中，第一图像和第二图像为遥感图像。可以采用RANSAC算法(RANdomSAmple Consensus，随机抽样一致算法)对第一图像和第二图像进行特征点的匹配。其中，RANSAC算法可以采用迭代的方式从一组包含离群的被观测数据中估算出数学模型的参数。RANSAC算法假设数据中包含正确数据和异常数据(或称为噪声)。正确数据记为内点(Inliers)，异常数据记为外点(Outliers)。
请参阅图5，利用RANSAC算法对第一图像和第二图像进行特征点的匹配的过程中，由于待配准图像对的纹理较为相似，使得特征匹配结果中存在大量错误的匹配。
为了解决上述问题，本申请对RANSAC算法进行改进，通过新的采样方式(选取样本点对集)和自适应阈值(第一过滤阈值)改进RANSAC算法，采用改进的RANSAC算法对第一图像和第二图像进行特征点的匹配。该过程具有参阅下述实施例。
请参阅图6，图6是本申请图像配准方法第二实施例的流程示意图。该实施例中，可以采用改进的RANSAC算法获取第一变换参数以及若干第三目标匹配点。
也即是，以邻域点对集合Ni为单位，可以利用RANSAC算法对各邻域点对集合中计算出第一变换参数，并判断各邻域点对集合的邻域点对是否为正确的匹配。将邻域点对集合中正确匹配的邻域点对称为内点对，异常或错误匹配的邻域点对称为外点对。该实施例中的领域点对可以表示为上述的候选匹配点对。
其中，改进的RANSAC算法步骤如下：
S21：组建匹配置信度前第二数量的样本点对集。
对领域点对集合Ni的候选匹配点对进行匹配置信度排序，并选择匹配置信度前第二数量(前n)的候选匹配点对，构建样本点对集。
S22：从样本点对集随机选择两组候选匹配点对，确定第一变换参数。
从样本点对集中，随机选择两组候选匹配点对(样本点对)，并利用两组候选匹配点对确定第一变换参数。其中，第一变换参数为中心仿射变换矩阵A，记为仿射变换模型A。
S23：基于第一投影误差、第一过滤阈值选择内点对，确定内点对集合。
其中，可以利用第一变换参数，计算邻域点对集合中所有候选匹配点对的第一投影误差，以及基于各候选匹配点对的第一误差关系，对应确定各候选匹配点对的第一过滤阈值。若候选匹配点对的第一投影误差小于或等于第一过滤阈值，则可将该候选匹配点对作为内点对，并加入内点对集合I。通过对每组候选匹配点对执行该步骤S23，可以得到邻域点对集合Ni对应的内点对集合I。
S24：判断内点对集合I中内点对数量是否大于最优内点对集合Im的内点对数量。
在第一轮的迭代过程，最优内点集合Im的为第一轮的邻域点对集合Ni对应的内点对集合I。
若当前的内点对集合I中内点对的数量大于最优内点对集合Im，则执行下述步骤S25，可以将该内点对集合I作为最优内点对集合Im。
若当前的内点对集合I中内点对的数量不大于最优内点对集合Im，则执行下述步骤S26。
S25：将当前的内点对集合I，作为最优内点对集合Im。
S26：判断迭代次数j是否大于第一数量K(迭代次数阈值)。
若判断为大于第一数量K，则退出迭代，执行下述步骤S29。否则，对迭代次数j加1，并重复上述步骤S22至步骤S25。
S27：基于最优内点对集合Im，确定新的第一变换参数。
也即可以通过最优内点对集合Im中内点对(第二目标匹配点对)确定新的第一变换参数。
S28：基于第二投影误差、第二过滤阈值选择内点对，作为第三目标匹配点对。
可以基于新的第一变换参数，获取最优内点对集合Im中各内点对的第二投影误差和第二过滤阈值，从而可以再次选择内点对，作为第三目标匹配点对，也即表示为该邻域点对集合Ni中正确匹配的邻域点对，也即是正确匹配的候选匹配点对。
通过重复上述步骤S21至步骤S28，可以得到每个邻域点对集合Ni中正确匹配的邻域点对，得到若干个第三目标匹配点对，从而利用若干个第三目标匹配点对，得到第二变换参数，利用第二变换参数将第二图像配准到第一图像。
请参阅图7，第一图像和第二图像中的匹配点对中，对异常匹配或错误匹配的匹配点对进行过滤，使得待配准图像的特征匹配精度高，即使是在纹理较为一致的遥感图像匹配中，本申请的上述方法也能很好地对遥感图像进行特征匹配，可以减少特征点之间的错误匹配，具有较高的特征匹配精度。
该实施例的具体实施方式可参考上述实施例的实施过程，在此不再赘述。
对于上述实施例，本申请提供一种图像配准装置。请参阅图8，图8是本申请图像配准装置一实施例的结构示意图。该图像配准装置30包括匹配模块31、过滤模块32和配准模块33。
匹配模块31用于确定待配准图像对中的多组候选匹配点对，其中，待配准图像对包括第一图像和第二图像，候选匹配点对包括第一图像的第一特征点和第二图像的第二特征点。
过滤模块32用于基于各候选匹配点对的第一过滤阈值分别对各候选匹配点对进行过滤，得到若干第一目标匹配点对，其中，候选匹配点对的第一过滤阈值与候选匹配点对的第一误差关系相关，候选匹配点对的第一误差关系为候选匹配点对与其他候选匹配点对之间关于第一投影误差的大小关系，第一投影误差是利用待配准图像对的第一变换参数确定的。
配准模块33用于利用若干第一目标匹配点对，确定待配准图像对的第二变换参数。
该实施例的具体实施方式可参考上述实施例的实施过程，在此不再赘述。
对于上述实施例，本申请提供一种计算机设备，请参阅图9，图9是本申请计算机设备一实施例的结构示意图。该计算机设备40包括存储器41和处理器42，其中，存储器41和处理器42相互耦接，存储器41中存储有程序数据，处理器42用于执行程序数据以实现上述图像配准方法任一实施例中的步骤。
在本实施例中，处理器42还可以称为CPU(Central Processing Unit，中央处理单元)。处理器42可能是一种集成电路芯片，具有信号的处理能力。处理器42还可以是通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器42也可以是任何常规的处理器等。
该实施例的具体实施方式可参考上述实施例的实施过程，在此不再赘述。
对于上述实施例的方法，其可以采用计算机程序的形式实现，因而本申请提出一种存储装置，请参阅图10，图10是本申请存储装置一实施例的结构示意图。该存储装置50中存储有能够被处理器运行的程序数据51，程序数据51可被处理器执行以实现上述图像配准方法任一实施例的步骤。
该实施例的具体实施方式可参考上述实施例的实施过程，在此不再赘述。
本实施例存储装置50可以是U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等可以存储程序数据51的介质，或者也可以为存储有该程序数据51的服务器，该服务器可将存储的程序数据51发送给其他设备运行，或者也可以自运行该存储的程序数据51。
在本申请所提供的几个实施例中，应该理解的，所揭露的方法和装置，可以通过其它的方式实现。例如，以上所描述的装置实施方式仅仅是示意性的，例如，模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性、机械或其它的形式。
作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施方式方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个存储装置中，该存储装置是一种计算机可读取存储介质。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台电子设备(可以是个人计算机，服务器，或者网络设备等)或处理器(processor)执行本申请各个实施方式方法的全部或部分步骤。
显然，本邻域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术邻域，均同理包括在本申请的专利保护范围内。
Claims (13)
1.一种图像配准方法，其特征在于，所述方法包括：
确定待配准图像对中的多组候选匹配点对，其中，所述待配准图像对包括第一图像和第二图像，所述候选匹配点对包括所述第一图像的第一特征点和所述第二图像的第二特征点；
基于各所述候选匹配点对的第一过滤阈值分别对各所述候选匹配点对进行过滤，得到若干第一目标匹配点对，其中，所述候选匹配点对的第一过滤阈值与所述候选匹配点对的第一误差关系相关，所述候选匹配点对的第一误差关系为所述候选匹配点对与其他候选匹配点对之间关于第一投影误差的大小关系，所述第一投影误差是利用所述待配准图像对的第一变换参数确定的；
利用所述若干第一目标匹配点对，确定所述待配准图像对的第二变换参数。
2.根据权利要求1所述的方法，其特征在于，所述基于各所述候选匹配点对的第一过滤阈值分别对各所述候选匹配点对进行过滤，得到若干第一目标匹配点对，包括：
利用至少两组所述候选匹配点对确定所述第一变换参数；
基于所述第一变换参数，确定各所述候选匹配点对的第一投影误差；
基于各所述候选匹配点对的第一误差关系，对应确定各所述候选匹配点对的第一过滤阈值；
将所述第一投影误差与所述第一过滤阈值之间的大小关系符合预设要求的所述候选匹配点对，保留作为所述第一目标匹配点对。
3.根据权利要求2所述的方法，其特征在于，所述候选匹配点对的第一误差关系由所述候选匹配点对的点对统计数量表征；所述基于各所述候选匹配点对的第一误差关系，对应确定各所述候选匹配点对的第一过滤阈值，包括：
将各所述候选匹配点对作为参考匹配点对，利用所述参考匹配点对的点对统计数量，确定所述参考匹配点对的第一过滤阈值，其中，所述参考匹配点对的点对统计数量为所述第一投影误差小于或等于所述参考匹配点对的所述候选匹配点对的数量。
4.根据权利要求3所述的方法，其特征在于，所述利用所述参考匹配点对的点对统计数量，确定所述参考匹配点对的第一过滤阈值，包括：
将所述参考匹配点对的点对统计数量与所述候选匹配点对的总点对数量之间的比值，作为所述参考匹配点对的第一过滤阈值。
5.根据权利要求1所述的方法，其特征在于，所述基于各所述候选匹配点对的第一过滤阈值分别对各所述候选匹配点对进行过滤，得到若干第一目标匹配点对的步骤执行第一数量轮，每轮所使用的所述第一变换参数分别利用每轮选择的至少两组所述候选匹配点对确定的；
所述利用所述若干第一目标匹配点对，确定所述待配准图像对的第二变换参数，包括：
从所述第一数量轮中选择其中一轮的所述第一目标匹配点对，作为第二目标匹配点对；
基于所述第二目标匹配点对，确定所述待配准图像对的第二变换参数。
6.根据权利要求5所述的方法，其特征在于，在所述基于各所述候选匹配点对的第一过滤阈值分别对各所述候选匹配点对进行过滤，得到若干第一目标匹配点对之前，所述方法还包括：
从所述多组候选匹配点对中选择第二数量组所述候选匹配点对，以组成样本点对集，其中，所述每轮选择的至少两组所述候选匹配点对是从所述样本点对集中选择的，所述第一数量和第二数量存在预设关系。
7.根据权利要求6所述的方法，其特征在于，
所述每轮选择的至少两组所述候选匹配点对是随机选择的；
和/或，所述第二数量与预设数值之间的差与所述第二数量的乘积大于或等于所述第一数量的两倍；
和/或，所述从所述多组候选匹配点对中选择第二数量组所述候选匹配点对，包括：
从所述多组候选匹配点对中，选择匹配置信度最高的所述第二数量组所述候选匹配点对。
8.根据权利要求5所述的方法，其特征在于，所述从所述第一数量轮中选择其中一轮的所述第一目标匹配点对，作为第二目标匹配点对，包括：
在所述第一数量轮中，选择所述第一目标匹配点对的数量最多的一轮作为目标轮，并将所述目标轮的第一目标匹配点对作为第二匹配点对集；
和/或，所述基于所述第二目标匹配点对，确定所述待配准图像对的第二变换参数，包括：
利用至少两组所述第二目标匹配点对确定所述待配准图像对的新的第一变换参数；
基于各所述候选匹配点对的第二过滤阈值分别对各所述候选匹配点对进行过滤，得到若干第三目标匹配点对，其中，所述候选匹配点对的第二过滤阈值与所述候选匹配点对的第二误差关系有关，所述候选匹配点对的第二误差关系为所述候选匹配点对与其他候选匹配点对之间关于第二投影误差的大小关系，所述第二投影误差是利用所述新的第一变换参数确定的；
基于所述若干第三目标匹配点对的位置信息，计算得到所述第二变换参数。
9.根据权利要求1所述的方法，其特征在于，所述确定待配准图像对中的多组候选匹配点对，包括：
获取所述待配准图像对中的多组初始匹配点对；
从所述多组初始匹配点对中，选出至少一组种子点对；
对于每组所述种子点对，在所述种子点对的第一距离范围内查找出至少一组邻域点对；
将所述种子点对以及所述邻域点对作为所述候选匹配点对。
10.根据权利要求9所述的方法，其特征在于，所述从所述多组初始匹配点对中，选出至少一组种子点对，包括：
对于所述第一图像中属于所述初始匹配点对的各所述第一特征点，若所述第一特征点在其第二距离范围内具有最高的匹配置信度，则将所述第一特征点作为第一种子点，并将所述第一种子点对应的初始匹配点对作为所述种子点对，其中，所述第一距离范围大于所述第二距离范围；
所述种子点对包括所述第一图像中的第一种子点和所述第二图像中的第二种子点，所述在所述种子点对的第一距离范围内查找出至少一组邻域点对，包括：
若所述初始匹配点对位于所述种子点对的第一距离范围内，则将所述初始匹配点对作为所述邻域点对，其中，所述初始匹配点对位于所述种子点对的第一距离范围内为：所述初始匹配点的第一特征点位于所述种子点对的第一种子点的所述第一距离范围内、且所述初始匹配点的第二特征点位于所述种子点对的第二种子点的所述第一距离范围内。
11.根据权利要求1所述的方法，其特征在于，所述第一变换参数为仿射变换参数，所述第二变换参数为单应性变换参数；
和/或，所述第一图像和第二图像为遥感图像。
12.一种计算机设备，其特征在于，包括相互耦接的存储器和处理器，所述存储器中存储有程序数据，所述处理器用于执行所述程序数据以实现权利要求1至11任一项所述方法的步骤。
13.一种存储装置，其特征在于，存储有能够被处理器运行的程序数据，所述程序数据用于实现权利要求1至11任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111670473.9A CN114463393A (zh) | 2021-12-31 | 2021-12-31 | 图像配准方法、计算机设备及存储装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111670473.9A CN114463393A (zh) | 2021-12-31 | 2021-12-31 | 图像配准方法、计算机设备及存储装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114463393A true CN114463393A (zh) | 2022-05-10 |
Family
ID=81408208
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111670473.9A Pending CN114463393A (zh) | 2021-12-31 | 2021-12-31 | 图像配准方法、计算机设备及存储装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114463393A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116363184A (zh) * | 2023-05-26 | 2023-06-30 | 杭州三坛医疗科技有限公司 | 一种髋关节位置配准方法、装置、电子设备及存储介质 |
-
2021
- 2021-12-31 CN CN202111670473.9A patent/CN114463393A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116363184A (zh) * | 2023-05-26 | 2023-06-30 | 杭州三坛医疗科技有限公司 | 一种髋关节位置配准方法、装置、电子设备及存储介质 |
| CN116363184B (zh) * | 2023-05-26 | 2023-10-03 | 杭州三坛医疗科技有限公司 | 一种髋关节位置配准方法、装置、电子设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111145238B (zh) | 单目内窥镜图像的三维重建方法、装置及终端设备 | |
| US8755624B2 (en) | Image registration device and method thereof | |
| WO2019050417A1 (en) | METHOD FOR CALIBRATING STEREOSCOPIC SYSTEM | |
| US9767383B2 (en) | Method and apparatus for detecting incorrect associations between keypoints of a first image and keypoints of a second image | |
| CN108399627B (zh) | 视频帧间目标运动估计方法、装置和实现装置 | |
| CN110349086B (zh) | 一种非同心成像条件的图像拼接方法 | |
| US20200051228A1 (en) | Face Deblurring Method and Device | |
| CN112241976A (zh) | 一种训练模型的方法及装置 | |
| US11436774B2 (en) | Pattern mapping | |
| Tang et al. | Retinal image registration based on robust non-rigid point matching method | |
| CN114463393A (zh) | 图像配准方法、计算机设备及存储装置 | |
| CN110866873A (zh) | 内腔镜图像的高光消除方法及装置 | |
| CN117333367A (zh) | 基于图像局部特征的图像拼接方法、系统、介质及装置 | |
| CN111275622B (zh) | 图像拼接方法、装置及终端设备 | |
| Brückner et al. | Active self-calibration of multi-camera systems | |
| CN110706257B (zh) | 有效特征点对的识别方法、相机状态的确定方法及装置 | |
| CN116977671A (zh) | 基于图像空间定位的目标跟踪方法、装置、设备及存储介质 | |
| US11166005B2 (en) | Three-dimensional information acquisition system using pitching practice, and method for calculating camera parameters | |
| CN116430069A (zh) | 机器视觉流体流速测量方法、装置、计算机设备及存储介质 | |
| CN114820376A (zh) | 条带噪声的融合校正方法、装置、电子设备及存储介质 | |
| Paudel et al. | Localization of 2D cameras in a known environment using direct 2D-3D registration | |
| CN109242894B (zh) | 一种基于移动最小二乘法的图像对齐方法及系统 | |
| CN111223139B (zh) | 目标定位方法及终端设备 | |
| CN110930344B (zh) | 一种目标的质量确定方法、装置、系统及电子设备 | |
| Reichel et al. | Camera calibration as machine learning problem using dense phase shifting pattern, checkerboards, and different cameras |
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 |