[发明专利]基于梯度方向Hausdorff 距离的红外图像和可见光图像配准技术

说明书

技术领域

本发明涉及红外图像和可见光图像配准方法，属于图像匹配技术领域。

背景技术

图像配准就是将不同时间、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最佳匹配的过程，即找到一个使两幅图像最相近或者最相似的变换。图像配准已经被广泛地应用于多个领域，例如：遥感数据分析、计算机视觉、图像处理等领域。

红外图像和可见光图像的成像原理不同，红外图像得到的是热图像，图像的灰度值与场景温度特征对应；而可见光图像获得的是可见光的强弱，它的灰度是由物体对光的反射和阴影部分决定的。由于红外图像和可见光图像的不同特性，使得二者具有互补性。这种互补的作用，使红外图像和可见光图像融合后能够获得更为全面的信息，而图像配准是图像融合不可缺少的步骤。

目前常用的异源图像配准方法，可分为基于像素的算法和基于特征的算法，基于像素的算法适用于两幅图像的灰度分布间存在一定的相关性的图像；基于特征的算法适用于结构明显的图像。在实际应用中基于特征的算法在大多数情况下能够取得较好的配准效果。

目前常用的特征包括特征点和边缘。由于边缘像素数目会比较多，当边缘作为特征时，会使计算量较大；角点具有几何图形不变性，是一种有效的特征点，因此本发明中选用角点作为特征点进行计算。基于Hausdorff距离匹配算法，由于其计算过程的简便性，已被广泛用于异源图像的配准。但是现有的Hausdorff距离算法大多是直接用边缘像素集合直接计算Hausdorff距离进行配准，这使得1）运算量较大；2）由于没有对特征点进行分类，因此干扰点较多，影响配准的准确度。

发明内容

本发明为了提高红外图像和可见光图像配准的准确性和减少计算量，提出了一种基于梯度方向的Hausdorff距离红外图像和可见光图像配准算法。首先分别提取红外图像和可见光图像的角点；然后将提取的角点根据梯度方向分为8个子集合，并计算对应子集合间的Hausdorff距离；最后计算获得基于梯度方向的Hausdorff距离。与传统Hausdorff距离方法相比本发明不仅消除了噪声点的干扰，降低了配准误差，而且减少了计算量。

目前的Hausdorff算法通常是选择边缘进行计算的，而边缘的像素点较多，会使计算量较大。为了减少计算量本发明中选择特征点进行计算，由于Harris角点具有的优良性能，因此本发明使用Harris角点作为特征点。Harris角点检测算法的基本思想是利用图像灰度变化率来确定角点，该方法通过计算一个与图像自相关函数相联系的距离特征，即自相关函数的一阶曲率来判定某点是否为角点，如果两个曲率值都高，那么认为该点是角点。角点的像素数量远远小于边缘的的像素数，因此选用角点特征进行配准大大减少了计算量，缩短了配准时间。

本发明在利用Harris检测算子提取角点后，对提取得到的角点按照角点的梯度方向角所在的角度区间分为8个特征点子集合；然后计算对应子集合间的Hausdorff距离；最后计算最小的4个Hausdorff距离的均值，作为基于梯度方向的Hausdorff距离。本发明根据梯度方向划分角点集合，计算对应子集合间的Hausdorff距离，消除了其它子集合中角点的干扰，提高了配准的准确度。

本发明是通过以下的技术方案实现的：基于梯度方向的Hausdorff距离配准算法，其特征在于包括以下4个大步骤：1）提取Harris角点并计算每个角点的梯度方向角；2）按照角点梯度方向所处的不同区间，将角点集合分为8个不同的子集合；3）计算两幅图像中同一个角度区间所对应的子集合间的Hausdorff距离；4）计算最小的4个Hausdorff距离的均值，作为基于梯度方向的Hausdorff距离。

所述步骤1）中，首先提取红外图像和可见光图像的Harris角点，得到角点位置图；然后计算图像每个像素的梯度方向角，得到梯度方向图；最后用角点位置图和梯度方向图进行点乘运算得到每个角点的梯度方向角。

所述步骤2）中，由1）中得到的梯度方向角的范围是                                                ，将其均分为8个区间，每个区间占，8个角度区间分别为：，，，，，，，。根据8个方向区间的划分方法，将红外图像和可见光图的角点都划分为8个子集合。

所述步骤3）中，在配准时，只计算两幅图像中同一角度区间对应的子集合间的Hausdorff距离。