[发明专利]一种基于角度约束的误匹配删除方法

说明书

技术领域

本发明属于图像配准技术领域，具体涉及一种基于角度约束的误匹配删除方法。

背景技术

图像配准的应用非常广泛，如模式识别、自动导航、医学诊断、计算机视觉等领域。目前在图像的配准方面已开展了许多研究工作，提出了多种图像配准方法。

常见的配准方法分为两大类：基于特征的配准方法，如Harris角点法、SIFT法等；基于区域的配准方法，如互信息，FMT等。其中基于区域的配准方法不需要提取特征，适用于灰度信息大于结构信息的情况；且要求两幅图像的灰度函数必须相似或至少统计相关，仅能处理平移和小角度旋转的情况，适用范围较窄。而基于特征的配准方法可以配准两幅自然属性完全不同的图像，并适应两幅图像间复杂的几何和光学畸变，是近年来研究的热点。

基于特征点的配准方法，其步骤主要包括特征点提取、不变特征描述、相似性度量、特征匹配、计算变换矩阵等，见附图1。进行特征匹配时，首先根据一定的方法，如Harris、fast、brief等提取特征点；接着对提取的特征点进行描述；然后根据相似性度量准则初步建立特征点的对应关系，但这种对应关系不是完备的，其中很可能存在误匹配，必须删除误匹配从而得到正确的匹配点对；然后根据正确的匹配点对计算得到变换矩阵，最后待配准图像通过坐标变换与插值得到配准后的图像。需要强调的是，在特征点匹配所建立的初步匹配点对中可能存在误匹配特征点对，这些误匹配的点对的存在极大地影响配准仿射变换矩阵的求取，使配准结果出现偏差甚至导致失配，因此必须删除这些误匹配点对。

目前删除误匹配的方法有：①“RANSAC算法(RANdom SAmPI/Cnoesnsus，即随机抽样一致性算法)，它是根据一组包含异常数据的样本数据集，计算出数据的数学模型参数，得到有效样本数据的算法。RANSAC算法的基本假设是样本中包含正确数据(inliers，可以被模型描述的数据)，也包含异常数据(Outliers，偏离正常范围很远、无法适应数学模型的数据)，即数据集中含有噪声。这些异常数据可能是由于错误的测量、错误的假设、错误的计算等产生的。同时RANSAC也假设，给定一组正确的数据，存在可以计算出符合这些数据的模型参数的方法。在特征点配对中，模型即为从一个平面上的特征点到另外一平面上的特征点的变换关系，反应为变换矩阵H。H是一个包含6个自由度的2×3矩阵，它最少可以由两平面中的3对匹配点计算出，但同一平面上的3个点必须不共面。但值得注意的是，过大的外点比例将导致RANSAC算法失败，且此算法较为复杂。②马氏距离删除误匹配算法。利用马氏距离的仿射不变性进行不变特征相似性度量。马氏距离是印度统计学家Mahalanobis提出来的。对于由n个点构成的样本空间X₁＝{(x₁₁，y_11，)^t，…，(x_1n，…y_1n)^t}，(t表示转置)，其中任意一样本点X_1i＝(x_1i,y_1i)^t到另一个样本空间X₂＝{(x₂₁，y₂₁)^t，…，(x_2n，y_2n)^t中任一样本点X_2j＝(x_2j，y_2j)^t的马氏距离为：