[发明专利]基于梯度信息的新颖多源图像快速配准方法

说明书

技术领域

本发明涉及基于梯度信息的新颖多源图像快速配准方法，属于图像处理技术领域。

背景技术

最近几年，随着大量配准算法的提出，图像配准技术得到了快速地发展，但是仍然存在许多不足。尤其在多源图像配准方面上，现有算法很少能够同时达到快速和精确。作为多源图像算法的代表，对称尺度不变特征变换算法能够很好地完成匹配任务，但无论时间还是精度方面，该方法都无法运用到需要实时处理的情况。而单源配准算法中，作为尺度不变特征变换算法(SIFT算法)的加速版，快速鲁棒特征(SURF)算法能够快速地匹配可见光图像，但对多源图像束手无策。

发明内容

本发明针对上面的问题，而研制多源快速鲁棒特征(MM-SURF)算法。该算法继承了SURF算法的良好性能，同时充分利用多源图像的灰度信息，达到快速并高效地匹配多源图像的目的。

本发明包括四步：特征点检测和定位，主方向确定，描述符生成和特征点匹配。

第一步：特征点检测和定位.

第二步：主方向确定。

第三步：描述符生成。

第四步：建立特征描述符之后，就可以利用这些描述符进行特征点的匹配。两个特征向量的相似性采用欧式距离进行度量。对于第一幅图像特征点的特征向量，计算它与第二幅图像所有特征点的特征向量的欧氏距离，可以得到最近距离与次近距离，将它们的比值作为该特征点的差异度。第一幅图像所有特征点按照该差异度进行排序，最后根据所需将前N个选为匹配。

本发明原理及有益效果：多源图像之间存在大量梯度反转现象，而且梯度反转的像素点往往存在于结构信息丰富的区域。我们结合这个现象，提出了多源快速鲁棒特征算法。与SURF算法相比，该方法不仅能够配准单源图像，还能配准多源图像。与已有的多源配准算法相比，该方法具有更高的精确度，而且消耗更少的时间，能够满足实时的需求。

附图说明

图1快速鲁棒特征算法所统计采样点。

图2多源快速鲁棒特征算法所统计采样点。

具体实施方式

本发明包括四步：特征点检测和定位，主方向确定，描述符生成和特征点匹配。

第一步：特征点检测和定位.

对图像不断地做高斯平滑处理，建立高斯尺度空间。然后计算每个像素点的海森矩阵，通过海森矩阵行列式值来检测特征点。为了加快计算速度，通过积分图像和块状滤波的结合来加速尺度空间滤波的速度。计算得到海森矩阵的行列式值后，在尺度空间中的3×3×3邻域内寻找海森矩阵行列式值最大的点作为候选特征点。然后用尺度不变特征变换算法中提到的方法再将局部最大值在尺度和图像空间中进行插值删除不稳定的候选点。

第二步：主方向确定。

首先计算以特征点为圆心，6s(s为特征点所在的尺度)为半径的圆形区域内的所有像素在x和y方向上的哈尔小波响应d_x，d_y。然后计算每个像素点的梯度幅值m(x，y)，即

m(x,y)=dx2+dy2---(1)]]>

为了增加鲁棒性，再进行高斯平滑(σ=2s)。最后，使用角度为π/3的扇形沿逆时针的方向以特定的步长转动，依次计算扇形区域内所有像素平滑后的梯度幅值和。注意这里的统计对象与快速鲁棒特征算法有所不同，快速鲁棒特征算法的统计对象是所有梯度方向在扇形区域内的像素，其空间位置不一定在扇形区域内，如图1，而我们的方法的统计对象是空间位置在扇形区域内的像素，如图2。选取幅值和最大的扇形区域作为主方向区域，其角平分线定为主方向。显然，这样得到的主方向是离散的，而且其数量跟转动的步长有关，数量大小直接影响着主方向的可重复性与鲁棒性。通过实验测试发现，步长为π/18时，效果较好，此时可以得到2π÷π/18=36个主方向。

第三步：描述符生成。