[发明专利]基于尺度不变Harris特征的图像配准方法和装置

说明书

技术领域

本申请涉及图像处理领域，尤其是一种基于尺度不变Harris特征的图像配准方法和装置。

背景技术

图像配准是指针对在不同的时段、从不同视角、使用相同或不同的成像系统、对同一场景拍摄的有重叠区域的图像进行几何校准的过程。图像配准技术主要用于军事、遥感、测绘、医学、计算机视觉等领域。随着无人机技术的快速发展，无人机以高分辨率、高灵活性、高效率和低成本的优势被广泛应用于自然灾害区域评估、资源勘查、遥感测绘、环境保护等多个方面，因此无人机遥感图像的配准与拼接受到了广泛的重视，许多国家和单位都开展了无人机图像配准相关技术的研究。

现在常用的无人机遥感图像配准方法主要有基于SIFT特征(尺度不变特征转换，Scale-invariant feature transform)的方法和基于SURF特征(加速稳健特征，Speeded Up Robust Features)的方法。基于SIFT特征的方法利用高斯差分金字塔来检测特征点，使用邻域像素的梯度分布来确定特征点的主方向和生成特征向量；基于SURF特征的方法利用积分图像近似计算Hessian响应来检测特征点，使用邻域像素的Haar小波响应来确定特征点的主方向和生成特征向量。但是基于SIFT特征的方法计算复杂，实时性较差；基于SURF特征的方法检测到的特征点数目较少，配准精度不高，尤其在无人机遥感图像重叠不规律、重叠区域较小的情况下，配准精度严重下降。

发明内容

本申请提供一种基于尺度不变Harris特征的图像配准方法和装置，解决现有图像配准方法实时性差、配准精度低的问题。

根据本申请的第一方面，本申请提供一种基于尺度不变Harris特征的图像配准方法，包括如下步骤：

步骤一，分别将参考图像以及待配准图像与具有多个不同尺度的高斯核进行卷积操作，滤除高频噪声并构建若干层高斯金字塔；

步骤二，使用拉普拉斯算子对步骤一中生成的高斯金字塔的每一层进行滤波，锐化图像边缘；

步骤三，对步骤二中滤波后的高斯金字塔的每一层进行Harris角点检测，从金字塔顶层向下找到各层相互对应的Harris角点作为特征点，其具体包括以下过程：

对步骤二中滤波后的金字塔的顶层进行Harris角点检测，得到顶层的Harris角点，其中，设定顶层为第k层；

依据第k层的Harris角点P_k(x_k,y_k)，在第k-1层设定一个圆形搜索范围，范围中心点位置为(2x_k,2y_k)，半径r＝σ，σ是第k-1层的模糊尺度；在该搜索范围内查找Harris角点，找到与第k层的角点P_k(x_k,y_k)的Harris响应值最接近的Harris角点P_k-1(x_k-1,y_k-1)，则Harris角点P_k-1(x_k-1,y_k-1)就是第k-1层中与第k层Harris角点P_k(x_k,y_k)相对应的特征点；

按照上述方法遍历至高斯金字塔的底层，逐层寻找与上一层相互对应的Harris角点，并形成特征点链，直至遍历顶层所有的Harris角点；每条特征点链中底层对应的Harris角点就是稳定的尺度不变特征点；

步骤四，为两个金字塔底层对应的尺度不变特征点确定主方向，并生成特征向量；

步骤五，对步骤四中已生成特征向量的特征点对进行粗匹配，得到匹配后的特征点对；

步骤六，剔除步骤五中匹配后的特征点对中的误匹配点对，并利用剔除误匹配点后的特征点对计算参考图像和待配准图像之间的单应变换矩阵H；

步骤七，利用步骤六中求取的单应变换矩阵H将参考图像和待配准图像转换到同一坐标系下，然后对坐标变换后的参考图像和待配准图像进行融合、拼接，完成图像配准。

优选的，所述的步骤四中，利用特征点邻域像素的梯度方向分布特性，为两个金字塔底层对应的尺度不变特征点确定主方向，并使用SIFT特征描述生成特征向量。

优选的，所述的步骤五中，使用基于欧氏距离的最近邻双向匹配方法和k-d树搜索策略，对步骤四中已生成特征向量的特征点对进行粗匹配，得到匹配后的特征点对。

优选的，所述的步骤六中，使用RANSAC算法剔除误匹配点。