[发明专利]一种基于卷积神经网络的图像配准方法

说明书

本发明公开了一种基于卷积神经网络的图像配准方法，所述方法包括以下步骤：利用VGG‑16卷积网络对参考图像、移动图像分别提取特征点，以此生成参考特征点集以及移动特征点集；当特征点的距离矩阵同时满足第一、第二约束条件时，执行预匹配操作，即所述参考特征点集中的特征点x、与所述移动特征点集中的特征点y是匹配点；设置某一阈值，结合迭代对预匹配后的特征点进行动态的内点选择，筛选出最终的特征点，并获取先验概率矩阵；根据先验概率矩阵、EM算法寻找最优参数，实现图像配准。本发明在特征点匹配时通过动态内点选择动态地逐步增加内点，提高了配准准确率。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于卷积神经网络的图像配准方法。

背景技术

图像配准是图像处理领域的重要任务之一，也是图像融合的基础。由于图像配准的数据来自于不同的拍摄时间，不同的角度或者不同的物理设备等等，如何选取稳定的特征点并将其正确地匹配成为配准的关键问题。

目前传统的尺度不变特征变换(SIFT)检测算法以及在此基础上的一些改进算法，已经能基本实现特征点的选取，但对于多时相或者多模态的图像配准，因其表面存在较大的差异，SIFT算法可能产生诸多外点，甚至检测不到足够的特征点，因此限制了图像配准的应用。

目前深度学习的应用遍及各种领域并取得了卓越的成绩。尤其在图像处理方面，卷积神经网络通过学习能够提取大量稳健的特征点。但是在特征点匹配方面，神经网络只能产生有限的，恒定数量的变换参数，不能纠正复杂的失真。

发明内容

本发明提供了一种基于卷积神经网络的图像配准方法，本发明在图片有较大差异的情况下能够提取足够多的特征点，在特征点匹配时通过动态内点选择动态地逐步增加内点，提高了配准准确率，详见下文描述：

一种基于卷积神经网络的图像配准方法，所述方法包括以下步骤：

利用VGG-16卷积网络对参考图像、移动图像分别提取特征点，以此生成参考特征点集以及移动特征点集；

当特征点的距离矩阵同时满足第一、第二约束条件时，执行预匹配操作，即所述参考特征点集中的特征点x、与所述移动特征点集中的特征点y是匹配点；

设置某一阈值，结合迭代对预匹配后的特征点进行动态的内点选择，筛选出最终的特征点，并获取先验概率矩阵；

根据先验概率矩阵、EM算法寻找最优参数，实现图像配准。

进一步地，所述特征点的距离矩阵具体为：三个距离的加权和，即：

其中，每个距离均为对应的特征描述子的欧式距离：

d_i(x,y)＝Euclidean-distance(D_i(x),D_i(y))

式中，Euclidean-distance为欧式距离；D_i(x)为特征点x的特征描述子；D_i(y)为特征点y的特征描述子。

进一步地，

第一约束条件：距离矩阵d(x,y)是所有d(·,y)里面的最小值，d(·,y)表示对于某一特征点y，参考特征点集X中的每一个特征x与特征点y之间的距离；

第二约束条件：不存在d(z,y)，使得d(z,y)＜θ·d(x,y)，d(z,y)表示特征点z与特征点y之间的距离，θ为匹配阈值，z即移动特征点集Y通过变换后得到的对应点集中的点。

其中，所述设置某一阈值，结合迭代对预匹配后的特征点进行动态的内点选择具体为：

初始化时，设置一个较大的阈值使得较多的特征点都能满足内点条件，保留下来，