[发明专利]图像配准方法及装置、存储介质、电子装置

说明书

本发明提供了一种图像配准方法及装置、存储介质、电子装置，上述方法包括：获取待配准图像的配准矩阵；在RAW域，对目标图像的所有像素点坐标和所述配准矩阵的逆矩阵进行逆变换得到源图像的像素点坐标；根据所述源图像的像素点坐标和所述待配准图像的像素点坐标进行像素点融合，以对所述待配准图像进行配准；采用上述技术方案，解决相关技术中图像配准方法算法处理复杂，资源消耗较大，配准结果精度低等问题，提供了一种处理速度快，复杂度低，配准结果精确度高的图像配准方法，提高了图像配准效率。

技术领域

本发明涉及图像处理技术领域，具体而言，涉及图像配准方法及装置、存储介质、电子装置。

背景技术

图像配准是指利用变换矩阵，将两幅图像的坐标系统一，使两幅图像对齐，达到完全重合的状态。图像配准作为图像拼接、图像融合、立体视觉、三维重建、深度估计和图像测量中最重要的技术已经在图像处理中广泛应用。不精确的图像配准会导致拼接或融合后的图像效果异常，或是出现重影。因此，精确的图像配准是图像拼接或是图像融合中的最根本最重要的前提条件，直接影响着后续图像处理中的效果输出。

现有的配准方法都是针对RGB彩色模式(RGB Color Mode，简称RGB)图像进行，但是目前现有的很多图像算法都作用在raw图像数据中，比如raw域融合，raw域拼接等。

专利1：《图像配准方法及装置》，申请号:201710257881.9。该专利对参考图像A和待配准图像B都进行了不同尺度的缩放，缩放的过程会导致其精度损失。然后将待配准图像B在参考图像A上平移。因此其设计的主要缺点是：所有像素点相减的绝对值之和最小得到的配准结果精度较低。

专利2：《图像配准方法及装置》，申请号：201710162160.X.该专利设计到卷积神经网络，需要提前准备大量训练数据和标签，训练后网络参数一般较大，而且训练时间一般较长。因此其设计的主要缺点是：利用CNN训练得到特征描述子的方法，计算复杂，效率低。

专利3：《多光谱图像配准方法和装置》，申请号：201511000876.7。该专利使用sift算子提取特征点，计算量和耗时较大，然后对每个特征点计算EOH描述符，该描述符稳定性较差。因此其设计的主要缺点是：边缘方法直方图EOH描述子鲁棒性较差，精度不够。

针对相关技术中，图像配准方法算法处理复杂，资源消耗较大，配准结果精度低等问题，尚未提出有效的技术方案。

发明内容

本发明实施例提供了一种图像配准方法及装置、存储介质、电子装置，以至少解决相关技术中图像配准方法算法处理复杂，资源消耗较大，配准结果精度低等问题。

根据本发明的一个实施例，提供了一种图像配准方法，上述方法包括：获取待配准图像的配准矩阵；在RAW域，对目标图像的所有像素点坐标和所述配准矩阵的逆矩阵进行逆变换得到源图像的像素点坐标；根据所述源图像的像素点坐标和所述待配准图像的像素点坐标进行像素点融合，以对所述待配准图像进行配准。

可选的，根据源图像的像素点坐标和待配准图像的像素点坐标进行像素点融合，以对待配准图像进行配准之前，上述方法还包括：对于每一像素点，获取目标图像的像素点的属性；将源图像中像素点的属性变换为在目标图像的像素点的属性，其中，属性均至少包括以下之一：R，G，B。

可选的，将源图像中像素点的属性变换为目标图像的像素点的属性，包括：通过CFA算法获取源图像的像素点的坐标的四个邻域像素的属性通道，其中，属性通道包括：R通道，G通道，B通道；对四个邻域像素的属性通道进行双线性插值，进而获取源图像中像素点的属性对应目标图像上的像素点的属性。

可选的，将源图像中像素点的属性变换为在目标图像的像素点的属性，包括：对于每一像素点，如果在目标图像上的属性与对应的在源图像上的属性不同，将源图像中像素点的属性变换为在目标图像的像素点的属性。