[发明专利]一种用于复杂背景下的图像配准方法

权利要求书

1.一种用于复杂背景下的图像配准方法，其特征在于，包括以下步骤：

(S1)、使用普通成像相机对配准主体进行拍照，并将拍摄到的图像放入图像集A中；

(S2)、将图像集A中的图像放入训练好的语义分割网络中，得到分割后的图像集B；

(S3)、将图像集B中的每张图像与图像集A中对应的图像逐像素点相乘，得到配准图像集C；

(S4)、在图像集C中任意选择一张图像作为固定图像，将其余图像作为浮动图像，且分别用图像配准算法提取特征点以完成每张浮动图像与固定图像之间的特征匹配，并分别计算出每张浮动图像与固定图像对齐的变换参数；

(S5)、将图像集A中的图像的齐次坐标与对应的变换参数相乘，得到配准后的图像。

2.根据权利要求1所述的用于复杂背景下的图像配准方法，其特征在于，在步骤(S2)中，语义分割网络的构建包括以下步骤：

(S2-1)、在复杂背景下，使用普通成像相机对配准主体拍摄M张照片，放入图像集Before中；

(S2-2)、手动对图像集Before中的每一张图像做语义分割，每次手动语义分割的结果是一张与原图大小相同的图片，该图片与原图中的配准主体重合的区域的像素值均设置为1，除重合区域外其他区域的像素值均设置为0，然后将语义分割后的图像都放入图像集After中；

(S2-3)、构建一个用于语义分割的神经网络，初始化神经网络的权重和偏置参数，将图像集Before中的图像作为输入，将分割后的图像集After作为标签，计算图像集Before中的图像与图像集A中的与之对应的图像之间的差异值，并将该差异值作为损失函数，随后对损失函数的梯度值进行多次的反向传播以更新神经网络的权重和偏置参数，当损失函数值小于预设的停止值时，停止更新神经网络的权重和偏置参数，得到训练完备的语义分割网络。

3.根据权利要求2所述的用于复杂背景下的图像配准方法，其特征在于，在步骤(S2-1)中，相邻两次拍照之间，普通成像相机与配准主体之间的连线所构成的夹角小于或等于20度。

4.根据权利要求2所述的用于复杂背景下的图像配准方法，其特征在于，在步骤(S2-1)中，普通成像相机采集的图像M为8000张。

5.根据权利要求2所述的用于复杂背景下的图像配准方法，其特征在于，在步骤(S2-1)中，所述的复杂背景包括但不限于森林、雾霾、光照较暗的环境。

6.根据权利要求2所述的用于复杂背景下的图像配准方法，其特征在于，在步骤(S2-3)中，所述神经网络采用了多尺度融合结构的神经网络，其中，所述多尺度融合结构包括但不限于多尺度池化结构、多尺度卷积结构和多尺度特征融合结构。

7.根据权利要求6所述的用于复杂背景下的图像配准方法，其特征在于，所述神经网络包括提取特征图层、金字塔池化层、多尺度信息融合层，其中，所述的提取特征图层是由卷积核大小为3*3的卷积、激活函数、残差模块组合而成；所述的金字塔池化层是通过使用不同大小的池化层或不同空洞率的空洞卷积对特征图进行处理来获得不同尺度的特征信息来实现，所述的多尺度信息融合层是通过将获得的不同尺度的特征信息在通道维度的拼接操作融合成全局先验信息来实现。

8.根据权利要求6所述的用于复杂背景下的图像配准方法，其特征在于，所述多尺度融合结构的神经网络的损失函数由两个损失函数构成，且令神经网络的权重和偏置参数停止更新的条件是两个损失函数的值均小于0.001。

9.根据权利要求8所述的用于复杂背景下的图像配准方法，其特征在于，两个损失函数选择用于比较图像之间相似程度的交叉熵损失函数和Dice损失函数。

10.根据权利要求1所述的用于复杂背景下的图像配准方法，其特征在于，在步骤(S4)中，所述的图像配准算法是基于特征的图像配准方法、或者是基于傅里叶变换域的图像配准方法，亦或者是基于灰度的图像配准方法。