[发明专利]非局部信息匹配加速方法及装置

说明书

本发明提出一种非局部信息匹配加速方法及装置，其中方法包括，获取待匹配图像，利用特征检测算法得到待匹配图像的特征图；利用特征点检测方法，对特征图提取特征点信息，根据特征点的位置提取待匹配图像的样例块和特征图的特征样例块，其中，样例块是待匹配图中以特征点位置为中心的图像块，特征样例块是特征图中以特征点位置为中心的图像块；利用神经网络卷积层，将特征样例块作为卷积核卷积特征图像，计算得到全局匹配热力图，全局匹配热力图表征样例块与待匹配图像中各图像块的相似程度。本发明利用神经网络卷积层进行图像特征的全局匹配，加快匹配速度，并且能够多图像多通道并行运算，有效提高了图像处理系统中非局部匹配速度和精度。

技术领域

本发明属于计算机视觉领域。

背景技术

在计算机视觉领域，使用基于非局部(non-local)算法实现图像重建受到广泛应用。基于非局部算法的图像重建，即利用图像中存在大量相似块的特性，根据相似块重建目标像素周围区域。2005年，巴利阿里群岛大学的Antoni Buades等人利用整幅图像中编码的信息，开发了非局部信息匹配方法。在重建每个像素时，该算法先计算以该像素为中心的固定邻域与整个图像中其他邻域之间的相似度，相似度即计算邻域各个点之间像素值的欧式距离，距离越小，表明两个邻域越相似，然后将相似度作为权重来重建该像素。该方法在计算机视觉领域取得了显著效果，是图像处理中的关键一步，但它同样存在明显缺点：像素级图像块匹配的效率较低，耗时较长。

为解决匹配效率较低的问题，浙江大学的Jin Wang等提出了一种快速比较邻域相似度的计算方法，即利用求和平方图像(SSI)和快速傅里叶变换(FFT)，将逐像素图像块匹配转换为SSI预计算和高效的FFT。这种快速非局部匹配算法比原始非局部算法快50倍左右，其重建结果与传统匹配方法接近。

在匹配的精度方面，北京理工大学的Liheng Bian等认为采用欧氏距离来度量不同图像块之间的相似度会丢失精细的结构细节并降低重建效果。因为这些指标是全局强度评估，对每个固定次数的迭代进行图像块匹配，可能导致重复迭代或不同迭代阶段信息利用不充分的情况，导致匹配精度不够。基于此种依据，他们利用结构相似度指数(Structural Similarity，SSIM)来更好地度量相似度，因为SSIM用亮度差异、对比度和结构差异来定义总体的指标，综合评价不仅与人类的视觉更加相似，而且与之后要求结构相似的低秩正则化更加吻合，更好地提高了匹配的精度。基于SSIM的非局部信息匹配的缺点是相比传统匹配方法耗时更长。

发明内容

本发明旨在至少在一定程度上解决相关技术中的技术问题之一。

为此，本发明的第一个目的在于提出一种非局部信息匹配加速方法，用于提高了图像处理系统中非局部匹配速度和精度。

本发明的第二个目的在于提出一种非局部信息匹配加速装置。

本发明的第三个目的在于提出一种计算机设备。

本发明的第四个目的在于提出一种计算机可读存储介质。

为达上述目的，本发明第一方面实施例提出了一种非局部信息匹配加速方法，包括：

获取待匹配图像，利用特征检测算法得到所述待匹配图像的特征图；

利用特征点检测方法，对所述特征图提取特征点信息，根据特征点的位置提取待匹配图像的样例块和特征图的特征样例块，其中，所述样例块是待匹配图中以特征点位置为中心的图像块，所述特征样例块是特征图中以特征点位置为中心的图像块；

利用神经网络卷积层，将所述特征样例块作为卷积核卷积特征图像，计算得到全局匹配热力图；

根据所述全局匹配热力图确定所述样例块与所述待匹配图像中各图像块的相似程度。

另外，根据本发明上述实施例的非局部信息匹配加速方法还可以具有以下附加的技术特征：