基于特征導向GMM和邊緣圖像的圖像配準方法及系統技術方案

一種基于特征導向GMM和邊緣圖像的圖像配準方法及系統，包括計算待匹配的兩幅圖像的邊緣圖像，提取邊緣圖像的特征點集，根據特征描述向量集設定GMM模型的隸屬度建立待匹配圖像間幾何變換相應的模型，通過最優化方法求解模型參數；重新計算特征點集中特征點另一特征點集中特征點的匹配點的后驗概率，并根據閾值判斷二者是否互為匹配點。本發明專利技術針對待匹配圖像之間存在仿射變換的情況進行了建模，相較于之前最優的方法魯棒性、準確性更佳，尤其在數據退化嚴重的情況下表現穩定。

【技術實現步驟摘要】

本專利技術涉及圖像特征匹配
，具體地說，本專利技術涉及基于特征導向高斯混合模型(GMM)和邊緣圖像的圖像配準技術方案。
技術介紹
圖像匹配的基本目標是將使用不同傳感器在不同的時間和視角下獲得的同一個場景的兩幅圖像的相同部位進行對應。在很多匹配場景中，受限于所使用的圖像傳感器和成像技術、圖像獲取的環境條件、場景本身隨時間的變化等因素，匹配用的圖像往往會出現退化嚴重、細節改變等問題，使具有一致性的特征減少，對于此類圖像的配準問題是一個很具有挑戰性的問題。在本專利技術中，我們聚焦于退化較為嚴重的圖像的配準問題，在配準中具有不同的狀態的相似的場景的兩幅或多幅圖像是必須的，這些圖像被配準到一個共同的空間坐標中。如何尋找兩幅圖像中對應的匹配點，形成匹配點對，并確保匹配點對的正確性是圖像匹配方法的關鍵。在最近的幾十年，針對嚴重退化圖像的配準技術大量涌現。這些技術大致上可以分為兩類：基于區域的和基于特征的。前者是通過兩幅圖像重疊區域的原始像素來尋找匹配信息，匹配兩幅圖像中的特定的相似性度量標準，例如，互相關，相位相關，公共信息等。后者則是尋找特征描述子之間的相似性或空間幾何約束條件下局部特征的一致性。基于區域的方法適用于由像素的亮度而不是局部結構和特征提供信息或者圖像具有少量突出細節的情況下。但是其具有很大的計算復雜度，受圖像失真和照明亮度改變的影響比較大。相對的，基于特征的方法更快，具有更好的魯棒性，可以配準具有更少共同特征的圖像并能夠解決復雜的圖像失真問題，因此其應用更為廣泛。這些方法中使用的特征可以是分支點，邊緣線條，斑塊突出區域等，利用相應的特征檢測器進行特征提取。對于圖像品質退化較為嚴重的圖像，很難提取出可靠的區域類的特征。
技術實現思路
針對現有技術缺陷，本專利技術提出了一種基于特征導向高斯混合模型(GMM)和邊緣圖像的圖像配準技術方案。本專利技術的技術方案提出一種基于特征導向GMM和邊緣圖像的圖像配準方法，包括以下步驟，步驟1，計算待匹配的兩幅圖像A和B的邊緣圖像，得到邊緣圖像A'和B'；步驟2，提取邊緣圖像A'和B'的特征點集，得到特征點集N、M分別為圖像A'和B'中找到的特征點的數目，為特征點集相對應的特征描述向量集；步驟3，根據特征描述向量集Sx、Ry設定GMM模型的隸屬度πmn，實現方式如下，計算Sx中每一個特征描述向量sn與Ry中每一個特征描述向量rm的歐氏距離；對于Sx中任一個特征描述向量sn，分別尋找Ry中與其歐氏距離最近的兩個的特征描述向量，求取這兩個特征描述向量到sn歐氏距離之比；設Ry中與sn最近的一個特征描述向量為ri，如果所求比值小于等于預設的閾值T，則設定πin＝τ，πmn＝(1-τ)/(N-1)，其中m＝1,2,...,M且m≠i；如果歐氏距離之比大于預設的閾值T，則設定πmn＝1/N，其中m＝1,2,...,M；步驟4，建立待匹配圖像間幾何變換相應的模型，實現如下，針對待匹配圖像間的仿射變換，建立變換數學模型如下，y＝t(x)＝Ax+o其中，x和y分別是圖像A和圖像B上像素的坐標向量，t(x)表示仿射變換關系，A是一個2×2的仿射矩陣，o是一個2×1的矩陣，表示待匹配圖像間的平移；特征點集Y中ym是特征點集X中xn的匹配點的后驗概率pmn有如下后驗概率數學模型， p m n = π m n e - | | y m - t ( x n ) | | 2 2 σ 2 Σ k = 1 N π m k e - | | y m - t ( x k ) | | 2 2 σ 2 + 2 γπσ 2 / 本文檔來自技高網...

【技術保護點】
一種基于特征導向GMM和邊緣圖像的圖像配準方法，其特征在于：包括以下步驟，步驟1，計算待匹配的兩幅圖像A和B的邊緣圖像，得到邊緣圖像A'和B'；步驟2，提取邊緣圖像A'和B'的特征點集，得到特征點集N、M分別為圖像A'和B'中找到的特征點的數目，為特征點集相對應的特征描述向量集；步驟3，根據特征描述向量集Sx、Ry設定GMM模型的隸屬度πmn，實現方式如下，計算Sx中每一個特征描述向量sn與Ry中每一個特征描述向量rm的歐氏距離；對于Sx中任一個特征描述向量sn，分別尋找Ry中與其歐氏距離最近的兩個的特征描述向量，求取這兩個特征描述向量到sn歐氏距離之比；設Ry中與sn最近的一個特征描述向量為ri，如果所求比值小于等于預設的閾值T，則設定πin＝τ，πmn＝(1?τ)/(N?1)，其中m＝1,2,...,M且m≠i；如果歐氏距離之比大于預設的閾值T，則設定πmn＝1/N，其中m＝1,2,...,M；步驟4，建立待匹配圖像間幾何變換相應的模型，實現如下，針對待匹配圖像間的仿射變換，建立變換數學模型如下，y＝t(x)＝Ax+o其中，x和y分別是圖像A和圖像B上像素的坐標向量，t(x)表示仿射變換關系，A是一個2×2的仿射矩陣，o是一個2×1的矩陣，表示待匹配圖像間的平移；特征點集Y中ym是特征點集X中xn的匹配點的后驗概率pmn有如下后驗概率數學模型，pmn=πmne-||ym-t(xn)||22σ2Σk=1Nπmke-||ym-t(xk)||22σ2+2γπσ2/(1-γ)a]]>其中，γ和σ均為模型參數，e為數學常量，a為圖像的像素總數；步驟5，通過最優化方法求解模型參數A、o、γ、σ，包括以下子步驟，步驟5.1，初始化，包括令參數γ＝0.9，A＝I2×2，o＝0，pmn＝πmn，m＝1,2,...,M，n＝1,2,...,N，令當前迭代次數J＝1，采用下述模型參數公式計算σ，σ2=Σm=1MΣn=1Npmn||ym-t(xn)||22MP]]>其中，全部后驗概率的總和步驟5.2，根據當前的模型參數A、o、γ、σ，更新矩陣P，包括定義矩陣P為一個M×N的矩陣，采用步驟4中所述后驗概率數學模型，計算P矩陣中的每個元素pmn，m＝1,2,...,M，n＝1,2,...,N；步驟5.3，計算參數A、o、γ、σ，如下，采用下述公式計算參數A，A=(Y^TPX^)(X^Td(PTIM×1)X^)-1]]>其中，矩陣tr(.)為矩陣的跡，d(.)表示將向量轉化為對角線矩陣；IN×1、IM×1都是元素全為1的向量；采用下述公式計算參數o，o＝μy?Aμx采用下述公式計算參數σ2，σ2=Σm=1MΣn=1Npmn||ym-t(xn)||22MP]]>采用下述公式計算參數γ，γ＝1?MP/M采用步驟5.1中模型參數公式計算σ；步驟5.4，判別收斂條件，包括計算當前的參數L，當滿足J＝Jmax或者(L?Lold)/Lold≤ε時，結束迭代，進入步驟6，其中Jmax為預設的最大迭代次數，ε是收斂閾值；否則，J＝J+1，返回步驟5.2；所述參數L的計算公式如下，L=MPlnσ2-MPln(1-γ)-(M-MP)lnγ+12σ2Σm=1MΣn=1Npmn||ym-t(xn)||2]]>其中，Lold表示上一次計算得到的L；步驟6，重新計算特征點集Y中ym是特征點集X中xn的匹配點的后驗概率pmn，并根據閾值判斷二者是否互為匹配點，實現如下，將所述步驟5中求解的模型參數代入步驟4中所述后驗概率數學模型，計算得到特征點集Y中ym是特征點集X中xn的匹配點的后驗概率pmn；當pmn≥threshold時，則認為ym與xn互為匹配點；當pmn<threshold時，則認為ym與xn不互為匹配點，其中threshold為預設的判斷閾值。...

【技術特征摘要】
1.一種基于特征導向GMM和邊緣圖像的圖像配準方法，其特征在于：包括以下步驟，步驟1，計算待匹配的兩幅圖像A和B的邊緣圖像，得到邊緣圖像A'和B'；步驟2，提取邊緣圖像A'和B'的特征點集，得到特征點集N、M分別為圖像A'和B'中找到的特征點的數目，為特征點集相對應的特征描述向量集；步驟3，根據特征描述向量集Sx、Ry設定GMM模型的隸屬度πmn，實現方式如下，計算Sx中每一個特征描述向量sn與Ry中每一個特征描述向量rm的歐氏距離；對于Sx中任一個特征描述向量sn，分別尋找Ry中與其歐氏距離最近的兩個的特征描述向量，求取這兩個特征描述向量到sn歐氏距離之比；設Ry中與sn最近的一個特征描述向量為ri，如果所求比值小于等于預設的閾值T，則設定πin＝τ，πmn＝(1-τ)/(N-1)，其中m＝1,2,...,M且m≠i；如果歐氏距離之比大于預設的閾值T，則設定πmn＝1/N，其中m＝1,2,...,M；步驟4，建立待匹配圖像間幾何變換相應的模型，實現如下，針對待匹配圖像間的仿射變換，建立變換數學模型如下，y＝t(x)＝Ax+o其中，x和y分別是圖像A和圖像B上像素的坐標向量，t(x)表示仿射變換關系，A是一個2×2的仿射矩陣，o是一個2×1的矩陣，表示待匹配圖像間的平移；特征點集Y中ym是特征點集X中xn的匹配點的后驗概率pmn有如下后驗概率數學模型， p m n = π m n e - | | y m - t ( x n ) | | 2 2 σ 2 Σ k = 1 N π m k e - | | y m - t ( x k ) | | 2 2 σ 2 + 2 γπσ 2 / ( 1 - γ ) a ]]>其中，γ和σ均為模型參數，e為數學常量，a為圖像的像素總數；步驟5，通過最優化方法求解模型參數A、o、γ、σ，包括以下子步驟，步驟5.1，初始化，包括令參數γ＝0.9，A＝I2×2，o＝0，pmn＝πmn，m＝1,2,...,M，n＝1,2,...,N，令當前迭代次數J＝1，采用下述模型參數公式計算σ， σ 2 = Σ m = 1 M Σ n = 1 N p m n | | y m - t ( x n ) | | 2 2 M P ]]>其中，全部后驗概率的總和步驟5.2，根據當前的模型參數A、o、γ、σ，更新矩陣P，包括定義矩陣P為一個M×N的矩陣，采用步驟4中所述后驗概率數學模型，計算P矩陣中的每個元素pmn，m＝1,2,...,M，n＝1,2,...,N；步驟5.3，計算參數A、o、γ、σ，如下，采用下述公式計算參數A， A = ( Y ^ T P X ^ ) ( X ^ T d ( P T I M × 1 ) X ^ ) - 1 ]]>其中，矩陣tr(.)為矩陣的跡，d(.)表示將向量轉化為對角線矩陣；IN×1、IM×1都是元素全為1的向量；采用下述公式計算參數o，o＝μy-Aμx采用下述公式計算參數σ2， σ 2 = Σ m = 1 M Σ n = 1 N p m n | | y m - t ( x n ) | | 2 2 M P ]]>采用下述公式計算參數γ，γ＝1-MP/M采用步驟5.1中模型參數公式計算σ；步驟5.4，判別收斂條件，包括計算當前的參數L，當滿足J＝Jmax或者(L-Lold)/Lold≤ε時，結束迭代，進入步驟6，其中Jmax為預設的最大迭代次數，ε是收斂閾值；否則，J＝J+1，返回步驟5.2；所述參數L的計算公式如下， L = M P lnσ 2 - M P l n ( 1 - γ ) - ( M - M P ) l n γ + 1 2 σ 2 Σ m = 1 M Σ n = 1 N p m n | | y m - t ( x n ) | | 2 ]]>其中，Lold表示上一次計算得到的L；步驟6，重新計算特征點集Y中ym是特征點集X中xn的匹配點的后驗概率pmn，并根據閾值判斷二者是否互為匹配點，實現如下，將所述步驟5中求解的模型參數代入步驟4中所述后驗概率數學模型，計算得到特征點集Y中ym是特征點集X中xn的匹配點的后驗概率pmn；當pmn≥threshold時，則認為ym與xn互為匹配點；當pmn<threshold時，則認為ym與xn不互為匹配點，其中threshold為預設的判斷閾值。2.根據權利要求1所述基于特征導向GMM和邊緣圖像的圖像配準方法，其特征在于：步驟1的實現方式為，通過基礎的直方圖均衡算法對圖像A和B進行直方圖均衡，然后利用Sobel算子對直方圖均衡后的圖像進行邊緣提取，最后采用對比度限制直方圖均衡算法對邊緣提取后的圖像進行圖像增強，得到圖像A和B的邊緣圖像A'和B'。3.一種基于...

【專利技術屬性】
技術研發人員：馬泳，馬佳義，黃珺，樊凡，張燦，梅曉光，
申請(專利權)人：武漢熹光科技有限公司，
類型：發明
國別省市：湖北;42