本發明專利技術提供一種點特征圖像配準中的雙重最近鄰優先搜索方法，其特征在于：該方法包括：Ａ、讀取基圖，提取基圖的尺度不變特征變換（ＳＩＦＴ）點特征，組成基圖的特征向量空間Θ＿Ｌｅｆｔ；Ｂ、讀取待匹配圖，提取待匹配圖的尺度不變特征變換（ＳＩＦＴ）點特征，組成待匹配圖的特征向量空間Θ＿Ｒｉｇｈｔ；Ｃ、利用基圖的特征向量空間Θ＿Ｌｅｆｔ建立標準的ｋ－ｄ樹ｋｄＴｒｅｅ＿Ｌｅｆｔ，利用待匹配圖的特征向量空間Θ＿Ｒｉｇｈｔ建立標準的ｋ－ｄ樹ｋｄＴｒｅｅ＿Ｒｉｇｈｔ；Ｄ、在待匹配圖的特征向量空間Θ＿Ｒｉｇｈｔ中取出特征向量Ｔ＿Ｒｉｇｈｔ；Ｅ、利用最鄰近優先搜索算法，本發明專利技術可廣泛的應用在圖像特征匹配領域。
【技術實現步驟摘要】
本專利技術涉及圖像特征匹配領域，尤其涉及點特征圖像配準中的雙重最近鄰優先搜 索方法。
技術介紹
基于特征的圖像匹配方法是圖像配準中很重要的一類方法，此類方法的主要流程 如下首先對兩幅圖像進行特征提取得到特征點；通過進行相似性度量找到匹配的特征點 對；然后通過匹配的特征點對得到圖像空間坐標變換參數；最后由坐標變換參數進行圖像 配準。特征提取和匹配是圖像配準技術中的關鍵。基于尺度不變特征變換(Scale Invariant Features Transform, SIFT)點特征的圖像配準方法是近年來研究得較廣泛的 一種基于特征的圖像配準方法。SIFT算法是David Lowe于2004年正式完整提出的一種圖 像局部特征描述算法，SIFT點特征是基于圖像金字塔的多尺度極值點檢測并采用極值點鄰 域的梯度方向直方圖進行描述的一種圖像局部特征。它對于圖像的尺度縮放、旋轉、平移以 及一定程度的仿射和光照變化具有良好的不變性，其建議SIFT特征向量為128維。在特征 匹配中，一般采用歐式距離、馬氏距離以及標準k-d樹搜索等相似性度量方法。最近鄰優先 (Best Bin First, BBF)搜索算法是 Jeffrey S. Beis 和 David Lowe 于 1997 年提出的一種 針對標準k-d樹搜索算法回溯次多、耗時長等缺點而改進的算法，它保證在接近標準k-d樹 搜索算法的配準率的基礎上大幅度減少匹配耗時。在k-d樹中，每一節點都有一個超矩形，且節點在超矩形里面。超矩形是一個向量 空間，其維數與特征空間的維數相同，空間里的每一維分量都在一個區間范圍內。兄弟節點 的超矩形中只有某一維的分量區間不同，但卻是相鄰的，比如左兄弟節點的某一維向量區 間為(0，100]，右兄弟節點的相同維的向量區間為(100，200]，其余所有維的分量區間都相 同。父親節點的超矩形是兩個兒子的超矩形所組合而成的。標準k-d 樹搜索算法(作者 Jon Louis Bentley.文章名Multidimensional binary search trees used for associativesearching.雜志Communi cat ions of the ACM(Association forComputing Machinery), 18 (9) :509517，1975.)在算法回溯時，需要 在兄弟節點所在的相鄰超矩形里檢查是否含有離目標更近特征向量，這大大增加算法時 間。BBF 搜索算法(作者 Jeffrey S. Beis andDavid G.Lowe.文章名Shape indexing using approximatenearest-neighbor search in high dimensional spaces ；期干Ij : Proceedings of the IEEE Conference on Computer Vision andPattern Recognition, pages 1000-1006,1997)是在標準k_d樹搜索算法在算法回溯前，先計算目標向量與相鄰 超矩形的距離，而且按從近到遠的順序將這些超矩形排序，然后在算法回溯時，則依次從最 近超矩形起搜索比較。另外，BBF搜索算法限制相鄰超矩形的數目(SearchSt印)。BBF搜 索算法圖像配準率，隨著SearchSt印增加而提高，當SearchSt印大到一定數時，BBF的配 準率與標準k-d樹搜索算法的配準率相等。雖然BBF搜索算法效率有很大提高，但配準率沒有提高。雙重最近鄰優先(Double Best Bin First, DBBF)搜索方法是BBF搜索算法上增 加匹配驗證功能。在特征匹配過程中，分別建立基圖和待配準圖的k-d樹，特征匹配在這兩 棵k-d樹上進行。DBBF搜索方法的配準率比BBF搜索算法有較大的提高，原因是它在BBF 搜索算法匹配結果中再次利用BBF搜索算法去除一些不正確的匹配對。DBBF搜索方法與標 準k-d樹搜索算法相比，匹配率和效率都有很大的提高。
技術實現思路
本專利技術所解決的技術問題是提供匹配率高和效率高的點特征圖像配準中的雙重 最近鄰優先搜索方法。本專利技術所采用的技術方案是，其 特征在于該方法包括A、讀取基圖，提取基圖的尺度不變特征變換(SIFT)點特征，組成基圖的特征向量 空間 _Left ；B、讀取待匹配圖，提取待匹配圖的尺度不變特征變換(SIFT)點特征，組成待匹配 圖的特征向量空間 _Right ；采用SIFT點特征，其匹配性能明顯高于同類型的局部特征；C、利用基圖的特征向量空間θ _Left建立標準的k-d樹kdTree_Left，利用待匹配 圖的特征向量空間 _Right建立標準的k-d樹kdTree_Right ；D、在待匹配圖的特征向量空間 _Right中取出一特征向量T_Right ；E、利用最鄰近優先搜索算法，在基圖的k-d樹kdTree_Left中分別找出與特征向 量T_Right距離最近的特征向量T-Left_NeareSt和與特征向量T-Right距離次近的特征 向量 T-Left_Nearer ；基圖的特征向量空間 _Left中沒有與特征向量T_Right相匹配的特征向量，轉至步驟I ； 若比值小于0.8，轉至步驟G;其中T_Right[k]表示特征向量T_Right中的第k維分量；T_Left_Nearest[k]表示特征向量 T_Left_Nearest 中的第 k 維分量；T_Left_Nearer [k]表示特征向量 T_Left_Nearer 中的第 k 維分量；k = 0，1，· · ·，127 ；G、利用最鄰近優先搜索算法，在待匹配圖的特征向量空間 _Right建立的標 準的k-d樹kdTree_Right中找出與特征向量T_Left_Nearest最近距離的特征向量T_ Right，；H、判斷特征向量T_Right與特征向量T_Right’是否相同，若特征向量T_Right 與特征向量T_Right’不同，則認為在基圖的特征向量空間 _Left中沒有與特征向量T_Y4 (T_Right[k] — T_Left_Nearest[k])的比值，若比值大于0. 8，則認為在Right相匹配的特征向量，轉至步驟I ；若特征向量T_Right與特征向量T_Right’相同，則 特征向量T_Right和特征向量T_Left_Nearest成為一對匹配；I、判斷待匹配圖的特征向量空間 _Right中的特征向量是否取完，若待匹配圖 的特征向量空間 _Right中的特征向量取完，則方法停止，否則轉至步驟D。根據本專利技術所述的的優選方案，所 述利用基圖的特征向量空間 _Left建立標準的k-d樹的方法包括Cl、制定k-d樹節點分辨器的原則利用基圖的特征向量空間 _Left, _Left = (T1, T2, ... , ΤΝ}，其中，每個特征 向量Ti的維數為128，i = 1，2，...，N;遍歷特征向量空間 _Left，找出每一維的最大值 max (TiM) = maxk 和最小值 HiinCTi [k]) = mink，其中 k = 0，1，· · ·，127 ；計本文檔來自技高網...
【技術保護點】
【技術特征摘要】
點特征圖像配準中的雙重最近鄰優先搜索方法，其特征在于該方法包括A、讀取基圖，提取基圖的尺度不變特征變換(SIFT)點特征，組成基圖的特征向量空間Θ_Left；B、讀取待匹配圖，提取待匹配圖的尺度不變特征變換(SIFT)點特征，組成待匹配圖的特征向量空間Θ_Right；C、利用基圖的特征向量空間Θ_Left建立標準的k d樹kdTree_Left，利用待匹配圖的特征向量空間Θ_Right建立標準的k d樹kdTree_Right；D、在待匹配圖的特征向量空間Θ_Right中取出特征向量T_Right；E、利用最鄰近優先搜索算法，在基圖的k d樹kdTree_Left中分別找出與特征向量T_Right距離最近的特征向量T_Left_Nearest和與特征向量T_Right距離第二近的特征向量T_Left_Nearer；F、判斷的比值，若比值大于0.8，則認為在基圖的特征向量空間Θ_Left中沒有與特征向量T_Right相匹配的特征向量，轉至步驟I；若比值小于0.8，轉至步驟G；其中T_Right[k]表示特征向量T_Right中的第k維分量；T_Left_Nearest[k]表示特征向量T_Left_Nearest中的第k維分量；T_Left_Nearer[k]表示特征向量T_Left_Nearer中的第k維分量；k＝0，1，...，127；G、利用最鄰近優先搜索算法，在待匹配圖的特征向量空間Θ_Right建立的標準的k d樹kdTree_Right中找出與特征向量T_Left_Nearest最近距離的特征向量T_Right’；H、判斷特征向量T_Right與特征向量T_Right’是否相同，若特征向量T_Right與特征向量T_Right’不同，則認為在基圖的特征向量空間Θ_Left中沒有與特征向量T_Right相匹配的特征向量，轉至步驟I；若特征向量T_Right與特征向量T_Right’相同，則特征向量T_Right和特征向量T_Left_Nearest成為一對匹配；I、判斷待匹配圖的特征向量空間Θ_Right中的特征向量是否取完，若待匹配圖的特征向量空間Θ_Right中的特征向量取完，則方法停止，否則轉至步驟D。FSA00000326912500011.tif2.根據權利要求1所述的點特征圖像配準中的雙重最近鄰優先搜索方法，其特征在 于所述利用基圖的特征向量空間 _Left建立標準的k-d樹的方法包括 Cl、制定k-d樹節點分辨器的原則利用基圖的特征向量空間 _Left, _Left = (...
【專利技術屬性】
技術研發人員：周尚波，李昆，鐘將，劉一鳴，
申請(專利權)人：重慶大學，
類型：發明
國別省市：85
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。