[发明专利]基于直线特征图像配准中的特征匹配方法

说明书

技术领域

本发明属于图像处理技术领域的图像配准方法，尤其是图像配准过程中基于两幅图像中提取的直线特征进行匹配的方法。

背景技术

图像配准是各种遥感图像处理软件、医学图像处理软件中的重要模块，是遥感图像融合、环境监视、变化检测、图像拼接、天气预测以及医学图像处理应用中的关键一步，目的是将不同时期、不同视点或不同传感器获得的同一地域或物体的两幅或多幅图像进行几何校正，使它们达到空间位置上的一致性。多幅图像之间的配准问题往往可以分解成多个两幅图像之间的配准问题，因此，图像配准问题主要都是研究两幅图像之间的几何校正问题，其中一幅图像称为参考图像，另一幅图像称为待配准图像。由于图像配准的重要性，近三十年来，人们对其进行了广泛深入的研究，取得了很多重要的成果，提出了大量的方法。

已有的图像配准方法主要分为两大类：基于区域的方法和基于特征的方法。

基于区域的方法是从待配准图像中取一小窗口的图像块与参考图像中同样大小的图像块进行统计地相关比较，把相似性测度(一般采用灰度差的平方和、相关系数等，也可能是变换域的一些属性，如傅立叶变换、小波变换等)最大的两个窗口的中心作为一对同名像点，然后利用获得的所有同名像点和最小二乘算法估计变换模型参数向量，完成配准。由于采用的相似性测度一般与图像辐射特性和变换模型有关，因而基于区域的方法不适合辐射特性和几何形变较大的两幅图像之间的配准。

基于特征的方法通常包括三个步骤：首先分别从参考图像和待配准图像中提取特征，这些特征一般是空域特征，例如点、边缘、轮廓、直线段、区域等；然后利用提取特征的属性信息进行特征匹配，由匹配的特征对获得同名像点；最后根据这些同名像点和最小二乘算法估计变换模型参数向量，完成配准。跟基于区域的方法相比，基于特征的方法对图像辐射失真不太敏感，能适应于不同传感器图像之间的配准，已成为图像配准技术研究的重点和热点。

基于特征的图像配准方法的一个关键和难点是如何寻找参考图像和待配准图像中的对应特征，即特征匹配问题。现有文献中已提出多种策略来解决这一问题，主要分为利用空间关系、利用特征相似性、利用序贯组合空间关系和特征相似性这三类方法。利用空间关系的方法是首先从两幅图像提取的每个特征中抽取出一个或多个控制点(如直线的中点、区域的重心、轮廓上的突出点等)，然后寻找两幅图像中各个控制点在空间关系达到全局一致性时的最佳变换模型参数向量。这类方法的最大优点是一般都能获得较好的配准结果，不过它的最大问题是计算复杂，同时要求正确的匹配特征数必须大于任何一类局外情况的特征数目，才能获得比较可靠的结果，而且随着正确匹配特征数量的减少，算法的复杂度将会显著增加，配准的成功率却大为下降。利用特征相似性的方法是首先采用一组参数描述两幅图像中的每个特征，然后利用这些参数计算不同特征之间的相似性测度，根据相似性测度最大的原则寻找匹配特征对。特征描述参数一般要满足不变性、唯一性、稳定性以及独立性等几个条件，常用的特征描述参数有相关系数、矩不变量、形状矩阵、链码等。这类方法的特点是计算简单，但当图像中存在多个形状相同或相近的特征时，容易造成特征之间的误匹配，使得配准失败。正因为单独利用空间关系或特征相似性进行特征匹配都有局限性，人们自然想到组合这两种匹配准则，这就是利用序贯组合空间关系和特征相似性的方法，这种方法首先利用特征相似性剔除一些不太可能匹配的特征组合，以减少基于空间关系方法的搜索空间，然后利用空间关系得到最终的特征匹配结果。这类方法结合了前两类方法的优点，在配准速度和精度的兼顾性上优于前两类方法，但是这种序贯组合方式实际上仍是一种基于空间关系的方法，不能克服基于空间关系的固有缺陷：即随着两幅图像中正确匹配特征数量的减少，算法的复杂度将会显著增加、配准的成功率却大为下降。

此外，现有的绝大多数基于特征的图像配准方法在特征匹配阶段都等同地看待每一个待匹配特征，没有考虑特征提取结果的可靠性。由于图像噪声和特征提取算法等方面的原因，特征提取结果或多或少存在一些不确定性(如位置提取不准确，特征提取不完整等)。这样，如果将一些不可靠的特征作为匹配特征来估计变换模型参数向量，就会导致获得的配准结果精度不高，甚至配准失败。