[发明专利]一种基于特征点的图像配准方法

权利要求书

1.一种基于特征点的图像配准方法，其特征在于，包括以下步骤：

步骤1)：特征提取，

对两幅待配准的图像利用特征点提取算子进行特征点提取，得到的两个特征 点集定义为方法的输入数据；

步骤2)：相似度计算，

建立搜索空间，定义所述两个特征点集为S和T，所包含的点的个数分别定 义为n₁和n₂，提取特征点的K近邻结构并构建特征点的环式边角码；搜索空间 定义为点集T所对应的n₂个环式边角码上的n₂K个边角码，对n₂K个边角码按角 度大小排序建立索引；特征点的K近邻结构通过一个环式边角码表示，利用二分 查找和增量匹配算法计算特征点之间的最大相似环式边角码，将最大相似环式边 角码的相似长度定义为两个特征点之间的相似度，计算相似度的同时确定可能匹 配的特征点对；

所述的环式边角码为：将特征点分别与其K近邻结构中的K个邻居点通过一 条边相连接；将每条边和它逆时针邻接的角的组合定义为一个边角码EAC＝(E， θ)，其中有K个边角码(Ei，θi)，i＝0，1，…，K-1；对这K个边角码按逆时 针顺序编码并依次将它们连成一个环形结构则得到特征点的环式边角码，定义K 为环式边角码的长度；两个环式边角码从某一对边开始满足对应边成比例，对应 角成比例且等于1，则定义这两个环式边角码相似，其中一个环式边角码的长度 定义为相似环式边角码的相似长度；

步骤3)：结构匹配，

根据相似度大小和可能匹配点数，将特征点对分类并进行局部映射估计，令 (P_i，Q^*_j)表示特征点对，特征点对分类条件定义为：

(Pi,Q*j)∈badClassifsimilarity(Pi,Q*j)<2unknownClassifsimilarity(Pi,Q*j)≥3and NO>1goodClassifsimilarity(Pi,Q*j)≥3and NO=1]]>

goodClass中的(P_i，Q^*_j)定义为结构匹配结果，对goodClass中的(P_i，Q^*_j)采用相 似变换模型进行局部映射估计，定义(P_i，Q^*_j)的相似度为ls，(P_i，Q^*_j)与每对邻 居点组合一共估计ls组局部相似变换，定义ls组局部相似变换的均值作为最终估 计的局部映射；其中Q^*_j为P_i的可能匹配点；所述的NO是Q_j^*的个数； similarity(P_i，Q^*_j)含义是Q^*_j与P_i的相似度；

步骤4)：优化匹配，

利用结构匹配结果进行聚类，通过下述步骤确定特征点对应关系：

(a)对goodClass中的(P_i，Q^*_j)按相似度由大到小排序；

(b)对排序后的(P_i，Q^*_j)按相似度大小进行降序扫描，当(P_i，Q^*_j)未被聚类 过，则以(P_i，Q^*_j)为类中心C_i，(P_i，Q^*_j)所关联的局部映射T_i作为分类器，对 goodClass和unknownClass中未被聚类的特征点对及关联的对应邻居点进行验 证；

首先将与(P_i，Q^*_j)关联的ls对邻居点直接归入该类，然后利用分类器验证其 它goodClass和unknownClass中未聚类的可能匹配点对及关联的匹配的邻居点 对，当所验证的点对空间坐标关系在误差范围内满足分类器T_i时，则对其进行标 记，将其归入该类，不进行后续处理，否则将其忽略；

(c)分析聚类结果，

聚类结果中，元素最多的类定义为最大类，元素第二多的类为次大类；最大 类元素个数定义为S₁，次大类元素个数定义为S₂，当满足下列条件之一时，最 大类作为特征点对应关系，估计最优变换，

①S₁＞t₁S₂，②S₁＞S₂同时S₁＞t₂，

其中t₁、t₂是大于1的特定阈值，由待匹配图像的种类决定；

步骤5)：最优变换估计，

利用仿射变换模型对两幅图像之间的映射进行最小二乘估计。

2.根据权利要求1所述的基于特征点的图像配准方法，其特征在于，所述 的相似度计算通过下述步骤完成：

(1)建立搜索空间，定义所述两个特征点集为S和T，所包含的点的个数 分别定义为n₁和n₂，同时定义P_i∈S、Q_j∈T，提取特征点的K近邻并按定义 构建特征点的环式边角码；搜索空间定义为点集T所对应的n₂个环式边角码上的 n₂K个边角码，对n₂K个边角码按角度大小排序建立索引；

(2)确定搜索对象，单次搜索对象定义为P_i的环式边角码上的每个边角码， 搜索对象为K个；

(3)确定搜索策略，定义(E_k，θ_k)为P_i的一个边角码，利用二分搜索和线性 搜索在搜索空间中查找误差允许范围内角度相同的所有边角码(E_n，θ_n)，定义 (E_n，θ_n)隶属的特征点为Q_j；

(4)利用增量匹配算法计算相似环式边角码，将(E_k，θ_k)与每个(E_n，θ_n)进 行比较，当(E_k，θ_k)与(E_n，θ_n)的比较操作为真时，分别以(E_k，θ_k)与(E_n，θ_n)为起 点生成P_i和Q_j的两个环式边角码L_P＝{A₀，A₁，...，A_(K-1)}和L_Q＝{B₀，B₁，...，B_(K-1)}， 其中A_k∈L_p和B_n∈L_Q表示边角码，记E_k^A，θ_k^A，E_n^B，θ_n^B分别表示A_k，B_n的边和角；

首先比较A₀，B₀，如果θ₀^A，θ₀^B不相等，则角度小的边角码与其相邻的下一 个边角码进行加操作生成新的边角码；如果θ₀^A，θ₀^B相等，则验证θ₀^A，θ₀^B相邻的 对应边(E₀^A，E₀^B)和(E₁^A，E₁^B)是否成比例，如果成比例，则将A₀，B₀保留在已求 得的相似环式边角码中，如果不成比例，则将这A₀，B₀与各自相邻的下一个边角 码进行加操作生成新的边角码，然后循环进行下次比较操作，循环过程直到其中 一个环式边角码遍历完为止；

(5)确定可能匹配点，定义S(A_k，B_n)＝{L_k，L_n}表示以E_k^A，E_n^B为起始 对应边的相似环式边角码，L_k，L_n表示相似环式边角码，令S(A_k，B_n)的相似 长度为len^ij(k，n)，特征点P_i，Q_j的相似度定义为：

similarity(Pi,Qj)=maxk,n∈[0,K-1]lenij(k,n)]]>

当Q_j^*满足Qj*=argmaxQj∈Tsimilarity(Pi,Qj)]]>时，定义Q_j^*为P_i的可能匹 配点，Q_j^*的个数定义为NO。