[发明专利]一种提高特征匹配精度的图像检测方法

说明书

本发明公开了一种提高特征匹配精度的图像检测方法，属于医学计算机技术领域。本发明对SIFT算法进行改进，利用图像Radon变换得到的值构成特征向量，利用此方法本发明将其从128维降到了24维，从而提高算法的实时性。与此同时，为了配合改进特征向量的匹配，于是本发明选用了两种剔除误匹配的方法，先用结构相似度对匹配点对进行粗剔除，再利用空间几何的分布情况以及对其进行的约束条件实现对匹配点的精剔除。本发明在不影响图像匹配效果的基础上，不仅能够提高配比速度，而且能够提高匹配精度，能实现实时性。

技术领域

本发明涉及一种提高特征匹配精度的图像检测方法，属于医学计算机技术领域。

背景技术

在20世纪之后，医学图像技术就有了日新月异的变化。医学图像依据其提供的信息可分为两种，一是解剖结构图像，如CT、MRI、B超等，这种图像的像素分辨率高，可以将解剖的细节信息显示的一目了然，但各个器官的功能信息及新陈代谢信息却无能为力；二是功能图像，如SPECT、PET等，这种图像可以完整的显示器官的相关信息，但像素分辨率比较低，对解剖的一些细节却无能为力。尽管这些对医学图像的研究已有了很大的帮助，但由于各自提供图像信息的局限性，使得医生在诊断时需要结合他们的经验和空间构想及揣摩去判断所需要的信息，这就存在主观性的影响，还可能忽略掉一些信息。为了解决这种问题，可以通过信息融合技术把这两种图像相结合，各取所长，这对病情的诊断起到了很大的帮助作用。然而图像融合的基础和关键就是图像匹配技术。而且，目前最热门的研究课题之一就是追求一种可以同时应用于医学图像、遥感图像以及计算机视觉中的图像匹配技术。因此，现在好多学者从图像配准中的关键技术入手，对已有算法进行改进或研究更好的图像配准算法去满足人们对图像处理的高要求。图像匹配算法的关键要素由四部分组成：特征空间、搜索空间、相似性度量和搜索策略。其中，特征空间由算法提取出的图像相关信息构成；搜索空间是统一两幅图像的空间分布；相似性度量是计算匹配点之间的相似程度；搜索策略是寻找最佳的匹配。

一般情况下我们将误匹配分两种情况进行考虑：①由定位错误的存在而造成的误匹配点，这种情况的产生源自于图像上的噪声以及采用的匹配算法影响；②由匹配点中存在的局部相似等现象带来的。SIFT算法的特征向量是从梯度方向直方图获取的，具有128维。在特征匹配时就需要花费很长的时间，从而影响SIFT算法的实时性。

发明内容

针对以上问题，本发明选用了Radon变换对SIFT算法进行改进，利用图像Radon变换得到的值构成特征向量，利用此方法本发明将SIFT算法从128维降到了24维，从而提高算法的实时性。与此同时，为了配合改进特征向量的匹配，本发明采用了两种剔除误匹配的方法，先用结构相似度对匹配点对进行粗剔除，再利用空间几何的分布情况以及对SIFT算法进行的约束条件从而实现对匹配点的精剔除。这样，本发明的改进算法在提高实时性的同时匹配精度也有很好的改善。

本发明提出了一种提高特征匹配精度的图像检测方法，包括：

步骤1、用Roberts算子对待检测图像I(x,y)进行滤波，生成高斯平滑图像；或者：选取不同的尺度因子σ，将二维高斯函数G(x,y,σ)与图像的每一个像素点进行卷积，生成高斯平滑图像；

步骤2、用高斯差分尺度空间函数计算所述高斯平滑图像，生成DOG图像；

步骤3、提取所述DOG图像的特征点，确定其位置和尺度；

步骤4、以SIFT算法获取的每个精确特征点为中心，用Radon变换得到不同角度直线上的一系列投影图，并计算其Radon变换值，得到图像的特征描述符，改进算法的特征描述符，生成特征向量；

步骤5、用结构相似度函数和空间几何关系约束的方法，删除不稳定的特征点，在此基础上进行特征向量匹配，用街区距离来度量实现特征点的匹配。

进一步地，步骤3具体为：