[发明专利]一种基于卢卡斯‑卡纳德图像对齐的图像配准方法

说明书

技术领域

本发明涉及图像配准领域，尤其是涉及了一种基于卢卡斯-卡纳德图像对齐的图像配准方法。

背景技术

图像配准是图像处理研究领域中的一个典型问题和技术难点，其目的在于比较或融合针对同一对象在不同条件下获取的图像，例如图像会来自不同的采集设备，取自不同的时间、不同的拍摄视角等等，有时也需要用到针对不同对象的图像配准问题。图像配准技术在计算机视觉、医学图像处理以及材料力学等领域都具有广泛的应用。根据具体应用的不同，有的侧重于通过变换结果融合两幅图像，有的侧重于研究变换本身以获得对象的一些力学属性。将各种图像结合起来，在同一图像上显示各自的信息，为临床医学诊断提供多数据多信息的图像，这成为极具应用价值的技术，而准确高效的图像配准则是关键和难点。因而图像配准技术无论是在计算机视觉方面，还是在临床医学诊断都具有极重要的意义。然而，现有的配准技术对照明、表明反射率和其他成像因素具有强烈依赖性，导致图像模型配准失败。

本发明提出了一种基于卢卡斯-卡纳德图像对齐的图像配准方法，先通过迭代找到参数集使图像变形成对应模型，在每次迭代中使用损失函数相对于变形参数向量的梯度，确定使更接近函数最小值的参数更新，接着使用高斯模糊平滑原始图像去除图像中的细节来简化损失，然后用卷积神经网络特征图替换金字塔，最后实时球型拼接系统跟踪旋转相机运动，并产生关键帧图，渲染成球形全景图。本发明采用卢卡斯-卡纳德算法，减少了配准技术对于照明、表明反射率和其他成像因素的依赖，使配准时更加快速精准，计算效率也大大提高。

发明内容

针对现有的配准技术对照明、表明反射率和其他成像因素具有强烈依赖性的问题，本发明的目的在于提供一种基于卢卡斯-卡纳德图像对齐的图像配准方法，先通过迭代找到参数集使图像变形成对应模型，在每次迭代中使用损失函数相对于变形参数向量的梯度，确定使更接近函数最小值的参数更新，接着使用高斯模糊平滑原始图像去除图像中的细节来简化损失，然后用卷积神经网络特征图替换金字塔，最后实时球型拼接系统跟踪旋转相机运动，并产生关键帧图，渲染成球形全景图。

为解决上述问题，本发明提供一种基于卢卡斯-卡纳德图像对齐的图像配准方法，其主要内容包括：

(一)直接每像素损失函数；

(二)卢卡斯-卡纳德算法；

(三)粗略对齐；

(四)用卷积神经网络(CNN)特征图替换金字塔；

(五)球型拼接。

其中，所述的直接每像素损失函数，图像对齐(配准)需要移动和变形常量模板图像以找到与参考图像的最佳匹配；图像配准的核心是生成的变形模型，其被参数化以表示相对相机场景运动的自由度；通过迭代地找到更好的参数集来使图像变形成对应的模型，进行对齐；

为了评估一致性，必须定义图像相似度的度量；在卢卡斯-卡纳德(LK)的标准形式中，使用平方差(SSD)的和；这给出了以下目标函数：

其中，I_r是参考图像，I_t是模板图像，x是图像像素位置，是生成的变形模型，旨在解决的变形参数向量为p。

其中，所述的卢卡斯-卡纳德算法，在LK对齐中，在每次迭代中，使用公式(1)中的损失函数相对于变形参数向量p的梯度，并确定使更接近函数最小值的参数更新Δp；

以下更新法则：

W(x；p)←W(x；p)οW(x；p)^-1 (3)

线性化公式(2)导致一个封闭形式的解决方案：

其中，

r＝I_r(W(x；p))-I_t(x) (6)

会聚处的形状在很大程度上取决于图像内容，即图像中存在的纹理和模糊度的数量和类型；由于损失格局通常在实际转化附近局部凸起，因此优化需要良好的初始化才能成功地收敛于正确的解决方案。

进一步地，所述的LK对齐，使用一个简单的卢卡斯-卡纳德图像对齐方式，其中有一个迭代次数超过了一个金字塔的粗糙度水平，并且通过预先训练的CNN的卷积特征图的层次简单地替换了图像金字塔。

其中，所述的粗略对齐，为了增加收敛处的大小，可以使用高斯模糊平滑原始图像，通过去除图像中的细节来简化损失；高斯平滑图像通常被下采样，因为它不会导致信息丢失并会减少要处理的像素数量；由于下采样图像中的像素对应于原始图像中的多重像素，所以两者之间的距离缩短，从而增加了收敛处的大小；出于同样的原因，在较小版本的图像上执行的对准的精度也降低；