[发明专利]基于区域分块的奇异值分解图像匹配算法

说明书

本发明公开了一种基于区域分块的奇异值分解图像匹配算法，首先将采集到的原始彩色图像变为灰度图像，再对其分别进行分块处理；然后在待匹配图像中分别提取带主方向的角点作为特征点；最后利用奇异值分解算法生成特征点匹配矩阵并获得特征点间的一一对应关系。实验结果表明，改进后的算法能够匹配任意角度旋转的图像，并具有较快的计算速度和较高的匹配精度，解决了现有技术中存在的误匹配易耗时、匹配效率低的问题。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于区域分块的奇异值分解图像匹配算法。

背景技术

图像匹配是指对多幅存在重叠区域的待匹配图像，利用其相邻两幅间灰度、纹理、位置等特征的对应关系、相似性和一致性分析，搜索并识别出相邻图像间的匹配点对。图像匹配是计算机视觉的基础，在遥感图像处理、医学图像分析、目标跟踪识别等图像分析领域应用广泛。近年来，出现了许多图像匹配算法，这些算法可分为两大类：基于区域的匹配算法和基于特征的匹配算法。基于区域的匹配算法直接比较图像间的灰度分布，通过计算图像间的相关系数作为相似性度量进行匹配；基于特征的匹配算法首先提取图像中显著性较强的部分作为进行匹配的特征，然后对所提取特征计算特征描述子并进行匹配。赵峰等提出了基于奇异值分解的图像匹配算法，首先提取到图像中的特征点，然后利用奇异值分解算法匹配两幅图像；高晶等提出基于角点检测的图像匹配算法，首先基于曲率尺度空间检测图像在不同尺度下的角点，确定其位置与方向，进而确定出特征点的主方向，最后设计双向匹配方法实现特征点匹配。

传统的基于区域的匹配算法具有较高的匹配精度，但匹配过程往往是在整副图像上进行，计算量大且对图像旋转较为敏感；基于特征的匹配方法虽然能够处理图像间复杂的变换，但通常需要进行大量几何与图像形态学计算，并需要针对不同应用领域选择合适的特征。本文提出一种基于区域分块的奇异值分解图像匹配算法，首先将原始图像灰度化再进行分块处理，然后提取图像中的特征点并为其指定一个主方向，建立特征点相似度矩阵，利用奇异值分解算法生成特征点匹配矩阵并获得特征点间的匹配关系，最后采用RANSAC(随机抽样一致性)算法对匹配过程中的误匹配点进行剔除。实验结果表明，改进后的奇异值匹配算法比标准奇异值匹配算法具有更好的匹配性能。

发明内容

本发明的目的是提供一种基于区域分块的奇异值分解图像匹配算法，解决了现有技术中存在的处理数据量大、匹配效率低的问题。

本发明所采用的技术方案是，一种基于区域分块的奇异值分解图像匹配算法，具体按照以下步骤实施：

步骤1，先对采集到的彩色图像进行灰度化处理，变为灰度图像，将采集到的图像Q与标准图像P分别进行分块处理，

步骤2，搜索分块后的图像块，并根据图像块的相似性进行匹配，

步骤3，对进行相似性匹配后的每一对图像P和Q，S_j和O_k的组成经过评判标准后所得到，进行特征点提取，进行奇异值分解的特征点匹配，

步骤4，根据匹配结果，采用RANSAC对匹配过程中存在的误匹配点进行剔除。

本发明的特点还在于，

所述步骤1具体如下：

步骤1.1，对采集图像Q进行分块，将采集到的原始彩色图像Q灰度化，然后进行分块处理，设采集的原始图像Q的大小为F₁×F₂，将原始图像Q划分为N个非重叠的图像块，每个划分完成的图像块大小为f×f，划分后的图像块合集为(Q₁，Q₂，…，Q_j，…，Q_Ω…Q_N)；