[发明专利]一种基于聚类的形变图的渐进式图匹配方法及装置

说明书

本发明公开了一种基于聚类的形变图的渐进式图匹配方法及装置，方法包括：1)、获取待匹配图像的图像特征；2)、将差异值小于预设阈值的相邻两个图像特征进行合并为一个图像特征，得到图像特征簇；3)、根据图像特征簇之间的匹配关系，获取候选匹配的相似性值，并根据相似性值的最大值获取候选匹配的指示向量；4)、判断指示向量对应的相似性值是否收敛；5)、若否，根据各个候选匹配的指示向量，获取指示向量的置信度，得到更新后的匹配矩阵；并返回执行步骤3)，直至指示向量对应的相似性值收敛；6)、若是，将匹配矩阵中的各个图像特征的对应关系作为待匹配图像的匹配结果。应用本发明实施例，可以提高图像特征匹配的效率。

技术领域

本发明涉及一种图像匹配方法及装置，更具体涉及一种基于聚类的形变图的渐进式图匹配方法及装置。

背景技术

随着图像匹配技术的快速发展，图像匹配技术的应用逐渐扩展到更多的新的领域，如影像医学、测绘、遥感信号处理、工业检测、目标识别和跟踪等。而且，在很多关于图像的研究和项目工程中，图像匹配算法的应用会对整个研究项目的结果产生重要影响。所以，对于图像匹配算法的研究具有非常重要的实际意义。图像匹配是指，将两张待匹配图像进行匹配对比处理，判断两张图像之间的相似程度，进而判断这两张待匹配图像是否含有相同或者相类似的内容。通常情况下，图像匹配过程可以分成两部分：首先进行图像匹配特征的选取：然后进行图像匹配特征的匹配，在匹配过程中药使用相似性度量算法。图像匹配的算法很多，一般可以分为以下两类：1)基于待匹配图像中像素灰度值的图像匹配方法：这类特征可以利用图像中选中区城内的所有像素信息来描述特征，匹配精度较高，因为是区域内进行统计分析，所以需要处理的像素很多，相应会使得计算代价很高。2)基于特征的图像匹配方法：其中特征一般可理解为基于几何形状的特征，只提取图像中的点、线和区域等特征，如边缘、角点、轮廓，这类这类方法需要计算的像素数目大大减少，适应性更强，应用较为广泛。特征的相似性度量方法要依据前面所提取的特征进行选择，比较常用的是归一化相关性度量、基于距离的度量、基于互信息的度量等等。

目前常用的图像匹配算法是基于特征的图像匹配算法，在该算法中，图像的特征点的数目远远小于像素点的数目，大大减少了计算量。在提取特征前可以对图像进行预处理来减少噪声的影响，而且特征点对灰度变化，图像尺寸缩放以及遮挡都有比较强的适应性。此外，特征点在匹配时对位置变化也比较敏感，由此可以滤出一部分位置不对应的匹配点，提高匹配精度，从而有效的避免了使用灰度信息进行匹配时出现的一些问题。

基于特征的图像匹配方法中使用的是局部特征，这些局部特征是图像上具有代表性的局部信息。这类图像匹配方法中常用的特征有：角点，直线，轮廓形状，边缘等等。角点检测算法有：Harris角点检测算法，SUSAN角点检测算法等等。这类方法提取出图像角点特征后，通过使用一些特定的方法来得到两幅图像之间角点信息的关系，从而判段角点对是否匹配。直线特征在图像匹配中使用也比较广泛。常见的Hough变换就可以用来提取图像中的直线特征。Medioni和Nevatia就使用了直线特征进行图像匹配。轮廓特征也是一种较常见的特征，基于形状的匹配算法也很多。Shi和Kaick就使用轮廓作为特征，通过计算形状的一致性来进行匹配。Yang等人将形状特性和位置信息相结合构建一种低维的图像描述子。Shu等人根据轮廓中点在极坐标中的分布特性提出一种轮廓特征：轮廓点分布直方图，该特征不仅符合人类的视觉感知，而且计算量低。

但是，发明人发现，基于特征的匹配算法只需计算单个特征点或特征点邻域内的相关信息，计算量大大减小、操作起来更简单。因此，使得基于特征的图像匹配方法在实际应用中越来越广泛。在传统的图像匹配方法中，将特征提取完后会直接进行特征点匹配。而图像中对象越多，图像的内容越丰富，所提取的特征数会越多，而且特征点都是高维数据。这样在大量高维数据中进行特征查找时，需要的计算量大，效率太低。

发明内容

本发明所要解决的技术问题在于提供了一种基于聚类的形变图的渐进式图匹配方法及装置，以提高图像匹配的效率。

本发明是通过以下技术方案解决上述技术问题的：