[发明专利]一种异源图像精确匹配方法

权利要求书

1.一种异源图像精确匹配方法，其特征在于，该方法包括如下步骤：

(1)针对待匹配的红外和可见光异源图像，将它们分别灰度化，同时求出红外灰度图的负像，红外灰度图像img1与其负像img3分别与可见光灰度图像img2匹配，即两个待匹配图像组，并将可见光灰度图像img2作为参考图像，红外灰度图像或其负像作为待匹配图像；

(2)针对待匹配图像组的每幅图像，基于DOG算法提取具有尺度不变的关键点，对关键点进行SIFT特征向量提取；设计改进的Harris算法提取图像的角点，并建立以角点为参考点的形状上下文特征；基于LPQ算法计算关键点邻域的LPQ特征向量；

(3)针对待匹配图像组中的每幅图像的三种特征即SIFT特征、基于角点的形状上下文特征、LPQ特征，分别计算三种特征的相似性系数，采用余弦相似度算法计算SIFT特征向量相似性系数，采用欧式距离算法分别计算基于角点的形状上下文特征向量和LPQ特征向量相似性系数，将三种特征的相似性系数加权融合，作为多特征的联合相似性度量，然后通过最近邻次近邻比值法对待匹配图像组的每组图像进行初始匹配，形成匹配点对数据集；

(4)利用RANSAC算法去除匹配点对数据集中误匹配的点对；

(5)将红外灰度图像与其负像分别与可见光灰度图像匹配的结果整合为最终匹配结果。

2.根据权利要求1所述的一种异源图像精确匹配方法，其特征在于，步骤(1)中获取红外灰度图像的负像的具体方法是：用255减去红外灰度图像中每个像素的灰度值，计算得到红外灰度图像的负像img3。

3.根据权利要求1或2所述的一种异源图像精确匹配方法，其特征在于，所述步骤(2)中针对待匹配图像组的每幅图像，基于DOG算法提取具有尺度不变的关键点，对关键点进行SIFT特征提取；设计改进的Harris算法提取图像的角点，并建立以角点为参考点的形状上下文特征；基于LPQ算法计算关键点邻域的LPQ特征向量，具体方法如下：

(a)针对待匹配图像组的每幅图像，基于DOG算法提取具有尺度不变的关键点，对关键点进行SIFT特征提取，并将得到的SIFT特征向量归一化：

(a1)以关键点为圆心，任意半径画圆，以关键点主方向为横坐标轴方向；

(a2)取关键点周围的16x16邻域，把邻域划分为4x4的子邻域，并且在每个子邻域里面进行八个方向梯度直方图的计算统计，这样就形成了128维的SIFT特征向量；

(a3)对步骤(a2)中得到的SIFT特征向量进行归一化；

(b)针对待匹配图像组的每幅图像，设计改进的Harris算法提取图像的角点，并建立以角点为参考点的形状上下文特征，具体方法如下：

第一，针对待匹配图像组的每幅图像，建立局部窗口在图像上滑动，转换为数学公式(1)所示，根据公式(4)的R值判断是否是图像的Harris角点；

E(u，v)＝∑w(x，y)[I(x+u，y+v)-I(x，y)]² (1)

其中，I(x，y)为图像在(x，y)点的灰度值，w(x，y)是高斯加权函数，u，v是窗口在水平，竖直方向的偏移，对式(1)二阶泰勒级数展开化简，得到：

E(u，v)＝∑w(x，y)[uI_x+vI_y]² (2)

将式(2)转化为矩阵表示：

其中，M是对称矩阵，M为I_x和I_y是图像灰度沿x和y方向的梯度分量；

定义角点函数R：

R＝detM-k(traceM)² (4)

其中，det M是矩阵M的行列式，trace M为矩阵M的直迹，k为经验常数；

如果R＜0，则该点为边缘点；如果R＞0，则该点为角点；

第二，设置阈值thresh，令R＞thresh*Rmax，以从角点中进一步找到强角点，其中，Rmax是计算所有像素点的R值中最大的值；

第三，针对待匹配图像组的每幅图像，以(a)中基于DOG算法提取的图像关键点为圆心，以圆心到图像的所有关键点中的最长距离为半径，建立对数极坐标系，然后沿半径方向将整个坐标系划分为五个半径不等的同心圆，再将360度分成12份，最后就将对数极坐标系分成60个小区域，利用对数直方图统计落入60个区域的强角点的数量，并计算落入点的概率，得到一个60维的特征向量作为基于角点形状上下文描述；

第四，将基于角点的形状上下文特征向量H-SC归一化；

(c)基于LPQ算法计算关键点邻域的LPQ特征向量，并将特征向量归一化。