[发明专利]一种基于G-AKAZE的图像特征匹配算法

说明书

本发明涉及基于G‑AKAZE的图像特征匹配算法，是一种对灾害环境下图像的特征匹配算法，属于图像处理与机器学习领域，其特征在于采用如下步骤：(1)构建非线性尺度；(2)确定图像的非线性尺度空间；(3)确定特征点主方向；(4)特征点匹配；(5)确定统计区域内点的支持可能性；(6)确定x_i正确和错误时的均值和方差；(7)确定图像网格间的判断阈值。本发明通过引入误匹配剔除算法，保证了在误匹配识别精度提升的前提下，更加快速高效的进行误匹配点的剔除，大大提升了图像匹配的精确度，同时改善传统图像匹配过程中，由于背景噪声干扰和图像畸变所产生的匹配差异问题，有效的解决了背景噪声和图像尺度改变的影响，提升了图像匹配的精确度。

技术领域

本发明涉及图像处理与机器学习领域，主要是一种对灾害环境下图像的特征匹配算法。

背景技术

目前对于图像特征的提取，主要是采用对图像轮廓的模糊提取，滤除图像的干扰噪声，然后筛选出重点特征值。一般来说，图像中所显示的几何特征、光线特征、边缘信息等，在不同的时间，视角、使用不同的设备进行记录，都会存在显著的差异。同时由于灾害环境的复杂性和多样性，会对图像产生各种干扰和噪声的影响，在进行图像匹配的时候，相关度的降低，会导致图像匹配的准确性下降。对于图像的特征提取，传统的方式有基于AKAZE算法的图像特征匹配和基于Relief算法的图像特征识别。对于基于AKAZE算法的图像特征匹配，由于其采用的是二进制描述符来描述图像的特征点，极易在图像发生尺度、模糊变化时，特征点提取数量不稳定急剧减少，特征点准确度同时降低，极易产生偏差。而采用Relief算法，由于其采用的是差异化帧扫描技术进行特征检测，标记边缘轮廓特征和模糊度辨识，对于非线性的干扰噪声，难以抑制，不易描述图像亮度在不同尺度空间的变化。在实际应用的过程中，灾害图像的特征点被噪声遮挡，易导致特征点提取出现偏差，匹配错误结果。

对于图像的特征匹配，关键点在于消除图像中噪声的干扰，矫正图像中产生畸变的区域，从而提高图像匹配的准确率。针对以上问题提出了一种改进的图像匹配算法，通过引入非线性扩散滤波，抑制噪声的同时，增加对图像边缘模糊的处理，使其在尺度空间上保留更多的特征细节，通过计算特征点邻域内的匹配数，准确标记匹配点，提高了图像匹配的精度和效率。

发明内容

针对上述现有技术中存在的问题，本发明要解决的技术问题是提供一种基于G-AKAZE的图像特征匹配算法，其具体流程如图1所示。

技术方案实施步骤如下：

(1)构建非线性尺度

式中，L表示为图像亮度矩阵，t表示为时间参数，div表示散度函数，表示为图像梯度算子，c表示为传导函数，x表示为图像的横坐标，y表示为图像的纵坐标，I表示为单位矩阵。

(2)确定图像的非线性尺度空间L^i+1,j+1：

L^i+1,j+1＝(I+τ_jA(Lⁱ))L^i+1,j,j＝0,1,…,n-1

式中，i表示计数参数，j表示为计数参数，τ_j表示为对应步长，A(Lⁱ)表示为图像Li的传导矩阵，n表示显性扩散步数，τ_max表示满足显性扩散稳定性条件时的最大步长值。在整个循环过程中，矩阵A(Lⁱ)始终保持不变，当循环结束后，算法将重新计算矩阵A(Lⁱ)的值。寻找不同尺度归一化后的Hessian矩阵极大值，确定Hessian矩阵H：

式中，f表示为定义域内二阶连续可导多元函数，x₁、x₂、…、x_n表示函数中的自变量参数。