[发明专利]一种基于DT-SUSAN-Brute-Force的图像匹配算法

说明书

本发明涉及基于DT‑SUSAN‑Brute‑Force的图像匹配算法，是一种对灾情图像信息进行匹配的算法，属于图像处理和机器学习领域，其特征在于采用如下步骤：(1)确定4个矩形区域的门限阈值；(2)确定核心点USAN区域面积；(3)确定3像素灰度和；(4)确定亚像素精确化；(5)确定特征点间的欧式距离。本发明克服了传统图像匹配过程中，由于背景环境的改变，导致特征点提取错误、匹配异常的问题，有效的滤除噪声干扰，匹配更加准确，同时引入差阈值算法，结合改进的特征匹配算法，实现自适应阈值设置，消除了曝光过度、图片畸变过大会检测出冗余点的问题。为灾情图像信息匹配领域提供了一种拥有较高匹配准确率的方法。

技术领域

本发明涉及图像处理和机器学习领域，主要是一种对灾情图像信息进行匹配的算法。

背景技术

地下灾情信息具有高度的复杂性和不可预见性，同种灾情发生的地下空间环境不同，所产生的结果也不尽相同，通过灾后环境图像，匹配出对应的灾害类型，对于灾后的研判起着至关重要的作用。目前对于地下灾情的图像匹配一般是通过提取图像的诸如灰度、特征点等特征信息，通过基于变换域的图像配准，实现对应图像的匹配。常用图像配准算法有SUSAN角点检测算法、Harris角点检测算法等。SUSAN角点检测算法不能区分图像的内角点和边缘点，以及因曝光过度导致的角点分离问题，而Harris算法在图像配准过程中计算量大、计算速度较慢，并且由于其阈值选取的不确定性导致边缘点易于出现聚簇和伪点现象。此外，地下灾情的复杂性和多样性导致对图像进行匹配时，背景噪声的干扰，严重影响特征点的提取，从而导致匹配错误结果。在传统实际应用过程中，降低图像背景噪声的方法通常在Hamming距离特征点粗匹配的基础上引入极线性约束特征点进行精匹配，减小匹配搜索范围，但是由于匹配点较多，导致精匹配过程耗时较长，此外对于噪声占比较大的图像，不能准确区分噪声与特征部分，易于混入噪声导致匹配错误。

对于图像的匹配关键在于滤除背景噪声后对特征值的准确标记与提取。在图像发生尺度、模糊变化时，对于特征点的提取、匹配精度有着更高的要求。针对以上问题，提出了一种改进的图像匹配算法，极大的降低了背景噪声的影响，提高图像匹配的准确度与效率，同时引入差阈值算法，改善了传统图像匹配过程中需要根据图像的对比度反复设置门限阈值的问题，实现自适应阈值设置。

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DT-SUSAN-Brute-Force的图像匹配算法，其具体流程如图1所示。

技术方案实施步骤如下：

(1)确定4个矩形区域的门限阈值t₁、t₂、t₃、t₄：

将图像转换为灰度图像，用f×f大小的模板，标准差为δ大小的高斯滤波器对处理过的灰度图像进行滤波，之后根据图像的对比度反复设置门限阈值，并结合差阈值Th进行检测。将图像分为4个矩形区域：

式中，m表示为对应矩形的个数，a表示为比例系数，为常数，t表示为门限阈值，n表示为实验重复的次数，i表示为计数参数，表示为每个矩形区域中最大的i个灰度值，表示为每个矩形区域中最小的i个灰度值。选择4个门限阈值的最小值作为整幅图像门限阈值，将对应的门限阈值取整，选取对应的差阈值Th。

(2)确定核心点USAN区域面积n(r₀)：

确定SUSAN角点检测的相似比较函数c(r,r₀)：