[发明专利]基于直线特征图像配准中的特征匹配方法

摘要

本发明公开了一种基于直线特征图像配准中的特征匹配方法，目的是解决基于直线特征图像配准中的特征匹配问题。技术方案是首先从参考图像和待配准图像中提取直线编组作为配准基元，定义匹配矩阵M；接着计算这两幅图像中直线编组之间的可靠性测度、相似性测度、空间关系一致性测度，得到可靠性测度矩阵R、相似性测度矩阵B、空间关系一致性测度矩阵S；然后建立以M为自变量的能量函数，将直线编组的匹配问题转变成能量函数最优化问题；最后采用两步迭代优化算法对能量函数最优化问题进行迭代优化。本发明在特征匹配过程中有机组合了直线编组的可靠性、空间关系一致性和相似性，克服了现有方法存在的计算复杂、容易造成误匹配以及同名像点获取不准确的缺陷。

主权项

1.一种基于直线特征图像配准中的特征匹配方法，其特征在于包括以下步骤：第一步，分别从参考图像和待配准图像中提取直线编组作为配准基元，方法是：采用稳健的直线提取方法从参考图像I₁(x₁，y₁)提取N₁条直线特征，从待配准图像I₂(x₂，y₂)中提取N₂条直线特征，分别记为L1={l11,l12,...,l1N1}]]>和L2={l21,l22,...,l2N2},]]>N₁、N₂均为正整数，(x₁，y₁)、(x₂，y₂)分别表示参考图像和待配准图像中的像素点坐标，由L₁或L₂中的任意两条直线形成的一个直线对叫直线编组，用参数V=[lHk1,lHk2,lengthHk1,lengthHk2,SHk1,SHk2,EHk1,EHk2,MHk1,MHk2,OHk,xHk,yHk]]]>来描述任意一个直线编组z_H^k(H＝1，k＝1，2，…，N′₁；H＝2，k＝1，2，…，N′₂)的属性，其中l_H^k1，l_H^k2表示组成直线编组z_H^k的两条直线特征，length_H^k1，length_H^k2，S_H^k1，S_H^k2，E_H^k1，E_H^k2，M_H^k1，M_H^k2分别表示它们的长度、四个端点和两个中点，O_H^k是直线编组的提取交点，x_H^k，y_H^k是交点坐标；定义一个大小为N′₁×N′₂的匹配矩阵M来表示参考图像和待配准图像中直线编组之间的匹配关系，即其中N′₁、N′₂均为正整数，N′₁为参考图像中提取的直线编组个数，N′₂为待配准图像中提取的直线编组个数，参考图像中提取的直线编组Z1={z11,z12,...,z1N1′},]]>待配准图像中提取的直线编组Z2={z21,z22,...,z2N2′},]]>1≤i≤N′，1≤j≤N′；匹配矩阵M满足一一匹配准则，即Σj=1N2′Mij≤1(1≤i≤N1′)Σi=1N1′Mij≤1(1≤j≤N2′)---(2)]]>第二步，计算参考图像和待配准图像中直线编组之间的可靠性测度，得到可靠性测度矩阵R，R是一个大小为N′₁×N′₂的矩阵，它的每一项R_ij表示直线编组对LP_ij的可靠性测度，LP_ij为Z₁中的任意一个直线编组z₁ⁱ与Z₂的任意一个直线编组z₂^j组成的直线编组对，方法是：采用D-S证据理论方法，对c₁ⁱ和c₂^j进行融合计算，得到R_ij，即Rij=c1i×c2jc1i×c2j+(1-c1i)(1-c2j)---(8)]]>其中c₁ⁱ为直线编组z₁ⁱ的可靠性，c₂^j为直线编组z₂^j的可靠性，它们用下式计算cHk=exp[-(d‾Hk)22σ22]---(7)]]>其中σ₂是高斯函数的方差，取2□4；H＝1时，k＝1，2，…，N′₁，H＝2时，k＝1，2，…N′₂，d_H^k；d_H^k为d_H^k的期望，d_H^k表示z_H^k的真实交点Q_H^k和提取交点Q_H^k之间的距离，有d‾Hk=1SrABCD∫rABCD||OHk-QHk||dQHk---(6)]]>其中，z_H^k由直线特征l_H^k1，l_H^k2组成，过l_H^k1的中点M_H^k1的与l_H^k1夹角均为Δθ_H^k1的两条虚线是l_H^k1可能发生的最大方向偏移，过l_H^k2的中点M_H^k2的与l_H^k2夹角均为Δθ_H^k2的两条虚线是l_H^k2可能发生的最大方向偏移，四条虚线交于A，B，C和D四点，Δθ_H^k1和Δθ_H^k2是直线特征l_H^k1和l_H^k2的方向偏移，它们的大小由公式(3)确定，r_ABCD为A，B，C和D四点围成的四边形，表示r_ABCD的面积，其大小根据过l_H^k1的中点M_H^k1和过l_H^k2的中点M_H^k2的四条虚线方程求出，四条虚线方程通过Δθ_H^k1和Δθ_H^k2以及提取的直线特征l_H^k1、l_H^k2获得，ΔθHm=αexp[-(lengthHm)22σ12]---(3)]]>其中α是一个预设门限，用来限定方向偏移Δθ_H^m的最大范围，取α＝0.175弧度，即直线特征的方向偏移不超过10度；length_H^m是l_H^m的长度；σ₁是高斯函数的方差，它决定多长的直线特征将不发生方向偏移，取20□40，具体取决于图像的分辨率，图像分辨率越高，σ₁越靠近40；第三步，计算参考图像和待配准图像中直线编组之间的相似性测度，得到相似性测度矩阵B，B是一个大小为N′₁×N′₂的矩阵，它的每一项B_ij表示参考图像和待配准图像中任意两个直线编组z₁ⁱ和z₂^j的相似性测度，相似性测度表示两个直线编组之间的相似程度，相似性测度B_ij定义为Bij=||length1i1-length1i2length1i1+length1i2|-|length2j1-length2j2length2j1+length2j2||---(9)]]>对(9)式进行变换，即B_ij＝F₁(B_ij)(10)其中F₁(·)是一个单调递减函数，采用高斯函数，即F1(x)=exp(-x22σ32)---(11)]]>其中σ₃是高斯函数的方差，在实际中一般取σ₃＝1，将B_ij代入(11)式，得Bij=exp(-Bij22σ32)---(12)]]>第四步，计算参考图像和待配准图像中直线编组之间的空间关系一致性测度，得到空间关系一致性测度矩阵S，S也是大小N′₁×N′₂的矩阵，它的每一项S_ij表示两幅图像中任意两个直线编组z₁ⁱ和z₂^j之间的空间关系一致性测度，S_ij通过下式计算Sij=(x1i-Tx(x2j))2+(y1i-Ty(y2j))2---(13)]]>其中T_x(·)、T_y(·)分别表示参考图像和待配准图像之间的变换模型在x方向和y方向上的变换函数，参考图像和待配准图像之间的变换模型用变换模型参数向量P来描述，P与采用的变换模型类型有关；采用(11)式的高斯函数对(13)式做变换，即S_ij＝F₁(S_ij)(14)将S_ij代入(14)式，得Sij=exp(-Sij22σ32)---(15);]]>第五步，建立能量函数：E(M,P)=Σi=1N1′Σj=1N2′MijRijBijSij---(16)]]>当匹配矩阵M包含了所有正确匹配的直线编组对而剔除了所有错误匹配的直线编组对，E(·)的值将会达到一个全局最大值，这时的匹配矩阵M是最优的，同时由最优匹配矩阵计算的变换模型参数向量P也是最优的，即<M_opt，P_opt>＝argmax(E(·))(17)其中M_opt，P_opt分别表示最优的匹配矩阵和最优的变换模型参数向量，arg max(·)表示对·求最大值，这样，直线编组的匹配问题转变成为一个能量函数最优化问题；第六步，采用两步迭代优化算法对(17)式描述的优化问题进行迭代优化，得到M_opt和P_opt：步骤1：采用一个序贯组合特征相似性和空间关系一致性的方法来初始化变换模型参数向量P：首先根据特征相似性测度选择求解变换模型需要的最少数目的3-5倍的直线编组对作为候选匹配直线编组对，然后根据空间关系一致性测度利用穷举法或RANSAC算法获得求解变换模型参数向量P需要的最少数目的最优匹配直线编组对，利用它们的提取交点求出变换模型参数向量P的初值P₀；步骤2：初始化控制参数β＝β₀，β₀、β_r和β_max分别是控制参数β的初始值、增长率和最大值，取β₀＝0.5，β_r取1.05-1.1，β_max＝10；步骤3：已知变换模型参数向量P，采用软指派方法计算匹配矩阵M；步骤4：已知匹配矩阵M，空间关系一致性测度矩阵S的每个元素S_ij就可表示成变换模型参数向量P的函数，公式(16)变为E(P)=Σi=1N1′Σj=1N2′MijRijBijSij=Σi=1N1′Σj=1N2′Sij(P)Uij---(21)]]>其中U_ij＝M_ijR_ijB_ij是一个常数，采用多元变量变尺度算法计算变换模型参数向量P，然后β＝β_rβ；步骤5：若控制参数β＞β_max，判断变换模型参数向量P是否收敛，如果收敛，算法结束，如果不收敛，返回步骤2；若控制参数β≤β_max，则转步骤3；变换模型参数向量P的收敛准则为||P⁰-P¹||＜ε₁(22)其中P⁰、P¹分别表示前一次和当前获得的变换模型参数向量，ε₁是一个预设门限，取0.01-0.05。