[发明专利]一种牙齿X‑ray影像匹配方法

摘要

本发明涉及一种基于SURF特征点匹配和RANSAC模型估计的牙齿X‑ray影像匹配方法，包括（1）图像采集；（2）图像增强；（3）特征提取；（4）特征的匹配；（5）计算相关匹配系数；（6）匹配结果；（7）若图库中还有没被匹配的参考图像，则返回(1)中继续在图库中选取一张新的参考图像，否则退出；（8）匹配成功，记录下参考图像对应的个人信息，退出。本发明利用SURF算法来提取输入牙齿影像和参考牙齿影像的特征点，然后利用RANSAC算法对各特征点进行匹配，最后通过匹配后的两幅图像之间的相关系数来测定两幅图像的匹配程度。实验表明，该算法实现了高查准率和高实时性。

主权项

一种基于SURF特征点匹配和RANSAC模型估计的牙齿X‑ray影像匹配方法，其特征在于，该匹配方法包括步骤如下：(1)采集输入图像；在图库中选取一张新的参考图像；(2)将输入图像与参考图像进行灰度线性增强；(3)分别在输入图像和参考图像中检测SURF特征点，并对各个SURF特征点进行SURF特征描述；(4)将输入图像中的SURF特征描述向量与参考图像中的SURF特征描述向量进行初步匹配；根据初步匹配所产生的SURF匹配样本，估算输入图像与参考图像之间的仿射变换模型；(5)根据所估算出的最佳仿射变换模型，将输入图像变换为与参考图像大小相同的新图像；(6)计算新图像的有效区域与参考图像重合部分的灰度相关系数：若灰度相关系数大于90％，则输入图像与参考图像是匹配的，跳至(8)；否则就是不匹配的，跳至(7)；(7)若图库中还有没被匹配的参考图像，则返回(1)，否则退出；(8)匹配成功，记录下参考图像对应的个人信息，退出；所述匹配方法，包括具体步骤如下：所述步骤(1)具体为：(11)图像采集图像的采集包括输入图像的采集及参考图像的采集，所述的输入图像为待核实牙齿身份的牙齿X‑ray影像，所述参考图像为现有牙齿X‑ray影像数据库中的任一牙齿X‑ray影像；所述步骤(2)具体为：(21)图像增强对输入图像及参考图像的增强方法如下：所述的增强方法是灰度线性增强，即按照式(i)所示的通式，对图像中每一像素点的灰度进行修改：I′(m,n)=255×I(m,n)-min(I)max(I)-min(I),---(i)]]>在式(i)中，(m，n)是图像的像素坐标，原始灰度值为I(m,n)，变换后的灰度值为I'(m,n)，min(I)为图像I中的最小灰度值，max(I)为图像I中的最大灰度值；所述步骤(3)具体为：(31)特征提取SURF特征点匹配包括SURF特征点检测、SURF描述子生成和SURF描述子匹配；利用所述SURF特征点检测、SURF描述子生成对经步骤(2)处理后的输入图像和参考图像进行特征提取：a.SURF特征点检测首先对输入图像和参考图像进行不同尺度的高斯滤波，如式(ii)所示ImgG(x,y,σ)＝Img(x,y)*G(x,y,σ)，  (ii)在式(ii)中，(x，y)为图像的坐标，ImgG(x，y，σ)为高斯滤波后的图像，增加了尺度变量σ；Img(x，y)为原始图像；G(x，y，σ)的定义如式(iii)所示；G(x,y,σ)=12πσ2e-x2+y22σ2,---(iii)]]>然后，将滤波后的图像ImgG(x，y，σ)代入Hessian行列式，如式(iv)所示：Hessian(x,y,σ)=|∂2∂x2ImgG∂2∂x∂xImgG∂2∂x∂yImgG∂2∂y2ImgG|,---(iv)]]>解得使式(iv)取得局部极值的点(xk，yk，σk)，其中(xk，yk)即为输入图像或参考图像中SURF特征点的坐标，σk为SURF特征点(xk，yk)所对应的特征尺度，这样就完成了SURF特征点检测的步骤；b.SURF描述子生成对每一个特征点取一定大小的邻域：对于SURF特征点(xk，yk)，其邻域设为以SURF特征点(xk，yk)为中心，以15σk为半径的圆域Ck；为了保证所生成SURF描述子的尺度不变性，对圆域Ck的半径进行统一化，即以σk为横纵间隔，对圆域Ck进行下采样；所得到的下采样点组成了一个归一化的圆域Ckn，中心为SURF特征点(xk，yk)，半径为15个像素；然后继续在所述归一化的圆域Ckn内生成SURF特征点(xk，yk)的SURF描述子；为了保证所生成SURF描述子的旋转不变性，对归一化圆域Ckn的梯度主方向进行统一化：首先解出圆域Ckn内每一点的梯度；对圆域Ckn内每一点的两个梯度分量进行高斯加权；高斯函数的中心点为SURF特征点(xk，yk)，尺度σ为3.3；然后根据圆域Ckn内全部加权后的梯度进行主方向计算；计算规则如式(v)所示：θmain(Ckn)=arctan(Σ(x,y)∈CknywΣ(x,y)∈Cknxw),---(v)]]>在式(v)中，θmain(Ckn)为圆域Ckn内的主方向角度，即SURF特征点(xk，yk)的主方向；(xw，yw)为圆域Ckn内高斯加权后的梯度向量；解得每个SURF特征点的主方向后，将所有的SURF特征点旋转到统一的方向；设旋转后的圆域Ckn为C′kn，仍然以SURF特征点(xk，yk)为中心，以15个像素为半径；为了提取SURF特征点(xk，yk)的SURF描述子向量，首先对圆域C′kn进行高斯加权，以SURF特征点(xk，yk)为中心，以3.3为尺度σ；然后以SURF特征点(xk，yk)为中心，以圆域c′kn的坐标轴为对称轴，作一个边长为20个像素的正方形Rkn，并求取正方形区域Rkn内各点的梯度向量(xw',yw')；再将正方形区域Rkn平均分割成4×4的子区域，每个子区域的大小均为5×5；最后对每个5×5的子区域，统计如式(vi)所示的4维特征向量；(ΣRkn(i)xw′,ΣRkn(i)yw′,ΣRkn(i)|xw′|,ΣRkn(i)|yw′|),---(vi)]]>式(vi)中，Rkn(i)为正方形区域Rkn中的第i个子区域；由于式(vi)中的特征向量中不包含特征点的位置信息，而仅仅包含特征点邻域内的梯度信息，因此是平移不变的；由于对正方形区域Rkn中的每个子区域都能够提取到如式(vi)所示的4维特征向量，那么对于正方形区域Rkn的4×4个子区域，总共提取到4×4×4＝64维平移不变的特征向量，这64维的向量，就是SURF特征点(xk，yk)的SURF描述子；所述步骤(4)具体为：(41)特征的匹配该步骤包括SURF描述子匹配、仿射变换模型估计、对输入图像进行仿射变换：c.SURF描述子是用来描述SURF特征点的特征向量，因此用SURF描述子来匹配SURF特征点：选一目标：以尺度σ1在输入图像Imgqr中成像，以尺度σ2在参考图像Imgdb中成像，对于该目标中的一质点P，它在两幅不同尺度的图像Imgqr和Imgdb中的对应的像点分别为P1和P2；像点P1在图像Imgqr中的归一化邻域与像点P2在图像Imgdb中的归一化邻域是相同的；因此，如果像点P1和像点P2在各自图像中均为SURF特征点，那么SURF特征点P1在图像Imgqr中提取到的SURF描述子Besc1与SURF特征点P2在图像Imgdb中提取到的SURF描述子Desc2也是相同或极其相近的，即向量Desc1与向量Desc2的欧氏距离趋近于0；如果图像Imgqr中的一个SURF特征点和图像Imgdb中的一个SURF特征点对应了同一个被拍摄的质点，那么这一对SURF特征点所对应的SURF描述子之间的欧氏距离应趋于0；反之，如果图像Imgqr中的某一个SURF描述子与图像Imgdb中的某一个SURF描述子之间的欧氏距离相对于其它任意两个SURF描述子之间的欧氏距离最小，那么所对应的两个SURF特征点就被视为同一质点的不同像点；被拍摄的目标中包含很多质点，那么拍摄得到的图像Imgqr和Imgdb中也包括多个对应相同质点的像点，因此这些多个对应相同质点的像点里面也必然包含多组相互匹配的SURF特征点；通过计算图像Imgqr和Imgdb中相互匹配的SURF特征点所对应的SURF描述子之间的欧氏距离，确定图像Imgqr和Imgdb中SURF特征点之间的对应关系；为了阐述两幅图像中SURF特征点的匹配过程，先定义一个数据结构：如果输入图像Imgqr中的第m个SURF特征点与第k幅参考图像Imgdb(k)中的第n个SURF特征点相匹配，那么利用式(vii)所示的数据结构来记录这一项匹配样本：{k，m，n，dist}， (vii)其中，dist是输入图像Imgqr中的第m个SURF特征点所对应的SURF描述子与第k幅参考图像Lmgdb(k)中的第n个SURF特征点所对应的SURF描述子之间的欧氏距离；具体的匹配方案如下：d.对输入图像Imgqr和第k幅参考图像Imgdb(k)分别提取全部SURF特征点的SURF描述子，分别记为DescQR和DescDB；e.将输入图像Imgqr的第i个SURF描述子DescQR[i]与参考图像Imgdb(k)中的每一个SURF描述子分别进行配准，并计算两组SURF描述子的欧氏距离：如果输入图像Imgqr的第i个SURF描述子DescQR[i]与参考图像Imgdb(k)中的第j个SURF描述子DescDB[j]的欧氏距,离j,dist[i][j]最短，那就生成匹配样本{k,i,j,dist[i][j]}；f.对每个已生成的匹配样本{k,i,j,dist[i][j]}中的成员j，如果只存在于一个数据元素中，那么保留该数据元素；如果不止存在于一个数据元素中，那么对于若干个包含成员j的数据元素只保留成员dist[i][j]最小的一个，其它的都丢弃；这样就得到了一组输入图像与第k幅参考图像的匹配样本{k,i,j,dist[i][j]}的序列，其中i和j分别为两幅图像中特征点的序号，得到了一系列匹配样本，完成了输入图像与参考图像之间的SURF特征点初步匹配；g.仿射变换模型估计为了消除误匹配，提高匹配正确率，引入RANSAC模型估计：步骤f中已经得到了若干组SURF特征点匹配样本，在所述SURF特征点匹配样本中随机抽取出三组匹配样本，并根据这三组相互匹配的SURF特征点计算出一组仿射变换模型；设某一点的原始坐标为(x0，y0)，经过式(viii)所示的仿射变换后，坐标变成了(x5，y5)；那么坐标(x0，y0)和坐标(x5，y5)的关系满足式(viii)：x5y51=m1m2txm3m4ty001x0y01---(viii)]]>由于仿射变换模型中包含6个未知参数(m1，m2，m3，m4，tx，ty)，因此至少三对相互匹配的SURF特征点才能够估算出仿射变换模型；根据仿射变换模型，将输入图像中的SURF特征点进行映射：如果输入图像中的某个SURF特征点能够映射到参考图像中与之匹配的SURF特征点的位置，那么这一对SURF特征点就是正确匹配，反之就是误匹配；统计该组仿射变换模型下能够正确匹配的SURF特征点的匹配对数；重新从SURF特征点匹配样本中随机抽取三组，继续运算,直到达到预先设定的迭代次数；在迭代过程中，必然有一次迭代所产生的正确匹配对数最多，将匹配对数最多的那次迭代中所计算出来的仿射变换模型设为最佳仿射变换模型；h.对输入图像进行仿射变换最佳仿射变换模型，将输入图像映射为另一新图像；所述步骤(6)计算灰度相关系数具体为：(61)计算灰度相关系数计算新图像与参考图像对应位置的灰度相关系数：在参考图像中找到牙根尖图像的对应位置，然后计算出所述输入图像或新图像中牙根尖图像与参考图像中牙根尖图像的相似度；输入图像和参考图像之间的灰度相关系数用来判断两幅图像之中是否具有相同目标：如果输入图像Imgqr与参考图像Imgdb中包含相同的目标，那么相应的灰度相关系数都在90％以上；即，如果输入图像经过仿射变换后与参考图像具有90％以上的灰度相关系数，那么这两幅图像必然包含同一个目标的映像，否则就不包含同一个目标的映像；两幅图像的灰度相关系数定义如式(ix)所示：ρ(X,Y)=(M·N-1)Σi=1MΣj=1N[(Xij-X‾)·(Yj-Y‾)]Σs=1MΣt=1N[(Xst-X‾)2]Σu=1MΣv=1N[(Yuv-Y‾)2]×100%,---(ix)]]>式(ix)中，X、Y均为大小为M×N的图像，Xij为图像X在第i行第j列的像素灰度值，Yij为图像Y在第i行第j列的像素灰度值，Xst为图像X在第s行第t列的像素灰度值，Yuv为图像Y在第u行第v列的像素灰度值，为图像X中所有像素点的灰度均值，为图像Y中所有像素点的灰度均值，ρ(X，Y)为图像X和图像Y的灰度相关系数。