[发明专利]一种灰度目标图像的彩色背景的构建方法

摘要

本发明公开了一种灰度目标图像的彩色背景的构建方法，通过红外摄像仪拍摄多幅彩色场景图像；通过图像拼接技术获得固定区域的全景图；然后采用红外摄像仪获取该全景信息中某一部分的灰度场景图；接着对全景图和灰度场景图中某一相同物体的进行像素级比例缩放，使得灰度场景图的大小缩放到和全景图对应位置处相同大小。最后通过模板匹配从全景图中获得和灰度场景图相同位置的彩色背景图像。本发明避免了直接为彩色图像上色所带来的信息失真问题，并且可以高度还原场景信息。本发明利用先验知识中的SIFT特征所具有的尺度不变性，得到了好的检测效果。本发明通过运用图像处理的方法，巧妙的获得了彩色背景图像，耗时少，成本低，精确度高。

主权项

1.一种灰度图像的彩色背景的构建方法，其特征在于：包括以下步骤：A、全景图像采集通过红外摄像仪对固定区域拍摄多幅彩色场景图像，使其范围能够覆盖到所需要的全部场景信息；B、图像拼接在获得多幅彩色场景图像之后，通过采用尺度不变特征转换方法即SIFT方法，利用多幅彩色场景图像相同区域特征点匹配融合的算法，将所述的多幅彩色场景图像拼接到一幅全景图当中；图像拼接的具体步骤如下：B1、构建尺度空间：在图像信息处理模型中引入一个被视为尺度的参数，通过连续变化尺度参数获得多尺度下的尺度空间表示序列，对这些序列进行尺度空间主轮廓的提取，并以所述的主轮廓作为一种特征向量，实现边缘、角点检测和不同分辨率上的特征提取，该图像信息处理模型如下：L(x,y,σ)＝G(x,y,σ)*I(x,y)其中，G(x,y,σ)为一个变化尺度的高斯函数，I(x,y)为原图像即彩色场景图像，x和y分别代表图像的像素位置的纵横坐标，σ是尺度空间坐标，值越小表示图像被平滑的越少，相应的尺度也就越小；B2、构建高斯金字塔模型：高斯金字塔模型是将原图像不断降阶采样，得到一系列大小不一的图像，由大到小、从上到下构成的塔状模型；原图像为金字塔的第一层，每次降采样所得到的新图像为金字塔的上一层，每层一张图像，每个金字塔共n层；金字塔的层数根据原图像的原始大小和塔顶图像的大小共同决定；为了让尺度体现其连续性，在高斯金字塔模型降采样的基础上加上高斯滤波；B3、高斯差分：在实验中发现尺度归一化的高斯拉普拉斯函数的极大值和极小值，同梯度、Hessian或Harris角特征比较，产生最稳定的图像特征；而高斯差分函数即DOG与尺度归一化的高斯拉普拉斯函数非常近似，因此选用更高效的高斯差分算子代替拉普拉斯算子进行极值检测，基本公式如下；其中：为尺度归一化的拉普拉斯函数，G(x,y,σ)为响应图像值；B4、检测空间极值点：即关键点的初步探查，所述的关键点是由DOG空间的局部极值点组成的，关键点的初步探查是通过同一组内各DOG空间相邻两层图像之间比较完成的；为了寻找DOG的极值点，每个像素点要与它所有的相邻像素点比较，看其是否比所述的像素点图像域和尺度域的相邻像素点大或者小；B5、构建尺度空间需确定的参数：所述的参数包括尺度空间坐标σ、组数和组内层数s，基本公式如下：B6、定位关键点：以上方法检测到的极值点是离散空间的极值点，以下通过拟合三维二次函数来精确确定关键点的位置和尺度，同时去除降低对比度的关键点和不稳定的边缘响应点，以增强匹配稳定性，提高抗噪能力，其基本公式如下；其中，代表相对插值中心的偏移量，当它在任意维度上的偏移量大于0.5时，意味着插值中心已经偏移到它的临近像素点上，所以必须改变当前关键点的位置；为高斯差分算子；B7、有限差分法求导：有限差分法以变量离散取值后对应的函数值来近似微分方程中独立变量的连续取值；在有限差分方法中，放弃微分方程中独立变量取连续值的特征，而关注独立变量离散取值后对应的函数值，其二维混合偏导如下；其中f(xi,yi)为二元函数，h为步长用来将区间离散化，xi和yi分别是节点的横纵坐标；B8、关键点方向分配：为了使描述具有旋转不变性，需要利用图像的局部特征为每一个关键点分配一个基准方向，使用图像梯度的方法求取局部结构的稳定方向；对于在DOG空间中检测出的关键点，采集其所在高斯金字塔图像3σ邻域窗口内像素的梯度和方向分布特征，梯度的模值和方向如下；θ(x,y)＝tan‑1(L(x,y+1)‑L(x,y‑1))/L(x+1,y)‑L(x‑1,y)其中，L为关键点所在的尺度空间值，m(x,y)为梯度的模值，θ(x,y)为梯度方向角度值；B9、关键点特征描述：通过以上步骤，对于每一个关键点，拥有三个信息：位置、尺度以及方向；接下来就是为每一个关键点建立一个描述符，用一组向量将这个关键点描述出来，使其不随各种变化而改变；这个描述符不但包括关键点，也包含关键点周围对其贡献的像素点，并且描述符有较高的独特性，以便于提高特征点正确匹配的概率；SIFT描述符是关键点邻域高斯图像梯度统计结果的一种表示；通过对关键点周围图像区域分块，计算图像区域各分块内梯度直方图，生成具有独特性的向量，这个向量是该图像区域信息的一种抽象，具有唯一性；所述的特征点是附带上特征向量的关键点；C、获取红外灰度场景图利用红外摄像仪在全景范围内变焦后进行拍摄，使得拍摄的灰度场景图能够完全存在于之前获得的全景图当中，效果相当于将全景图中的某一部分进行放大；D、像素级比例缩放通过采用获取图像任意点的像素点坐标的方法，分别计算全景图和灰度场景图相同物体的像素差，相同物体是不易在拼接的时候发生畸变的，而且全景图和灰度场景图都包含；因为在不同焦距拍摄同一物体的情况下，该物体宽高比是不变的，所以这里取物体高度的像素差；通过获得像素差进行灰度场景图的比例缩放，使得其大小和全景图相同位置的大小一致，其基本公式如下：M*N＝(M1*M2)*(h1/h2)其中，模板图像的大小为M*N，灰度场景图的大小为M1*M2，全景图栏杆高的像素个数为h1，红外灰度场景图栏杆高的像素个数为h2；E、模板匹配通过对全景图和灰度场景图进行模板匹配，选择全景图为输入图像，灰度场景图为模板图像；其基本思路是，模板图像是一幅已知的小图像，模板匹配就是在一幅大图像中搜寻目标，已知该图像中有要找的目标，且该目标同模板有相同的尺寸、方向和内容，通过归一化的序贯相似性检测算法即SSAD法在图像中找到目标，确定其坐标位置；最后通过比较模板图像和被模板图像覆盖的搜索图的那块区域之间的相似性，完成模板匹配过程。