[发明专利]基于相似特征三角形的图像配准方法

说明书

技术领域

本发明涉及数字图像处理领域，特别涉及一种用于相似变换下的图像配准方法。

技术背景

图像配准作为图像拼接的核心技术，在全景拼接、超分辨率图像、二维平面物体运动估计、分布式相机网络校准等多个方面都有着重要的应用。图像配准的目的是根据不同视角采集到的图像的重叠区域，找到一种能够描述两幅图像之间关系的变换模型。图像配准的精度和速度对后续图像的处理效果将会产生直接的影响。在对二维景物成像时，图像配准所寻找的变换关系可分为刚性变换，相似变换，仿射变换以及投影变换等。其中相似变换常见于卫星拍摄地球遥感图像、光轴平行的多相机拍摄远距离物体等情况。

图像配准方法通常采用基于特征的方法，一般是先通过特征提取算法对待配准的两幅图像进行特征提取，然后利用特征匹配算法将提取的特征点进行匹配，得到两幅图像中特征点的一一对应关系。最后利用这些匹配好的特征点对完成对图像配准变换模型的估算，并利用模型完成图像的配准及拼接。但通常这些匹配的特征点对中包含一定比例的异常数据，这些异常数据可能是由于噪声污染、测量误差或计算误差而产生。如果在对图像配准的变换模型估算时，错误的采用了异常的数据而导致变换模型估算的错误，将最终导致图像配准错误并进一步导致图像拼接或运动估计等应用实现的失败。

随机抽样一致(RANdom SAmple Consensus,RANSAC)算法作为一种参数估算方法，广泛地用于估算能够概括一组数据集的数学模型的参数，即使这一数据集包含一定比例的异常数据。通过在多次随机采样估算后，选取最多内点的模型为图像变换模型的RANSAC算法，能够有效剔除外点并保留了内点，当抽取次数足够多时，能够以较大概率保证内点和变换模型的准确性。

但基于传统RANSAC的图像配准方法在变换模型的估算上，精度与速度都无法达到更高的要求，尤其在具有广泛应用的相似变换图像配准上。采用标准的用于复杂投影变换情况下的RANSAC算法会使得相似变换模型的估算浪费不必要的时间和资源，同时全数据检验会因为抛弃检验不成功的样本而导致算法的迭代过程浪费大量不必要的时间，并且算法的随机性可能会导致选择某几个数据点之间的欧氏距离过小，而使得估算的变换模型不稳定和精度不高。

发明内容

为克服现有技术的不足，本发明的目的在于提出一种图像配准方法，从而可以为相似变换下的图像配准提供一种精确快速的解决方案。为此，本发明采取的技术方案是，基于相似特征三角形的图像配准方法，包括如下步骤：

1)特征点提取及特征匹配

将待配准两幅图像分为参考图像和目标图像，分别在两幅图像中利用特征提取算法进行特征点的提取，然后利用特征匹配算法对提取的特征点进行匹配，得到目标图像中特征点到 参考图像特征点的一一对应关系，即匹配的特征点对；

2)随机选取样本构成特征三角形

从匹配好的特征点对中随机选取3对作为一个数据点样本，并分别在参考图像和目标图像中利用选取的3个特征点构成一个特征三角形，特征三角形分别为△R₁R₂R₃、△T₁T₂T₃，其中，顶点R₁(x_R1,y_R1)、R₂(x_R2,y_R2)、R₃(x_R3,y_R3)为参考图像中的三个特征点，并一一对应着目标图像中的三个特征点T₁(x_T1,y_T1)、T₂(x_T2,y_T2)、T₃(x_T3,y_T3)；d_R12、d_R23、d_R13、d_T12、d_T23、d_T13分别是两两特征点之间的欧氏距离；

3)相似特征三角形预检验

根据两幅图像之间的相似变换关系以及3对特征点对中特征点的一一对应关系，匹配正确的特征三角形对应满足相似关系：