[发明专利]用于对图像进行配准的方法和装置

说明书

技术领域

本发明涉及计算机技术领域，尤其涉及一种用于对图像进行配准的方法和装置。

背景技术

尺度不变特征转换(Scale-invariant feature transform，SIFT)算法是一种常见的用于进行图像配准的算法，该算通过求得图像中的特征点及其描述子得到特征并进行图像特征点匹配。

基于SIFT特征的图像配准方法一般包括特征生成阶段

其中，特征生成阶段主要流程是：

步骤一：构建尺度空间，检测极值点

通过高斯差分(Difference of Gaussian，DOG)图像的极值点来获取特征点。每个特征点包含三部分信息，即位置，所处尺度和方向。由于实现尺度变换的唯一线性核是高斯卷积核，图像的尺度空间可以表示为：

D(x,y,δ)＝(G(x,y,kδ)-G(x,y,δ))*I(x,y)

＝L(x,y,kδ)-L(x,y,δ)(1)

其中，L(x,y,δ)＝G(x,y,δ)*I(x,y)，

其中，D(x,y,δ)为高斯差分尺度空间，由不同尺度的高斯差分核与图像卷积生成，I(x,y)表示原图像，G(x,y,δ)表示尺度可变高斯函数，L(x,y,δ)表示高斯卷积图像。

建立图像金字塔，通过检测高斯差分尺度空间来获得极值点。

步骤二：特征点过滤并进行精确定位

为得到稳定的特征点，需要过滤掉不稳定的低对比度特征点和边缘响应点。由步骤一中尺度空间的泰勒展开式可得到：

对上式进行求导，并令其结果为0，可得到特征点位置

结合上述两式，得到:

通过的取值范围来过滤掉低对比度的特征点。

接着，利用一个Hessian矩阵H来去除边缘响应点，表示为：

通过以下约束条件来去除边缘响应点：

其中γ为较大特征值与较小特征值的比值，D_xx表示高斯差分金字塔中某一尺度的图像x方向求导两次。

步骤三：为特征点分配方向值

(x,y)处的梯度大小表示为：

(x,y)处的方向表示为：

其中，L表示每个特征点所处的尺度。为确定特征点的方向，利用直方图统计关键点邻域像素的梯度方向，把直方图的峰值作为该关键点的方向。

步骤四：生成特征描述子

具体地，选择每个特征点的16*16邻域像素，平均分成16个4*4的邻域窗口大小，每个窗口有8个方向的信息，因此可以对每个特征点形成4*4*8＝128维的描述子。

当生成阶段完成后，选取待配准影像与标准影像相应特征点的特征描述子之间的欧氏距离最小的点选为匹配点，根据最近邻和次近邻的欧式距离比值关系进行筛选，得到第一组粗匹配点对。

然而，基于SIFT算法的图像配准方案的特征匹配精确度仍然有待提高，特别是在对遥感影像进行配准时，由于遥感影像特征点的几何位置可能不够精确，会对特征点的匹配精确度造成影响。

发明内容

本发明的目的是提供一种用于对图像进行配准的方法和装置。

根据本发明的一个方面，提供了一种用于对图像进行配准的方法，其中，所述方法使用SIFT算法得到待配准图像与标准图像的特征点并通过筛选得到粗匹配点对，所述方法包括以下步骤：

a基于待配准图像与标准图像的粗匹配点对中的多个特征点对，计算作用于待配准图像的变换模型矩阵，以得到相对应的初步配准图像；

b基于待配准图像与初步配准图像的边缘点的移动距离信息对粗匹配点对进行筛选，从而得到精确匹配点对；

其中，所述方法包括以下步骤：

c基于所述精确匹配点对，重复步骤a和b的操作，计算新的变换模型矩阵来作用于所述初步配准图像，以得到新的初步配准图像，并基于新的初步配准图像和原初步配准图像的边缘点的移动距离信息对该精确匹配点对进行筛选，以获得更为精确的匹配点对。

根据本发明的一个方面，还提供了一种用于对图像进行配准的配准装置，其中，所述配准装置使用SIFT算法得到待配准图像与标准图像的特征点并通过筛选得到粗匹配点对，所述配准装置包括：

计算装置，用于基于待配准图像与标准图像的粗匹配点对中的多个特征点对，计算作用于待配准图像的变换模型矩阵，以得到相对应的初步配准图像；