[发明专利]基于融合特征的SIFT配准算法

权利要求书

1.一种基于融合特征的SIFT配准算法，主要包括以下几个步骤：

第一步，输入参考图像和待匹配图像。

第二步，分别计算两幅图像的颜色不变量和DLBP纹理特征，并进行归一化。

第三步，通过彩色图像颜色直方图的标准差计算自适应权重值，并构建融合特征灰度图。

第四步，计算融合特征灰度图的积分图像。

第五步，用SIFT算法进行特征点提取与配准。

第六步，使用改进的RANSAC算法去除误匹配点。

2.根据权利要求1中所述的融合特征灰度图，其特征在于，得到了颜色不变量和DLBP纹理特征以后，就可以构造融合特征灰度图，灰度值由以下公式给出：

I(x,y)＝(1-σ)H(x,y)+σDLBP(x_c,y_c)

I(x,y)表示融合特征灰度值，σ表示取值在[0,1]的数。通过调节参数σ就可以改变两种特征对融合特征灰度值的影响程度。

此外，针对不同彩色图像的特点，提出了一种自适应的方法，自动调节σ的值。以下为自适应方法的具体流程：分别将彩色图像的R、G、B三个通道分量平均分为8个区间，每个区间可以存放32个数，即0-31，32-63，…，224-255；每个R、G、B值除以32映射到相应的区间，即0-31为第1区间，32-63为第2区间等等；则彩色图像转化为一维总共8*8*8＝512个区间。σ的值可以通过以下公式计算：

S=1512Σi=1512(Xi-N512)2]]>

σ=SSmax]]>

上述公式中，N为图像的像素总数，X_i为各个区间的像素点数目，S为标准差，S_max为最大标准差。S_max在图像为单色图像时取得，此时所有像素点都集中在一个区间，其它区间像素点个数为0，标准差取得最大值。标准差S越小，则图像的颜色变化越明显，σ值也越小。

3.根据权利要求1中所述的改进的RANSAC算法去除误匹配点，其特征在于，传统的RANSAC算法计算变换矩阵H的步骤总结如下：

第一步，确定最大循环次数k和残差阈值θ，特征点的匹配对数记作m。

第二步，从匹配点集中随机选取4对特征点，计算变换矩阵H。

第三步，待匹配图像上剩余的配对点，记作(x_b,y_b)(b＝1,2,...,m-4)；计算待匹配图像上的剩余配对点在变换矩阵H下的映射，记作(x_b',y_b')(b＝1,2,...,m-4)。

第四步，计算(x_b',y_b')到实际配对点(x_i,y_i)的距离，记作S_i(i＝1,2,...,m-4)，若S_i<θ，则该点为内点，计算所有内点的总数，记作n_i(i＝1,2,...,k)。

第五步，重复第二步到第四步，直到达到迭代上限k，找出第四步中最大的n_i，则取得最大的n_i时的变换矩阵H为最优估计模型。

传统的RANSAC算法在每个循环中，都需要计算待匹配图像上所有配对点在变换矩阵H下的映射(x_b',y_b')，以及(x_b',y_b')到参考图像上实际配对点(x_i,y_i)的距离S_i，这个过程需要很大的计算量。为改进这一缺点，本发明提出了一种改进的RNASAC算法。针对原算法的第二步进行如下的改进：随机选择6对匹配点，并用其中4对计算变换矩阵H；然后检测余下2对是否在变换矩阵H上，如果这2对匹配点都不在变换矩阵H上，则重新执行第二步，直至余下2对中至少有1对在变换矩阵H上，程序才继续往下执行。改进的RANSAC算法直接排除大概率不符合要求的模型，节省了模型不好时第三步和第四步的计算量。