[发明专利]基于局部不变灰度特征的图像配准方法、图像处理系统

说明书

本发明属于数据识别及数据表示技术领域，公开了一种基于局部不变灰度特征的图像配准方法、图像处理系统，所述基于局部不变灰度特征的图像配准方法构建特征提取描述子；通过寻找配准图像间的特征点，采用最近邻法则寻找相匹配的关键点；计算配准图像间的仿射变换变换矩阵H，通过奇异值分解求出其6个参数。构建描述子，将采样点分为奇偶两部分，使得构造描述子时维度显著降低，减少了运行时间，提高了配准时的精度与准确度；构造描述子向量时，根据灰度值大小进行排序，具有旋转不变性。本发明的检测精度较高，具有较好的噪声鲁棒性和较低的计算复杂度，主要得益于较大程度上降低原描述子的维度，对光照变换不敏感。

技术领域

本发明属于数据识别及数据表示技术领域，尤其涉及一种基于局部不变灰度特征的图像配准方法、图像处理系统。

背景技术

目前，业内常用的现有技术是这样的：图像局部特征广泛应用于计算机视觉与模式识别中，这主要包括两个方面:从关注的图像中检测感兴趣点或者感兴趣区域，并计算他们的不变特征。目前已经提出许多检测感兴趣点的方法，例如SIFT，GLOH，IWCS-LTP等等。它们通过构建梯度方向和位置信息直方图去构建描述子，可以获得令人满意的效果。然而这些方法不能应对更为复杂的方向变化和光照变换。现有技术一局部灰度排序模式，局部灰度排序模式(LIOP)是通过计算每一个感兴趣区域中的元素的局部坐标构造描述子，从而具有方向不变性和光照不变性。缺点，局部灰度排序模式的维度会随着采样点的变大而变大，影响计算效率。现有技术二SIFT，SIFT算法广泛应用于特征提取领域，具有较高的利用价值。通过建立高斯金字塔，寻找尺度不变特征点，具有仿射不变性。SIFT算法在寻找不变特征时，需要建立坐标系，为每一个关键点分配主方向，然而方向评估容易受到噪声干扰，影响匹配精确性。基于特征的配准方法是目前较为常用的配准方法之一，该算法只需要利用提取到的待配准图像中的点、线、边缘等特征信息，而并不需要任何辅助信息，不仅可以减少计算量、提高效率，同时，能够对图像的灰度变化具有鲁棒性。根据选取的特征信息的不同，基于特征的图像配准基本可分为三类，即基于特征点、特征区域、特征边缘。在图像配准中，基于特征点的匹配广为使用。SIFT算法是在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量，此算法由David Lowe在1999年所发表，2004年完善总结。SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声变换也保持一定程度的稳定性，其实质是在不同的尺度空间上查找关键点(特征点)，并计算出关键点的方向。但是，该方法在构建特征描述子时，需要为每一个关键点分配主方向，方向的确定容易受到噪声的干扰，同时SIFT方法在提取特征时，对边缘光滑的目标无法准确地提取特征点，对模糊的图像和边缘光滑的图像，检测到的特征点很少，尤其难以处理圆形区域。LIOP是一种用来刻画图像局部亮度顺序信息的特征描述方法。该方法利用图像(块)整体的亮度顺序信息将图像块分割成若干个局部子区域，一次来加快计算速度，同时，整个图像块的整体和局部亮度顺序信息被提取出来，可以构成LIOP特征。该方法对光照变换不敏感，同时对视角变换，图像模糊，图像有损压缩等也同样不敏感。然而该方法在构建特征向量时，由于对图像局部块中某个点进行采样，得到若干采样点，随着采样点的增多，特征的维度越来越高，影响计算速度与实验效率。CS-LBP是利用中心对称的局部二值模型LBP(local binary pattern)构造描述子，由于利用中心对称的采样点，可以避免描述子维度过大，HRI-CSLTP是将CS-LBP进行扩展，得到三值编码，得到的描述子具有更强的辨别能力。利用各种特征提取算法找到的特征点，进行特征点初始匹配后，所选定的点对不一定就是全部正确的点，也可能有误点，因此常用RANSAC对特征点进行提纯，然而利用此法找到的点对，可能还是不够准确，极大的影响了后续图像的配准。

综上所述，现有技术存在的问题是：

(1)SIFT算法在寻找不变特征时，需要建立坐标系，为每一个关键点分配主方向，方向评估容易受到噪声干扰，影响匹配精确性。

(2)局部灰度排序模式的维度会随着采样点的变大而变大，影响计算效率。