[发明专利]一种基于超像素运动统计的误匹配去除方法

说明书

本发明公开了一种基于超像素运动统计的误匹配去除方法，所述方法包括以下步骤：对两张待匹配图像进行特征提取、描述与匹配；利用改进的超像素分割算法对待匹配图像Isubgt;1/subgt;和Isubgt;2/subgt;进行分割，得到两张超像素标记图；基于超像素标记图建立超像素运动统计模型，通过模型实现非刚性形变图像配准特征点的自动筛选。本发明采用超像素分割的策略代替简单的矩形网格划分，分割得到的超像素块在空间上紧密相连，单个超像素块内部在颜色和纹理上保持一致，且分割结果更遵循物体的运动边缘，以保证超像素内部的特征点具有相同或一致的运动趋势。

技术领域

本发明涉及计算机图像匹配领域，尤其涉及一种基于超像素运动统计的误匹配去除方法，可用于去除非刚性形变图像的错误特征匹配。

背景技术

特征点配准方法的根本目的是建立两幅或多幅图像特征点集之间的匹配对应关系，它在图像配准、三维重建、目标定位与识别等领域都有广泛的应用。由于光照条件、噪声、几何变换、空间扭曲等因素的影响，实现完全准确的特征匹配是一项非常具有挑战性的工作。目前，用于图像配准的特征算子主要有SIFT算子(尺度不变特征变换)，SURF算子(加速稳健特征)，以及ORB算子^[1]等。利用上述方法可以实现比较准确的特征配准，但当图像之间发生非刚性形变或存在大尺度位移时，容易产生较多的误匹配，进而影响图像的最终配准效果。

为此，Bian等^[2]指出：当图像发生了非刚性形变或大尺度位移时，如何可靠的分离出正确与错误匹配是当前所面临的主要任务。Bian等提出了一种基于网格的运动统计算法(GMS)，根据在矩形网格基础上建立的统计函数来区分真假匹配，算法简单高效，得到了广泛应用。

然而，研究表明，矩阵网格虽然简单，但往往会包含有不同的纹理成分，因此，假定同一矩形网格内具有相同的运动规律往往不够准确，也会产生一定的统计误差。

发明内容

本发明提供了一种基于超像素运动统计的误匹配去除方法，本发明克服传统网格运动统计算法存在的不足，采用超像素分割的网格化对传统网格运动统计进行了改进，并建立了超像素网格统计模型，将真假匹配的概率分布特性转换为统计特性，以此实现误匹配点的自动筛选，详见下文描述：

一种基于超像素运动统计的误匹配去除方法，所述方法包括以下步骤：

对两张待匹配图像进行特征提取、描述与匹配；

利用改进的超像素分割算法对待匹配图像I₁和I₂进行分割，得到两张超像素标记图；

基于超像素标记图建立超像素运动统计模型，通过模型实现非刚性形变图像配准特征点的自动筛选。

其中，所述对两张待匹配图像进行特征提取、描述与匹配具体为：

对两张待匹配图像，采用ORB算子分别提取图像的特征点，得到两个初始特征点集，并对特征点进行描述；

利用特征匹配对两个特征点集进行初匹配，从而获得N对初始匹配坐标对。

进一步地，所述改进的超像素分割算法具体为：

将图像转换至CIELAB色彩空间中，均匀选取K个聚类种子点，其间隔为L个像素，在每个种子点周围2L×2L的邻域范围内搜索与之具有较高相似度的像素，并将其归为一类；

采用皮尔逊相关系数来代替欧氏距离，获取相似度。

具体实现时，所述采用皮尔逊相关系数来代替欧氏距离，获取相似度具体为：