[发明专利]一种基于深度学习的图像匹配方法

说明书

本发明涉及图像处理技术领域，具体公开了一种基于深度学习的图像匹配方法，包括如下步骤，步骤1，预先训练VGG‑16网络；步骤2，使用预先训练的VGG‑16网络中卷积层的输出来构建卷积特征描述符；步骤3，基于构建好的卷积特征描述符进行特征匹配：步骤4，根据匹配的结果，设定阈值，选定出匹配对；步骤5，当选出匹配对以后，计算出仿射矩阵；步骤6，根据匹配对和反射矩阵，剔除掉不符合的匹配对，从而得到最终的结果。本发明使用深度学习的方法提取图像特征，该特征能够适应图像噪声，相比于传统的特征匹配方法，正确率得到提升。

技术领域

本发明涉及图像处理技术领域。

背景技术

在视觉导航、灾害监测、医学成像技术应用等方面中，图像匹配技术是必不可少的一环。目前，图像匹配算法可以分为基于特征的图像匹配和基于模板的图像匹配。基于特征的图像匹配是通过检测图像对间相应特征，求取全局变换关系来完成匹配过程的。但由于图像噪声、成像模糊等原因，基于特征的图像匹配方法应用于图像的匹配效果不尽人意，基于模板的图像匹配在这方面做得更好。模板匹配是将一幅图像作为模板并通过逐像素比较的方法搜索模板在另一幅图像上的对应位置的过程。由于模板提供的图像信息更加完整，模板匹配算法能比基于特征的图像匹配算法更好的适应弱特征、图像噪声和成像模糊等不利因素。但是，模板匹配算法通常只能适应图像间存在平移变换关系的匹配，对于更复杂的几何变换难以成功匹配，同时基于模板匹配的方法需要消耗更多的时间，算法难以应用在实时系统上。

下面我们给出了一些经典的图像匹配算法：

(1)一些模板匹配算法试图通过改进相似度度量或差异性度量来解决图像灰度的畸变问题。归一化互相关(ncc)是经典的模板匹配相似度度量方法，通过NCC可以解决图像中的线性强度改变的问题。由于图像噪声的存在，NCC算法基于灰度值计算图像相似性，而噪声会导致其发生变化。除此之外，基于NCC 的图像匹配算法所需的时间较长。

(2)提出的DASC密集描述符用于多模态图像匹配。DASC基于自相似性进行描述，并通过SVM来改善其自相似性计算过程。但是，DASC是基于灰度的，对于图像噪声极为敏感，难以适应噪声干扰。

(3)SIFT，SURF，ORB等经典的特征描述匹配方法在进行图像匹配中有着一个共同的缺点，难以在图像中检测到正确的特征点对。另外，由于检测到过多的错误点对，导致在使用RANSAC算法剔除错误匹配对过程中，反倒会把正确特征点对剔除掉。

和SIFT一样，SURF算法也是一种旋转和尺度不变的兴趣点检测器和描述符。同样，难以检测到正确特征点对。ORB算法提出一种快速二值描述符，具有旋转不变性和抗噪声的特点。但是对于图像中存在的仿射变形难以适应。

(4)Simon Korman等人提出了一种快速仿射模板匹配算法。该算法通过计算灰度的L1范数来测量模板与基准图的差异性。图像的灰度往往会附带噪声，会L1范数的计算结果发生改变，从而匹配失败。

在图像匹配过程中，由于图像噪声、成像模糊等原因，传统的特征匹配方法由于上述原因，导致难以检测到正确匹配对，从而导致匹配正确率下降。而传统的模板匹配方法，由于图像几何畸变的原因，导致匹配搜索空间成几何倍数增长，计算效率下降，难以应用于实时匹配。针对上述问题，本文提出了一种基于深度学习的图像匹配算法。

发明内容

本发明的目的在于解决上述问题。

为了达到上述目的，本发明的基础方案提供一种基于深度学习的图像匹配方法，包括如下步骤，

步骤1，预先训练VGG-16网络；

步骤2，使用预先训练的VGG-16网络中卷积层的输出来构建卷积特征描述符；

步骤3，基于构建好的卷积特征描述符进行特征匹配：

步骤4，根据匹配的结果，设定阈值，选定出匹配对；