[发明专利]融入颜色直方图与余弦相似性的优化图像配准方法

权利要求书

1.一种融入颜色直方图与余弦相似性的优化图像配准方法，其特征在于，包括：图像预处理阶段、图像特征双向匹配阶段和计算单应性矩阵并确定重合区域；其中，

在图像预处理阶段，使用分块方法、颜色直方图与余弦相似度相结合方法得到相似性度量值最大的图像块对；在图像匹配阶段，对检测的图像特征存在错误匹配的问题，采用双向匹配方法剔除错误匹配对；最终，使用RANSAC算法计算单应性矩阵并确定待配准图像的重合区域，将其作为后续图像融合的输入。

2.根据权利要求1所述的融入颜色直方图与余弦相似性的优化图像配准方法，其特征在于，图像预处理阶段包括：首先，根据待配准图像是横向配准还是纵向配准，将待配准图像分为1×4或者4×1的图像块；其次，利用颜色直方图方法计算图像块的唯一特征向量；再次，利用余弦相似性度量方法计算图像块之间的相似性度量值；最后，寻找其中最大值对应的块图像对作为图像特征检测的输入。

3.根据权利要求2所述的融入颜色直方图与余弦相似性的优化图像配准方法，其特征在于，任何一种颜色都是由红绿蓝三原色构成，将每种原色取256个值，将0-255分成四个区：0-63为第0区，64-127为第1区，128-191为第2区，192-255为第3区，即红绿蓝分别有4个区，总共构成64种组合；

任何一种颜色必然属于这64种组合中的一种，这样就可以统计每一种组合包含的像素数量，将像素数量值组成一个64维向量，该向量是这张图片的特征向量，然后使用余弦相似度公式计算块图像之间的相似性度量值，如式(1)所示，共16个值，寻找其中最大值对应的图像块对作为图像特征检测的输入；

其中：x_i是待配准图像L中图像块的特征向量元素，y_i是待配准图像R中图像块的特征向量元素。

4.根据权利要求1所述的融入颜色直方图与余弦相似性的优化图像配准方法，其特征在于，图像特征双向匹配阶段包括：首先使用SIFT算法生成128维的图像特征描述子向量，使用FLANN算法进行双向匹配；双向匹配的原理，首先，以待配准图像L的图像特征为参考，使用FLANN算法遍历待配准图像R中图像特征，得到最近邻特征点V_1j和次最近邻特征点V_2j，如果最近邻特征点V_1j和次最近邻特征点V_2j满足公式(2)，则最近邻特征点V_1j为匹配图像特征，得到匹配图像特征集A；然后，以待配准图像R的图像特征为参考，使用FLANN算法遍历待配准图像L中图像特征，得到最近邻特征点U_1j和次最近邻特征点U_2j，如果最近邻特征点U_1j和次最近邻特征点U_2j满足公式(3)，则最近邻特征点U_1j为匹配图像特征，得到匹配图像特征集B；最后，比较匹配图像特征集A和B，如果两个集中待配准图像L和待配准图像R中图像特征完全相同，则为正确的匹配特征，反之，则为错误的匹配特征；

其中：d(U_i,V_1j)是待配准图像L的特征与待配准图像R的最近邻特征的距离相似性度量值，d(U_i,V_2j)是待配准图像L的特征与待配准图像R的次最近邻特征的距离相似性度量值，T_h1为设定的阈值，本申请T_h1设置为0.8；

其中：d(V_j,U_1i)是待配准图像R的特征与待配准图像L的最近邻特征的距离相似性度量值，d(V_j,U_2i)是待配准图像R的特征与待配准图像L的次最近邻特征的距离相似性度量值，T_h2为设定的阈值，本申请T_h2设置为0.8。

5.根据权利要求1所述的融入颜色直方图与余弦相似性的优化图像配准方法，其特征在于，计算单应性矩阵并确定重合区域包括对于得到的内点利用最小二乘算法求取数学模型，设待配准图像L上的特征X和待配准图像R上的特征X'为一对匹配特征,X和X'的齐次坐标分别为X＝[x₁,x₂,x₃]^T和X'＝[x₁',x₂',x₃']^T,则X和X'的关系如式(4)所示，简式如式(5)所示:

X'＝M·X (5)

其中：M是单应性矩阵，用特征的非齐次坐标代替齐次坐标，设特征X和X'的非齐次坐标为(x,y)和(x′,y′)，则二维坐标变换的关系式如式(6)所示，单应性向量如式(7)所示：

h＝[h₀,h₁,h₂,h₃,h₄,h₅,h₆,h₇]^T (7)

由于一对匹配特征可以确定两个独立的线性方程，在投影变换模型下，理论上需要四对图像特征即可求出单应性矩阵M。