[发明专利]基于先进邻域拓扑一致性的鲁棒特征匹配的图像匹配方法

说明书

本发明涉及一种基于先进邻域拓扑一致性的鲁棒特征匹配的图像匹配方法。该方法根据贝叶斯原理，建立匹配图像A与B之间的引导匹配策略模型、建立图像A与B中所在邻域内向量长度比及其夹角之间的软指派表达式并依据邻域拓扑加权一致性进行平滑性判断以及根据两幅图像中所选择的向量的长度比和其夹角以及多尺度K邻域的方法构造寻求最小代价的数学模型。本发明的图像匹配方法在精度、召回和F值这三个指标方面表现较好，因此本发明图像匹配方法具有良好的应用前景，可应用于三维重建和快速地实现无人机遥感图像的拼接等领域中。

技术领域

本发明涉及图像匹配领域，具体的说，本发明涉及一种基于先进邻域拓扑一致性的鲁棒特征匹配的图像匹配方法。

背景技术

过去的很长一段时间中，特征匹配已经发展为实现图像匹配最主要的形式。由于，其旨在对来自两幅图像中具有相同或相似属性的显著且稳定的特征结构进行识别并配对，是计算机视觉、模式识别以及图像处理领域一个基础而关键的问题。但是，特征匹配本质上是一个复杂组合优化问题，具有极高的计算复杂度，同时噪声、离群点以及复杂场景变换的影响造成现有的特征匹配方法存在多方面的不足，从而严重制约了其实际应用能力。因此，研究一种准确、鲁棒且高效的局部保持特征匹配算法对实现智能视觉有着极为重要的理论研究意义和实际应用价值

在过去的几十年里许多学者提出了许多不同的方法。根据最近的工作，特征匹配方法可分为四大类，即采样方法、非参数插值方法、图匹配方法和基于学习的方法。但是，它们匹配的结果都有可以进一步的提高的地方。例如：采样方法采用了一种假设-验证的程序来获得一个全部都是内点的最小的集合。然而，要获得都是内点的最小子集，当初始匹配的集合中外点的比例很高的时候，迭代次数必须是指数级的增长。此外，一个预定义的参数模型在处理经过复杂非刚性变换的图像对时效率较低。还有些学者提出了一些非参数插值方法。这些方法通常都有一些先验假设，如利用正确匹配的几何一致性来学习一对对应函数或插值一个运动场，满足这些函数或者运动场中的匹配是平滑的。相比使用采样的方法，这些方法可以处理非刚性转换，而它们通常具有立方级的复杂度，这在很大程度上限制了它们在实时任务中的应用。基于学习的方法是解决特征匹配问题的另一种方法。对于特征检测和描述，尽管使用深度学习架构的人获得的结果已经验证了比手工制作的结果好，但是假设集仍然包含大量错误匹配。因此，一种误匹配剔除方法仍然是十分有必要的。最近，一些学者提出了几种基于一致性约束和局部邻域一致性的方法，如基于一致性的决策边界，基于网格的运动统计(GMS)和局部保持匹配(LPM)取得了很好的效果。在LPM中，它是基于这样直观的观察：当图像对发生复杂的变形时，对应的特征点之间的绝对距离可能会发生很大的变化。但是在特征点的局部邻域内，由于物理限制，局部邻域结构和拓扑结构通常保持良好。LPM的优点是简单的形式使其能在几毫秒内完成数千个错误匹配的剔除。然而，LPM的主要缺点是其现有的邻域拓扑的一致性不能很好地区分内点和外点，而且很容易对外点产生过度的惩罚。此外，当初始匹配的外点比例高的时候，它的邻域结构的构建将不再可靠的。

发明内容

本发明的目的在于提供一种基于先进邻域拓扑一致性的鲁棒特征匹配的图像匹配方法，该方法在精度、召回和F值这三个指标方面表现较好，本发明图像匹配方法具有良好的应用前景，可应用于三维重建和快速地实现无人机遥感图像的拼接等领域中。

为实现上述目的，本发明的技术方案是：一种基于先进邻域拓扑一致性的鲁棒特征匹配的图像匹配方法，包括以下步骤：

步骤S1、根据贝叶斯原理，建立匹配图像A与B之间的引导匹配策略模型；

步骤S2、建立图像A与B中所在邻域内向量长度比及其夹角之间的软指派表达式并依据邻域拓扑加权一致性进行平滑性判断；

步骤S3、根据两幅图像中所选择的向量的长度比和其夹角以及多尺度K邻域构造寻求最小代价的数学模型并求解，得到匹配结果。

在本发明一实施例中，所述步骤S1具体实现如下：

S11、假定图像中的点集