[发明专利]基于邻域拓扑相似和先验概率采样的图像拼接匹配方法

说明书

本发明公开了一种基于邻域拓扑相似和先验概率采样的图像拼接匹配方法。方法包括获得两张待拼接图像中的初始特征点，通过暴力匹配从初始特征点中筛选出标定点并获得标定点对，将标定点进行三角形网络拓扑获得图像的三角拓扑网络，通过三角拓扑网络获得标定点的邻域拓扑向量，将同一张待拼接图像上所有标定点的邻域拓扑向量组合成一个邻域拓扑矩阵，利用邻域拓扑矩阵计算每组标定点对的先验概率和采样概论，根据采样概率较大的标定点对确认最优的转换矩阵，通过最优的转换矩阵将两张待拼接图像进行拼接。本发明引入先验概率和采样概率的概念，使误匹配可能性大的标定点更不容易被抽样选中，有效提高了标定点的误匹配去除的效率及正确率。

技术领域

本发明属于机器视觉领域的图像拼接匹配方法，尤其是涉及了一种基于邻域拓扑相似和先验概率采样的图像拼接匹配方法。

背景技术

图像的点匹配是计算机图像处理的重要内容，是机器视觉领域的重要研究方向，目前也被广泛地用于目标识别、图像配准、目标追踪、目标位姿求解等场合中。点的正确匹配是正确获取目标、获取图像间正确关系的基础。但目前几乎没有任何一种匹配方式可以产生完全正确的匹配，故误匹配去除也是至关重要的，是目前国内外学者的研究重点。现有经典的误匹配去除方式可以分为基于采样的方式和基于几何约束的方式。基于采样的方式代表为随机采样一致算法(RANSAC)，其原理为随机从数据集中选出几个数据集用于模型计算(在这里，这个模型为两张图像之间的转换矩阵，可以是本质矩阵或单应矩阵)，随后带入其他数据计算误差(在此计算的是重投影误差)，重复随机采样的过程直到找出使最多的数据符合的模型，此模型的内点即为正确的点匹配，对外点进行去除。但RANSAC在错误匹配数量较多的时候不适用，因为此时很难同时采样到正确的数据，这影响定位正确性。近年来也有许多其改进方法，如DL-RANSAC，其引入降序似然的思想来降低采样的随机性，使其采样结果快速收敛；Gao等人对RANSAC也提出了改进，其在迭代期间通过预验证和重采样，加快了检测效率。J.Bian等人提出了GMS，其对初始点集进行分割然后进行采样，提高收敛性与效率。近几年很多学者也提出基于点的几何约束的方式，这种方式不容易受误匹配数量影响，比较典型的有Luo等人用欧氏距离测量特征点之间的关系，然后用角余弦校正错误点。Aguilar等人提出了GTM，其构建了标定点之间的无向图，通过无向图的信息运算进行误匹配的检测与去除。Zhao等人基于标定点直接的距离约束，提出了剔除误匹配方法。

这些基于几何的方法和基于采样的方法，在一般情况下具有良好的去除结果，但在误匹配数量较多时都具有局限性，尤其是对一些图案纹理重复的图像进行匹配比较困难，现有技术缺少一种新的方式能适应在较大的误匹配率的情况下进行误匹配去除。

发明内容

为了解决现有方式对误匹配率比较高的情况下的不足，本发明提出一种基于邻域拓扑相似和先验概率采样的图像拼接匹配方法，并提出一种新的基于三角拓扑网络对标定点的正确概率的计算方法，并加权于随机采样的过程中，使其能更加容易地选取正确的标定点对，满足实际应用的需求。

本发明技术方案如下：

如图1所示，本发明的技术方案包括以下步骤：

本发明包括以下步骤：

步骤1：选取两张拍摄空间重叠的待拼接图像，所述的两张待拼接图像中一张为参照图像，另一张为测试图像，然后分别对两张待拼接图像进行特征点提取获得两张待拼接图像各自的初始特征点，通过暴力匹配从初始特征点中筛选出标定点并获得若干组标定点对，所述的每组标定点对包含参照图像中的一个标定点和测试图像中的一个标定点；

步骤2：构建三角拓扑网络

将参照图像中的标定点和测试图像中的标定点分别进行三角形网络拓扑获得两张待拼接图像各自的三角拓扑网络；

步骤3：通过三角拓扑网络获得标定点的邻域拓扑向量，并将同一张待拼接图像上所有标定点的邻域拓扑向量组成一个邻域拓扑矩阵；