[发明专利]基于模拟退火的无序图像拓扑有序化匹配方法

摘要

本发明公开了一种基于模拟退火的无序图像拓扑有序化匹配方法，利用局部不变特征粗配数量作为图像内容相关度定量描述，把图像内容相关度的和作为分组有序化代价函数，利用模拟退火算法求解出有序化代价函数的极值，得到图像分组，在组内利用最小生成树算法得到组内图像间的树形匹配结构。本发明的计算量只有现有技术的20％～70％，计算效率有明显的提高。

主权项

1、基于模拟退火的无序图像拓扑有序化匹配方法，其特征在于包括下述步骤：第一步，利用局部不变特征粗配数量作为图像内容相关度定量描述针对无序图像集，给出描述无序图像间相关度的数学模型，定义完全无向加权图G＝<E，V>，其中定义节点集合V对应无序图像集，E为加权图中边的集合，定义E中边的集合的每一条边e表示该条边的两个节点vi和vj所对应的两幅图像间图像内容的关联性，每一条边被赋予如下的权重：w(e)＝w(vi，vj)＝feature_matching_number(vi，vj)上式表示连接图像节点vi和vj的边的权重被定义为：两幅图像间局部不变特征点的匹配数量；第二步，把图像内容相关度的和作为分组有序化代价函数根据上面定义的完全无向加权图，图像的分组就相当于对应加权图的割集C，对应的代价函数为$W\left(C\right)=\underset{i=1}{\overset{\left|G\right|}{\mathrm{\&Sigma;}}}w\left(G_i\right)=\underset{i=1}{\overset{\left|G\right|}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{\left|G_i\right|}{\mathrm{\&Sigma;}}}\underset{k=j+1}{\overset{\left|G_i\right|}{\mathrm{\&Sigma;}}}w(v_j,v_k)$上式中，K为C中边的条数，Gi表示图像子集；vj、vk表示加权无向图的节点；w(Gi)表示图像子集Gi的权重，即该图像子集所对应的连通子图的所有的边的权重累加和；第三步，利用模拟退火算法求解出有序化代价函数的极值，得到图像分组，包括以下步骤：(1)对无序图像集进行随机分组，每个子集包含两幅图像，若无序图像数量为奇数，则有一个子集包含三幅图像；(2)计算每个子集Gi的权重W(Gi)，以及相应的平均子集权重W，即所有子集的权重的平均值；(3)随机选择两个权重低于平均权重W的图像子集Gi和Gj，在Gi和Gj中分别随机选择两幅图像经行交换，重复该步骤直到Si次，产生得到新的图像分组C’，原有的图像分组标记为Ck；(4)计算以下公式的值，以此作为接受新的图像分组C’并加以保存的概率，即：exp[-(W(C′)-W(Ck))/Ti](5)随机选择两个图像子集，如果两图像子集间的图像相关度高于阈值E，则合并这两个图像子集，重复该步骤直到图像分组数量降低到Ni，若达不到E则重新选择两个图像子集重复本步骤；(6)重复步骤(2)～(5)直到温度Ti降低到Tf；第四步，在组内利用最小生成树算法得到组内图像间的树形匹配结构得到图像集的分组结果后，针对每一个图像分组内部，利用分组时已经产生的部分图像间的两两匹配结果，把上一步中没有计算的两两匹配关系标记为关联度为零，按照图像名称将无序图像以字典序排序，以次序列作为行和列，生成一个矩阵，即邻接匹配矩阵，矩阵第i行和第j列对应的元素设置为第i幅图像和第j幅图像的两两匹配点绝对数量，最后利用PRIM最小生成树算法根据上述的邻接匹配矩阵产生组内图像的树形结构匹配关系。