一種基于小波分解與Harris角點(diǎn)檢測的快速圖像配準(zhǔn)方法
【專利摘要】本發(fā)明公開了一種基于小波分解與Harris角點(diǎn)檢測的快速圖像配準(zhǔn)方法，通過小波分解使得圖像的大小縮小從而減少了運(yùn)算量，提高了圖像配準(zhǔn)的實(shí)時性，且小波分解的過程為一個低通濾波的過程，能夠處理噪聲，此外本發(fā)明采用Harris角點(diǎn)檢測算法進(jìn)行角點(diǎn)配對，同時還對誤匹配點(diǎn)角點(diǎn)進(jìn)行了剔除使得抗噪、抗干擾能力強(qiáng)，進(jìn)一步提高了圖像匹配的準(zhǔn)確度。
【專利說明】—種基于小波分解與Harris角點(diǎn)檢測的快速圖像配準(zhǔn)方
法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及數(shù)字圖像處理與模型辨識相關(guān)技術(shù)，適用于包括導(dǎo)航、機(jī)動目標(biāo)跟蹤、狀態(tài)監(jiān)控等圖像處理與模式識別相關(guān)領(lǐng)域，具體涉及一種基于小波分解與Harris角點(diǎn)檢測的快速圖像配準(zhǔn)方法。
【背景技術(shù)】
[0002]圖像配準(zhǔn)是圖像處理的一個基礎(chǔ)問題。隨著計(jì)算機(jī)技術(shù)的發(fā)展，圖像配準(zhǔn)算法得至IJ 了快速的發(fā)展，在遙感、軍事、醫(yī)療、導(dǎo)航、成像制導(dǎo)、變遷檢測等領(lǐng)域得到廣泛的應(yīng)用。
[0003]目前，圖像配準(zhǔn)方法主要有兩類:一類是基于區(qū)域的圖像配準(zhǔn)方法，是指利用兩幅圖像像素間的灰度值關(guān)系來確定變換模型的參數(shù)，該方法利用了圖像的全部灰度信息，配準(zhǔn)精度高，但計(jì)算量大，實(shí)時性差。目前常見的基于區(qū)域的圖像配準(zhǔn)算法有比值法、基于塊匹配方法(又稱基于模板配準(zhǔn)算法)、網(wǎng)格匹配法等，這種方法適用于圖像間只有水平、垂直平移的情況。
[0004]另一類是基于特征的圖像配準(zhǔn)方法，其基本步驟如下:首先提取基準(zhǔn)圖像和待配準(zhǔn)的圖像特征集，然后進(jìn)行特征匹配，最后利用配準(zhǔn)的特征之間的關(guān)系估算出基準(zhǔn)圖像和待配準(zhǔn)圖像之間幾何變換模型及其參數(shù)變量值。這種方法利用圖像中的明顯特征來，而不是利用圖像中全部的信息計(jì)算圖像之間的變換，對圖像灰度的變化具有魯棒性，能夠適用于存在更復(fù)雜幾何變換的圖像之間的配準(zhǔn)。常見的基于特征的圖像配準(zhǔn)算法有=Harris角點(diǎn)檢測算法、SUSAN角點(diǎn)檢測算法、SIFT尺度不變特征轉(zhuǎn)換算法等。
[0005]目前，基于特征的圖像配準(zhǔn)算法中Harris角點(diǎn)檢測算法是應(yīng)用最廣泛的圖像配準(zhǔn)方法，但是這種算法計(jì)算復(fù)雜，使得匹配實(shí)時性較差，此外，由于該方法存在角點(diǎn)誤匹配問題，使得其抗噪、抗干擾能力差，從而導(dǎo)致圖像匹配準(zhǔn)確度差問題。

【發(fā)明內(nèi)容】

[0006]有鑒于此，本發(fā)明提供了一種基于小波分解與Harris角點(diǎn)檢測的快速圖像配準(zhǔn)方法，通過小波分解使得圖像的大小縮小從而減少了運(yùn)算量，提高了圖像配準(zhǔn)的實(shí)時性，且小波分解的過程為一個低通濾波的過程，能夠處理噪聲，此外本發(fā)明采用Harris角點(diǎn)檢測算法進(jìn)行角點(diǎn)配對，同時還對誤匹配點(diǎn)角點(diǎn)進(jìn)行了剔除使得抗噪、抗干擾能力強(qiáng)，進(jìn)一步提高了圖像匹配的準(zhǔn)確度。
[0007]一種基于小波分解與Harris角點(diǎn)檢測的快速圖像配準(zhǔn)方法，包括下列步驟:
[0008]步驟一、將基準(zhǔn)圖像和待配準(zhǔn)圖像分別從三維的真彩色圖像轉(zhuǎn)換為二維的灰度圖像，將基準(zhǔn)圖像和待配準(zhǔn)圖的灰度圖分別記為圖像和圖像f2 ；
[0009]步驟二、對圖像和圖像f2進(jìn)行N級小波分解，分別獲得一個第N次小波分解時的近似圖像，其中，圖像進(jìn)行N次分解后的近似圖像稱為LLNA，圖像f2進(jìn)行N次分解后的近似圖像稱為LLNB ；[0010]步驟三、采用Harris角點(diǎn)檢測算法對步驟二小波分解后得到的近似圖像LLNA和LLNB進(jìn)行角點(diǎn)提??；
[0011]步驟四、采用NCC匹配算法對步驟三得到的近似圖像LLNA提取的角點(diǎn)與近似圖像LLNB提取的角點(diǎn)進(jìn)行角點(diǎn)粗配準(zhǔn)，獲得匹配角點(diǎn)對；
[0012]步驟五、采用RANSAC算法對步驟四獲得的角點(diǎn)對進(jìn)行驗(yàn)證，剔除誤匹配的角點(diǎn)對，得到正確的匹配角點(diǎn)對；
[0013]步驟六、利用步驟五得到的匹配角點(diǎn)對進(jìn)行幾何變換獲得模型變換參數(shù)。
[0014]較佳的，步驟二中的N等于2。
[0015]較佳的，步驟六中的幾何變換為仿射變換。
[0016]有益效果:
[0017]I)本發(fā)明首先，通過N級小波分解后，圖像的大小縮小為原來的1/2N，所以，基于小波分解后的圖像進(jìn)行圖像配準(zhǔn)，大大縮短了計(jì)算復(fù)雜性，提高了圖像配準(zhǔn)的匹配實(shí)時性。
[0018]其次，本發(fā)明與傳統(tǒng)的基于Harris角點(diǎn)的圖像配準(zhǔn)算法相比，引進(jìn)了小波分解和剔除誤匹配點(diǎn)兩個步驟，小波分解過程是一個低通濾波的過程，對含有噪聲的圖像進(jìn)行小波分解，其實(shí)是對圖像進(jìn)行了去噪聲處理，能夠?qū)⒉恢匾募?xì)節(jié)信息處理掉，只保留重要的基本信息，從而降低了噪聲干擾，提高了圖像匹配準(zhǔn)確度。采用RANSAC算法對角點(diǎn)對進(jìn)行驗(yàn)證，剔除誤匹配的角點(diǎn)對，提高了圖像配準(zhǔn)方法的抗噪和抗干擾能力，進(jìn)一步提高了圖像的匹配準(zhǔn)確度。
[0019]2)本發(fā)明實(shí)施例對圖像進(jìn)行了二級小波分解，能夠壓縮圖像的同時不增加計(jì)算的復(fù)雜度，進(jìn)一步保證了圖像匹配的準(zhǔn)確度和實(shí)時性。
[0020]3)本發(fā)明實(shí)施例利用得到的匹配角點(diǎn)對采用仿射變換獲得幾何變換模型，該幾何變換能夠?qū)崿F(xiàn)圖像平移、旋轉(zhuǎn)等多種變換，同時又無復(fù)雜的計(jì)算量，能夠進(jìn)一步保證圖像匹配的準(zhǔn)確度和實(shí)時性。
【專利附圖】

【附圖說明】
[0021]圖1為本發(fā)明的流程圖；
[0022]圖2為小波分解得到的近似圖像；
[0023]圖3為基準(zhǔn)圖像和待配準(zhǔn)圖像的近似圖像上提取的角點(diǎn)；
[0024]圖4為采用NCC匹配算法對獲得的匹配角點(diǎn)對；
[0025]圖5為采用RANSAC算法剔除誤匹配的角點(diǎn)對。
【具體實(shí)施方式】
[0026]下面結(jié)合附圖并舉實(shí)施例，對本發(fā)明進(jìn)行詳細(xì)描述。
[0027]本發(fā)明提供了一種基于小波分解與Harris角點(diǎn)檢測的快速圖像配準(zhǔn)方法，該方法在計(jì)算機(jī)硬件環(huán)境下進(jìn)行，Windows2000/XP ；matlab或C語言或C++等任何一種語言環(huán)境軟件均可實(shí)現(xiàn)，本實(shí)施例采用matlab語言環(huán)境，流程圖如圖1所示，具體包括下列步驟，:
[0028]步驟一、在matlab中輸入兩幅圖像F1和F2，其中F1為基準(zhǔn)圖像，F(xiàn)2為待配準(zhǔn)圖像，采用matlab中的函數(shù)rgb2gray O分別將兩幅圖像分別從三維的真彩色圖像轉(zhuǎn)換為二維的灰度圖像，將基準(zhǔn)圖像和待配準(zhǔn)圖的灰度圖分別記為圖像和圖像f2。[0029]步驟二、對圖像和圖像f2進(jìn)行N級小波分解，分別獲得一個第N次小波分解時的近似圖像，其中，圖像進(jìn)行N次分解后的近似圖像稱為LLNA，圖像f2進(jìn)行N次分解后的近似圖像稱為LLNB。
[0030]例如，對圖像進(jìn)行一級小波分解時，首先用低通濾波器(L)和高通濾波器(H)對圖像行向進(jìn)行小波分解，得到的高頻分量和低頻分量數(shù)據(jù)；然后將得到的高頻分量和低頻分量數(shù)據(jù)的列向分別用低通濾波器(L)和高通濾波器(H)進(jìn)行濾波，從而得到圖像的低頻部分，又稱為圖像的一級近似信息LL1A、圖像沿水平方向的細(xì)節(jié)信息HL1A、圖像沿垂直方向的細(xì)節(jié)信息LHlA ;圖像沿對角線方向的細(xì)節(jié)信息HHlI。
[0031]對圖像進(jìn)行二級小波分解即對獲得的圖像一級分解近似信息LLlA進(jìn)行二次小波分解，獲得圖像的二級近似信息LL2A，圖像沿水平方向的細(xì)節(jié)信息HL2A，圖像沿垂直方向的細(xì)節(jié)信息LH2A，為圖像沿對角線方向的細(xì)節(jié)信息HH2A。
[0032]當(dāng)進(jìn)行N級小波分解時，得到圖像的N級近似信息；圖像沿水平方向的細(xì)節(jié)信息HLNA ;圖像沿垂直方向的細(xì)節(jié)信息LHNA ;圖像沿對角線方向的細(xì)節(jié)信息HHNA。
[0033]這種分解是一種無損變焦，且近似分量是光滑的，因而小波分解具有壓縮圖像及抗噪聲的優(yōu)點(diǎn)，圖像分解次數(shù)的選擇非常重要，分解的層數(shù)越多，進(jìn)行圖像配準(zhǔn)時計(jì)算復(fù)雜度越低、匹配效率越高，然而，分解次數(shù)太多的話會丟失大量的圖像信息。因此，在對圖像進(jìn)行分解時，選擇合適的分解層數(shù)不僅簡化圖像信息，同時保留了圖像的重要信息，本實(shí)施例對圖像進(jìn)行二級小波分解，能夠壓縮圖像的同時不增加計(jì)算的復(fù)雜度，進(jìn)一步保證了圖像匹配的準(zhǔn)確度和實(shí)時性。
[0034]對圖像和圖像f2進(jìn)行二級小波分解，分別獲得小波分解后的近似圖像，其中，圖像進(jìn)行N次分解后的近似圖像稱為LL2A,圖像f2進(jìn)行N次分解后的近似圖像稱為LL2B,如圖2所示，左圖為LL2A，右圖為LL2B。
[0035]步驟三、采用Harris角點(diǎn)檢測算法分別對步驟二小波分解后得到的近似圖像LL2A和LL2B進(jìn)行角點(diǎn)信息提取。
[0036]Harris角點(diǎn)檢測算法(曲喜文.一種改進(jìn)的Harris角點(diǎn)檢測方法.機(jī)電技術(shù)，2012,40-42)原理如下:
[0037]首先，將待檢測的圖像窗口 w向任意方向移動微小的位移，假定圖像窗口 w內(nèi)的目標(biāo)像素的坐標(biāo)是(X，y)，在X和y方向移動的位移分別為u和V,則將點(diǎn)(X，y)在一個(u, v)正方形窗口中的灰度變化量定義為:
[0038]
【權(quán)利要求】
1.一種基于小波分解與Harris角點(diǎn)檢測的快速圖像配準(zhǔn)方法，其特征在于，包括下列步驟: 步驟一、將基準(zhǔn)圖像和待配準(zhǔn)圖像分別從三維的真彩色圖像轉(zhuǎn)換為二維的灰度圖像，將基準(zhǔn)圖像和待配準(zhǔn)圖的灰度圖分別記為圖像和圖像f2 ; 步驟二、對圖像和圖像f2進(jìn)行N級小波分解，分別獲得一個第N次小波分解后的近似圖像，其中，圖像進(jìn)行N次分解后的近似圖像稱為LLNA，圖像f2進(jìn)行N次分解后的近似圖像稱為LLNB ； 步驟三、采用Harris角點(diǎn)檢測算法對步驟二小波分解后得到的近似圖像LLNA和LLNB進(jìn)行角點(diǎn)提??； 步驟四、采用NCC匹配算法對步驟三得到的近似圖像LLNA提取的角點(diǎn)與近似圖像LLNB提取的角點(diǎn)進(jìn)行角點(diǎn)粗配準(zhǔn)，獲得匹配角點(diǎn)對； 步驟五、采用RANSAC算法對步驟四獲得的角點(diǎn)對進(jìn)行驗(yàn)證，剔除誤匹配的角點(diǎn)對，得到正確的匹配角點(diǎn)對； 步驟六、利用步驟五得到的匹配角點(diǎn)對進(jìn)行幾何變換獲得模型變換參數(shù)。
2.如權(quán)利要求1所述的一種基于小波分解與Harris角點(diǎn)檢測的快速圖像配準(zhǔn)方法，其特征在于，所述步驟二中的N等于2。
3.如權(quán)利要求1所述的一種基于小波分解與Harris角點(diǎn)檢測的快速圖像配準(zhǔn)方法，其特征在于，所述的步驟六中的幾何變換為仿射變換。
【文檔編號】G06T7/00GK103679720SQ201310661197
【公開日】2014年3月26日 申請日期:2013年12月9日 優(yōu)先權(quán)日:2013年12月9日
【發(fā)明者】閆莉萍, 王曉林, 彭晶晶, 夏元清, 王美玲, 鄧志紅, 付夢印 申請人:北京理工大學(xué)