本發(fā)明涉及圖像位置配準(zhǔn)方法，特別涉及一種基于改進(jìn)霍夫變換的圖像位置配準(zhǔn)方法。

背景技術(shù)：

圖像配準(zhǔn)技術(shù)是將不同視角下，對同一場景采集得到的兩幅或多幅圖像進(jìn)行位置配準(zhǔn)的過程，是圖像處理領(lǐng)域的基本問題之一。同時，圖像配準(zhǔn)技術(shù)也是立體視覺、運(yùn)動分析、圖像融合等技術(shù)的基礎(chǔ)，因此有著重要的應(yīng)用價值。

圖像位置配準(zhǔn)旨在尋求圖像之間的平移運(yùn)動關(guān)系?，F(xiàn)有學(xué)者已經(jīng)針對不同應(yīng)用環(huán)境提出了多種圖像位置配準(zhǔn)方法，并在時效性、魯棒性和配準(zhǔn)精度等方面取得了明顯效果。根據(jù)圖像配準(zhǔn)理論，可將現(xiàn)有的圖像位置配準(zhǔn)算法分為如下三類：

(1)基于特征點(diǎn)跟蹤的圖像位置配準(zhǔn)方法。該類方法的基本原理是在當(dāng)前圖像和基準(zhǔn)圖像上分別選取一系列的特征點(diǎn)作為標(biāo)識，基于已建立的特征點(diǎn)對應(yīng)關(guān)系，來求解圖像之間的位置變換參數(shù)。

(2)基于光流的圖像位置配準(zhǔn)方法。該方法是利用圖像灰度在時間與空間上的相關(guān)性，建立由圖像每個像素瞬時運(yùn)動矢量所組成的光流場，進(jìn)而得到圖像運(yùn)動矢量。

(3)基于灰度信息匹配的圖像位置配準(zhǔn)方法。該類方法是使用最廣泛的圖像位置配準(zhǔn)方法，其核心思想是在當(dāng)前圖像上以一定的方式選取某一類型的灰度信息，以一定的匹配準(zhǔn)則在基準(zhǔn)圖像上尋找最佳匹配位置，進(jìn)而確定圖像位置運(yùn)動信息。

然而，目前的圖像位置配準(zhǔn)方法中仍然存在如下問題：

(1)基于特征點(diǎn)跟蹤的圖像位置配準(zhǔn)方法和基于光流的圖像位置配準(zhǔn)方法雖然配準(zhǔn)精度較高，但算法復(fù)雜、計算量大，無法適用于對配準(zhǔn)實時性要求較高的場合。

基于灰度信息匹配的圖像位置配準(zhǔn)方法雖然有著計算復(fù)雜度低、易于硬件實現(xiàn)的優(yōu)點(diǎn)，但對于灰度信息單一或存在運(yùn)動前景的圖像，其算法魯棒性差。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是為了解決現(xiàn)有技術(shù)算法復(fù)雜、實時性差、計算量大以及算法魯棒性差的問題，而提出的一種基于改進(jìn)霍夫變換的圖像位置配準(zhǔn)方法。

上述的發(fā)明目的是通過以下技術(shù)方案實現(xiàn)的：

步驟一、對相機(jī)采集到的分辨率為M*N的圖像進(jìn)行灰度化，得到當(dāng)前灰度圖像；

步驟二、對步驟一得到的當(dāng)前灰度圖像中均勻選擇m個匹配塊；并對得到的匹配塊進(jìn)行篩選；其中，匹配塊的大小為s*t像素；

步驟三、基于圖像金字塔和改進(jìn)六邊形搜索算法確定步驟二得到的篩選后的每個匹配塊在基準(zhǔn)圖像上的最佳匹配位置，得到每個匹配塊的局部運(yùn)動估計矢量；

步驟四、對步驟三得到的每個局部運(yùn)動估計矢量，采用改進(jìn)霍夫變換方法，對錯誤的局部運(yùn)動估計矢量進(jìn)行剔除得到霍夫變換篩選后的局部運(yùn)動估計矢量；

步驟五、對經(jīng)過步驟四得到的霍夫變換篩選后的局部運(yùn)動估計矢量，求取局部運(yùn)動估計矢量平均值作為運(yùn)動估計結(jié)果；依據(jù)運(yùn)動估計結(jié)果，得到當(dāng)前圖像和基準(zhǔn)圖像的位置配準(zhǔn)關(guān)系。

發(fā)明效果

1)由于采用圖像金字塔和改進(jìn)的六邊形搜索算法，本發(fā)明提出的圖像位置配準(zhǔn)算法的有效運(yùn)動估計范圍可達(dá)到45像素。

2)在Intel Core i5-5200U，C++編程環(huán)境下，針對分辨率為480X640的灰度圖像，本發(fā)明提出的圖像位置配準(zhǔn)算法的配準(zhǔn)時間優(yōu)于50ms，滿足了實時配準(zhǔn)要求。相對于其他位置配準(zhǔn)算法，本發(fā)明提出的算法相對簡單易于實現(xiàn)。

附圖說明

圖1是具體實施方式一中基于改進(jìn)霍夫變換的圖像位置配準(zhǔn)方法的流程圖；

圖2是具體實施方式三中利用降采樣的方法對原始圖像建立的三層灰度金字塔示意圖。

圖3是具體實施方式三中，在基準(zhǔn)圖像上，采用改進(jìn)六邊形搜索算法，尋找與當(dāng)前圖像中各個待匹配塊的最佳匹配位置的搜索過程示意圖。

具體實施方式

具體實施方式一：結(jié)合圖1本實施方式的一種基于改進(jìn)霍夫變換的圖像位置配準(zhǔn)方法，具體是按照以下步驟制備的：

步驟一、對相機(jī)采集到的分辨率為M*N的圖像進(jìn)行灰度化，得到當(dāng)前灰度圖像。

步驟二、對步驟一得到的當(dāng)前灰度圖像中均勻選擇m個匹配塊；并對得到的匹配塊進(jìn)行篩選。其中，匹配塊的大小為s*t像素；

步驟三、基于圖像金字塔和改進(jìn)六邊形搜索算法確定步驟二得到的篩選后的每個匹配塊在基準(zhǔn)圖像上的最佳匹配位置，得到每個匹配塊的局部運(yùn)動估計矢量；

步驟四、對步驟三得到的每個局部運(yùn)動估計矢量，采用改進(jìn)霍夫變換方法，對錯誤的局部運(yùn)動估計矢量進(jìn)行剔除得到霍夫變換篩選后的局部運(yùn)動估計矢量；

步驟五、對經(jīng)過步驟四得到的霍夫變換篩選后的局部運(yùn)動估計矢量，求取局部運(yùn)動估計矢量平均值作為運(yùn)動估計結(jié)果；依據(jù)運(yùn)動估計結(jié)果，得到當(dāng)前圖像和基準(zhǔn)圖像的位置配準(zhǔn)關(guān)系。

本實施方式效果：

由于采用圖像金字塔和改進(jìn)的六邊形搜索算法，本實施方式提出的圖像位置配準(zhǔn)算法的有效運(yùn)動估計范圍可達(dá)到45像素。

在Intel Core i5-5200U，C++編程環(huán)境下，針對分辨率為480X640的灰度圖像，本實施方式提出的圖像位置配準(zhǔn)算法的配準(zhǔn)時間優(yōu)于50ms，滿足了實時配準(zhǔn)要求。相對于其他位置配準(zhǔn)算法，本實施方式提出的算法相對簡單易于實現(xiàn)。

具體實施方式二：本實施方式與具體實施方式一不同的是：步驟二中對步驟一得到的當(dāng)前灰度圖像中均勻選擇m個匹配塊，并對得到的匹配塊進(jìn)行篩選的具體步驟如下：

步驟二一、在當(dāng)前灰度圖像上均勻選擇m個匹配塊；均勻選擇原則如下：塊匹配位置應(yīng)該均勻分布于圖像平面，匹配塊的大小為s*t；數(shù)量m按如下數(shù)學(xué)表達(dá)式進(jìn)行選擇：

步驟二二、求取其步驟二一得到的每一個匹配塊的均方根對比度；

步驟二三、將步驟二二得到的每個匹配塊的均方根對比度與預(yù)設(shè)閾值0.01進(jìn)行比較，如果匹配塊的均方根對比度大于預(yù)設(shè)閾值，則將該匹配塊保留；否則，則剔除該匹配塊。其它步驟及參數(shù)與具體實施方式一相同。

具體實施方式三：結(jié)合圖2和圖3本實施方式與具體實施方式一或二不同的是：步驟二二中所述均方根對比度的數(shù)學(xué)表達(dá)式為：

式中，I(u+i,v+j)為匹配塊在位置(u+i,v+j)處的灰度值，坐標(biāo)(u,v)表示當(dāng)前圖像中待匹配塊的中心位置，表示匹配塊內(nèi)像素灰度的平均值,i和j分別表示-t/2到t/2和-s/2到s/2之間的整數(shù)。其它步驟及參數(shù)與具體實施方式一或二相同。

具體實施方式四：本實施方式與具體實施方式一至三之一不同的是：步驟二中s*t＝31*31。其它步驟及參數(shù)與具體實施方式一至三之一相同。

具體實施方式五：本實施方式與具體實施方式一至四之一不同的是：步驟三中基于圖像金字塔和改進(jìn)六邊形搜索算法確定步驟二得到的篩選后的每個匹配塊在基準(zhǔn)圖像上的最佳匹配位置，得到每個匹配塊的局部運(yùn)動估計矢量的具體處理方法和步驟如下：

步驟三一、利用降采樣的方法建立當(dāng)前圖像和基準(zhǔn)圖像的三層灰度金子塔，其中，底層圖像為原圖像，而構(gòu)建中間層圖像和頂層圖像的數(shù)學(xué)表達(dá)式如下：

式中，f^(l)(x,y)表示第l層圖像中位置(x,y)處的像素灰度值p,q；p,q取0或1。

步驟三二、對步驟三一得到的當(dāng)前圖像和基準(zhǔn)圖像的頂層圖像，采用改進(jìn)六邊形搜索算法，在基準(zhǔn)圖像上，尋找與當(dāng)前圖像中各個待匹配塊的灰度相關(guān)性最大的位置，即為最佳匹配位置。

步驟三三、將上一步得到的各個匹配塊在基準(zhǔn)圖像頂層上的最佳匹配位置傳遞給基準(zhǔn)圖像中間層，得到匹配塊在基準(zhǔn)圖像中間層中的粗匹配位置；并在粗匹配位置的3像素鄰域范圍內(nèi)進(jìn)行搜索，確定各匹配塊在基準(zhǔn)圖像中間層上灰度相關(guān)性最大的位置，即為中間層的最佳匹配位置。

步驟三四、將步驟三三得到的各個匹配塊在基準(zhǔn)圖像中間層上的最佳匹配位置傳遞給基準(zhǔn)圖像底部層，得到匹配塊在基準(zhǔn)圖像中間底層中的粗匹配位置；并在粗匹配位置的3像素鄰域范圍內(nèi)進(jìn)行搜索，確定各匹配塊在基準(zhǔn)圖像底層上灰度相關(guān)性最大的位置，即為底層的最佳匹配位置。

步驟三五、利用步驟三四得到的底層的最佳匹配位置，求取當(dāng)前圖像與基準(zhǔn)圖像的每一個對應(yīng)匹配塊的局部運(yùn)動估計矢量；

步驟三六、利用步驟三四得到的底層的最佳匹配位置，求取當(dāng)前圖像與基準(zhǔn)圖像的每一個對應(yīng)匹配塊的局部運(yùn)動估計矢量的數(shù)學(xué)表達(dá)式如下：

(△x_i,△y_i)＝(u-u′,v-v′)

式中，(△x_i,△y_i)表示第i個匹配塊的局部運(yùn)動估計矢量。其它步驟及參數(shù)與具體實施方式一至四之一相同。

具體實施方式六：本實施方式與具體實施方式一至五之一不同的是：步驟三二中所述改進(jìn)后的六邊形搜索算法的具體為：首先，采用相鄰搜索位置的距離為12像素的九宮格模板對頂層圖像的匹配位置進(jìn)行粗定位；將九個位置中的最佳位置(最佳的位置根據(jù)灰度相關(guān)性，由上面的計算公式確定)定位作為初始位置；最后，采用六邊形搜索法(六邊形搜索算法是已知的一種搜索算法，它是通過計算初始位置周圍六邊形上的灰度相關(guān)性并將計算結(jié)果與初始位置比較，找出最大相關(guān)性的位置，將此位置重新設(shè)置為初始位置，重復(fù)執(zhí)行，直到找出最佳位置)進(jìn)行搜索，找到待匹配塊的最佳匹配位置。其它步驟及參數(shù)與具體實施方式一至五之一相同。

具體實施方式七：本實施方式與具體實施方式一至六之一不同的是：步驟三二中待匹配塊的灰度相關(guān)性的數(shù)學(xué)表達(dá)式如下：

式中，I_pre為當(dāng)前圖像，I_ref為基準(zhǔn)圖像；坐標(biāo)(u,v)表示當(dāng)前圖像中待匹配塊的中心位置，(u′,v′)表示基準(zhǔn)圖像中被搜索的位置；r為匹配塊的半徑；表示當(dāng)前圖像中待匹配塊內(nèi)像素灰度的平均值，表示基準(zhǔn)圖像中被搜索匹配塊內(nèi)的像素灰度平均值；I_ref(u+a,v+b)為基準(zhǔn)圖像I_ref第u+a行第v+b列位置上的灰度值；I_pre(u+a,v+b)為當(dāng)前圖像I_pre第u+a行第v+b列位置上的灰度值。其它步驟及參數(shù)與具體實施方式一至六之一相同。

具體實施方式八：本實施方式與具體實施方式一至七之一不同的是：步驟四中對步驟三得到的每個局部運(yùn)動估計矢量，采用改進(jìn)霍夫變換方法，對錯誤的局部運(yùn)動估計矢量進(jìn)行剔除具體處理方法和步驟如下：

步驟四一、對步驟三得到的各匹配塊的局部運(yùn)動估計矢量(△x_i,△y_i)，求取△x_i的最大值△x_max和最小值△x_min，以及△y_i的最大值△y_max和最小值△y_min。

步驟四二、利用步驟四一得到的局部運(yùn)動估計矢量各分量的最大值和最小值，建立以△x和△y為參數(shù)的二維平面坐標(biāo)系，并將范圍為△x_min≤△x≤△x_max，△y_min≤△y≤△y_max的平面細(xì)分為固定大小的單元格；

步驟四三、利用步驟四二得到的單元格，將每一個局部運(yùn)動估計矢量歸類到相應(yīng)的單元格里，并統(tǒng)計各單元格中局部運(yùn)動估計矢量的個數(shù)；保留個數(shù)最大的單元格中的局部運(yùn)動估計矢量，其余的直接剔除。其它步驟及參數(shù)與具體實施方式一至七之一相同。

具體實施方式九：本實施方式與具體實施方式一至八之一不同的是：步驟四二中單元格的尺寸為：2×2像素。其它步驟及參數(shù)與具體實施方式一至八之一相同。