本發(fā)明涉及圖像處理，具體涉及一種基于surf-orb的改進圖像配準(zhǔn)算法。
背景技術(shù)：
：：1、圖像配準(zhǔn)是為同一場景的數(shù)張有重疊區(qū)域的小視野圖像，根據(jù)特征之間的對應(yīng)關(guān)系計算空間變換模型，對齊重疊區(qū)域，合成一幅大視野圖像的技術(shù)。在軍事偵察、遙感技術(shù)、醫(yī)學(xué)影像、衛(wèi)星圖像等領(lǐng)域有廣泛應(yīng)用。orb算法簡單，運算速度極快，但不具備尺度不變性，精確度不高，不適用于含有尺度變化的場合。surf算法具有尺度、旋轉(zhuǎn)不變性，抗噪能力強，穩(wěn)定性佳。但算法復(fù)雜度較高，運算時間較長，實時性差。因此將surf與orb算法結(jié)合使用，在surf尺度空間提取orb特征點，可使特征點具備尺度不變性，增強算法精確性，又能減少計算量，提高算法效率，更適應(yīng)實時性要求較高的場合。技術(shù)實現(xiàn)思路1、本發(fā)明為了解決在保證圖像配準(zhǔn)精度的條件下，提高圖像配準(zhǔn)速度，減少計算量，提高實時性的問題，設(shè)計了一種基于surf-orb的改進圖像配準(zhǔn)算法。2、一種基于surf-orb的改進圖像配準(zhǔn)算法，包括以下步驟：3、步驟1：獲取待配準(zhǔn)的二幅圖像，將圖像預(yù)處理，去除噪聲干擾；4、步驟2：構(gòu)建surf尺度空間；5、步驟3：提取orb特征點；6、步驟4：確定特征點主方向；7、步驟5：生成二進制字符的特征向量描述特征點；8、步驟6：利用最近鄰法匹配特征點；9、步驟7：利用匹配點的局域熵差、歐式距離、匹配點連線斜率篩選匹配點；10、步驟8：利用改進的k-means算法對特征點分類，將相同區(qū)域的特征點分為一類；11、步驟9：利用改進的ransac算法計算變換模型；12、步驟10：圖像配準(zhǔn)。13、進一步地，步驟2構(gòu)建surf尺度空間的具體內(nèi)容為：14、surf算法利用hessian矩陣檢測特征點，點的尺度為的hessian矩陣為:15、<mstyledisplaystyle="true"mathcolor="#000000"><mi>h</mi><mi>(</mi><mi>x</mi><mi>,</mi><mi>σ</mi><mi>)</mi><mi>=</mi><mrow><mo>[</mo><mtable><mtr><mtd><msub><mi>l</mi><mi>xx</mi></msub><mi>(</mi><mi>x</mi><mi>,</mi><mi>σ</mi><mi>)</mi></mtd><mtd><msub><mi>l</mi><mi>xy</mi></msub><mi>(</mi><mi>x</mi><mi>,</mi><mi>σ</mi><mi>)</mi></mtd></mtr><mtr><mtd><msub><mi>l</mi><mi>xy</mi></msub><mi>(</mi><mi>x</mi><mi>,</mi><mi>σ</mi><mi>)</mi></mtd><mtd><msub><mi>l</mi><mi>yy</mi></msub><mi>(</mi><mi>x</mi><mi>,</mi><mi>σ</mi><mi>)</mi></mtd></mtr></mtable><mo>]</mo></mrow></mstyle>??????????????????????(1)16、為簡化算法，提高運算速度，surf算法用逐步遞增盒狀濾波、、代替、、對積分圖像卷積建立尺度空間。17、進一步地，步驟3提取orb特征點的具體內(nèi)容為：18、在surf尺度空間的每一層，構(gòu)建以任一點為圓心，3為半徑的圓，與圓周上16個點比較，若為最少連續(xù)9個點的極值點，再與其鄰域內(nèi)26個點比較，若仍為極值點，則為orb角點。19、為避免特征點分布過于密集，在以orb角點為中心的8鄰域內(nèi)，求每個角點的orb響應(yīng)值，保留orb響應(yīng)值最大的角點為特征點。20、進一步地，步驟4確定特征點主方向的具體內(nèi)容為：21、構(gòu)建以特征點為中心的鄰域，計算鄰域質(zhì)心，特征點與質(zhì)心連線的方向即為特征點主方向。22、鄰域矩：?????????????????????????????(2)23、質(zhì)心：???????????????????????????????????????(3)24、特征點主方向的角度：????????????????????(4)25、進一步地，步驟5生成二進制字符的特征向量的具體內(nèi)容為：26、orb特征向量采用二進制字符串描述特征點，以特征點為中心建立鄰域，隨機選取個點，進行測試，生成位特征向量。為使特征向量具有旋轉(zhuǎn)不變性，將個點的向量組成維矩陣與旋轉(zhuǎn)矩陣相乘，則生成的特征向量具有旋轉(zhuǎn)不變性。27、進一步地，步驟6最近鄰法匹配特征點的具體內(nèi)容為：28、orb特征向量為0和1組成的二進制字符串，適合作異或運算，結(jié)果為漢明距離，特征向量越相似，漢明距離越小。在圖像1中任選一特征點，在圖像2中找到它的最近鄰點與次近鄰點，若該特征點的最近鄰點與次近鄰點的漢明距離比值小于閾值，則該特征點與其最近鄰點為匹配特征點。29、進一步地，步驟7利用匹配點的局域熵差、歐式距離、匹配點連線斜率篩選匹配點的具體內(nèi)容為：30、利用正確匹配點的局域熵差、歐式距離、匹配點連線斜率應(yīng)近似相等的性質(zhì)，進一步篩選匹配點。首先計算所有匹配點的局域熵差，選取20組局域熵差最小的匹配點，計算歐式距離、匹配點連線斜率，取其均值為標(biāo)準(zhǔn)值。若剩余匹配點的局域熵差在閾值內(nèi)，計算此匹配點的歐式距離、匹配點連線斜率和標(biāo)準(zhǔn)值之差，差值在閾值內(nèi)的匹配點為正確匹配點。31、進一步地，步驟8利用改進的k-means算法對特征點分類的具體內(nèi)容為：32、不預(yù)設(shè)分類數(shù)量，根據(jù)圖像中特征點實際聚集情況，為特征點分類。首先計算每個特征點的鄰域密度，判斷鄰域內(nèi)特征點聚集情況。以密度大于閾值的特征點為候選初始類中心點。選擇密度最大且彼此距離最遠的2個候選初始類中心點作為初始類中心點，聚類。在剩余未被分類的候選初始類中心點中，選擇密度最大的作為新的初始類中心點，聚類，重復(fù)以上過程直至所有未被分類的候選初始類中心點均被選擇過。最后將特征點數(shù)量過少的類作為離群點集去除。保留下來的類則為正確的特征點分組。33、進一步地，步驟9利用改進的ransac算法計算最優(yōu)變換模型的具體內(nèi)容為：34、先從步驟8分成的n類特征點中隨機選取4類，每類隨機抽取1個特征點，將4個特征點及對應(yīng)匹配點組成1組，共選取m組。匹配點的最近鄰點與次近鄰點的漢明距離比值越小，匹配點的匹配程度越高，將各組匹配點按其漢明距離比值之和升序排列，依次選擇1組匹配點計算變換模型。每次計算出的變換模型都是依賴4對匹配點的，因此變換模型和內(nèi)點都有一定誤差。將所有變換模型對應(yīng)的內(nèi)點合并到集合中。計算次后，內(nèi)點最多的變換模型為候選最優(yōu)變換模型，將中與候選最優(yōu)變換模型滿足誤差距離閾值的匹配點歸入為其內(nèi)點，將候選最優(yōu)變換模型所有的內(nèi)點利用最小二乘法重新計算變換模型，得到更精確的變換模型。35、與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：36、在特征點提取階段采用在surf尺度空間提取orb特征點，使用簡單二進制字符的特征向量描述特征點，最近鄰法匹配特征點，利用匹配點的局域熵差、歐式距離、匹配點連線斜率篩選匹配點。改進了經(jīng)典k-means算法，不預(yù)設(shè)分類數(shù)，根據(jù)圖像中特征點實際聚集情況，更合理地為特征點分類。再使用高效的改進ransac算法從不同類中選取匹配點計算圖像間的變換模型，實現(xiàn)圖像配準(zhǔn)。算法運算量適中，具有更高的精確度，能適應(yīng)實時性要求較高的場所。當(dāng)前第1頁12當(dāng)前第1頁12