一種基于局部線性約束的稀疏特征匹配的圖像配準方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種基于局部線性約束的稀疏特征匹配的圖像配準方法,屬于圖像處 理技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 圖像配準是遙感領(lǐng)域中的一個根本性和挑戰(zhàn)性問題,也是很多廣泛應(yīng)用(包含地 形重建、環(huán)境監(jiān)測、變化探測、圖像鑲嵌、圖像融合及地圖更新等)中的一個先決條件。
[0003] 圖像配準旨在建立不同時間不同視角或通過不同探測器獲取同一場景的兩幅圖 像之間像素的對應(yīng)關(guān)系。配準問題可依據(jù)具體應(yīng)用和數(shù)據(jù)形式分為剛性或非剛性。剛性配 準(僅涉及少量參數(shù))相對容易,且已得到了廣泛研究。相比而言,非剛性配準較為困難, 由于潛在非剛性變換模型通常無法事先獲知且較為復(fù)雜,難以建模。盡管如此,非剛性配準 對遙感圖像而言仍非常重要,因為遙感圖像通常存在一些因地貌變化或成像視角變換導(dǎo)致 的局部非剛性形變,而這些形變無法基于簡單剛性模型實現(xiàn)"精確配準"。
[0004] -種早期廣泛使用的非剛性圖像配準算法為光流法。其直接通過最小化像素間灰 度的差異來計算一個全局稠密的位移場,通常適用于對兩幅非常相似的圖像進行配準,例 如視頻序列中的相鄰幀圖像。光流法的典型假設(shè)包含光照恒定,以及像素位移場應(yīng)具有分 段光滑性。然而,由于光照變化、視角變換和噪聲干擾,像素灰度值往往變得不太可靠。近 年來,Liu等人提出了可容忍高度類內(nèi)變化的SIFT流配準算法。與光流法匹配像素灰度值 不同的是,SIFT流算法匹配圖像中稠密采樣像素的SIFT描述子。該算法在復(fù)雜場景情況 下展現(xiàn)出令人滿意的配準效果,但對大尺度縮放和旋轉(zhuǎn)的魯棒性依然較差。
[0005] 然而,各種局部魯棒特征的涌現(xiàn)與發(fā)展為圖像配準帶來了新的解決途徑。這類方 法通過匹配從圖像中提取出的局部特征信息,估計稀疏特征位置之間的空間變換函數(shù)并用 其來擬合圖像對之間的真實幾何變換關(guān)系,從而實現(xiàn)對原始圖像的配準。這類方法中采用 的特征可由不同層次的簡單幾何實體來描述,包括點、線段、輪廓和區(qū)域等。通常,較高層次 的特征很難被準確地提?。稽c特征是最簡單的特征形式,同時也是最常見的特征形式,由于 高層次特征例如線和輪廓可被描述為點的集合。從這層意義上來說,配準問題可簡化為找 出兩個提取的特征點集之間的對應(yīng)關(guān)系及潛在的空間變換。這種基于特征的方法對典型表 觀變化和場景位移具有較強的魯棒性,且在正確實施的情況下,擁有更快的速度。他們在剛 性場景(例如:在圖像拼接領(lǐng)域)和輕度非剛性場景(例如:在醫(yī)學成像領(lǐng)域)匹配中取 得了很大成就,但在處理高度非剛性(例如:在地形重建領(lǐng)域)情形時無法取得滿意效果。 其本質(zhì)在于算法沒有充分利用圖像局部區(qū)域的空間約束關(guān)系。例如人臉為一個非剛性模 型,但是由于臉部肌肉的控制,眼、鼻、嘴等器官的相對位置并不會因為非剛性形變而發(fā)生 改變。而這個局部空間約束往往對配準能起到很大的作用。
【發(fā)明內(nèi)容】
[0006] 為了解決現(xiàn)有技術(shù)的不足,本發(fā)明提供了一種基于局部線性約束的稀疏特征匹配 的圖像配準方法,針對遙感圖像存在地形起伏導(dǎo)致非剛性形變的問題,對點匹配進行局部 線性約束,能夠在圖像變換后保護特征集中的局部結(jié)構(gòu),從而提高圖像配準精度。
[0007] 本發(fā)明為解決其技術(shù)問題所采用的技術(shù)方案是:提供了一種基于局部線性約束的 稀疏特征匹配的圖像配準方法,包括以下步驟:
[0008] (1)采用特征探測法推斷得到待配準的兩個圖像的假定匹配集S=丨(W")丨L,xn 與yn分別表示待配準的兩幅圖像中特征點空間位置的二位列向量;所述假定匹配集S包含 錯誤匹配和正確匹配,其中正確匹配根據(jù)帶匹配的兩個圖像之間的幾何變換Z確定,即如 果(xn,yn)是一個正確的匹配,則yn=z(Xn)是一個正確的匹配;
[0009](2)初始位置加位移函數(shù)v將定義變換Z:Z(X)=χ+ν(χ),其中v在函數(shù)空間Η中 模擬,所述函數(shù)空間Η為向量值的再生核希爾伯特空間,通過矩陣值的核Γ:R2XR2-R2X2 與對角線高斯核·/定義得到,其中R為實數(shù)空間,I為單位矩陣,^和x, 為實數(shù)空間中兩個特征點的空間位置,β為高斯窗參數(shù),參數(shù)β為設(shè)置值,范圍為0.01~ 1.1,則變換Ζ通過以下形式表示:
[0010]
[0011] 其中,X表示任意一個圖像點的空間位置,(^表示一個2Χ1維待求解的向量系數(shù);
[0012] (3)利用對角元素{ρη}組成的對角矩陣Ρ指出匹配可信度,對角矩陣Ρ中的任意 元素pne[0, 1]為〇到1之間的實數(shù),當Pn= 1時表示(Xn,yn)為一個正確的匹配,當Pn =0時表示(xn,yn)為一個錯誤的匹配;
[0013] (4)創(chuàng)建大小為NXN的權(quán)值矩陣W,且使當Xj不屬于X滿K鄰域時,W中的元素 '=〇,X;的κ鄰域指歐氏距離最近的κ個元素;在約束VI、:,=1下通過代價函數(shù)
I小化基于局部線性約束的重構(gòu)誤差,并采用最小二乘求解出 W,得到以下能量函數(shù):
[0014]
[0015] 其中,參數(shù)τ表示確定性退火的初始溫度,η表示對錯誤匹配的懲罰,λ表示正則 化參數(shù)基于局部線性約束的正則化參數(shù),參數(shù)τ、II和λ均為設(shè)置值,τ的范圍為0.05~ 5. 5,η的范圍為〇· 01~1.1,λ的范圍為100~10000 ;
[0016] (5)采用確定性退火技術(shù)求解能量函數(shù)得到變換Ζ,通過變換Ζ結(jié)合雙線性插值執(zhí) 行圖像配準。
[0017] 步驟⑵所述的高斯窗參數(shù)β為0. 1。
[0018] 步驟(4)中,Τ= 0· 5,η= 〇· 1,λ= 1000。
[0019] 步驟(5)所述的采用確定性退火技術(shù)求解能量函數(shù)得到變換Ζ,通過變換Ζ結(jié)合雙 線性插值執(zhí)行圖像配準,包括以下過程:通過確定性退火技術(shù)逐漸減小溫度Τ和正則化參 數(shù)λ,迭代求解變換ζ和匹配可信度Ρ,通過變換Ζ執(zhí)行圖像配準。
[0020] 本發(fā)明基于其技術(shù)方案所具有的有益效果在于:
[0021] (1)本發(fā)明的基于局部線性約束的稀疏特征匹配的圖像配準方法,針對遙感圖像 存在地形起伏導(dǎo)致非剛性形變的問題,對點匹配進行局部線性約束,能夠在圖像變換后保 護特征集中的局部結(jié)構(gòu),從而提高圖像配準精度;
[0022] (2)本發(fā)明的基于局部線性約束的稀疏特征匹配的圖像配準方法,基于稀疏特征 匹配求解圖像空間變換,對圖像對中可能存在的大尺度場景縮放、大角度視場變換及旋轉(zhuǎn) 等惡劣條件下具有很好的魯棒性;