專利名稱：基于改進的Harris-Laplace和SIFT描述符的影像匹配方法
技術領域：
本發明涉及一種圖像處理方法,特別涉及基于改進的Harris-Laplace和SIFT描述符的影像匹配方法。
背景技術：
目前的影像配準方法主要是靠人工提取同名點，對于大幅影像，勢必會消耗大量的人力資源，同時由于感知偏差，提取的同名點之間會存在一定的偏差，這將直接影響影像配準的精度。影像匹配可以為實現影像自動配準的提供底層基礎，因此，對于影像自動配準來說，一種準確性高的影像匹配方法就顯得尤為重要。·影像匹配是自動尋找同名目標的過程，它可以分為基于區域灰度的匹配和基于特征的匹配。相對于基于區域灰度的匹配，基于特征的匹配可以獲得更令人滿意的匹配結果。SIFT是著名的基于特征的匹配算法，被廣泛地應用于影像匹配，可以獲得良好的匹配結果。SIFT描述符具有尺度、旋轉和平移的不變性，同時對光照變化、仿射變化和三維投影變換也具有一定的魯棒性，是獲得良好匹配結果的關鍵。但是SIFT在特征檢測階段提取的部分特征點可能會位于亮度只在一個方向變化的邊緣上，這樣的特征點容易受圖像噪聲和細碎紋理變化的影響，如果采用上述特征點對影像進行匹配，勢必會對匹配精度造成一定的影響。
發明內容
發明目的針對上述現有技術存在的問題和不足，本發明的目的是提供一種基于改進的Harris-Laplace和SIFT描述符的影像匹配方法，在特征檢測階段改進的Harris-Laplace提取的特征點不僅對光照變化、旋轉變化以及尺度變化具有不變性，而且可以更有效地克服噪聲的影響，使本發明獲得高精度的匹配結果。技術方案為實現上述發明目的，本發明采用的技術方案為一種基于改進的Harris-Laplace和SIFT描述符的影像匹配方法,其特征在于包括如下步驟
(1)建立影像尺度空間，計算每一層尺度影像的Harris二階矩陣,將Harris 二階矩陣特征值的最小值作為響應函數提取每一層尺度影像上的角點，采用LoG算子對提取的角點進行篩選得到穩定的關鍵點，利用所述關鍵點的特征尺度、8X8鄰域的梯度及梯度方向確定關鍵點的主方向，生成特征點；
(2)利用所述特征點的主方向、8X8鄰域的梯度及梯度方向構造具有標準128維特征向量的SIFT描述符對特征點進行描述；
(3)分別采用最近鄰搜索算法(BBF)和隨機取樣一致性算法(RANSAC)對特征點進行粗匹配和精匹配。所述步驟(I)中，改進的多尺度Harris角點檢測算子采用Harris 二階矩陣特征值的最小值作為角點響應函數，可以更有效地抑制噪聲。
所述步驟(2)為了消除光照變化的影響，對特征向量作標準化處理。對于線性的光照變化，將特征向量標準化為單位長度；對于非線性光照變化，先設置閾值，使單位特征向量的值不超過O. 2，然后再將特征向量標準化為單位長度。所述步驟(3)中BBF算法粗匹配是以待匹配點和最近鄰點的距離與待匹配點和次近鄰點的距離之比是否小于某一閾值(經驗取值為O. 8)為準則來判斷該最近鄰點是否是待匹配點的候選匹配點，其中距離采用的是歐式距離；RANSAC算法精匹配則是通過估計影像間的單應變換矩陣，并以此為幾何約束條件判別匹配特征點對之間的像素距離是否大于容差(這里取5個像素)來剔除誤匹配。有益效果本發明中改進的Harris-Laplace在特征檢測階段提取的特征點不僅對光照變化、旋轉變化和尺度變化具有不變性，而且可以更有效地克服噪聲的影響，這使得本發明擁有高精度的匹配結果。
圖I是本發明的流程 圖2(a)是左影像的特征點檢測結果圖，圖2(b)是右影像的特征點檢測結果 圖3(a)是左影像的特征點匹配結果圖，圖3(b)是右影像的特征點匹配結果圖。
具體實施例方式下面結合附圖和具體實施例，進一步闡明本發明，應理解這些實施例僅用于說明本發明而不用于限制本發明的范圍，在閱讀了本發明之后，本領域技術人員對本發明的各種等價形式的修改均落于本申請所附權利要求所限定的范圍。本發明的基本思路為特征檢測階段采用改進的Harris-Laplace提取關鍵點，確定關鍵點主方向，生成特征點；特征描述階段采用SIFT描述符描述特征點；特征匹配階段分別采用BBF算法和RANSAC算法粗匹配和精匹配特征點。為使關鍵點具有尺度屬性，建立影像的尺度空間，它是由不同尺度的尺度影像構成，尺度影像漢本％)是由影像J(X)與高斯核G(Ok)卷積生成的，定義為
L(XfCn) — l(x) 3icG(On)
其中，/(X)為像素點X的灰度，為/7層的尺度，C^=S0F, Stl為常數(經驗取值為
I.5)，左為常數(經驗取值為1.4)。高斯核的表達式為
27Τα
其中，σ為影像尺度，(χ2+/)表示卷積模板內像素與模板中心像素的距離。計算每一層尺度影像的Harris 二階矩陣, Harris 二階矩陣的計算公式為
2Ly2 (π, ση)
μ(χ,στ,σΒ) = σβ 0(στ) *,
rD 、" T I ΓΓ \ T rr \
其中，為積分尺度，S為差分尺度，Od = SO1 , 5·為常數(經驗取值為O. 7),Zr (χ, O D)和Ζ,(χ，O D)分別是尺度影像Ζ(χ, σ D)在χ和y方向上的偏導數，Zr2 (χ, σ D)=Zr (χ, σD) XLx (χ, σD), Lr2 (χ, σD)= Zp, (χ, σD) XZ,(χ, σD), LliLy (χ, σD) =LΧ(χ, σ ) X令』ρ Λ 2為矩陣μ的特征值，則Harris角點的響應函數可以定義為
權利要求
1.一種基于改進的Harris-Laplace和SIFT描述符的影像匹配方法,其特征在于包括如下步驟 (1)建立影像尺度空間，計算每一層尺度影像的Harris二階矩陣,將Harris 二階矩陣特征值的最小值作為響應函數提取每一層尺度影像上的角點，采用LoG算子對提取的角點進行篩選得到穩定的關鍵點，利用上述關鍵點的特征尺度、8X8鄰域的梯度及梯度方向確定關鍵點的主方向，生成特征點； (2)利用所述特征點的主方向、8X8鄰域的梯度及梯度方向構造具有標準128維特征向量的SIFT描述符對特征點進行描述； (3)分別采用最近鄰搜索算法和隨機取樣一致性算法對特征點進行粗匹配和精匹配。
2.據權利要求I所述基于改進的Harris-Laplace和SIFT描述符的影像匹配方法,其特征在于所述步驟(I)中改進的多尺度Harris角點檢測算子采用Harris 二階矩陣特征值的最小值作為角點響應函數，可以更有效地抑制噪聲。
3.根據權利要求I所述基于改進的Harris-Laplace和SIFT描述符的影像匹配方法，其特征在于所述步驟(2)中對特征向量進行標準化處理。
4.根據權利要求I所述基于改進的Harris-Laplace和SIFT描述符的影像匹配方法，其特征在于所述步驟(3)中最近鄰搜索算法粗匹配是以待匹配點和最近鄰點的距離與待匹配點和次近鄰點的距離之比是否小于某一閾值為準則來判斷該最近鄰點是否為待匹配點的候選匹配點；隨機取樣一致性算法精匹配則是通過估計影像間的單應變換矩陣，并以此為幾何約束條件判別匹配特征點對之間的像素距離是否大于容差來剔除誤匹配。
5.根據權利要求3所述基于改進的Harris-Laplace和SIFT描述符的影像匹配方法，其特征在于所述閾值為0.8。
全文摘要
本發明公開了一種基于改進的Harris-Laplace和SIFT描述符的影像匹配方法，包含如下步驟1、采用改進的Harris-Laplace提取影像上關鍵點，確定關鍵點的主方向，生成特征點；2、采用SIFT描述符對特征點進行描述；3、分別采用(BBF最近鄰搜索算法)和RANSAC(隨機取樣一致性算法)對特征點進行粗匹配和精匹配。本發明中改進的Harris-Laplace提取的關鍵點不僅對光照變化、旋轉變化以及尺度變化具有不變性，而且可以更有效地克服噪聲影響，這使得本方法擁有高精度的匹配結果。
文檔編號G06T7/00GK102915540SQ201210380528
公開日2013年2月6日 申請日期2012年10月10日 優先權日2012年10月10日
發明者佘江峰, 徐秋輝, 宋曉群 申請人:南京大學