基于局部線性遷移和剛性模型的圖像特征匹配方法及系統(tǒng)的制作方法
【技術領域】
[0001] 本發(fā)明涉及圖像特征匹配技術領域，具體地說，本發(fā)明涉及基于局部線性迀移和 剛性模型的圖像特征匹配技術方案。
【背景技術】
[0002] 圖像匹配的基本目標是將使用不同傳感器在不同的時間和視角下獲得的同一個 場景的兩幅圖像的相同部位進行對應。
[0003] 在過去的幾十年里，學者們研究了很多方法來解決遙感圖像匹配問題。這些方法 大致可以分為兩類:基于區(qū)域的匹配方法和基于特征的匹配方法。前者通過搜索兩幅圖像 中一定區(qū)域內(nèi)原始灰度值的相似程度來尋找匹配信息;后者則利用局部特征的描述子相似 性或空間幾何約束來尋找匹配點對。在具有少量顯著細節(jié)的情況中，灰度值提供的信息比 局部形狀和結(jié)構要多，從而基于區(qū)域的方法的匹配效果更好。但是基于區(qū)域的方法計算量 大，且在圖像失真和光度改變的情況下并不適用。相反，特征方法具有更好的魯棒性，可以 處理復雜失真的圖像，得到廣泛的應用。
[0004] 如何尋找兩幅圖像中對應的匹配點，形成匹配點對，并確保匹配點對的正確性是 圖像匹配方法的關鍵。
[0005] 基于區(qū)域的匹配方法主要有相關法、傅里葉方法和互信息法三種。相關法的主要 思想是計算兩幅圖像中對應窗的相似性，然后將具有最大相似程度的一對作為匹配點對。 但相關法在相似性不顯著的無紋理區(qū)域無法適用，且計算復雜。傅里葉方法利用了圖像在 頻率域的傅里葉表示。與傳統(tǒng)的相關方法相比，這種方法在計算效率更高并且對頻率類噪 聲具有很好的魯棒性。然而，這種方法在處理具有不同譜結(jié)構的圖像具有一定限制性。互信 息法盡管其匹配效果良好，但是它無法得到整個搜索空間中的全局最大值，因此不可避免 的會減低它的魯棒性。
[0006] 基于特征的匹配方法中，通常采用一種分為兩個步驟的策略。第一步，通過特征描 述子的相似程度確定一組初始的匹配點對，其中絕大多數(shù)是正確匹配，但不可避免的含有 大量的錯誤匹配。第二步，通過通過幾何約束來去除錯誤的匹配，最后便可得到正確的匹配 點對和兩幅圖像之間變換的幾何參數(shù)。這種策略的典型例子包括RANSAC方法 (M.A.Fischler and R.C.Bolles，"Random sample consensus : A paradigm for model fitting with application to image analysis and automated cartog-raphy，'， Commun · ACM，vol.24，no.6，pp.381-395，Jun.l981)、ARHV 方法（P.H.S.Torr and A.Zisserman,UMLESAC:A new robust estimator with application to estimating image geometry，'，Comput.Vis.Image Under-stand. ,νο1.78,ηο.1,ρρ.138-156, 八卩^.2000)等依賴于參數(shù)模型的方法和￥?(：方法（<1.]^， <1.21^〇，<1.1^&11，丄.￥1^1^，&11(1 Z.Tu，"Robust point matching via vector field consensus，'，IEEE Trans. Image Process ·，vo 1 · 23，no ·4，pp · 1706-1721，Apr · 2014·)、GS方法(H.Liu and S.Yan，"Common visual pattern discovery via spatially coher-ent correspondence，'，in Proc · IEEE Conf · Comput · Vis · Pattern Recog.，Jun .2010, pp .1609-1616.)和ICF方法（X · Li and Z. Hu, Rejecting misma tches by correspondence functionInt.J.Comput. Vis ., vol.89，no. 1，pp. l-17，Aug.2010) ·等基于非參數(shù)模型的方法。
[0007] 雖然這些方法在許多領域獲得了成功，但是在圖像中含有大量因視角變化造成的 局部失真以及圖像內(nèi)容較復雜時，初步匹配后會得到很多錯誤的初始匹配點對，當錯誤率 超過一定比例時，這些方法就不能有效的去除錯誤。因此亟需一種對初始匹配錯誤率具有 較強魯棒性的匹配方法。
【發(fā)明內(nèi)容】
[0008] 針對現(xiàn)有技術缺陷，本發(fā)明提出了一種基于局部線性迀移和剛性模型的圖像特征 匹配技術方案。
[0009] 為達到上述目的，本發(fā)明采用的技術方案提供一種基于局部線性迀移和剛性模型 的圖像特征匹配方法，包括以下步驟，
[0010] 步驟1，建立待匹配圖像間幾何變換相應的模型和匹配點對為正確匹配的后驗概 率相應的模型，實現(xiàn)如下，
[0011]針對待匹配圖像間的剛性幾何變換，建立變換數(shù)學模型如下，
[0012] y = t(x) =sRx+o
[0013] 其中，設兩幅待匹配圖像為圖像a和圖像b，x和y分別是圖像a和圖像b上像素的坐 標向量，t(x)表示剛性幾何變換關系，s表示待匹配圖像間的尺度比例，R是一個2X2的矩 陣，表示待匹配圖像間的旋轉(zhuǎn)，〇是一個2X1的矩陣，表示待匹配圖像間的平移；
[0014]設已知的一組初始匹配點對中，圖像a上點集為X = {X1，…，XN}τ，圖像b上相應點集 為Y={yi，…，yN}T，計算其中第η對匹配點為正確匹配的后驗概率?"有如下后驗概率數(shù)學模 型，
[0015]
[0023] 步驟2.3.2，更新矩陣P，包括采用步驟1中所得后驗概率數(shù)學模型，計算得到N對匹 配點對分別為正確匹配的后驗概率P1,…，PN,令P = diag(pi，···，PN)，diag表示對角矩陣；
[0024] 步驟2.3.3,計算參數(shù)s、R、o如下，
[0025] 采用下述公式計算參數(shù)s，
[0026] \ /
、.乂
[0027] 其中，矩陣
， 將Inxn省略記為I，矩陣Q= (I-W)T P(I-W)，λ為預設的參數(shù)；
[0028] 采用下述公式計算參數(shù)R，
[0029] R = UDVT
[0030] 其中，D = diag(l，det(UVT))，det()表示矩陣的行列式，矩陣U和V通過奇異值分解 獲得；采用下述公式計算參數(shù)〇，
[0031 ] 〇=yy-sRyx
[0032] 步驟2.3.4,根據(jù)步驟2.3.3計算得到的參數(shù)s、R、o,重新計算參數(shù)γ、σ如下，采用 下述公式計算參數(shù)γ，
[0033]
[0034] 采用步驟2.3.1中模型參數(shù)公式計算σ;
[0035] 步驟2.3.5，判別收斂條件，包括計算當前的參數(shù)1^，當滿足1^ = 1^1￡?或者(1^。1(：1)/ 1^0，結(jié)束迭代，1^_為最大迭代次數(shù)， ￡是收斂閾值;否則汰=1^1，返回步驟2.3.2;所述 參數(shù)L的計算公式如下，
[0036]
12345 其中，L〇id表示上一次計算得到的L; 2 步驟3,計算初始匹配點對為正確匹配的后驗概率，并根據(jù)閾值判斷初始匹配點對 的正誤，實現(xiàn)如下， 3 將所述步驟2.3中求解的模型參數(shù)代入步驟1中所述后驗概率數(shù)學模型，計算得到 第η對匹配點對為正確匹配的后驗概率；當?" 2 threshold時，則認為第η對匹配點是正確匹 配；當pn〈threshold時，則認為第η對匹配點是錯誤的匹配，其中threshold為預設的判斷閾 值。 4 而且，步驟2.2包括以下子步驟， 5 步驟2.2.1，當匹配點幻不是所述步驟2.1中搜索到的匹配點&的1(個鄰居匹配點之 一時，則將Wij設置為0,其中匹配點 Xj和匹配點Xi為點集X中的匹配點，且i，j = l，…，N，Wij表 示權重矩陣W第i行第j列的元素；
[0042] 步驟2.2.2，在1的約束條件下，采用最小二乘法求解得到使得下述代價 函數(shù)E(W)取到最小值的權重矩陣W，代價函數(shù)E(W)如下，
[0043]
[0044]本發(fā)明還相應提供一種基于局部線性迀移和剛性模型的圖像特征匹配系統(tǒng)，包括 以下模塊，<