CN104036480B - 基于surf算法的快速消除误匹配点方法 - Google Patents

Abstract

本发明涉及消除两图像之间错误匹配点对并利用正确匹配点对计算图像变换矩阵的技术。为避免匹配过程中运算量大，误匹配率高的缺陷，实现快速、高效地消除误匹配点对和计算图像变换矩阵。为此，本发明采取的技术方案是，基于surf算法的快速消除误匹配点方法，针对surf算法计算出的每个特征点，有以下信息，特征点的坐标(x,y,S)其中S表示特征点所处的尺度空间，针对两图像中抽取的两待匹配点，首先通过匹配点的特点进行筛选，分别设尺度限制阈值与主方向限制阈值来进行筛选；针对主方向角进行相应计算判断；在找到所需要数量的匹配点对之后，进行之后的精匹配过程。本发明主要应用于消除两图像之间错误匹配点。

Description

基于surf算法的快速消除误匹配点方法

技术领域

本发明涉及一种高效，快速地消除两图像之间错误匹配点对并利用正确匹配点对计算图像变换矩阵的技术。具体讲，涉及基于surf(Speeded Up Robust Features)算法的快速消除误匹配点方法。

技术背景

当今，图像拼接技术研究是一个日益流行的研究领域，他在摄影测量学、计算机视觉、遥感图像处理、医学图像分析、计算机图形学等领域有着广泛的应用价值。一般来说，对于图像拼接的过程由图像获取，图像配准，图像融合三步骤组成，其中图像配准是整个图像拼接的基础。图像拼接作为这些年来图像研究方面的重点之一，国内外研究人员也提出了很多拼接算法。图像拼接的质量，主要依赖图像的配准程度，因此图像的配准是拼接算法的核心和关键。而对于图像的配准研究的一个重点是从图像信息中能够找出满足一定数量要求的误匹配率较低的匹配点对，如何能够快速并且高效地消除误匹配点成为研究的关键。在一般的配准算法中，特征点对的匹配过程分为粗匹配和精匹配两个过程，在粗匹配过程中，将描述子向量的欧式距离作为两个待匹配点是否匹配的标准，欧式距离最小的一对特征点被当做匹配点对，在精匹配中，利用了随机抽取匹配点对的方法计算变换矩阵以及内点数，这就会使匹配过程有以下几个问题，在粗匹配过程中得到的欧氏距离最小既最近邻点在次近邻点也较小的情况下不一定为正确的匹配点，这大大增加了误匹配率，而且针对每一对待匹配点都要计算一次64维向量的欧式距离，这无疑是一笔很大的运算开销，并且在精匹配中要保证得出较准确的变换矩阵，随机取点的方式也使得取点次数大大增加，这也增加了匹配过程的运算量。

发明内容

为了克服现有技术的不足，避免匹配过程中运算量大，误匹配率高的缺陷，实现快速、高效地消除误匹配点对和计算图像变换矩阵。为此，本发明采取的技术方案是，基于surf算法的快速消除误匹配点方法，针对surf算法计算出的每个特征点，有以下信息，特征点的坐标(x,y,S)其中S表示特征点所处的尺度空间，针对两图像中抽取的两待匹配点，首先通过匹配点的特点进行筛选，分别设尺度限制阈值与主方向限制阈值来进行筛选，将两待匹配点的尺度作差，SD＝|S1—S2|，如果满足w1<SD<w2，则认为两点为匹配点的概率较大，否则两点匹配概率小，剔除，其中w1与w2为尺度限制阈值；针对主方向角，首先将满足尺度阈值的两点的主方向角作差，ER＝|T1-T2|，如果q1<ER<q2,则认为两点为匹配点的概率较大，计算两点的欧式距离，否则，剔除；根据欧式距离从中选取最近邻点与次近邻点，将两欧式距离作比，比值为F，如果F>t，则说明最近邻点与次近邻点相差较小，最近邻点为误匹配点的概率较大，予以剔除，否则，将最近邻点作为匹配点，其中t为距离筛选阈值；在找到所需要数量的匹配点对之后，进行之后的精匹配过程。

首先通过各匹配点对的“匹配质量”进行排序，“匹配质量”则是通过匹配点的尺度差以及主方向角差的和R来判定的，如果R的值越小，则说明“匹配质量”越高，计算出来的变换矩阵越准确。因此，在对匹配点对排完序之后，依次取“匹配质量”高的4个点来计算变换矩阵，并计算图像变换后，变换的点与匹配的点的欧式距离，通过欧式距离阈值来判断变换后的点是否为内点，重复上述过程n次，可以得到n个变换矩阵与相应的内点数，选取内点数最多的一组，将该组中所有内点看做是正确的匹配点，并通过这些正确的匹配点来计算最终的变换矩阵，对图像进行变换。

通过较多次的实验结果对比来确定更利于去误匹配的阈值参数。

与已有技术相比，本发明的技术特点与效果：

基于surf算法的快速消除误匹配点方法，能够在surf算法查找到特征点并计算出特征点描述子向量之后，将特征点进行快速，高效地匹配，并完成最终图像变换矩阵的计算，为图像的下一步融合以及进一步的处理做准备。实现快速、高效地消除误匹配点对和计算图像变换矩阵。

附图说明

图1快速消除误匹配点方法流程图。

图2尺度空间模型。

图3放射变换模型。

图中，M为匹配后的拼接图像，I1为左拼接图，I2为右拼接图，左图中点m通过仿射矩阵H变换到右图m′位置,最后在M中重合为一点，C为m点位置的坐标，C′为m′处坐标。

具体实施方式

本发明涉及一种高效，快速地消除两图像之间错误匹配点对并利用正确匹配点对计算图像变换矩阵的技术尤其针对该技术在图像拼接领域的应用有了深刻的讨论。

如图1所示为整个快速消除误匹配点算法的整个流程，针对surf算法计算出的每个特征点，有以下信息，一个是每个特征点的坐标(x,y,S)其中S表示特征点所处的尺度空间，如图2所示，尺度空间与surf算法中所用滤波器的大小有关；一个是特征点的主方向，一个是特征点的64维描述子向量，针对两图像中抽取的两待匹配点，首先不进行64维向量的欧式距离运算，而是先通过匹配点的特点进行筛选，通常情况下，匹配点对中的两个点所在的尺度空间比较接近，而且两点的主方向也较一致，因此可以分别设尺度限制阈值与主方向限制阈值来进行筛选，将两待匹配点的尺度作差，SD＝|S1—S2|，如果满足w1<SD<w2，则认为两点为匹配点的概率较大，否则两点匹配概率小，剔除，其中w1与w2为尺度限制阈值；针对主方向角，首先将满足尺度阈值的两点的主方向角作差，ER＝|T1-T2|，如果q1<ER<q2,则认为两点为匹配点的概率较大，计算两点的欧式距离，否则，剔除。这样一来，就不必将所有点对都进行一次64维欧式距离的运算，大大减少了计算量。当图像1中某一点与图像2中所有点都进行过运算后，根据欧式距离从中选取最近邻点与次近邻点，将两欧式距离作比，比值为F，如果F>t，则说明最近邻点与次近邻点相差较小，最近邻点为误匹配点的概率较大，予以剔除，否则，将最近邻点作为匹配点，其中t为距离筛选阈值，这样减少了次近邻点对匹配的影响，降低误匹配率。

在找到所需要数量的匹配点对之后，进行之后的精匹配过程。精匹配的目的是进一步筛选可用于计算变换矩阵的匹配点对，变换矩阵为仿射变换中用到的单应矩阵，仿射变换如图3所示，单应矩阵：

其中(x1，y1)为变换前的点坐标，(x2，y2)为变换后的点坐标，H为变换矩阵，由式可知，计算H矩阵，至少要用4个点。变换矩阵的作用是将一幅图像的坐标变换到另一图像的坐标系中完成拼接。在精匹配过程中，首先并未进行随机抽取匹配点来计算变换矩阵，而是通过各匹配点对的“匹配质量”进行排序，“匹配质量”则是通过匹配点的尺度差以及主方向角差的和R来判定的，如果R的值越小，则说明“匹配质量”越高，计算出来的变换矩阵越准确。因此，在对匹配点对排完序之后，依次取“匹配质量”高的4个点来计算变换矩阵，并计算图像变换后，变换的点与匹配的点的欧式距离，通过欧式距离阈值来判断变换后的点是否为内点，重复上述过程n次，可以得到n个变换矩阵与相应的内点数，选取内点数最多的一组，将该组中所有内点看做是正确的匹配点，并通过这些正确的匹配点来计算最终的变换矩阵，对图像进行变换。由于经过排序，使得在得到准确程度相同的变换矩阵的前提下，减少了取点的次数，减少运算量，从而实现快速的去误匹配点。

为了得到更高效，更快速的去误匹配过程，建议通过较多次的实验结果对比来确定更利于去误匹配的阈值参数，使得去误匹配在实现快速的基础上更加合理与准确，实现真正的高效处理。

Claims (3)

1.一种基于surf算法的快速消除误匹配点方法，其特征是，针对surf算法计算出的每个特征点，有以下信息，特征点的坐标(x,y,S)其中S表示特征点所处的尺度空间，针对两图像中抽取的两待匹配点，首先通过匹配点的特点进行筛选，分别设尺度限制阈值与主方向限制阈值来进行筛选，将两待匹配点的尺度作差，SD＝|S1—S2|，如果满足w1<SD<w2，则认为两点为匹配点的概率较大，否则两点匹配概率小，剔除，其中w1与w2为尺度限制阈值；针对主方向角，首先将满足尺度阈值的两点的主方向角作差，ER＝|T1-T2|，如果q1<ER<q2,则认为两点为匹配点的概率较大，计算两点的欧式距离，否则，剔除；根据欧式距离从中选取最近邻点与次近邻点，将两欧式距离作比，比值为F，如果F>t，则说明最近邻点与次近邻点相差较小，最近邻点为误匹配点的概率较大，予以剔除，否则，将最近邻点作为匹配点，其中t为距离筛选阈值；在找到所需要数量的匹配点对之后，进行之后的精匹配过程。

2.如权利要求1所述的基于surf算法的快速消除误匹配点方法，其特征是，首先通过各匹配点对的“匹配质量”进行排序，“匹配质量”则是通过匹配点的尺度差以及主方向角差的和R来判定的，如果R的值越小，则说明“匹配质量”越高，计算出来的变换矩阵越准确，因此，在对匹配点对排完序之后，依次取“匹配质量”高的4个点来计算变换矩阵，并计算图像变换后，变换的点与匹配的点的欧式距离，通过欧式距离阈值来判断变换后的点是否为内点，重复上述过程n次，得到n个变换矩阵与相应的内点数，选取内点数最多的一组，将该组中所有内点看做是正确的匹配点，并通过这些正确的匹配点来计算最终的变换矩阵，对图像进行变换。

3.如权利要求1所述的基于surf算法的快速消除误匹配点方法，其特征是，通过实验结果对比来确定更利于去误匹配的阈值参数。