CN104077769A - 一种图像配准中的误匹配点对剔除算法 - Google Patents

Abstract

本发明公开了一种图像配准中的误匹配点对剔除算法，包括以下步骤：(1)使用具有尺度不变性、旋转不变性的特征检测与描述算子找出图像的特征点并获得描述符；(2)使用k-d树(k-dimensional tree)算法进行特征点初始匹配；(3)利用特征点的基本信息设置Hough变换的参数空间；(4)访问每对匹配点对，对Hough参数空间进行投票；(5)获取得票最多的Hough参数子空间中的匹配点对，用随机抽样一致性(Random Sample Consensus，RANSAC)算法做进一步处理。本发明巧妙地利用Hough变换方法进行初步提纯，初步提纯可以快速高效地降低误匹配点对所占比例。

Description

一种图像配准中的误匹配点对剔除算法

技术领域

本发明涉及模式识别与数字图像处理领域，特别涉及一种图像配准中的误匹配点对剔除算法。

背景技术

对图像进行配准的需求在许多领域的实际应用中都被提出，如CT重建中的多层图像配准、遥感数据分析、模型重建等。经过查找最近邻获取的匹配点对中可能存在误匹配点对，这些点对通常是不符合图像的变换关系，需要把这些点对剔除。当前主要的误匹配点对剔除算法有最小平方中值(Least Median ofSquares，LMedS)算法和RANSAC算法。在CT重建的图像配准中存在较多相似区域，会产生大量误匹配点对，使用现有的LMedS算法和RANSAC算法往往无法同时满足时间性能和准确率的要求。这就要求提出新的方法在误匹配点对比例较高时，仍能够短时间、高准确率地剔除误匹配点对。

在误匹配点对所占比例较低时，LMedS从理论上可以完全剔除外点的影响，得到最优的投影变换矩阵估计，并且计算时间与误匹配点对所占比例关系不大。但是当外点在样本集比例中超过50％后，由于LMedS每次记录的是中值偏差，LMedS算法就无法准确计算变换参数。匹配点对总数分别为500、1000、1500、2000时，随着误匹配点所占对比例的提高，LMedS算法的时间性能和正确识别比率变化分别如图2(a)和图2(b)所示。

RANSAC算法在误匹配点对比例超过50％时仍能有效处理，但误匹配点对所占的比例将会直接影响RANSAC算法迭代的次数。误匹配点对比例越大时，RANSAC算法迭代的次数也就越多，导致耗时越严重。匹配点对总数分别为500、1000、1500、2000时，随着误匹配点所占对比例的提高，RANSAC算法的时间性能和正确识别比率变化如图3(a)和图3(b)所示。

发明内容

本发明是为了克服现有算法在误匹配点对比例较高时的不足，提供了一种能够同时保证时间短、精度高的误匹配点对剔除方法。

为了达到上述目的，本发明采用以下技术方案：

一种图像配准中的误匹配点对剔除算法，包括下述步骤：

S1：使用具有尺度不变性、旋转不变性的特征检测与描述算子找出图像的特征点并获得描述符；

S2：使用k-d树算法进行特征点匹配，获得初始匹配点对集合；

S3：利用特征点的基本信息设置Hough变换的参数空间；

S4：访问每对匹配点对，对Hough参数空间进行投票；

S5：获取得票最多的Hough参数子空间中的匹配点对，用RANSAC算法做进一步处理剔除误匹配点对。

优选的，所述步骤S3具体包括下述步骤：

S3.1：选择参数空间，假设图像1中有一个特征点a_i，其位置、尺度、旋转参数分别为：(x_i，y_i)、s_i、θ_i，该点在图像2中匹配点a′_i的各个参数分别为：(x′_i，y′_i)、s′_i、θ′_i；那么两个特征点之间的平移为：(dx，dy)＝(x′_i-x_i，y′_i-y_i)；尺度变化为：ds＝s′_i/s_i；旋转角变化为：dθ＝θ′_i-θ_i；利用上面四个参数dx、dy、ds、dθ作为Hough变换的参数空间；

S3.2：设定各参数区间的宽度；设置参数子空间大小是旋转维区间宽度为30°，尺度维为2，位置维区间宽度与图像大小有关，dx、dy维的区间宽度分别为待配准图像长和宽的四分之一。

优选的，所述步骤S4具体包括下述步骤：

S4.1：使用一维哈希表作为Hough参数空间的数据结构；

S4.2：逐一访问匹配点对，计算出(dx，dy，ds，dθ)；

S4.3：为了减少边界效应的影响，匹配点对投票时在每一维参数上都投给最近的两个参数区间，这样一对匹配点会投票给16个参数子空间，算出这16个子空间；

S4.4：步骤S4.3中得出的16个参数子空间，分别经过S4.1中哈希函数计算后找到对应变量位置，计数加1，并储存匹配点对信息。

优选的，所述步骤S5具体包括下述步骤：

S5.1：遍历Hough参数空间，找出得票最多的子空间；

S5.2：使用S5.1中得到子空间中的匹配点对集合，通过RANSAC算法计算出配准图像间的投影变换矩阵H；

S5.3：遍历初始匹配点对集合，对每对匹配点对(a_i，a′_i)求a_i通过H变换得到位置与配准点位置的差dv＝d(a′_i，Ha_i)，如果dv大于设定阈值则点对为误匹配点对，否则为正确匹配点对。

优选的，步骤S5.2中，通过RANSAC算法计算出配准图像间的投影变换矩阵H的具体步骤为：

S5.2.1：将当前最佳估计正确匹配点对数目N_i设置为0；

S5.2.2：从S5.1获取的匹配点对集合中随机选取4对初始匹配点对，需保证选取的点对在每个图像中任意3个点不在一条直线上，如果发生3点共线则重新选取点对；两图像间当前投影变换矩阵H1可根据4组点对计算出；

S5.2.3：遍历S5.1获取的匹配点对集合中剩余的匹配点对，匹配点对(a_i，a′_i)求a_i通过H变换得到位置与配准点位置的差dv＝d(a′_i，Ha_i)，如果dv大于设定阈值则点对为误匹配点对，否则为正确匹配点对；

S5.2.4：比较当前正确匹配点对数目，若大于N_i则当前变换矩阵H1为当前最佳矩阵估计，同时更新N_i值；

S5.2.5：经过若干次随机抽样计算后选择正确匹配点对数目最多的变换矩阵H1为图像间的投影变换矩阵H。

本发明与现有技术相比，具有如下优点和有益效果：

1、本发明巧妙地利用Hough变换方法进行初步提纯，初步提纯可以快速高效地降低误匹配点对所占比例。实验表明，误匹配点对比例占80％时，初步提纯后，误匹配点对比例可降至50％左右。

2、本发明在初步提纯后，使用RANSAC算法进一步处理保证精度。在误匹配点对比例较高时，本发明能够同时保证运行时间短、精度高。

附图说明

图1为本发明方法的流程示意图；

图2(a)为在不同匹配点对数目和误匹配点对比例下的LMedS算法时间性能分析图；

图2(b)为在不同匹配点对数目和误匹配点对比例下的LMedS算法识别比率图；

图3(a)为在不同匹配点对数目和误匹配点对比例下的RANSAC算法时间性能分析图；

图3(b)为在不同匹配点对数目和误匹配点对比例下的RANSAC算法识别比率分析图；

图4(a)为本发明在不同匹配点对数目和误匹配点对比例下的时间性能分析图；

图4(b)为本发明在不同匹配点对数目和误匹配点对比例下的识别比率分析。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

如图1所示，本发明图像配准中的一种误匹配点对剔除方法，包括以下步骤：

本发明的目的通过以下技术方案实现：

S1：使用具有尺度不变性、旋转不变性的特征检测与描述算子找出图像的特征点并获得描述符。

S2：使用k-d树算法进行特征点匹配，获得初始匹配点对集合。

S3：利用特征点的基本信息设置Hough变换的参数空间。

S3.1：选择参数空间。假设图像1中有一个特征点a_i，其位置、尺度、旋转参数分别为：(x_i，y_i)、s_i、θ_i，该点在图像2中匹配点a′_i的各个参数分别为：(x′_i，y′_i)、s′_i、θ′_i。那么两个特征点之间的平移为：(dx，dy)＝(x′_i-x_i，y′_i-y_i)；尺度变化为：ds＝s′_i/s_i；旋转角变化为：dθ＝θ′_i-θ_i。利用上面四个参数dx、dy、ds、dθ作为霍夫变换的参数空间。

S3.2：设定各参数区间的宽度。在设置dx、dy、ds、dθ的离散区间时，如果间隔太大，会引入较大的误差；如果间隔太小，会导致算法空间和时间消耗太大，同时会对噪声等因素过于敏感，存在比较大的边界错误。本文设置参数子空间大小是旋转维区间宽度为30°，尺度维为2，位置维区间宽度与图像大小有关，dx、dy维的区间宽度分别为待配准图像长和宽的四分之一。

S4：访问每对匹配点对，对Hough参数空间进行投票。

S4.1：使用一维哈希表作为Hough参数空间的数据结构。

S4.2：逐一访问匹配点对，计算出(dx，dy，ds，dθ)。

S4.3：为了减少边界效应的影响，匹配点对投票时在每一维参数上都投给最近的两个参数区间，这样一对匹配点会投票给16个参数子空间。算出这16个子空间。

S4.4：步骤S4.3中得出的16个参数子空间，分别经过S4.1中哈希函数计算后找到对应变量位置，计数加1，并储存匹配点对信息。

S5：获取得票最多的Hough参数子空间中的匹配点对，用RANSAC算法做进一步处理剔除误匹配点对。

S5.1：遍历Hough参数空间，找出得票最多的子空间。

S5.2：使用S5.1中得到子空间中的匹配点对集合，通过RANSAC算法计算出配准图像间的投影变换矩阵H。

通过RANSAC算法计算出配准图像间的投影变换矩阵H的具体步骤为：

S5.2.1：将当前最佳估计正确匹配点对数目N_i设置为0；

S5.2.2：从S5.1获取的匹配点对集合中随机选取4对初始匹配点对，需保证选取的点对在每个图像中任意3个点不在一条直线上，如果发生3点共线则重新选取点对；两图像间当前投影变换矩阵H1可根据4组点对计算出；

S5.2.3：遍历S5.1获取的匹配点对集合中剩余的匹配点对，匹配点对(a_i，a′_i)求a_i通过H变换得到位置与配准点位置的差dv＝d(a′_i，Ha_i)，如果dv大于设定阈值则点对为误匹配点对，否则为正确匹配点对；

S5.2.4：比较当前正确匹配点对数目，若大于N_i则当前变换矩阵H1为当前最佳矩阵估计，同时更新N_i值；

S5.2.5：经过若干次随机抽样计算后选择正确匹配点对数目最多的变换矩阵H1为图像间的投影变换矩阵H。

S5.3：遍历初始匹配点对集合，对每对匹配点对(a_i，a′_i)求a_i通过H变换得到位置与配准点位置的差dv＝d(a′_i，Ha_i)，如果dv大于设定阈值则点对为误匹配点对，否则为正确匹配点对。

匹配点对总数分别为500、1000、1500、2000时，随着误匹配点所占对比例的提高，本发明的时间性能和正确识别比率变化如图4(a)和图4(b)所示。

上述实施例为本发明较佳的实施方式，但本发明的实施方式并不受上述实施例的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。

Claims (5)

1.一种图像配准中的误匹配点对剔除算法，其特征在于，包括下述步骤：

S1：使用具有尺度不变性、旋转不变性的特征检测与描述算子找出图像的特征点并获得描述符；

S2：使用k-d树算法进行特征点匹配，获得初始匹配点对集合；

S3：利用特征点的基本信息设置Hough变换的参数空间；

S4：访问每对匹配点对，对Hough参数空间进行投票；

S5：获取得票最多的Hough参数子空间中的匹配点对，用RANSAC算法做进一步处理剔除误匹配点对。

2.根据权利要求1所述的图像配准中的误匹配点对剔除算法，其特征在于，所述步骤S3具体包括下述步骤：

S3.1：选择参数空间，假设图像1中有一个特征点a_i，其位置、尺度、旋转参数分别为：(x_i，y_i)、s_i、θ_i，该点在图像2中匹配点a′_i的各个参数分别为：(x′_i，y′_i)、s′_i、θ′_i；那么两个特征点之间的平移为：(dx，dy)＝(x′_i-x_i，y′_i-y_i)；尺度变化为：ds＝s′_i/s_i；旋转角变化为：dθ＝θ′_i-θ_i；利用上面四个参数dx、dy、ds、dθ作为Hough变换的参数空间；

S3.2：设定各参数区间的宽度；设置参数子空间大小是旋转维区间宽度为30°，尺度维为2，位置维区间宽度与图像大小有关，dx、dy维的区间宽度分别为待配准图像长和宽的四分之一。

3.根据权利要求1所述的图像配准中的误匹配点对剔除算法，其特征在于，所述步骤S4具体包括下述步骤：

S4.1：使用一维哈希表作为Hough参数空间的数据结构；

S4.2：逐一访问匹配点对，计算出(dx，dy，ds，dθ)；

S4.3：为了减少边界效应的影响，匹配点对投票时在每一维参数上都投给最近的两个参数区间，这样一对匹配点会投票给16个参数子空间，算出这16个子空间；

S4.4：步骤S4.3中得出的16个参数子空间，分别经过S4.1中哈希函数计算后找到对应变量位置，计数加1，并储存匹配点对信息。

4.根据权利要求1所述的图像配准中的误匹配点对剔除算法，其特征在于，所述步骤S5具体包括下述步骤：

S5.1：遍历Hough参数空间，找出得票最多的子空间；

S5.2：使用S5.1中得到子空间中的匹配点对集合，通过RANSAC算法计算出配准图像间的投影变换矩阵H；

S5.3：遍历初始匹配点对集合，对每对匹配点对(a_i，a′_i)求a_i通过H变换得到位置与配准点位置的差dv＝d(a′_i，Ha_i)，如果dv大于设定阈值则点对为误匹配点对，否则为正确匹配点对。

5.根据权利要求4所述的图像配准中的误匹配点对剔除算法，其特征在于，步骤S5.2中，通过RANSAC算法计算出配准图像间的投影变换矩阵H的具体步骤为：

S5.2.1：将当前最佳估计正确匹配点对数目N_i设置为0；

S5.2.2：从S5.1获取的匹配点对集合中随机选取4对初始匹配点对，需保证选取的点对在每个图像中任意3个点不在一条直线上，如果发生3点共线则重新选取点对；两图像间当前投影变换矩阵H1可根据4组点对计算出；

S5.2.3：遍历S5.1获取的匹配点对集合中剩余的匹配点对，匹配点对(a_i，a′_i)求a_i通过H变换得到位置与配准点位置的差dv＝d(a′_i，Ha_i)，如果dv大于设定阈值则点对为误匹配点对，否则为正确匹配点对；

S5.2.4：比较当前正确匹配点对数目，若大于N_i则当前变换矩阵H1为当前最佳矩阵估计，同时更新N_i值；

S5.2.5：经过若干次随机抽样计算后选择正确匹配点对数目最多的变换矩阵H1为图像间的投影变换矩阵H。