1.一种基于显著区域特征和边缘度的可见光-红外图像配准方法,其特征在于包括以下步骤:
步骤一、基于改进的局部对比度的显著性区域检测;
首先,使用基于图的图像分割算法将输入图像分割成若干区域,计算各区域的颜色直方图,则区域rk显著性值S(rk)的计算方法为式(1);
式中,ω(ri)为区域ri的权值,Dr(rk,ri)为区域rk和ri之间的颜色距离度量,其计算方法见式(2);
式中,f(ck,i)为第i个颜色ck,i在第k个区域rk的所有颜色中出现的概率,该概率密度函数即为归一化的颜色直方图;D(c1,i,c2,j)为颜色c1,i和颜色c2,j的Lab空间颜色距离;
其次,考虑空间影响,将空间信息作为权值代入式(1)中,则区域rk的显著性值S(rk)为:
式中,DS(rk,ri)为区域rk和ri的质心的欧氏距离;σS是控制空间权值大小的阈值,σS越小,空间权值影响越大,较远区域的对比度对当前区域的显著性值影响较小;由于可见光图像和红外图像分辨率不一致,因此采用自适应的空间权值σS,计算公式如式(4):
式中,Dang是图像对角线的长度,num是区域数量;
步骤二、基于Zernike矩的显著性区域形状特征描述;
Zernike矩是基于Zernike多项式构造出来的,m阶n次的Zernike多项式的定义范围为x2+y2≤1;其定义为式(5);
Vmn(x,y)=Vmn(ρ,θ)=Rmn(ρ)ejnθ (5)
式中,m为非负整数,m-|n|为偶数且m≥|n|;ρ为原点到点(x,y)的矢量长度;θ为x轴与ρ矢量逆时针方向夹角;Rmn(ρ)为点(x,y)的径向多项式,计算公式如下所示:
由此给出Zernike矩的定义为式(9);
将Zernike矩的实部和虚部分别记为Cmn和Smn,则:
将Zernike矩用于处理二维图像数据,因此需要对式(10)和式(11)进行离散化;引入两个新的参数(r,σ),分别定义为:
r=max(|x|,|y|) (12)
对于N×N的图像f(x,y),以图像中心为坐标原点,则图像中的坐标值都满足-N/2≤(x、y)≤N/2;由式(12)和式(13)得知,r和σ的取值范围分别为1≤r≤N/2,1≤σ≤8r;则式(6)和式(7)分别改写为式(14)和式(15);
θ=4πσr (15)
经过新的变换,式(10)和式(11)可分别离散化为式(16)和式(17);
综上所述,Zernike矩计算方法如下:
①确定图像f(x,y)的大小,从而确定式(16)和式(17)中N的值以及r和σ的取值范围;
②利用式(8)计算出Rmn(ρ)的值,并结合式(16)和式(17)计算出Zernike矩的实部Cmn和虚部Smn;
③对Cmn和Smn求模,得到Zernike矩的幅值|Zmn|;
由于尺度差异问题,还使用区域rk最小外接矩形的对角线lk对|Zmn|尺度归一化,计算方法如式(18):
将Zernike矩用于显著性图中各显著性区域的形状分析,由于Zernike矩能够构造任意高阶,但考虑到计算复杂度,采用前36阶Zernike矩对区域特征进行描述;
综上所述,对区域rk的Zernike矩描述子为:其中m∈{0,1,2,3,4,5,6,7},m-|n|为偶数且m≥|n|;
步骤三、基于形状特征相似性度量和RANSAC的同名点求取和初始变换参数估计;
(1)同名点求取;
通过对图像各显著性区域计算质心和Zernike矩描述后,产生两组未匹配的质心点;在匹配时,正确同名点所对应的Zernike矩最具相似性,同时,由于得到的匹配点对中存在误匹配对,因此,利用RANSAC算法对匹配点对进行筛选,剔除错误的匹配点对;
设表示图像Ip中的第k个区域,参考图像为I1,待配准图像为I2,对于区域和区域其Zernike矩描述子分别为和则定义两区域的相似距离为式(19):
相似距离越小,则区域和区域越相似,匹配度越高;将相似距离最小的两个区域认为是匹配区域,其对应的质心为匹配点对;区域rk的质心定义为式(20):
式中,(x,y)为区域rk中的像素坐标,f(x,y)为像素值;即为区域rk的质心坐标;由此得到一组匹配点对集合,但由于其中仍然包含误匹配对,因此接下来采用RANSAC算法将其中的错误匹配点对剔除;
根据误差度量函数把所有数据分为内点和外点;内点的集合又称为一致集,经过多次随机采样,当一致集达到最大时,则对应的模型即为所求结果;RANSAC算法的步骤如下:
①从候选点对集合S中随机抽取一个含有n个点对的样本集P,并估计初始化模型;
②对集合S中的剩余点对计算变换模型,与初始化模型M的距离小于误差阈值τ的点对标记为内点,形成一致集S*;
③重复上述步骤,直到达到最大采样次数N,或者集合S*的元素个数大于某一个阈值T;
④根据最大一致集S*,计算变换模型的参数;
RANSAC算法包含了四个输入参数:随机抽样数n、误差阈值τ、最大采样次数N和最优一致集阈值T;
1)随机抽样数n需要满足变换模型估计的最小配置要求,n取4组不共线的数据点对;
2)误差阈值τ对RANSAC性能有很大的影响,根据期望的内点概率来进行设置;τ为经验值,经验值取7,
3)最大采样次数N只要足够大,就能够保证匹配的正确性,N的取值计算公式如式(21)所示;
其中,n为随机抽样数;ω为数据局内点的概率;p表示迭代过程中从数据集内随机选取出的点均为局内点的概率;通常数据中局内点的概率ω是未知的,但能够通过自动更新ω来自适应决定所需要采样的次数;
4)较大的一致集S*使得变换模型参数更为精确,为了得到表征数据集S的正确模型,对T不做限制,最大一致集S*取局内点最多的一致集;
(2)初始变换参数估计;
获得筛选后的正确同名点对后,选择合适的变换模型并进行变换模型参数估计;对于透视投影变换模型,待配准图像I2中匹配点(x',y')经其变换后得到配准后图像中点(x,y)的计算公式如式(22)所示,对应的参数矩阵H0为式(23):
式中,H0为待配准图像I2到参考图像I1坐标系的变换矩阵,至少使用4对不共线同名点对计算出H0中所有未知量的值;
步骤四、基于边缘特征的变换参数优化求解;
(1)边缘特征;
采用边缘度的概念;对于一个结构张量Qρ,其定义式如下式(24):
式中,*是卷积算子,Kρ表示一个标准差为ρ的二维高斯核,Ix和Iy分别表示x和y方向的梯度分量;通过在每个像素上对Qρ特征值分解,得到分别表示最大和最小的亮度变化的特征向量ω1和ω2,ω1和ω2分别对应两个特征值μ1和μ2,μ1≥μ2≥0;边缘度C的定义如下式(25):
C的取值范围是[0,1],ε为设定的阈值,用来防止同向区域像素取值过大;由此得到可见光-红外图像的边缘度图,它对边缘描述比常规的边缘检测方法差异更小,增加了可见光和红外图像边缘的相似性,提高了正确配准的概率;
边缘像素点(x,y)处的广义梯度向量流通过求取下式(26)的能量函数最小值得到:
式中,为像素点(x,y)处的梯度值,g(C)=e-C/K,C为边缘度,K为梯度场平滑程度的正则化因子,K取1;
(2)相似性度量;
当两幅图像配准时,边缘度的互信息越大,广义梯度向量流的方向误差不确定性越小,配准精度越高;因此,定义如下相似性度量函数(27):
F(S,T)=M(CS,CT)-H(D|CS,CT) (27)
式中,M(·)表示互信息,H(·)表示Shannon熵,CS和CT分别表示图像S和图像T的边缘度,D为CS和CT相应像素之间方向差异,其计算公式如下式(28):
式中,和分别是图像S和图像T的广义梯度向量流;然后,以上一步估计得到的初始配准参数H0为初值,相似性度量函数(27)为目标函数,采用单纯形法进行优化搜索,当F(S,T)达到最大值时,配准精度最高,以此时的H为最终变换矩阵;
最后,以H为变换矩阵对待配准图像进行图像变换,然后与参考图像加权融合,得到最终结果。