CN110070110A - 一种自适应阈值图像匹配方法 - Google Patents
一种自适应阈值图像匹配方法 Download PDFInfo
- Publication number
- CN110070110A CN110070110A CN201910244721.XA CN201910244721A CN110070110A CN 110070110 A CN110070110 A CN 110070110A CN 201910244721 A CN201910244721 A CN 201910244721A CN 110070110 A CN110070110 A CN 110070110A
- Authority
- CN
- China
- Prior art keywords
- matching
- vector
- adaptive threshold
- arest neighbors
- adaptive
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 41
- 238000000034 method Methods 0.000 title claims abstract description 19
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24147—Distances to closest patterns, e.g. nearest neighbour classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种自适应阈值图像匹配方法，步骤1、分别对待匹配的两张RGB图片进行特征点提取；步骤2、利用KNN算法计算每一个特征点对应的最近邻匹配向量M1与次近邻匹配向量M2；步骤3、根据最近邻匹配向量M1与次近邻匹配向量M2计算自适应阈值ratio；步骤4、新建向量M，并根据所述自适应阈值ratio去除误匹配，得到正确匹配后将其存入向量M，即得到正确的匹配向量M，完成匹配。本发明一种自适应阈值图像匹配方法，能在保证一定的匹配准确率的情况下，获得更多数量的正确匹配。
Description
技术领域
本发明属于数字图像处理方法技术领域，涉及一种自适应阈值图像匹配方法。
背景技术
图像匹配是数字图像处理中一项关键技术，在许多领域都有着广泛的应用，包括移三维重建，场景恢复，物体追踪以及动机器人的定位与导航等，并且应用在航空航天、医学、交通、文字识别等各个领域，因此，在现代信息社会中，数字图像匹配技术的研究存在巨大的发展前景。其中在基于特征的匹配方法中，目前采用的匹配算法中无论是暴力匹配还是基于快速近似最近邻算法的匹配，去除阈值均是人工设定的，当人工设定阈值过小时，正确率高，但是正确匹配数量下降，当人工设定阈值过高时，正确匹配保留了下来，但是正确率下降，无法同时满足对匹配精度和匹配数量的需求。
发明内容
本发明的目的是提供一种自适应阈值图像匹配方法，在能保证一定匹配准确率的条件下，获得更多的正确匹配数量。
本发明所采用的技术方案是，一种自适应阈值图像匹配方法，具体按照以下步骤实施：
步骤1、分别对待匹配的两张RGB图片进行特征点提取；
步骤2、利用KNN算法计算每一个特征点对应的最近邻匹配向量M1与次近邻匹配向量M2；
步骤3、根据最近邻匹配向量M1与次近邻匹配向量M2计算自适应阈值ratio；
步骤4、新建向量M，并根据所述自适应阈值ratio去除误匹配，得到正确匹配后将其存入向量M，即得到正确的匹配向量M，完成匹配。
本发明的特征还在于：
步骤3中自适应阈值ratio的计算公式如下：
式(1)中：M1为两张图片所有特征点的最近邻匹配向量；M2为两张图片所有特征点的次近邻匹配向量；|M1|i为M1中第i个向量两特征点的距离；|M2|i为M2中第i个向量两特征点的距离；ratio为求出的用于去除误匹配的自适应阈值；n为特征点的个数。
步骤4去除误匹配的依据如下：当时，最近邻匹配M1i是正确匹配，否则最近邻匹配M1i是错误匹配，将其去除。
本发明的有益效果是：
本发明一种自适应阈值图像匹配方法，在能保证一定匹配准确率的条件下，获得更多的正确匹配数量。首先对任意两帧图像进行特征提取，接着运用KNN算法计算出最近邻匹配向量与次近邻匹配向量，然后根据最近邻匹配与次近邻匹配之间的距离关系计算出自适应阈值，最后使用该阈值对匹配结果进行筛选，去除误匹配，使得在保证一定的匹配准确率的情况下，获得更多数量的正确匹配。
附图说明
图1是本发明一种自适应阈值图像算法的流程图；
图2是本发明一种自适应阈值图像算法实施例bike自适应阈值筛选后的图片；
图3是本发明一种自适应阈值图像算法实施例leuven自适应阈值筛选后的图片；
图4是本发明一种自适应阈值图像算法实施例bike固定阈值筛选后的图片。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种自适应阈值图像匹配方法，流程如如图1所示，具体按照以下步骤实施：
步骤1、分别对待匹配的两张RGB图片进行特征点提取；
步骤2、利用KNN算法计算每一个特征点对应的最近邻匹配向量M1与次近邻匹配向量M2；
步骤3、根据最近邻匹配向量M1与次近邻匹配向量M2计算自适应阈值ratio，自适应阈值ratio的计算公式如下：
式(1)中：M1为两张图片所有特征点的最近邻匹配向量(设两张图片分别为A、B，M1即A中的特征点与B中距离最近的特征点的匹配信息)；M2为两张图片所有特征点的次近邻匹配向量(设两张图片分别为A、B，M2即A中的特征点与B中距离次近的特征点的匹配信息)；|M1|i为M1中第i个向量两特征点的距离；|M2|i为M2中第i个向量两特征点的距离；ratio为求出的用于去除误匹配的自适应阈值；n为特征点的个数；
步骤4、新建向量M，并根据自适应阈值ratio去除误匹配，得到正确匹配后将其存入向量M，即得到正确的匹配向量M，完成匹配；
去除误匹配的依据如下：当时，最近邻匹配M1i是正确匹配，否则最近邻匹配M1i是错误匹配，将其去除。
实施例
在Ubuntu 16.04LTS 64位***下，采用OpenCV3.1在kDeveloper下进行，采用的图片集来自于K.Mikolajczyk和C.Schmid创建的数据库。实验首先对所选图片提取ORB特征，然后通过kNN算法计算最近邻匹配与次近邻匹配，接着用自适应阈值进行筛选，得到不同数据集下匹配数量。为了验证算法的有效性和鲁棒性，做了在不同数据集下的实验，数据如下，其中表1和表2为匹配结果。每个数据集都有多张图片，表中1-2表示数据集中第一张图片与第二张图片的匹配。
表1 数据集bike不同阈值选择下的匹配数
表2 数据集graf不同阈值选择下的匹配数
从表中可以看出在牺牲了平均约1％的准确率的情况下，匹配数量提高了15％以上，能够在一定程度上满足保证匹配精度的情况下提高正确匹配数量。
下面图1到图3分别是在不同数据集下的测试结果。其中bike数据集是不同模糊程度的图像，leuven数据集是明暗差距较大的图像。
图1是在模糊化处理后的图片上采用自适应阈值方法进行的测试，为bike自适应阈值筛选；图2是在光照条件变化较大的图片上采用自适应阈值方法进行的测试，为leuven自适应阈值筛选；图3在固定阈值为0.7的情况下在bike数据集进行的测试。
通过上述方式，本发明一种自适应阈值图像匹配方法，步骤1、分别对待匹配的两张RGB图片进行特征点提取；步骤2、利用KNN算法计算每一个特征点对应的最近邻匹配向量M1与次近邻匹配向量M2；步骤3、根据最近邻匹配向量M1与次近邻匹配向量M2计算自适应阈值ratio；步骤4、新建向量M，并根据所述自适应阈值ratio去除误匹配，得到正确匹配后将其存入向量M，即得到正确的匹配向量M，完成匹配。本发明一种自适应阈值图像匹配方法，能在保证一定的匹配准确率的情况下，获得更多数量的正确匹配。
Claims (3)
1.一种自适应阈值图像匹配方法，其特征在于，具体按照以下步骤实施：
步骤1、分别对待匹配的两张RGB图片进行特征点提取；
步骤2、利用KNN算法计算每一个特征点对应的最近邻匹配向量M1与次近邻匹配向量M2；
步骤3、根据最近邻匹配向量M1与次近邻匹配向量M2计算自适应阈值ratio；
步骤4、新建向量M，并根据所述自适应阈值ratio去除误匹配，得到正确匹配后将其存入向量M，即得到正确的匹配向量M，完成匹配。
2.根据权利要求1所述一种自适应阈值图像匹配方法，其特征在于，步骤3中所述自适应阈值ratio的计算公式如下：
式(1)中：M1为两张图片所有特征点的最近邻匹配向量；M2为两张图片所有特征点的次近邻匹配向量；|M1|i为M1中第i个向量两特征点的距离；|M2|i为M2中第i个向量两特征点的距离；ratio为求出的用于去除误匹配的自适应阈值；n为特征点的个数。
3.根据权利要求1所述一种自适应阈值图像匹配方法，其特征在于，步骤4去除误匹配的依据如下：当时，最近邻匹配M1i是正确匹配，否则最近邻匹配M1i是错误匹配，将其去除。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910244721.XA CN110070110B (zh) | 2019-03-28 | 2019-03-28 | 一种自适应阈值图像匹配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910244721.XA CN110070110B (zh) | 2019-03-28 | 2019-03-28 | 一种自适应阈值图像匹配方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110070110A true CN110070110A (zh) | 2019-07-30 |
| CN110070110B CN110070110B (zh) | 2022-10-21 |
Family
ID=67366999
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910244721.XA Active CN110070110B (zh) | 2019-03-28 | 2019-03-28 | 一种自适应阈值图像匹配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110070110B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110617800A (zh) * | 2019-08-21 | 2019-12-27 | 深圳大学 | 基于民航客机的应急遥感监测方法、***及存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170154056A1 (en) * | 2014-06-24 | 2017-06-01 | Beijing Qihoo Technology Company Limited | Matching image searching method, image searching method and devices |
| CN109101985A (zh) * | 2018-06-03 | 2018-12-28 | 东南大学 | 一种基于自适应邻域测试的图像误匹配点对剔除方法 |
-
2019
- 2019-03-28 CN CN201910244721.XA patent/CN110070110B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170154056A1 (en) * | 2014-06-24 | 2017-06-01 | Beijing Qihoo Technology Company Limited | Matching image searching method, image searching method and devices |
| CN109101985A (zh) * | 2018-06-03 | 2018-12-28 | 东南大学 | 一种基于自适应邻域测试的图像误匹配点对剔除方法 |
Non-Patent Citations (1)
| Title |
|---|
| 刘川熙等: "基于RANSAC的SIFT匹配阈值自适应估计", 《计算机科学》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110617800A (zh) * | 2019-08-21 | 2019-12-27 | 深圳大学 | 基于民航客机的应急遥感监测方法、***及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110070110B (zh) | 2022-10-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108536851B (zh) | 一种基于移动轨迹相似度比较的用户身份识别方法 | |
| CN102075785B (zh) | 一种atm机广角摄像机镜头畸变校正方法 | |
| CN110175615B (zh) | 模型训练方法、域自适应的视觉位置识别方法及装置 | |
| CN107633226B (zh) | 一种人体动作跟踪特征处理方法 | |
| CN111666434B (zh) | 基于深度全局特征的街景图片检索方法 | |
| CN106682700B (zh) | 基于关键点描述算子的分块快速匹配方法 | |
| CN108197605A (zh) | 基于深度学习的牦牛身份识别方法 | |
| CN110188225B (zh) | 一种基于排序学习和多元损失的图像检索方法 | |
| CN103577815A (zh) | 一种人脸对齐方法和*** | |
| Wang et al. | License plate segmentation and recognition of Chinese vehicle based on BPNN | |
| CN109766873B (zh) | 一种混合可变形卷积的行人再识别方法 | |
| CN106919944A (zh) | 一种基于orb算法的大视角图像快速识别方法 | |
| CN110544202B (zh) | 一种基于模板匹配与特征聚类的视差图像拼接方法及*** | |
| CN102169581A (zh) | 一种基于特征向量的快速高精度鲁棒性匹配方法 | |
| CN103353941B (zh) | 基于视角分类的自然标志物注册方法 | |
| CN106709870B (zh) | 一种近景影像直线段匹配方法 | |
| CN113838058A (zh) | 一种基于小样本分割的医学图像自动标注方法及*** | |
| CN110569764B (zh) | 一种基于卷积神经网络的手机型号识别方法 | |
| CN117495891B (zh) | 点云边缘检测方法、装置和电子设备 | |
| CN105913069B (zh) | 一种图像识别方法 | |
| CN110826534A (zh) | 一种基于局部主成分分析的人脸关键点检测方法及*** | |
| CN104104911B (zh) | 全景图像生成过程中的时间戳消除和重置方法及*** | |
| CN112329662B (zh) | 基于无监督学习的多视角显著性估计方法 | |
| CN111104922B (zh) | 一种基于有序抽样的特征匹配算法 | |
| CN110070110A (zh) | 一种自适应阈值图像匹配方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20231123 Address after: 510000 room 432, second floor, unit 2, building 2, No. 24, Jishan new road street, Tianhe District, Guangzhou City, Guangdong Province (office only) Patentee after: Guangzhou Jingzhi Information Technology Co.,Ltd. Address before: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee before: Dragon totem Technology (Hefei) Co.,Ltd. Effective date of registration: 20231123 Address after: 230000 floor 1, building 2, phase I, e-commerce Park, Jinggang Road, Shushan Economic Development Zone, Hefei City, Anhui Province Patentee after: Dragon totem Technology (Hefei) Co.,Ltd. Address before: No.1, East 1st ring road, Hantai District, Hanzhong City, Shaanxi Province Patentee before: Shaanxi University of Technology Effective date of registration: 20231123 Address after: Room 208, No. 100, Dongxing Road, Donghuan Street, Panyu District, Guangzhou City, Guangdong Province, 511493 Patentee after: TIANSHENGQIAO TWO HYDROPOWER Co.,Ltd. Patentee after: Liu Xiangjian Patentee after: Zhang Jian Patentee after: Peng Weijun Patentee after: Wang Huayou Patentee after: Qu Bingzhao Address before: 510000 room 432, second floor, unit 2, building 2, No. 24, Jishan new road street, Tianhe District, Guangzhou City, Guangdong Province (office only) Patentee before: Guangzhou Jingzhi Information Technology Co.,Ltd. |
|
| TR01 | Transfer of patent right |