CN111242992B - 一种图像配准方法 - Google Patents

一种图像配准方法 Download PDF

Info

Publication number
CN111242992B
CN111242992B CN202010029454.7A CN202010029454A CN111242992B CN 111242992 B CN111242992 B CN 111242992B CN 202010029454 A CN202010029454 A CN 202010029454A CN 111242992 B CN111242992 B CN 111242992B
Authority
CN
China
Prior art keywords
point
reliable
points
image
matching
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.)
Active
Application number
CN202010029454.7A
Other languages
English (en)
Other versions
CN111242992A (zh
Inventor
李广宏
邵鸿翔
蒋建虎
周芸梦
徐晓辉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Luoyang Institute of Science and Technology
Original Assignee
Luoyang Institute of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Luoyang Institute of Science and Technology filed Critical Luoyang Institute of Science and Technology
Priority to CN202010029454.7A priority Critical patent/CN111242992B/zh
Publication of CN111242992A publication Critical patent/CN111242992A/zh
Application granted granted Critical
Publication of CN111242992B publication Critical patent/CN111242992B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
    • G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图像配准方法，涉及计算机图像处理技术领域，方法主要包括初步匹配、制作样本子集、建立可靠集、计算模型，完成一定次数的迭代后，即可得到最终的模型，实现了高效、可靠地对图像配准过程中匹配错误消除的目的。

Description

一种图像配准方法
技术领域
本发明涉及计算机图像处理技术领域，特别是涉及一种图像配准方法。
背景技术
图像配准可以实现图像的融合、信息检索以及景深感知和三维重建等，广泛应用于计算机视觉、遥感数据分析、生物医学检测、军事目标识别等领域。
在基于计算机视觉对图像进行配准过程中，由于图像中具有对称性和相似性的特征存在，在对各景物进行定位匹配中很容易产生歧义，甚至造成匹配失败，如图1所示。
发明内容
本发明实施例提供了一种图像配准方法，可以解决现有技术中存在的问题。
本发明提供了一种图像配准方法，所述方法包括以下步骤：
步骤1、初步匹配，得到匹配集；
步骤2、将所述匹配集作为样本集P，抽取样本集P中的多组点对作为样本子集S，估计初始化模型Mo；
步骤3、在样本集P中抽取样本子集S后形成的余集中选取属于一个图像的点，将该点映射到另一个图像后，根据选取的点和映射点之间的欧氏距离判断选取的点是否属于可靠点；
步骤4、循环检验所有余集后，如果可靠点的数量大于设定的阈值，则所有的可靠点和样本子集S构成可靠点集S*；
步骤5、在完成预定的抽样次数后，选取抽样后得到的含有可靠点数量最大的可靠点集，判断其中的点是否为可靠点，由可靠点计算最终的模型M’，配准过程结束。
本发明中的一种图像配准方法，可以实现高效、可靠地消除图像配准过程中的匹配错误，从而可以获得较为准确的变换矩阵，为后续处理工作的开展带来可能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为现有技术中进行图像配准时存在歧义的配准结果；
图2为本发明方法的流程图；
图3为利用本发明的方法进行图像配准后的配准结果。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参照图2，本发明提供了一种图像配准方法，该方法包括以下步骤：
步骤1、进行初步匹配：使用通用的角点或局部不变区域等特征检测和描述子，采用欧式距离作为测度进行初步匹配，得到匹配集。两个图像中的向量(即特征点对)的距离最近为最佳匹配，也可设置一定的阈值直接过滤掉差异较大特征点对；
步骤2、由初步匹配生成的匹配集作为样本集P，随机抽取样本集P中的多组点对(例如4组)作为样本子集S，估计初始化模型Mo；
所述初始化模型Mo的计算方法如下：
取样本子集S中的点对(x1，y1)、(x1’，y1’)，代入以下公式求解出Mo：
Figure BDA0002363749520000031
步骤3、样本集P中抽取样本子集S后形成余集，在余集中选取一个图像中的点(x，y)，将该点通过上述的初始化模型Mo映射到另一个图像上，计算映射点和与点(x，y)对应的点(x’，y’)之间的欧氏距离，如果欧氏距离小于阈值t(可以设定为0.01，阈值t越小匹配结果就越精确，但是同时也降低了匹配成功的数量，即可靠点的数量)，则将点(x，y)作为可靠点，且可靠点数加1；
步骤4，循环检验过余集后，如果可靠点数大于阈值T(可以设定为500，阈值T越大则匹配结果越精确，但是同时也可能剔除一些优秀的可靠集)，则所有的可靠点以及样本子集S构成可靠点集S*；
步骤5、在完成一定的抽样次数后，若未找到可靠集则配准失败；否则选取抽样后得到的含有可靠点数量最大的可靠点集，判断其中的点是否为可靠点，由可靠点计算最终的模型M’，配准过程结束。
利用本发明的方法进行图像配准后的结果如图3所示。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (2)

1.一种图像配准方法，其特征在于，所述方法包括以下步骤：
步骤1、初步匹配，得到匹配集；
步骤2、将所述匹配集作为样本集P，抽取样本集P中的多组点对作为样本子集S，估计初始化模型Mo；
步骤3、在样本集P中抽取样本子集S后形成的余集中选取属于一个图像的点，将该点映射到另一个图像后，根据选取的点和映射点之间的欧氏距离判断选取的点是否属于可靠点；
步骤4、循环检验所有余集后，如果可靠点的数量大于设定的阈值，则所有的可靠点和样本子集S构成可靠点集S*；
步骤5、在完成预定的抽样次数后，选取抽样后得到的含有可靠点数量最大的可靠点集，判断其中的点是否为可靠点，由可靠点计算最终的模型M’，配准过程结束；
所述初始化模型Mo的计算方法如下：
取样本子集S中的点对(x1，y1)、(x1’，y1’)，代入以下公式求解出Mo：
Figure FDA0004112826630000011
步骤3判断可靠点的具体方法为：
在余集中选取一个图像中的点(x，y)，将该点通过初始化模型Mo映射到另一个图像上，计算映射点和与点(x，y)对应的点(x’，y’)之间的欧氏距离，如果欧氏距离小于阈值t，则将点(x，y)作为可靠点，且可靠点数加1。
2.如权利要求1所述的图像配准方法，其特征在于，步骤1中初步匹配时，使用通用的角点或局部不变区域特征检测和描述子，采用欧式距离作为测度对图像进行初步匹配。
CN202010029454.7A 2020-01-13 2020-01-13 一种图像配准方法 Active CN111242992B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010029454.7A CN111242992B (zh) 2020-01-13 2020-01-13 一种图像配准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010029454.7A CN111242992B (zh) 2020-01-13 2020-01-13 一种图像配准方法

Publications (2)

Publication Number Publication Date
CN111242992A CN111242992A (zh) 2020-06-05
CN111242992B true CN111242992B (zh) 2023-05-23

Family

ID=70870897

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010029454.7A Active CN111242992B (zh) 2020-01-13 2020-01-13 一种图像配准方法

Country Status (1)

Country Link
CN (1) CN111242992B (zh)

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103034859B (zh) * 2012-12-13 2016-03-30 华为技术有限公司 一种获取姿势模型的方法及装置
CN104598878A (zh) * 2015-01-07 2015-05-06 深圳市唯特视科技有限公司 基于灰度和深度信息的多层融合的多模态人脸识别装置及方法
CN104867137B (zh) * 2015-05-08 2017-12-08 中国科学院苏州生物医学工程技术研究所 一种基于改进ransac算法的图像配准方法

Also Published As

Publication number Publication date
CN111242992A (zh) 2020-06-05

Similar Documents

Publication Publication Date Title
CN108960211B (zh) 一种多目标人体姿态检测方法以及***
Huang et al. A coarse-to-fine algorithm for matching and registration in 3D cross-source point clouds
Spreeuwers Fast and accurate 3D face recognition: using registration to an intrinsic coordinate system and fusion of multiple region classifiers
CN106709950B (zh) 一种基于双目视觉的巡线机器人跨越障碍导线定位方法
CN107958443B (zh) 一种基于脊线特征和tps形变模型的指纹图像拼接方法
Dibeklioglu et al. 3D facial landmarking under expression, pose, and occlusion variations
CN110287873B (zh) 基于深度神经网络的非合作目标位姿测量方法、***及终端设备
CN107145829B (zh) 一种融合纹理特征和尺度不变特征的掌静脉识别方法
CN109145745B (zh) 一种遮挡情况下的人脸识别方法
CN109241901B (zh) 一种对具有孔洞的三维点云的检测与识别方法
EP1199648A1 (en) Image shape descriptor extraction and searching
CN111145232A (zh) 一种基于特征信息变化度的三维点云自动配准方法
JP6055435B2 (ja) 被写体認識装置、被写体認識方法及び被写体認識プログラム
CN105551022A (zh) 一种基于形状交互矩阵的图像错误匹配检验方法
US20200005078A1 (en) Content aware forensic detection of image manipulations
CN111898428A (zh) 一种基于orb的无人机特征点匹配方法
CN111199558A (zh) 一种基于深度学习的图像匹配方法
CN113095187A (zh) 一种基于图像特征匹配对齐的试卷批改方法
CN109840529B (zh) 一种基于局部敏感置信度评估的图像匹配方法
He et al. ContourPose: Monocular 6-D Pose Estimation Method for Reflective Textureless Metal Parts
CN111242992B (zh) 一种图像配准方法
JP2015007919A (ja) 異なる視点の画像間で高精度な幾何検証を実現するプログラム、装置及び方法
CN113283478B (zh) 一种基于特征匹配的装配体多视角变化检测方法及设备
CN112183596B (zh) 结合局部网格约束和几何约束的直线段匹配方法与***
CN110674817B (zh) 一种基于双目摄像头的车牌防伪的方法及装置

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