CN112633304A - 一种鲁棒的模糊图像匹配方法 - Google Patents

Abstract

本发明涉及一种鲁棒的模糊图像匹配方法。其步骤为：首先输入存在模糊程度不等的两幅图像。其次，提取了一组尺度不变特征变换SIFT点，为了进一步提高SIFT描述符的特殊性，应用了三尺度不变同心圆区域来生成描述符。第三，为了降低SIFT描述符的高维和复杂性，采用局部保留投影LPP技术来降低描述符的尺寸。最后，利用欧氏距离相似度测量得到匹配特征点。本方法不仅能减少数据量，而且能提高匹配速度和匹配精度，可适用于其他图像匹配方法中。

Description

一种鲁棒的模糊图像匹配方法

技术领域

本发明涉及计算机视觉技术领域,具体的说是一种鲁棒的模糊图像匹配方法。

背景技术

图像匹配是图像处理的特殊领域，通过图像匹配，在同一场景的不同图像之间提取一致性的特征点，来确定图像之间对应的几何关系，得到一副匹配后的图像，匹配后的图像比单一的图像更能精确的描述图像场景，一般情况下，可以采用基于局部特征提取与匹配的方法进行图像匹配，这些局部特征提取和匹配的方法主要考虑了输入图像的尺度和旋转不变性，没有考虑较大的计算数据量以及实时性，对于模糊场景下的图像匹配不能有效的、准确的得到对应的匹配点对。

发明内容

针对现有技术中存在的上述不足之处，本发明提出一种鲁棒的模糊图像匹配方法，该方法利用三尺度中心不变圆形区域以及LPP技术对描述符进行降维，在增强特征点可区分性的同时，大大提高了运算效率，正确匹配率也得到很大提升，鲁棒性增强。

本发明为实现上述目的所采用的技术方案是：一种鲁棒的模糊图像匹配方法，包括以下步骤：

S1：输入存在模糊程度不等的两幅原始图像；

S2：利用尺度不变特征变换SIFT算法提取两幅原始图像上的特征点；

S3：分别在两幅原始图像上特征点周围建立三个尺度不变的中心圆形区域，对特征点进行描述形成两幅原始图像各自的特征点描述符；

S4：采用局部投影映射LPP方法降低特征点描述符的维数，用于提高算法运算效率；

S5：对降维后的两幅原始图像各自的特征点描述符进行匹配，在两幅图像中选择精确的匹配点对。

所述步骤S3中对特征点进行描述为指定描述符的方向性信息。

所述指定描述符的方向性信息包括：

对每个特征点使用4×4共16个种子点来描述，将每个种子点所在区域的梯度直方图在0°-360°之间划分8个方向区间，利用高斯窗口对其进行加权运算，产生128维的特征向量；

定义由三个尺度不变的中心区域描述的特征点描述符LSIFT表示为：

PD＝α₁L₁+α₂L₂+α₃L₃

其中L_i(i＝1,2,3)是128维SIFT描述符，PD是加权后的128维描述符，α₁,α₂,α₃是预设的加权系数。

所述步骤S4中的应用局部投影映射LPP方法降低特征点描述符维数，包括：

a.定义由三个尺度不变的中心区域描述的特征点描述符LSIFT为(x₁,x₂,…x_m),x_i表示其中一幅图像的特征点描述符LSIFT；y_i＝w^Tx_i表示转换向量w的一维描述，定义相似性矩阵S(s_ij＝s_ji)：

b.选择一个合适的投影即为最小化目标函数f的求解:

其中，D是对角矩阵D_ii＝∑_jS_ij，L＝D-S是拉普拉斯矩阵。存在以下约束：

Y^TDY＝w^TXDX^Tw＝1

c.最小化目标函数f的求解问题可以被简化为：

w^TXDX^Tw＝1

d.可以转换为广义特征值问题：

XLX^Tw＝λXDX^Tw

其中，XLX^T,XDX^T都是对称、半正定矩阵；

e.令w是广义特征值λ的列向量，投影矩阵W_LPP＝(w₀,w₁,…w_l-1)，PD的每个向量w_i(i＝0,1,…,l-1)都有128个维度，则投影矩阵将128维的描述符向量降低到了l维，因此128维描述符被转化为：

TPD＝PD·W_LPP

其中，TPD是一个l维的局部描述符，l＜＜128。

所述步骤S5中所述的描述符匹配包括：

计算两个描述符TPD_i,TPD_j之间的欧式距离，采用最近邻比次近邻算法得到精确的匹配点对：

D_最近邻/D_次近邻＜T

其中，D_最近邻和D_次近邻分别表示以当前像素点为原点时的最近邻距离和次近邻距离，T表示匹配所用的阈值，当前像素点即为匹配点对。

步骤S5中所述的D_最近邻和D_次近邻按照如下公式计算：

其中，TPD_i表示降维后任意特征点i的描述符，TPD_j表示降维后特征点j的描述符，TPD_i,m表示特征点i描述符的第m维向量，TPD_j,m表示特征点j描述符的第m维向量，l表示降维后的维数。

本发明具有以下有益效果及优点：

1.本发明所述的一种鲁棒的模糊图像匹配方法借助于三个尺度不变的中心圆形区域来对特征点进行描述，增强了特征描述符的可区分性，提高了正确匹配率。

2.本发明所述的一种鲁棒的模糊图像匹配方法利用局部投影映射技术降低了特征点描述符的维数，在保证正确匹配率的基础上，提高了图像的匹配效率，具有较强的实时性。

附图说明

图1为本发明方法流程图；

图2为本发明方法的结构场景模糊图像；

图3为本发明方法的结构型模糊图像不同参数对于模糊图像性能影响；

图4为本发明方法的纹理场景模糊图像；

图5为本发明方法的纹理场景模糊图像不同参数对于模糊图像性能影响；

具体实施方式

下面结合附图对本发明做进一步的详细说明。

参照附图1，本发明所述一种鲁棒的模糊图像匹配方法的具体步骤如下：

步骤1：输入存在模糊程度不等的两幅原始图像；

步骤2：利用尺度不变特征变换SIFT算法提取两幅原始图像上的特征点；

步骤3：分别在两幅原始图像上特征点周围建立三个尺度不变的中心圆形区域，对特征点进行描述形成两幅原始图像各自的特征点描述符；

对每个特征点使用4×4共16个种子点来描述，将每个种子点所在区域的梯度直方图在0°-360°之间划分8个方向区间，利用高斯窗口对其进行加权运算，产生128维的特征向量；

定义由三个尺度不变的中心区域描述的特征点描述符LSIFT表示为：

PD＝α₁L₁+α₂L₂+α₃L₃

其中L_i(i＝1,2,3)是128维SIFT描述符，PD是加权后的128维描述符，α₁,α₂,α₃是预设的加权系数。

步骤4：为提高算法运算效率，应用局部投影映射LPP方法降低特征点描述符的维数；

定义由三个尺度不变的中心区域描述的特征点描述符LSIFT为(x₁,x₂,…x_m),x_i表示其中一幅图像的LSIFT；y_i＝w^Tx_i表示转换向量w的一维描述，定义相似性矩阵S(s_ij＝s_ji)：

b.选择一个合适的投影即为最小化目标函数f的求解:

其中D是对角矩阵D_ii＝∑_jS_ij，L＝D-S是拉普拉斯矩阵。存在以下约束：

Y^TDY＝w^TXDX^Tw＝1

c.最小化目标函数f的求解问题可以被简化为：

w^TXDX^Tw＝1

d.可以转换为广义特征值问题：

XLX^Tw＝λXDX^T w

其中，XLX^T,XDX^T都是对称、半正定矩阵；

e.令w是广义特征值λ的列向量，投影矩阵W_LPP＝(w₀,w₁,…w_l-1)，每个w_i(i＝0,1,…,l-1)都有128个维度，则投影矩阵将128维的描述符向量降低到了l维，因此128维描述符被转化为：

TPD＝PD·W_LPP

其中，TPD是一个l维的局部描述符l＜＜128。

步骤5:对降维后的两幅原始图像各自的特征点描述符进行匹配，在两幅图像中选择精确的匹配点对。

计算两个描述符TPD_i,TPD_j之间的欧式距离，采用最近邻比次近邻算法得到精确的匹配点对：

D_最近邻/D_次近邻＜T

其中，D_最近邻和D_次近邻分别表示以当前像素点为原点时的最近邻距离和次近邻距离，T表示匹配所用的阈值。其中：

其中，TPD_i表示降维后任意特征点i的描述符，TPD_j表示降维后特征点j的描述符，j不包含i，TPD_i,m表示特征点i描述符的第m维向量，TPD_j,m表示特征点j描述符的第m维向量，l表示降维之后的维数。

下面结合附图仿真图对本发明的效果做进一步的描述。

为验证本发明的有效性和正确性，采用结构型场景和纹理型场景的两组模糊图像进行匹配仿真实验。所有的仿真实验均在Windows XP操作***下采用Visual Studio2010软件实现。

仿真实例1：

图2显示的是不同模糊程度下所获取的六幅结构型场景的模糊图像，所采用的图像大小为800×600，其中(a)图像为参考图像，其他(b)-(f)图像分别为待匹配图像。图3(a)为结构型图像的正确匹配数，横坐标表示的是模糊程度，纵坐标表示的是正确匹配点数目，图3(b)为结构型图像的正确匹配率，横坐标表示的是模糊程度，纵坐标表示的是正确匹配率；从图3(a)和图3(b)可以看出，本发明方法在所有模糊变化情况下得到的正确匹配点数要明显高于SIFT方法。

仿真实例2：

图4显示的是不同模糊程度下所获取的六幅纹理型场景的模糊图像，所采用的图像大小为800×600，其中(a)图像为参考图像，其他(b)-(f)图像分别为待匹配图像。图5(a)为纹理型图像的正确匹配数，横坐标表示的是模糊程度，纵坐标表示的是正确匹配点数目，图5(b)为纹理型图像的正确匹配率，横坐标表示的是模糊程度，纵坐标表示的是正确匹配率；从图5(a)和图5(b)可以看出，本发明方法在所有模糊变化情况下得到的正确匹配点数要明显高于SIFT方法。

本发明可以对存在模糊变化的图像进行精确匹配不仅能够得到较高的匹配点对，而且具有较高的正确匹配率。

Claims (6)

1.一种鲁棒的模糊图像匹配方法，其特征在于，包括以下步骤：

S1：输入存在模糊程度不等的两幅原始图像；

S2：利用尺度不变特征变换SIFT算法提取两幅原始图像上的特征点；

S3：分别在两幅原始图像上特征点周围建立三个尺度不变的中心圆形区域，对特征点进行描述形成两幅原始图像各自的特征点描述符；

S4：采用局部投影映射LPP方法降低特征点描述符的维数，用于提高算法运算效率；

S5：对降维后的两幅原始图像各自的特征点描述符进行匹配，在两幅图像中选择精确的匹配点对。

2.根据权利要求1所述的一种鲁棒的模糊图像匹配方法，其特征在于步骤S3中所述对特征点进行描述为指定描述符的方向性信息。

3.根据权利要求2所述的一种鲁棒的模糊图像匹配方法，其特征在于所述指定描述符的方向性信息包括：

对每个特征点使用4×4共16个种子点来描述，将每个种子点所在区域的梯度直方图在0°-360°之间划分8个方向区间，利用高斯窗口对其进行加权运算，产生128维的特征向量；

定义由三个尺度不变的中心区域描述的特征点描述符LSIFT表示为：

PD＝α₁L₁+α₂L₂+α₃L₃

其中L_i(i＝1,2,3)是128维SIFT描述符，PD是加权后的128维描述符，α₁,α₂,α₃是预设的加权系数。

4.根据权利要求1所述的一种鲁棒的模糊图像匹配方法，其特征在于步骤S4中所述的应用局部投影映射LPP方法降低特征点描述符维数，包括：

a.定义由三个尺度不变的中心区域描述的特征点描述符LSIFT为(x₁,x₂,…x_m),x_i表示其中一幅图像的特征点描述符LSIFT；y_i＝w^Tx_i表示转换向量w的一维描述，定义相似性矩阵S(s_ij＝s_ji)：

b.选择一个合适的投影即为最小化目标函数f的求解:

其中，D是对角矩阵D_ii＝∑_jS_ij，L＝D-S是拉普拉斯矩阵。存在以下约束：

Y^TDY＝w^TXDX^Tw＝1

c.最小化目标函数f的求解问题可以被简化为：

w^TXDX^Tw＝1

d.可以转换为广义特征值问题：

XLX^Tw＝λXDX^T w

其中，XLX^T,XDX^T都是对称、半正定矩阵；

e.令w是广义特征值λ的列向量，投影矩阵W_LPP＝(w₀,w₁,…w_l-1)，PD的每个向量w_i(i＝0,1,…,l-1)都有128个维度，则投影矩阵将128维的描述符向量降低到了l维，因此128维描述符被转化为：

TPD＝PD·W_LPP

其中，TPD是一个l维的局部描述符，l＜＜128。

5.根据权利要求1所述的一种鲁棒的模糊图像匹配方法，其特征在于步骤S5中所述的描述符匹配包括：

计算两个描述符TPD_i,TPD_j之间的欧式距离，采用最近邻比次近邻算法得到精确的匹配点对：

D_最近邻/D_次近邻＜T

其中，D_最近邻和D_次近邻分别表示以当前像素点为原点时的最近邻距离和次近邻距离，T表示匹配所用的阈值，当前像素点即为匹配点对。

6.根据权利要求5所述的一种鲁棒的模糊图像匹配方法，其特征在于步骤S5中所述的D_最近邻和D_次近邻按照如下公式计算：

其中，TPD_i表示降维后任意特征点i的描述符，TPD_j表示降维后特征点j的描述符，TPD_i,m表示特征点i描述符的第m维向量，TPD_j,m表示特征点j描述符的第m维向量，l表示降维后的维数。

Images