CN112669360B - 一种基于非封闭多维轮廓特征序列的多源图像配准方法 - Google Patents

Abstract

本发明提供了一种基于非封闭多维轮廓特征序列的多源图像配准方法。该方法对多源图像进行降噪处理，通过Sobel算子对降噪后的图像进行边缘提取得到初步轮廓曲线，再通过腐蚀和膨胀运算尽可能修补提取的轮廓曲线可以得到非封闭的曲线。然后利用本发明提出的搜寻边缘曲线凹凸点的方法估计出非封闭曲线上的凹凸点，利用折线段拟合的方法对多源图像边缘曲线不变性特征进行描述，再以光学图像为参考对红外图像进行初始配准，最后利用迭代寻优的方法搜索出最优的变换模型参数，实现多源图像配准。通过实测数据验证了该方法可以使图像特征缺乏、图像质量不高的多源图像达到像素级配准精度，并且提高了图像信息的利用率。

Description

一种基于非封闭多维轮廓特征序列的多源图像配准方法

技术领域

本发明属于多源图像配准技术领域，尤其涉及一种基于非封闭多维轮廓特征序列的多源图像配准方法。

背景技术

实际中，由于拍摄环境不同、成像机理迥异、成像平台的运动和机械抖动等因素造成多源图像无法获得足够数量的点特征或者完整的轮廓特征，因此传统的方法很难对这类图像进行配准融合。通过对大量的红外和可见光图像配准实验结果以及多源图像场景特性的分析可以得出：红外图像和可见光图像中地物目标的细节有时差异很大，而且红外图像由于其成像原理和分辨率的影响，红外图像中的地物目标一般都比较模糊。但是这两类图像的地物目标的边缘特性在大尺度上大***置是一致的，虽然有些的地物目标的表面边界在多源图像(红外、SAR)中很模糊，无法提取，但是只要有足够的边缘几何特征就可以利用边缘几何特性实现多源图像的配准，使得两幅图像中同一地物目标在同一坐标系下对齐。

传统的基于边缘特征的多源图像配准方法中最常用的方法是基于轮廓特征的方法。这种方法基本思想是首先对图像进行轮廓提取，然后寻找待配准图像和参考图像中的封闭轮廓，再对封闭轮廓进行多边形拟合，最后根据拟合多边形寻找待配准图像和参考图像的匹配关系实现图像配准。但是在现实中红外图像和可见光图像表现出来的无论是灰度特性、还是景象细节特征差异都非常明显，很难达到光学图像和红外图像中同一场景物体的轮廓是完整封闭的。另外，一般情况下光学图像中包含场景会大一些，红外图像会小一点，所以同一物体的轮廓在光学图像中可能是完整封闭的，但在红外图像中受到拍摄环境、镜头视角、清晰度等因素的影响经常是非封闭的或者只是完整轮廓其中的一部分，针对这类问题传统的基于完整轮廓特征的方法就不能实现多源影像数据配准。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于非封闭多维轮廓特征序列的多源图像配准方法。本发明要解决的技术问题通过以下技术方案实现：

本发明提供的一种基于非封闭多维轮廓特征序列的多源图像配准方法包括：

S1：获取多源图像，所述多源图像包括光学图像和红外图像；

S2：用小波降噪对所述多源图像进行降噪处理，得到降噪处理后的降噪图像；

S3：对所述降噪图像进行边缘曲线特征提取，得到边缘轮廓曲线；

S4：使用改进的凹凸点估计方法对所述边缘轮廓曲线进行凹凸点估计，获得所述边缘轮廓曲线上的凹凸点；

S5：将所述曲线上的凹凸点沿曲线依次连接得到多个折线段；

S6：利用折线段拟合的方法对光学图像中的每个折线段与红外图像中的每个折线段进行拟合，得到光学图像的折线段依次连接的第一组合线段和红外图像的折线段依次连接的第二组合线段；

S7：将所述第一组合线段组成光学图像的第一边缘曲线特征序列集合以及将所述第二组合线段组成红外图像的第二边缘曲线特征序列集合；

S8：基于所述第一边缘曲线特征序列集合以及第二边缘曲线特征序列集合，将红外图像与光学图像进行初始配准，得到初始配准后的图像以及表示配准红外图像与光学图像时的初始对应关系的初始变换矩阵；

S9：利用迭代寻优的方法遍历搜索所述初始配准后的图像，确定不符合像素值精度阈值的像素点，确定该像素点在所述初始变换矩阵中的参数，对该参数进行调整，直至该像素点符合像素值精度阈值，获得最优变换矩阵；

S10：利用最优变换矩阵，将红外图像与光学图像进行配准。

可选的，所述S2的步骤包括：

S21：对多源图像进行小波变换，获得小波变换后的多源图像；

S22：基于信号和噪声的不同性态，确定所述小波变换后的多源图像中的信号以及噪声；

S23：基于多源图像中的信号以及噪声重构多源图像，得到降噪后的多源图像。

可选的，在所述S3的步骤包括：

S31：使用目标过滤器，将降噪后的多源图像的前景与背景进行区分；

S32：使用Sobel算子对降噪后的多源图像进行边缘提取；

S33：对提取边缘后的图像通过腐蚀运算和膨胀运算，得到边缘曲线特征；

S34：将边缘曲线特征相连，形成边缘特征曲线。

可选的，所述S4的步骤包括：

S41：采用方向判定和二阶导数相结合的方法，估计出边缘轮廓曲线上的凹凸点；

S42：统计每条轮廓曲线上的凹凸点的数量；

S43：针对每条边缘轮廓曲线，当该边缘轮廓曲线上的凹凸点的数量少于预设的数量阈值时，则剔除该边缘轮廓曲线，当该边缘轮廓曲线上的凹凸点的数量不少于预设的数量阈值时，则保留该边缘轮廓曲线；

S44：遍历每条保留的边缘轮廓曲线，当该边缘轮廓曲线上超过预定次数在预设范围内凹凸点，则该边缘轮廓曲线存在锯齿段；

S45：将存在误差的锯齿段极值点的均值作为新的凹凸点。

可选的，所述S6的步骤包括：

S61：设定阈值K；

S62：针对光学图像以及红外图像，分别将光学图像以及红外图像的多个折线段每一段弧的每一点作对应弦的垂线，找出垂线段最长对应的弧上的点，记录下垂线段的长度和弧上对应点的位置；

S63：如果垂线段超过设定的阈值K，将该折线段对应的点作为折线段的一个顶点；

S64，依次连接折线段上确定的所有点，得到第一组合线段以及第二组合线段。

可选的，所述S7的步骤包括：

将第一组合线段的每一邻边比值和每一邻边夹角进行计算和统计，组成第一边缘曲线特征序列集合，将第二组合线段的每一邻边比值和每一邻边夹角进行计算和统计，组成第二边缘曲线特征序列集合。

可选的，所述S9的步骤包括：

S81：用迭代寻优的方法遍历搜索所述初始配准后的图像，确定不符合像素值精度阈值的像素点，确定该像素点在所述初始变换矩阵中的参数；

S82：将初始变换矩阵在变换过程中的旋转角度和位置平移量作为初始参数；

S83：确定该像素点在所述初始变换矩阵中的参数根据像素值精度阈值选择合适的步长量，在包含初始参数的区间角度范围和平移范围内对所述不符合像素值精度阈值的像素点对应的参数进行变化，获取变换后的多个待变换矩阵；

S84：基于每个待变换矩阵，基于该待变换矩阵对光学图像以及红外图像进行配准，得到配准后的图像；

S85：当配准后的图像中拟合折线段顶点和参考图像中对应折线段顶点的均方根误差小于预设的均方根误差时，则该待变换矩阵确定为最优变换矩阵。

本发明公开了一种基于非封闭多维轮廓特征序列的多源图像配准方法。该方法对多源图像进行降噪处理，通过Sobel算子对降噪后的图像进行边缘提取得到初步轮廓曲线，再通过腐蚀和膨胀运算尽可能修补提取的轮廓曲线可以得到非封闭的曲线。然后利用本发明提出的搜寻边缘曲线凹凸点的方法估计出非封闭曲线上的凹凸点，利用折线段拟合的方法对多源图像边缘曲线不变性特征进行描述，再以光学图像为参考对红外图像进行初始配准，最后利用迭代寻优的方法搜索出最优的变换模型参数，实现多源图像配准。因此，该方法可以使图像特征缺乏、图像质量不高的多源图像达到像素级配准精度，并且提高了图像信息的利用率。

以下将结合附图及实施例对本发明做进一步详细说明。

附图说明

图1是本发明实施例提供的一种基于非封闭多维轮廓特征序列的多源图像配准方法的流程图；

图2a是某街道的光学图像；

图2b是某街道的红外图像；

图2c是的图2b中局部放大的光学图像；

图3a是对图2a进行降噪后的光学图像；

图3b是对图2b进行降噪后的红外图像；

图3c是对图2c进行降噪后的图像；

图4a是某街道图像轮廓提取的光学图像；

图4b是某街道图像轮廓提取的红外图像；

图5a是对配准图像初步配准的结果图；

图5b是对叠加显示初步配准的结果图；

图5c是对叠加图像放大图初步配准的结果图；

图6a为搜寻边缘曲线极值点过程的连续的边缘曲线图；

图6b为存在锯齿误差的曲线图；

图7a为原始曲线图像；

图7b为拟合程度判定图；

图7c为折线段拟合结果图；

图8a为原始折线段图；

图8b为旋转放大后的折线段图；

图9a是对配准图像优化配准的结果图；

图9b是对叠加显示优化配准的结果图；

图9c是对叠加图像放大图优化配准的结果图。

具体实施方式

下面结合具体实施例对本发明做进一步详细的描述，但本发明的实施方式不限于此。

实施例一

如图1所示，本发明实施例提供的一种基于非封闭多维轮廓特征序列的多源图像配准方法，包括：

S1：获取多源图像，

其中，所述多源图像包括光学图像和红外图像，光学和红外图像可以选取的是公路上的汽车。

参考图2a至图2c，图2a为某街道光学图像、图2b为某街道红外图像；图2c为局部放大的图像，光学图像大小为1920×1080像素，红外图像大小为640×480像素。

S2：用小波降噪对多源图像进行降噪处理，得到降噪处理后的降噪图像；

S3：对降噪图像进行边缘曲线特征提取，得到边缘轮廓曲线；

S4：使用改进的凹凸点估计方法对所述边缘轮廓曲线进行凹凸点估计，获得所述边缘轮廓曲线上的凹凸点；

S5：将曲线上的凹凸点沿曲线依次连接得到多个折线段；

S6：利用折线段拟合的方法对光学图像中的每个折线段与红外图像中的每个折线段进行拟合，得到光学图像的折线段依次连接的第一组合线段和红外图像的折线段依次连接的第二组合线段；

S7：将第一组合线段组成光学图像的第一边缘曲线特征序列集合以及将第二组合线段组成红外图像的第二边缘曲线特征序列集合；

S8：基于第一边缘曲线特征序列集合以及第二边缘曲线特征序列集合，将红外图像与光学图像进行初始配准，得到初始配准后的图像以及表示配准红外图像与光学图像时的初始对应关系的初始变换矩阵；

S9：利用迭代寻优的方法遍历搜索所述初始配准后的图像，确定不符合像素值精度阈值的像素点，确定该像素点在初始变换矩阵中的参数，对该参数进行调整，直至该像素点符合像素值精度阈值，获得最优变换矩阵；

S10：利用最优变换矩阵，将红外图像与光学图像进行配准。

本发明公开了一种基于非封闭多维轮廓特征序列的多源图像配准方法。该方法对多源图像进行降噪处理，通过Sobel算子对降噪后的图像进行边缘提取得到初步轮廓曲线，再通过腐蚀和膨胀运算尽可能修补提取的轮廓曲线可以得到非封闭的曲线。然后利用本发明提出的搜寻边缘曲线凹凸点的方法估计出非封闭曲线上的凹凸点，利用折线段拟合的方法对多源图像边缘曲线不变性特征进行描述，再以光学图像为参考对红外图像进行初始配准，最后利用迭代寻优的方法搜索出最优的变换模型参数，实现多源图像配准。因此该方法可以使图像特征缺乏、图像质量不高的多源图像达到像素级配准精度，并且提高了图像信息的利用率。

实施例二

作为本发明可选的一种实施例，所述S2的步骤包括：

S21：对多源图像进行小波变换，获得小波变换后的多源图像；

S22：基于信号和噪声的不同性态，确定所述小波变换后的多源图像中的信号以及噪声；

S23：基于多源图像中的信号以及噪声重构多源图像，得到降噪后的多源图像。

参考图3a-图3b，图3a为图2a小波变换降噪后的图像，图3b为图2b小波变换降噪后的图像，图3c为图2b小波变换降噪后的图像。图3b和图3c对比可以看出明显的使红外图像的细节增强，边缘纹理细节更加明显能够提取出更好的边缘曲线特征。基于小波变换的去噪算法通常包括三个步骤：第一步是对多源影像数据进行小波变换；第二步是通过利用信号和噪声的不同性态把噪声从数据信息中区分开来；第三步是利用算法重构图像数据信息。

实施例三

作为本发明可选的一种实施例，在所述S3的步骤包括：

S31：使用目标过滤器，将降噪后的多源图像的前景与背景进行区分；

S32：使用Sobel算子对降噪后的多源图像进行边缘提取；

S33：对提取边缘后的图像通过腐蚀运算和膨胀运算，得到边缘曲线特征；

S34：将边缘曲线特征相连，形成边缘特征曲线。

可以理解，由于当且仅当局部搜索窗口沿着地物目标的表面边缘曲线移动时灰度值基本不变，沿着其它任意方向移动时，图像灰度均发生明显改变,因此这就可以通过局部搜索窗口检测出图像中物体的边缘轮廓。设计的目标过滤器如下所示：

式中，M为目标过滤器的阈值，g(x,y)为图像的灰度值。

当灰度值大于M时，将其灰度值记为255，当灰度值小于M时，将其灰度值记为0。先通过目标过滤器,将输入图像的前景与背景区分开来,并去除不感兴趣的背景区域。通过Sobel算子对降噪后的图像进行边缘提取，该算子包含两组3x3的矩阵，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分近似值。如果以A代表原始图像，Gx及Gy分别代表经横向及纵向边缘检测的图像，其公式如下：

and

图像的每一个像素的横向及纵向梯度近似值可用以下的公式结合，来计算梯度的大小。

然后可用以下公式计算梯度方向。

在以上例子中，如果以上的角度θ等于零，即代表图像该处拥有纵向边缘，左方较右方暗。

对提取边缘后的图像通过腐蚀运算AΘB＝{(p+b)∈A,b∈B}和膨胀运算

(其中A为输入二值图像，B为结构元素)尽可能得到完整连续的边缘曲线特征。

参考图4a以及图4b，图4a为图3a图像轮廓特征提取的光学图像，图4b为图3b图像轮廓特征提取的红外图像。对图4a以及图4b中的图像轮廓特征进行筛选，利用膨胀腐蚀算法对轮廓曲线进行修补，然后剔除掉太短的轮廓曲线，再精确地估计出曲线特征上的凹凸点，进行折线段拟合，进行初步的配准，配准结果图像如图5a所示，叠加图像如图5b所示，放大图像如图5c所示，由放大图像5c可以看出虽然光学和红外图像初步配准了，但是在图像中，道路、桥梁等存在一定错位和虚影，存在着较大的误差。

实施例四

作为本发明可选的一种实施例，所述S4的步骤包括：

S41：采用方向判定和二阶导数相结合的方法，估计出边缘轮廓曲线上的凹凸点；

S42：统计每条轮廓曲线上的凹凸点的数量；

S43：针对每条边缘轮廓曲线，当该边缘轮廓曲线上的凹凸点的数量少于预设的数量阈值时，则剔除该边缘轮廓曲线，当该边缘轮廓曲线上的凹凸点的数量不少于预设的数量阈值时，则保留该边缘轮廓曲线；

S44：遍历每条保留的边缘轮廓曲线，当该边缘轮廓曲线上超过预定次数在预设范围内凹凸点，则该边缘轮廓曲线存在锯齿段；

S45：将存在误差的锯齿段极值点的均值作为新的凹凸点。

可以理解，采用方向判定和二阶导数相结合的方法先初步估计出边缘曲线上的凹凸点。以导数定义法定义：如果函数y＝f(x)的导数f′(x)在x处可导则称y′的导数为函数y＝f(x)在点x处的二阶导数记为y″，f″(x)，

以极限定义法定义：函数f(x)在x₀处的二阶导数f″(x₀)是导函数y＝f′(x)在x₀处的导数，即

据曲线的凹凸性，f″(x₀)＞0时,曲线在x₀点上凸；f″(x₀)＜0时,曲线在x₀点下凹，统计每条曲线上凹凸点的数量，如果数量少于3个，则剔除掉该条曲线，如果数量大于3个，则保留该曲线；遍历整条曲线，设定一定的范围(一般取图片像素大小2％的范围)，如果在某个范围内多次出现凹凸点，就判定该范围内边缘曲线存在锯齿，参考图6b。取存在误差的锯齿段极值点的均值作为新的凹凸点。

如图6a至图6b所示，图6a为搜寻边缘曲线极值点过程的连续的边缘曲线图，图6b为存在锯齿误差的曲线图，在图6a以及图6b中右边的曲线相较于左边进行了旋转和放大变换，另外E点附近由于成像机理或拍摄环境的影响提取的边缘曲线出现了锯齿，利用改进的方法进行凹凸点估计，由图可以看出其位置基本一致，满足旋转放大不变性，可以作为图像配准的不变性特征，另外还具有一定的稳健性和抗干扰能力。

实施例五

作为本发明可选的一种实施例，所述S6的步骤包括：

S61：设定阈值K；

S62：针对光学图像以及红外图像，分别将光学图像以及红外图像的多个折线段每一段弧的每一点作对应弦的垂线，找出垂线段最长对应的弧上的点，记录下垂线段的长度和弧上对应点的位置；

S63：如果垂线段超过设定的阈值K，将该折线段对应的点作为折线段的一个顶点；

S64，依次连接折线段上确定的所有点，得到第一组合线段以及第二组合线段。

参考图3a，将曲线上估计出的凹凸点沿着曲线依次连接对应图3a，K是根据经验选择的经验值，过每段弧上每一点作对应弦的的垂线，找出垂线段最长对应的弧上的点，记录下垂线段的长度和弧上对应点的位置K_i(i＝1,2,3，...)对应图7b；如果垂线段K_i超过设定的阈值K，就将曲线上对应的点作为折线段的一个顶点；最后依次连接曲线上确定的所有点，完成折线段拟合对应图3c。

实施例六

作为本发明可选的一种实施例，所述S7的步骤包括：

将第一组合线段的每一邻边比值和每一邻边夹角进行计算和统计，组成第一边缘曲线特征序列集合，将第二组合线段的每一邻边比值和每一邻边夹角进行计算和统计，组成第二边缘曲线特征序列集合。

如图7a-图7c所示，将一个折线段的每一邻边比值和每一邻边夹角进行计算和统计，建立特征描述序列，按此方法对所有拟合的折线段建立特征描述序列。利用特征描述序列建立初始匹配关系(变换矩阵)，实现多源图像初始配准。变换矩阵及其参数如下：

k_x表示沿x轴方向红外图像变换到光学图像的变换比例，k_y表示沿y轴方向红外图像变换到光学图像的变换比例；θ代表红外图像变换到光学图像的旋转角度；s_x，s_y为分别沿x、y轴红外图像变换到光学图像的平移的像素点数，然而初始存在较大误差如图5c，针对配准参数进行了以下优化改进。

实施例七

作为本发明可选的一种实施例，所述S9的步骤包括：

S81：用迭代寻优的方法遍历搜索所述初始配准后的图像，确定不符合像素值精度阈值的像素点，确定该像素点在所述初始变换矩阵中的参数；

S82：将初始变换矩阵在变换过程中的旋转角度和位置平移量作为初始参数；

S83：确定该像素点在所述初始变换矩阵中的参数根据像素值精度阈值选择合适的步长量，在包含初始参数的区间角度范围和平移范围内对所述不符合像素值精度阈值的像素点对应的参数进行变化，获取变换后的多个待变换矩阵；

S84：基于每个待变换矩阵，基于该待变换矩阵对光学图像以及红外图像进行配准，得到配准后的图像；

S85：当配准后的图像中拟合折线段顶点和参考图像中对应折线段顶点的均方根误差小于预设的均方根误差时，则该待变换矩阵确定为最优变换矩阵。

折线段特征描述如图8a-图8b所示，图8b相较于图8a进行了放大和旋转，由图可以看出在旋转和放大的过程中邻边线段长度的比值没有发生变化，即

相邻线段的夹角也没有发生变换，即θ＝θ₁。由此可以得出邻边比值和夹角具有旋转放大不变性，因此可以用来作为特征因子的描述。

为了更加精确的分析和评估基于非闭合轮廓的图像配准方法的配准精度，任意选取10组红外图像中的一些边缘曲线拟合的折线段的顶点，使用几何变换参数模型对这些点进行变换，计算他们这些点和光学图像中对应点的均方根误差(RMSE)，其结果如表1所示。

表1配准精度评价表

参考图9a至9c，将红外图像与光学图像进行配准结果如图9a至9c所示，图9a至图9c依次为配准图像、叠加显示、叠加图像放大图三张优化后的结果图。由图5c和9c对比可以看出，5c中叠加显示结果出现错位，如斜支撑杆的错位现象，9c叠加显示结果没有出现虚影和区域错位的情况，车辆、道路、树木等基本对齐，图像配准取得了良好的效果。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

尽管在此结合各实施例对本申请进行了描述，然而，在实施所要求保护的本申请过程中，本领域技术人员通过查看所述附图、公开内容、以及所附权利要求书，可理解并实现所述公开实施例的其他变化。在权利要求中，“包括”(comprising)一词不排除其他组成部分或步骤，“一”或“一个”不排除多个的情况。单个处理器或其他单元可以实现权利要求中列举的若干项功能。相互不同的从属权利要求中记载了某些措施，但这并不表示这些措施不能组合起来产生良好的效果。

以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (6)

1.一种基于非封闭多维轮廓特征序列的多源图像配准方法，其特征在于，所述多源图像配准方法包括：

S1：获取多源图像，所述多源图像包括光学图像和红外图像；

S2：用小波降噪对所述多源图像进行降噪处理，得到降噪处理后的降噪图像；

S3：对所述降噪图像进行边缘曲线特征提取，得到边缘轮廓曲线；

S4：使用改进的凹凸点估计方法对所述边缘轮廓曲线进行凹凸点估计，获得所述边缘轮廓曲线上的凹凸点；

S5：将所述曲线上的凹凸点沿曲线依次连接得到多个折线段；

S6：利用折线段拟合的方法对光学图像中的每个折线段与红外图像中的每个折线段进行拟合，得到光学图像的折线段依次连接的第一组合线段和红外图像的折线段依次连接的第二组合线段；

S7：将所述第一组合线段组成光学图像的第一边缘曲线特征序列集合以及将所述第二组合线段组成红外图像的第二边缘曲线特征序列集合；

S8：基于所述第一边缘曲线特征序列集合以及第二边缘曲线特征序列集合，将红外图像与光学图像进行初始配准，得到初始配准后的图像以及表示配准红外图像与光学图像时的初始对应关系的初始变换矩阵；

S9：利用迭代寻优的方法遍历搜索所述初始配准后的图像，确定不符合像素值精度阈值的像素点，确定该像素点在所述初始变换矩阵中的参数，对该参数进行调整，直至该像素点符合像素值精度阈值，获得最优变换矩阵；

S10：利用最优变换矩阵，将红外图像与光学图像进行配准；

所述S4的步骤包括：

S41：采用方向判定和二阶导数相结合的方法，估计出边缘轮廓曲线上的凹凸点；

S42：统计每条轮廓曲线上的凹凸点的数量；

S43：针对每条边缘轮廓曲线，当该边缘轮廓曲线上的凹凸点的数量少于预设的数量阈值时，则剔除该边缘轮廓曲线，当该边缘轮廓曲线上的凹凸点的数量不少于预设的数量阈值时，则保留该边缘轮廓曲线；

S44：遍历每条保留的边缘轮廓曲线，当该边缘轮廓曲线上超过预定次数在预设范围内凹凸点，则该边缘轮廓曲线存在锯齿段；

S45：将存在误差的锯齿段极值点的均值作为新的凹凸点。

2.根据权利要求1所述的多源图像配准方法，其特征在于，所述S2的步骤包括：

S21：对多源图像进行小波变换，获得小波变换后的多源图像；

S22：基于信号和噪声的不同性态，确定所述小波变换后的多源图像中的信号以及噪声；

S23：基于多源图像中的信号以及噪声重构多源图像，得到降噪后的多源图像。

3.根据权利要求1所述的多源图像配准方法，其特征在于，所述S3的步骤包括：

S31：使用目标过滤器，将降噪后的多源图像的前景与背景进行区分；

S32：使用Sobel算子对降噪后的多源图像进行边缘提取；

S33：对提取边缘后的图像通过腐蚀运算和膨胀运算，得到边缘曲线特征；

S34：将边缘曲线特征相连，形成边缘特征曲线。

4.根据权利要求1所述的多源图像配准方法，其特征在于，所述S6的步骤包括：

S61：设定阈值K；

S62：针对光学图像以及红外图像，分别将光学图像以及红外图像的多个折线段每一段弧的每一点作对应弦的垂线，找出垂线段最长对应的弧上的点，记录下垂线段的长度和弧上对应点的位置；

S63：如果垂线段超过设定的阈值K，将该折线段对应的点作为折线段的一个顶点；

S64，依次连接折线段上确定的所有点，得到第一组合线段以及第二组合线段。

5.根据权利要求1所述的多源图像配准方法，其特征在于，所述S7的步骤包括：

将第一组合线段的每一邻边比值和每一邻边夹角进行计算和统计，组成第一边缘曲线特征序列集合，将第二组合线段的每一邻边比值和每一邻边夹角进行计算和统计，组成第二边缘曲线特征序列集合。

6.根据权利要求1所述的多源图像配准方法，其特征在于，所述S9的步骤包括：

S81：用迭代寻优的方法遍历搜索所述初始配准后的图像，确定不符合像素值精度阈值的像素点，确定该像素点在所述初始变换矩阵中的参数；

S82：将初始变换矩阵在变换过程中的旋转角度和位置平移量作为初始参数；

S83：确定该像素点在所述初始变换矩阵中的参数根据像素值精度阈值选择合适的步长量，在包含初始参数的区间角度范围和平移范围内对所述不符合像素值精度阈值的像素点对应的参数进行变化，获取变换后的多个待变换矩阵；

S84：基于每个待变换矩阵，基于该待变换矩阵对光学图像以及红外图像进行配准，得到配准后的图像；

S85：当配准后的图像中拟合折线段顶点和参考图像中对应折线段顶点的均方根误差小于预设的均方根误差时，则该待变换矩阵确定为最优变换矩阵。

Images