基于SURF特征和哈希感知算法的FPC图像自动配准方法与流程

本发明涉及机器视觉和图像处理技术，具体涉及一种基于surf特征和哈希感知算法的fpc图像自动配准方法。

背景技术：

图像配准是指对不同时间从不同传感器所获得的两幅或多幅图像实施最佳匹配的处理过程。图像配准过程中，通常指定一幅图像为参考图像，另一幅图像为待配准图像，配准的目的是通过某种几何变换使待配准图像与参考图像的坐标达到一致。

依据图像配准中利用的图像信息区别可以把现有的图像配准方法归纳为基于灰度信息法、变换域法和基于特征法三类。基于灰度信息的配准方法的基本思想是：利用待配准图像和参考图像的对应点及其周围区域的灰度特征具有相似性这一原则，构造某种相似性度量函数，然后计算使相似性度量函数最大的几何变换参数，从而确定图像的几何变换关系，完成配准。这类配准方法实现简单，但应用范围较窄，不能直接用于校正图像的非线性形变，在最优变换的搜索过程中往往需要巨大的运算量。基于灰度信息的方法主要包括：互相关法、序贯相似检测法等。基于变换域的配准方法通常是以傅里叶变换为基础，进行频域内的配准。该配准方法主要包括：相位相关法，walshtransform变换等。基于特征的配准方法是以图像中区域、线和点等显著特征作为配准的基本元素，通过寻找特征之间的对应关系来实现配准的。该方法主要包括特征检测和特征匹配部分。首先分别提取参考图像和待配准图像中的显著特征构成特征集；其次将参考图像和待配准图像相对应的特征利用特征匹配算法进行匹配，生成对应关系；最后，利用插值等方法处理非特征像素点，从而实现图像间所有像素的配准。该配准方法在减少计算量、提高效率的同时，能够对图像灰度的变化有一定的鲁棒性。根据选取的特征信息的不同，可把基于特征的图像配准方法划分为基于特征点、基于特征区域和基于特征边缘的匹配三类；主要包括harris角点算法、sift算法、surf算法等。文献【董志劼，基于图像特征的fpc机器视觉检查关键技术研究】公开了一种基于改进surf的fpc图像配准算法，虽然相对于surf算法提高了特征点匹配的准确率，但准确率仍比较低，摆脱不了fpc中存在相类似纹理结构导致surf特征点匹配准确率较低的情况。文献【陈暑生，基于aoi的fpc缺陷检测系统中关键图像处理技术研究】公开了一种基于显著性的快速图像配准方法，该配准方法为后续的图片拼接缩短了近一倍时间，但该方法中用到了surf算法，也存在上述不可避免的致命缺陷。

综上所述，现有方法都是面向特定范围的应用领域，也具有各自的特点和应用场景，其中fpc图像配准场景下，重复类似的纹理结构会大大降低surf特征点匹配的准确率。

技术实现要素：

本发明的目的在于提供一种基于surf特征和哈希感知算法的fpc图像自动配准方法，针对重复类似纹理结构的fpc图像中surf特征点匹配准确率较低的情况，采用哈希感知算法检测匹配特征点周围区域图像的相似度，对匹配surf特征点进行快速校验，提高了surf特征点匹配准确率，并以匹配的特征点生成透视变换矩阵，完成fpc图像的配准。

实现本发明目的的技术方案为：一种基于surf特征和哈希感知算法的fpc图像自动配准方法，包括以下步骤：

步骤1，选取参考的模板图像，在模板图像中选定需要配准的roi区域；

步骤2，在roi区域内选定四个矩形区域r1、r2、r3、r4，并获取矩形区域中图像的surf特征点，其中surf算法中的hessian阈值设定为h。

步骤3，对r1矩形框图像的surf特征点和待配准图像的surf特征点进行匹配获取多对匹配点；

步骤4，依据r1中匹配点r1和待配准图像中匹配点n1的坐标信息获取r1对应的矩形框区域n1，并利用哈希感知算法比对r1和n1矩形框图像的相似度，设置相似度阈值s，直到找到相似度满足阈值要求的n1以及此时的匹配点r1和n1；

步骤5，对矩形区域r2，r3，r4重复步骤3和步骤4，找到匹配的surf特征点r2、r3、r4和n2、n3、n4；

步骤6，利用匹配的特征点r1、r2、r3、r4和n1、n2、n3、n4生成透视变换矩阵，对待配准图像进行透视变换实现自动配准。

与现有技术相比，本发明的显著效果为：本发明利用感知哈希算法对匹配的surf特征点进行校验，大大提高了surf特征点的匹配准确率，同时利用匹配的特征点建立透视变换矩阵，利用透视变换完成图像的配准并取得了较好的效果。

附图说明

图1为本发明基于surf特征和哈希感知算法的fpc图像自动配准方法流程图。

图2(a)和图2(b)分别为哈希感知算法校验前后的surf特征点匹配图。

具体实施方式

结合图1，一种基于surf特征和哈希感知算法的fpc图像配准方法，包括以下流程：

步骤1，选取参考的模板图像，在模板图像中选定需要配准的roi区域。

步骤2，在roi区域内选定四个矩形区域r1，r2，r3，r4，并获取矩形区域中图像的surf特征点，其中surf算法中的hessian阈值设定为h。

步骤3，对r1矩形框图像的surf特征点和待配准图像的surf特征点进行匹配获取多对匹配点，具体的匹配方法可以使用暴力匹配(bruceforcematcher)或快速最近邻逼近搜索函数库(fastlibraryforapproximatenearestneighbors，flann)。

步骤4，依据r1中匹配点r1和待配准图像中匹配点n1的坐标信息获取r1对应的矩形框区域n1，并利用哈希感知算法比对r1和n1矩形框图像的相似度，设置相似度阈值s，直到找到相似度满足阈值要求的n1以及此时的匹配点r1和n1。

步骤5，对矩形区域r2，r3，r4重复步骤3和步骤4，找到匹配的surf特征点r2，r3，r4和n2，n3，n4。

步骤6，最后利用匹配的特征点r1，r2，r3，r4和n1，n2，n3，n4生成透视变换矩阵，对待配准图像进行透视变换实现自动配准。

进一步的，所述步骤2中选定四个矩形区域尽可能的位于roi的左上、右上、左下和右下四个区域，使得四个矩形区域离散分布于roi中。

进一步的，所述步骤2和步骤3中surf算法、暴力匹配和flann采用opencv实现。

进一步的，所述步骤4中匹配的surf特征点r1和n1根据实际情况优先选取特征向量距离更近的surf特征点。

下面对本发明技术方案进行详细说明，但是本发明的保护范围不局限于所述实施例。

实施例

一种基于surf特征和哈希感知算法的柔性电路板(flexibleprintedcircuit，fpc)图像配准方法，首先选定模板图像和roi区域，在roi区域内选取四个矩形区域，利用暴力匹配或flann实现矩形区域和待配准图像surf特征点的匹配，利用感知哈希算法对匹配的特征点周围矩形区域进行相似度校验，找到四对匹配的特征点生成透视变换矩阵，对待配准图像进行透视变换完成配准，具体流程如下：

步骤1：选取参考的模板图像，在模板图像中选定需要配准的roi区域。

步骤2：在roi区域内选定位于左上、右上、左下和右下四个区域的四个矩形区域r1，r2，r3，r4，并获取矩形区域中图像的surf特征点，其中surf算法中的hessian阈值设定为h＝50。

步骤3：对r1矩形框图像的surf特征点和待配准图像的surf特征点进行匹配获取多对匹配点，并对匹配点之间特征向量的距离进行排序，具体的匹配方法使用flann。

步骤4：依据r1中匹配点r1和待配准图像中匹配点n1的坐标信息获取r1对应的矩形框区域n1，并利用哈希感知算法比对r1和n1矩形框图像的相似度，设置相似度阈值s＝6，直到找到相似度满足阈值要求的n1以及此时的匹配点r1和n1。

步骤5：对矩形区域r2，r3，r4重复步骤3和步骤4，找到匹配的surf特征点r2，r3，r4和n2，n3，n4。

步骤6：最后利用匹配的特征点r1，r2，r3，r4和n1，n2，n3，n4生成透视变换矩阵，对待配准图像进行透视变换实现自动配准。

本实例配准使用的图片大小为1263*1348像素，配准的结果如表1所示，其中surf特征点经过哈希感知算法校验前后匹配情况如图2(a)、图2(b)所示，校验前后匹配的数目和准确率如表2所示。

表1本发明配准精度实验结果

表2哈希感知算法校验前后surf特征点匹配结果对比

可以看出经过感知哈希算法校验之后，虽然大大减少了匹配的surf特征点数目，但是匹配点的准确率由20％左右提升到了95％以上；最后配准的精度也达到了宽度1000个像素平均误差低于2个像素，高度1000个像素平均误差低于1个像素，可见本发明不仅提升surf特征点匹配的准确率，而且在fpc图像配准中具有良好的精度和速度。