一种基于K-Means聚类法的图像仿射变换控制点选取方法
【技术领域】
[0001] 本发明涉及特征点匹配方法，尤其是一种基于K-Means聚类法的图像仿射变换控 制点选取方法。
【背景技术】
[0002] 图像配准是机器视觉领域的一个基本问题，一直是人们研宄的热点和难点。图像 配准是指在来自不同时间、不同视角或不同传感器的同一场景的两幅或多幅图像之间寻找 对应关系。有关图像配准的方法主要分为：基于灰度配准和基于特征配准的方法。
[0003] 基于灰度配准的方法，也称为相关配准方法，用空间二维滑动模板进行图像配准， 不同算法的区别主要体现在相关准则的选择。基于特征点配准方法是首先在原始图像中提 取特征，然后建立两幅图像之间特征点的配准关系，具有较高的鲁棒性，比如SURF算法。目 前，基于SURF算法图像配准已经得到广泛应用，比如应用于医学图像配准，遥感图像配准 等。SURF特征点具有的尺度特性是提取图像中的特征点进行特征点匹配，并将匹配的特征 点对用于计算图像配准变换模型参数，使待配准图像准确地变换到标准图像位置，以达到 配准目的。特征点的匹配是实现图像配准的关键，匹配的精度直接影响着后续配准的精度。 算法中根据SURF特征点描述符中包含的特征点邻域信息，采用K最近邻法可以找出每个特 征点潜在的两个最佳匹配点，并通过匹配点的距离最佳值与次佳值比率优选出最佳匹配点 对。
[0004] 根据前文提出的特征点匹配方法，可以实现待配准图像提取的特征点与标准图像 中得到的基准特征点间的匹配，匹配成功的特征点对都具有很高的精度。但在实际求解过 程中，如何从中选取合适的三个匹配特征点对进行参数计算是实现图像配准则又一个重要 因素，如何有效有效特征点是解决问题的关键难题。
【发明内容】
[0005] 本发明的目的在于提供一种基于K-Means聚类法的图像仿射变换控制点选取方 法，选取最佳的有效特征点，从而获得最佳图像配准。
[0006] 本发明解决其技术问题是采取以下技术方案实现的：
[0007] -种基于K-Means聚类法的图像仿射变换控制点选取方法，其特征在于：利用 SURF特征点检测算法在配准图像中检测图像特征点，并根据实际特征点提取的要求，借助 K-Means聚类算法处理过程，将特征点的筛选分为以下几个步骤进行实现：
[0008] (1)为待聚类的特征点分配相应数量的聚类中心；
[0009] (2)计算每个特征点到聚类中心的距离，并将每个点聚类到离该点最近的聚类 中；
[0010] (3)计算每个聚类中所有点的坐标平均值，并将这个平均值作为新的聚类中心重 复执行步骤（2)和步骤（3)直到聚类中心不再大范围移动或者聚类次数达到要求为止；
[0011] (4)在完成所有特征点的聚类后，从每个特征点聚类中选取一个离图像中心最远 的特征点，构成一个新的特征点集合；
[0012] (5)重新提取的特征点集合中随机选取三个特征点，计算三角形面积，直到最终求 出最大的三角形面积，提取出匹配的特征点；
[0013] (6)将最终求出的特征点对用于仿射变换模型参数的计算，使待配准图像准确地 变换到标准图像位置，以达到配准目的。
[0014] 而且，所述SURF特征点检测算法是通过计算Hessian矩阵行列式的局部极值来确 定特征点的位置，尺度为σ的图像I中点X = (x._v)的Hessian矩阵定义为：
【主权项】
1. 一种基于K-Means聚类法的图像仿射变换控制点选取方法，其特征在于：利用 SURF特征点检测算法在配准图像中检测图像特征点，并根据实际特征点提取的要求，借助 K-Means聚类算法处理过程，将特征点的筛选分为以下几个步骤： (1) 为待聚类的特征点分配相应数量的聚类中心； (2) 计算每个特征点到聚类中心的距离，并将每个点聚类到离该点最近的聚类中； (3) 计算每个聚类中所有点的坐标平均值，并将这个平均值作为新的聚类中心重复执 行步骤（2)和步骤（3)直到聚类中心不再大范围移动或者聚类次数达到要求为止； (4) 在完成所有特征点的聚类后，从每个特征点聚类中选取一个离图像中心最远的特 征点，构成一个新的特征点集合； (5) 重新提取的特征点集合中随机选取三个特征点，计算三角形面积，直到最终求出最 大的三角形面积，提取出匹配的特征点； (6) 将最终求出的特征点对用于仿射变换模型参数的计算，使待配准图像准确地变换 到标准图像位置，以达到配准目的。
2. 根据权利要求1所述的基于K-Means聚类法的特征点提取与图像匹配方法，其特征 在于：所述SURF特征点检测算法是通过计算Hessian矩阵行列式的局部极值来确定特征点 的位置，尺度为〇的图像I中点x= 的Hessian矩阵定义为：
式中，Lxx是高斯二阶导^gOr)同I= (X，y)卷积的结果，其中"+1丨』Lxy，Lyy具有相同的含义。
【专利摘要】本发明涉及一种基于K-Means聚类法的特征点提取与图像匹配方法，借助K-Means聚类算法处理过程(1)为待聚类的特征点分配相应数量的聚类中心；(2)计算每个特征点到聚类中心的距离；(3)计算每个聚类中所有点的坐标平均值，并将这个平均值作为新的聚类中心重复执行步骤(2)和步骤(3)直到达到要求为止；(4)从每个特征点聚类中选取一个离图像中心最远的特征点；(5)提取出匹配的特征点；(6)将最终求出的匹配的特征点用于仿射变换模型参数的计算。本发明实现待配准图像提取的特征点与标准图像中得到的基准特征点间的匹配，选取具有高精度匹配性能的特征点。
【IPC分类】G06T7-00
【公开号】CN104700401
【申请号】CN201510047526
【发明人】胡晓彤, 陈蕴智, 田仁赞, 郭少英, 王旭迎, 程雪
【申请人】天津科技大学
【公开日】2015年6月10日
【申请日】2015年1月30日