] 通过求取极值点邻域内像素的梯度，利用梯度方向的分布特性为每个极值点分配 方向，保证极值点对旋转保持鲁棒性。对于每个极值点的梯度幅值以及方向的求取方法 是：
[0054] 其中m(x, y)表示极值点的幅值，Θ (X，y)表示极值点方向。
[0055] 检测到极值点之后需要对这些关键点进行描述，从而使参考图像中的关键点和浮 动图像中的关键点可以一一匹配。每个关键点不仅包含自身的信息还包括该关键点邻域内 像素的信息。建立关键点邻域的梯度方向直方图来确定关键点的特征向量。本文中用关键 点附近16*16个像素的信息来求取关键点的描述符，每4*4个像素形成一个描述符，因此一 个关键点是一个128维的特征向量。为减少光照变换的影响还需要对描述符进行归一化处 理。
[0056] 提取特征点之后为了实现参考图像和浮动图像的配准，需要建立浮动图像到参考 图像的变换关系。首先需要做的就是将参考图像和浮动图像中的特征点一一匹配起来，根 据匹配的特征点对利用最小均方误差来估计浮动图像到参考图像的仿射变换模型。利用仿 射变换模型对浮动图像进行变换即可得到粗配准图像。
[0057] 特征匹配：在仿射变换模型建立之前需要将参考图像中检测到的特征点和浮动图 像中检测到的特征点进行匹配。一个有效的方法就是比较该关键点最近邻距离与次近距 离。具体地，对于参考图像中的一个关键点，可以在浮动图像中找出离该关键点欧氏距离最 近的关键点，并设其距离是Cl 1，以及离该关键点欧氏距离次近的关键点，并设其距离是d2。 如果山/^的比率小于设定的阈值则认为匹配是正确的，否则就认为不匹配。这里的阈值对 于不同种类的图像是不一样的，可以通过实验来确定。
[0058] 变换模型建立：得到参考图像和浮动图像的匹配点之后，可以利用这些匹配的特 征点集来建立参考图像和浮动图像之间的仿射变换模型。假设得到了 N对特征点对：
[0059] { (Xr, i) yr, i) , (xf, i) Yf1 i) } i = I,2,3-,N (6)
[0060] 其中，（xM, Y1^i)表示参考图像中的特征点，（xfii, yfii)表示浮动图像中的特征点。
[0061] 参考图像和浮动图像之间的仿射变换模型可以表示为：
[0063] 其中，s是缩放因子，α是旋转角度，tJP t及别表示X轴和Y轴方向的平移量。
[0064] 利用最小均方误差（MMSE)来估计仿射变换模型中的参数[8°]:
[0066] 仿射变换参数确定之后便可以利用该仿射变换对浮动图像进行变换并进行双三 次插值，得到粗配准图像。然后将该配准后图像作为浮动图像，原参考图像作为新的参考图 像进行下一步的精配准。
[0067] IECC相似性度量是个体熵相关系数，该相似性度量在2011年由Itou等提出。对 于给定的参考图像R和浮动图像F分别计算其边缘概率分布p (Γι)和p (f,)，以及两幅图像 的联合概率分布P (^，f,)。参考图像R和浮动图像F的联合概率分布可以通过归一化两幅 图像的联合直方图得到。
[0069] 其中，^是参考图像R的第i级灰度值，f j是浮动图像F的第j级灰度值，h (r u fj) 是图像R和F的联合直方图，bin表示灰度级。
[0070] 边缘概率密度函数p (Γι)和p (fj)可以通过对联合概率密度函数p (Γι，fj)求和得 至1J，具体地：
[0072] 个体熵相关系数IECC (R，F)定义为：
[0074] 个体熵相关系数作为目标函数用来衡量参考图像和浮动图像是否配准，当参考图 像和浮动图像达到最佳的配准时个体熵相关系数达到最大值。
【主权项】
1. 一种融合图像尺度不变特征变换和个体熵相关系数的图像配准方法，其特征在于： 所述配准方法包括如下步骤： 1) 提取参考图像和浮动图像的尺度不变特征变换SIFT特征点； 2) 匹配参考图像和浮动图像中的SIFT特征点； 3) 基于匹配的SIFT特征点利用最小均方根误差建立仿射变换模型； 4) 利用仿射变换模型对浮动图像进行变换得到粗配准的图像； 5) 将粗配准后的图像作为新的浮动图像，原参考图像作为新的参考图像，建立新的仿 射变换模型并对其参数进行初始化，同时对Powell优化算法的初始搜索点、初始搜索方向 进行初始化； 6) 利用IECC作为相似性度量目标函数，对该目标函数进行优化得到最优的仿射变换 参数； 7) 利用优化出的最优仿射变换对新的浮动图像进行变换得到最终的精配准图像。2. 如权利要求1所述的融合图像尺度不变特征变换和个体熵相关系数的图像配准方 法，其特征在于：所述步骤2)中，匹配过程如下：对于参考图像中的一个关键点，可以在浮 动图像中找出离该关键点欧氏距离最近的关键点，并设其距离是山，以及离该关键点欧氏 距离次近的关键点，并设其距离是d2;如果d 的比率小于设定的阈值则认为匹配是正确 的，否则就认为不匹配。3. 如权利要求1或2所述的融合图像尺度不变特征变换和个体熵相关系数的图像配准 方法，其特征在于：所述步骤3)中，利用匹配的特征点集来建立参考图像和浮动图像之间 的仿射变换模型，得到N对特征点对： {(xr,i)yr,i)) Yf.i)}i = 1,2,3...,N (6) 其中，表示参考图像中的特征点，（xfli，yfli)表示浮动图像中的特征点； 参考图像和浮动图像之间的仿射变换模型表示为：其中，利用最小均方误差MMSE来估计仿射变换模型中的参数[8°]:其中，S是缩放因子，α是旋转角度，1和1分别表示X轴和Y轴方向的平移量， (\，^，1)和（Xf，yf，1)分别表示参考图像和浮动图像的特征点，（Xl%1， yi%1)表示参考图像中 的第i个特征点坐，（xfii,yfii)表示浮动图像中的第i个特征点。4. 如权利要求3所述的融合图像尺度不变特征变换和个体熵相关系数的图像配准方 法，其特征在于：所述步骤4)中，利用仿射变换对浮动图像进行变换并进行双三次插值，得 到粗配准图像。5. 如权利要求1或2所述的融合图像尺度不变特征变换和个体熵相关系数的图像配准 方法，其特征在于：所述步骤5)中，利用仿射变换对浮动图像进行变换并进行双三次插值， 得到粗配准图像，建立新的仿射变换模型并对其参数进行初始化，同时对Powell优化算法 的初始搜索点、初始搜索方向进行初始化。6. 如权利要求1或2所述的融合图像尺度不变特征变换和个体熵相关系数的图像配 准方法，其特征在于：所述步骤6)中，对于给定的参考图像R和浮动图像F分别计算其边缘 概率分布p(ri)和p(fp，以及两幅图像的联合概率分布p(ri，fp，参考图像R和浮动图像F 的联合概率分布通过归一化两幅图像的联合直方图得到其中，A是参考图像R的第i级灰度值，f,是浮动图像F的第j级灰度值，h(rf,)是 图像R和F的联合直方图，bin表示灰度级； 边缘概率密度函数Ρ(^)和ρ(Α)可以通过对联合概率密度函数ρ(Γι，Α)求和得到，具 体地：
【专利摘要】一种融合图像尺度不变特征变换和个体熵相关系数的图像配准方法，包括如下步骤：1)提取参考图像和浮动图像的尺度不变特征变换SIFT特征点；2)匹配参考图像和浮动图像中的SIFT特征点；3)基于匹配的SIFT特征点利用最小均方根误差建立仿射变换模型；4)利用仿射变换模型对浮动图像进行变换得到粗配准的图像；5)建立新的仿射变换模型并对其参数进行初始化，同时对Powell优化算法的初始搜索点、初始搜索方向进行初始化；6)利用IECC作为相似性度量目标函数，对该目标函数进行优化得到最优的仿射变换参数；7)利用优化出的最优仿射变换对新的浮动图像进行变换得到最终的精配准图像。本发明同时具有高精度和良好鲁棒性。
【IPC分类】G06T7/00
【公开号】CN105303567
【申请号】CN201510672223
【发明人】周小龙, 陈胜勇, 刘干, 汪晓妍, 张冰宇
【申请人】浙江工业大学
【公开日】2016年2月3日
【申请日】2015年10月16日