融合图像灰度特征与结构化表示的图像群组配准方法
【技术领域】
[0001] 本发明涉及图像配准领域，尤其是一种应图像群组群配准方法。
【背景技术】
[0002] 图像配准就是将不同传感器或相同传感器在不同时间获取的相同场景的两幅或 更多幅图像进行空间上的校准，使得配准后参考图像和浮动图像对应像素在空间上表达的 信息一致。
[0003] 配准方法按照输入图像的多少可以分为成对配准和群组配准。成对图像配准一般 会指定参考图像和浮动图像；群组配准一般不指定参考图像，同时对多幅图像进行配准。在 配准的方法中，按照所利用的图像特征分主要可以分为基于图像几何特征的配准方法，基 于图像灰度特征的配准方法和将图像几何特征与灰度特征相结合的配准方法。
[0004] 现有的识别方法存在的缺陷：图像无关信息量较大，配准精度较低，鲁棒性不高。
【发明内容】
[0005] 为了克服输入图像中包含大量的图像信息，配准精度较低，并且在配准中无法选 取适合的参考图像的不足，本发明提供一种有效增加配准有效信息，相对减少无用信息、配 置精度较高的融合灰度特征与结构化表示的图像群组配准方法。
[0006] 本发明解决其技术问题所采用的技术方案是：
[0007] -种融合灰度特征与结构化表示的图像群组配准方法，所述图像群组配准方法包 括如下步骤：
[0008] 1)从机器中获取的原始图像，并获得该图像的结构化表示，并将此结构化表示以 及原始图像作为输入数据输入；
[0009] 2)对输入图像不断进行仿射变换，并求取变换后图像的相似度量，使变换后图像 为相似度最优；
[0010] 3)对仿射变换后相似度达到最优的图像不断进行B样条变换，并计算B样条变换 后图像的相似性度量，使B样条变换后的图像的相似性最优，从而获得最终的精配准图像。
[0011] 进一步，所述步骤1)中，获得图像的结构化表示的过程：
[0012] 2. 1)选择一个设定大小的块；
[0013] 2.2)计算块的概率密度函数，即描述图像的灰度分布情况，利用图像的灰度直方 图来计算图像的概率密度函数，设图像I的灰度级范围为[0,L-1]，则I的直方图用离散函 数h(rk)来表示：
[0014] h(rk) =nkk= 0, 1,. . . ,L~1 (1)
[0015] 其中，rk表示第k级灰度值，n,表示图像I中灰度级值为rk的像素个数；
[0016]设图像I的行数和列数分别为Μ和N，则归一化的直方图即图像I的概率密度函数 P(rk)表示为：
[0017]
(2)
[0018] 2. 3)计算块的熵，所述熵是香农熵，将块的灰度值看做随机变量，香农熵表示为：
[0019]
[0020] 其中，Η表示香农熵，i表示灰度值的可能取值，？1是指定的块的概率密度函数；
[0021] 对整幅图像进行划分块，每块按照2. 1)~2. 3)操作得到整幅图像的结构化表示。
[0022] 再进一步，所述步骤2)、3)中，对于给定的N幅图像仏，12, . . .，IJ， 群组配准旨在找到最优的变换T使得输入的N幅图像达到空间上的对准，
、表不图像In的变换，表不对1"进彳丁变换后的图像；
[0023] 群组配准表示为目标函数：
[0024] S(T) =S(I! (?\)，I2 (T2)，· · ·，IN (TN)) (4)
[0025] 其中，?\，Τ2，···Jj别是图像Ip12，…，1』勺变换，S(T)是变换后图像I丨⑴）， I2(T2)，…，IN(TN)的相似性度量；
[0026] 将原始图像和图像的结构化表示同时作为输入图像，此时的目标函数包含两部分 内容：
[0027]S⑴=Sintenslty⑴+Sstructural (T) (5)
[0028] 其中，Sintenslty⑴表示利用原始图像的灰度信息得到的目标函数分量，Sst_tUMl(T) 表示利用结构化表示的图像表示得到的目标函数分量。
[0029] 采用信息熵来表示相似性度量，用Χηι表示输入图像的一个采样点，用S(I(T(Xni)) 表示变换后图像在Χηι处的熵，群组配准的目标函数表示为：
[0030]
[0031] 其中，G。表示方差为。2的高斯核，d^OO=UTiOOhljCTjOO)表示变换后的 图像L0\ (xj)和Ij(Tj(xj)在点Χηι处的距离。
[0032] 本发明的有益效果为：有效增加配准有效信息，相对减少无用信息、配置精度较 尚。
【附图说明】
[0033] 图1是融合灰度特征与结构化表示的图像配准方法的流程图。
[0034] 图2是群配准方法的基本框架。
【具体实施方式】
[0035] 下面结合附图对本发明作进一步描述。
[0036] 参照图1和图2,一种融合图像灰度特征与结构化表示的图像群组配准方法，包括 如下步骤：
[0037] 1)从机器中获取的原始图像，并获得该图像的结构化表示，并将此结构化表示以 及原始图像作为输入数据输入；
[0038] 2)对输入图像不断进行仿射变化，并求取变换后图像的相似度量，使变换后图像 为相似度最优；
[0039] 3)对仿射变换后相似度达到最优的图像不断进行B样条变换，并计算B样条变换 后图像的相似性度量，使B样条变换后的图像的相似性最优，从而获得最终的精配准图像。
[0040] 所述步骤1)中，获得图像的结构化表示的过程：
[0041] 2. 1)选择一个大小合适的块，选择较大的块可以提高精度但是计算会比较耗时， 选择较小的块计算时间会减少但是精度会下降。在可变行的配准中需要选择的块更具局部 描述特性，因此在满足精度的条件下选择较小的块；
[0042] 2. 2)计算块的概率密度函数，即描述图像的灰度分布情况。一般利用图像的灰度 直方图来计算图像的概率密度函数。设图像I的灰度级范围为[0,L-1]，则I的直方图可用 离散函数h(rk)来表示：
[0043] h(rk) =nkk=0,1,. . . ,L~1 (1)
[0044] 其中，rk表示第k级灰度值，n,表示图像I中灰度级值为rk的像素个数。
[0045] 为计算图像的概率密度函数需要对直方图进行归一化，设图像I的行数和列数分 别为Μ和N，则归一化的直方图即图像I的概率密度函数p(rk)可表示为：
[0046]
(2；
[0047] 2. 3)计算块的熵，然后对整幅图像进行这样的操作。本文所用的熵是香农熵，香农 熵能够定量的反应出所选择的块的信息。可以将块的灰度值看做随机变量，那么香农熵可 以表示为：
[0048]
(.含
[0049] 其中，Η表示香农熵，i表示灰度值的可能取值，？1是指定的块的概率密度函数。
[0050] 再进一步，所述步骤2)，3)中，采用群组配准的方法，即对于给定的N幅图像 ΙΛ，12,. . .，IN}，群组配准旨在找到最优的变换T使得输入的N幅图像达到空间上的对准。 因为是N幅图像因此这里的T是向量，T=R:/·/> =ΜΛ，?η表示图像In的