基于局部线性迁移的非刚性变换图像特征匹配方法及系统的制作方法
【技术领域】
[0001] 本发明涉及图像特征匹配技术领域，具体地说，本发明涉及基于局部线性迀移的 非刚性变换图像特征匹配技术方案。
【背景技术】
[0002] 图像匹配的基本目标是将使用不同传感器在不同的时间和视角下获得的同一个 场景的两幅图像的相同部位进行对应。
[0003] 在过去的几十年里，学者们研究了很多方法来解决遥感图像匹配问题。这些方法 大致可以分为两类:基于区域的匹配方法和基于特征的匹配方法。前者通过搜索两幅图像 中一定区域内原始灰度值的相似程度来寻找匹配信息;后者则利用局部特征的描述子相似 性或空间几何约束来寻找匹配点对。在具有少量显著细节的情况中，灰度值提供的信息比 局部形状和结构要多，从而基于区域的方法的匹配效果更好。但是基于区域的方法计算量 大，且在图像失真和光度改变的情况下并不适用。相反，特征方法具有更好的鲁棒性，可以 处理复杂失真的图像，得到广泛的应用。
[0004] 如何寻找两幅图像中对应的匹配点，形成匹配点对，并确保匹配点对的正确性是 图像匹配方法的关键。
[0005] 基于区域的匹配方法主要有相关法、傅里叶方法和互信息法三种。相关法的主要 思想是计算两幅图像中对应窗的相似性，然后将具有最大相似程度的一对作为匹配点对。 但相关法在相似性不显著的无纹理区域无法适用，且计算复杂。傅里叶方法利用了图像在 频率域的傅里叶表示。与传统的相关方法相比，这种方法在计算效率更高并且对频率类噪 声具有很好的鲁棒性。然而，这种方法在处理具有不同谱结构的图像具有一定限制性。互信 息法尽管其匹配效果良好，但是它无法得到整个搜索空间中的全局最大值，因此不可避免 的会减低它的鲁棒性。
[0006] 基于特征的匹配方法中，通常采用一种分为两个步骤的策略。第一步，通过特征描 述子的相似程度确定一组初始的匹配点对，其中绝大多数是正确匹配，但不可避免的含有 大量的错误匹配。第二步，通过通过几何约束来去除错误的匹配，最后便可得到正确的匹配 点对和两幅图像之间变换的几何参数。这种策略的典型例子包括RANSAC方法 (M.A.Fischler and R.C.Bolles，"Random sample consensus : A paradigm for model fitting with application to image analysis and automated cartog-raphy，'， Commun · ACM，vol.24，no.6，pp.381-395，Jun.l981)、ARHV 方法（P.H.S.Torr and A.Zisserman,UMLESAC:A new robust estimator with application to estimating image geometry，'，Comput.Vis.Image Under-stand. ,νο1.78,ηο.1,ρρ.138-156, 八卩^.2000)等依赖于参数模型的方法和￥?(：方法（<1.]^， <1.21^〇，<1.1^&11，丄.￥1^1^，&11(1 Z.Tu，"Robust point matching via vector field consensus，'，IEEE Trans. Image Process ·，vo 1 · 23，no ·4，pp · 1706-1721，Apr · 2014·)、GS方法(H.Liu and S.Yan，"Common visual pattern discovery via spatially coher-ent correspondence，'，in Proc · IEEE Conf · Comput · Vis · Pattern Recog.，Jun .2010, pp .1609-1616.)和ICF方法（X · Li and Z. Hu, Rejecting misma tches by correspondence functionInt.J.Comput. Vis ., vol.89，no. 1，pp. l-17，Aug.2010) ·等基于非参数模型的方法。
[0007] 虽然这些方法在许多领域获得了成功，但是在图像中含有大量因视角变化造成的 局部失真以及图像内容较复杂时，初步匹配后会得到很多错误的初始匹配点对，当错误率 超过一定比例时，这些方法就不能有效的去除错误。因此亟需一种对初始匹配错误率具有 较强鲁棒性的匹配方法。
【发明内容】
[0008] 针对现有技术缺陷，本发明提出了一种基于局部线性迀移的非刚性变换图像特征 匹配方法。
[0009] 为达到上述目的，本发明采用的技术方案提供一种基于局部线性迀移的非刚性变 换图像特征匹配方法，包括以下步骤，
[0010] 步骤1，建立待匹配图像间几何变换相应的模型和匹配点对为正确匹配的后验概 率相应的模型，实现如下，
[0011 ]设已知的一组初始匹配点对中图像a上点集为X = {X1，…，XN}τ，图像b上相应点集 为Y={yi，…，yN}T，包含N对初始匹配点对；
[0012]针对待匹配图像间的非刚性变换，建立变换数学模型如下，
[0013]
[0014] 其中，设两幅待匹配图像为图像a和图像b，x和y分别是图像a和图像b上像素的坐 标向量，t(x)表示非刚性变换关系，c n是1 X2的向量参数，记集合C={ci,…，cn}，β是模型参 数，I是单位矩阵；
[0015] 计算第η对匹配点为正确匹配的后验概率ρη有如下后验概率数学模型，
[0016]
[0017] 其中，γ和。均为模型参数，e为数学常量，b为预设的系数；
[0018] 步骤2,根据点集Χ= {χι，···，xn}t和Y= {yi，···，yN}T求解模型参数，包括以下子步 骤，
[0019] 步骤2.1，为每一个匹配点χη，η=1，···，Ν，分别搜索最近的K个邻居匹配点，K取预 设值；
[0020] 步骤2.2，根据步骤2.1的搜索结果，采用最小二乘法求解维度为Ν X Ν的权重矩阵 W；
[0021] 步骤2.3,通过最优化方法求解模型参数C、γ、〇,包括以下子步骤，
[0022] 步骤2.3.1，初始化，包括令丫 = 丫〇,0 = 0，？ = 1~>^，丫()为丫的预设初始值，令当前 迭代次数k= 1，采用下述模型参数公式计算〇，
[0023]
[0024] 其中，矩阵T=(t(xi)，…，t(XN))T，tr()表示求矩阵的迹；
[0025] 步骤2.3.2，更新矩阵P，包括采用步骤1中所得后验概率数学模型，计算得到N对匹 配点对分别为正确匹配的后验概率口1，~心，令？ = (^8化1，"_^)，(^8表示对角矩阵； [0026] 步骤2.3.3,计算参数C如下，
[0027]采用下述公式计算参数C，
[0028] (P+2Ao2Q) Γ C = PY-(P+2Ao2Q)X
[0029] 其中，矩阵Q=(I-W)TP(I-W)，I表示ΙΝΧΝ，λ为预设的参数；
[0030] 步骤2.3.4，根据步骤2.3.3计算得到的参数C，重新计算参数γ、σ如下，
[0031 ] 采用下述公式计算参数γ，
[0032]
[0033] 采用步骤2.3.1中模型参数公式计算σ;
[0034] 步骤2.3.5，判别收敛条件，包括计算当前的参数]^，当满足1^ = 1^￡?或者（]^-]^。1(〇/ 1^^，结束迭代，1^_为最大迭代次数，￡是收敛阈值;否则汰=1^1，返回步骤2.3.2;所述 参数L的计算公式如下，
[0035]
[0036]其中，Loid表示上一次计算得到的L;
[0037] 步骤3,计算初始匹配点对为正确匹配的后验概率，并根据阈值判断初始匹配点对 的正误，实现如下，
[0038] 将所述步骤2.3中求解的模型参数代入步骤1中所述后验概率数学模型，计算得到 第η对匹配点对为正确匹配的后验概率；当p n 2 threshold时，则认为第η对匹配点是正确匹 配；当pn〈threshold时，则认为第η对匹配点是错误的匹配，其中threshold为预设的判断阈 值。
[0039] 而且，步骤2.2包括以下子步骤，
[0040] 步骤2.2.