多模图像匹配方法
【技术领域】
[0001] 本发明设及图像处理技术领域，具体的，设及的是一种多光谱图像匹配方法。
【背景技术】
[0002] 图像匹配（Image Matching)是在不同条件下得到的并且位于不同坐标系下的同 一场景(或物体)的二幅或者多幅图像进行对应点对准的过程。图像匹配是图像分析和处理 的基本问题，应用领域广泛。例如，图像匹配是医学图像分析和小目标检测的关键技术，目 前国内外研究图像匹配技术较多的应用领域：红外图像处理，遥感图像处理，医学图像处 理、数字地图定位，图像=维重构，航空影像自动绘制，模式识别等。虽然不同领域的匹配技 术基本上都是根据各自具体的应用背景结合实际情况量身订制的技术，但在理论方法上具 有很大的相似性。
[0003] 图像配准技术最早的应用是在20世纪70年代的美国军方中，当时主要是在飞行器 的辅助导航、导弹系统的末制导等领域。20世纪80年代后，图像配准技术才逐渐被利用到人 们日常生活的其他各个方面。在1992年，剑桥大学的L.G.Brown就对图像配准进行了总结， 将配准问题大致分为多模态配准、模板配准、观察点配准和时间序列配准，并提出了相应的 解决方法，同时将图像配准问题归结为特征空间、捜索空间、捜索策略、相似性度量四点要 素的组合。1996年，Reddy扩展了图像频域相位相关技术，利用傅里叶变换的尺度特性和旋 转特性求解两幅图像之间的尺度和旋转问题，利用相位相关技术解决图像的平移问题。 1997年，Maes利用信息论中的互信息作为匹配准则，通过求解两幅图像互信息的极大值来 解决多模医学图像配准的问题。2003年，Zitova等人对图像配准领域的相关方法进行了综 述。2003年，Pluim等人对基于互信息的医学图像配准进行了概述，按照互信息配准的不同 方面，将配准方法进行了分类。为了满足很多具体应用对高精度的需求，最近几十年内己经 提出很多能够达到亚像素精度的图像配准算法。2004年，Lowe更是突破性的提出了 SIFT (Scale invariant FeaUire Transform)算法，通过建立尺度空间，较好的克服尺度变化带 来的影响，同时提出的相关描述子更能够较为精确的完成特征的描述。此后Y.Ke(2004年） 提出的PCA-SIFT和Bay (2006年)都是对Lowe原始算法的改进，主要是对速度上进行改进，但 是精度方面SIFT算法还是占据主要地位。近些年来，BRISK、BRIEF等算法的相继提出为图像 匹配领域注入了新的活力。
[0004] 尽管经过多年的研究，图像配准技术已经趋于成熟，但是在许多特定领域都难W 使用相同或者相似的方法取得良好的效果。一方面由于成像器本身成像机制具有的独特 性，相同场景或者目标在不同模态下，呈现的特征并不相同，如何提取相同或者相似特征， 利用不同特征进行匹配W及提升多图像匹配精度和速度成为图像领域的难题。
【发明内容】
[0005] 本发明要解决的技术问题是提出一种多模图像匹配方法，实现多模图像匹配，主 要应用于多通道遥感图像的匹配，对图像通道本身没有具体限制，与目前主流的匹配方法 相比，具有更快的速度及更好的精度。
[0006] 本发明是通过W下技术方案来实现的：
[0007] 本发明提供一种多模图像匹配方法，所述方法包括如下步骤：
[0008] 第一步、对图像进行显著性区域提取；
[0009] 第二步、对显著性区域进行特征提取，得到边缘特征图；所述特征提取过程经过导 引滤波，突出边缘特征同时抑制噪声，再提取边缘特征，获得不同图像的共同特征；
[0010] 第=步、获取图像的边缘特征后，对边缘特征图进行基于互信息的图像匹配，得到 匹配结果。
[0011] 优选地，所述的第一步，包括如下步骤：
[0012] 使用超像素分割方法，将原图像分割为多个超像素，并构建图模型G=IV, E}，其 中：V为顶点集合，对应于原图像中的超像素;顶点之间通过无向边E连接;顶点之间的连接 原则为:每个顶点与其K近邻连接，对于图像边界上的超像素则将其完全连接；
[OOU]顶点之间相似度通过权重矩阵W=[wu巧衡量顶点的相似度，其计算方式为：
[001引其中：c巧日Cj为两个超像素区域内基于LAB色彩空间的均值，巧日j表示序数，当i等 于j时，表示相同的两个超像素区域，当i不等于j是表示两个不同的超像素区域;O为用于控 制相似性的常数;不相连的超像素之间的相似性标为0,运个权重矩阵是稀疏的；
[0016]基于已有的图模型G，使用基于流形排序的方法进行超像素的显著性标注；已知超 像素集合X= Ixl，…，xl，xl+l，…，xn}，设f = {fl，…，fn}是一个映射函数，为每个超像素给 出排序值;设y={yl，…，yn}为指示向量;如果Xi是待检索的点，则yi = l，否则yi = 0; [0017]基于权重矩阵胖，则其度量矩阵0定义为0 =山日旨{(111，...，血11}，其中山1=1：巧^，从 而得到每个点的排序值 [001 引 f*=(D-aW)-iy
[0019] 其中:a为控制参数，取值范围为0~1;基于流形排序某个超像素是否显著；
[0020] 基于另一先验条件，即图像边界区域通常为非显著的区域，因此，首先基于图像 上、下、左、右的四条边作为非显著区域，分别对于图像其他超像素的显著值进行估计，W顶 部检索为例，则每个超像素的显著值为，StDp( i)
[0021] St〇p(i) = l-f*(i)
[0022] 当StDp(i)趋于0则说明超像素为非显著的，趋于I则是显著的；结合四条边界的检 索结果，则图像中每个超像素的显著值取为：
[OOU ] Sback ( i ) = Stop ( i ) *Sbottom( i ) *Sleft ( i ) *Sright (i)
[0024] 基于边界非显著先验，得到每个像素点的显著程度，随后对Sbaek(i)进行二值化处 理，得到图像中每个超像素的显著性值;将根据显著性值生成的图像乘W原始图像，从而将 非显著区域去除，得到显著性区域图像；
[0025] Stop(i)、Sbottom(i)、Sleft(i)、Sright(i)分别表示从图像上下左右四个方向进行捜索 得出显著性值，反映图像四个方向的显著性程度，Sback(i)通过对四个方向显著性值进行融 合，得到的整幅图像的显著性区域图。
[0026] 更优选地，得到的所述显著性区域图像具有=点性质:保留图像显著特征区域，滤 除干扰区域影响，=加速计算过程。
[0027] 优选地，所述的第二步，包括如下步骤：
[0028] (1)计算原始图像的导引滤波图像，如下式所示：
[0029] €,' =之历"施"(/)片， J
[0030] 其中：Pj表示输入图像每个像素的像素值，qi表示输出图像中每个像素的像素值， Guideu表示导引滤波函数，I表示导引图像，该公式表示通过输入图像W和导引图像I生成 导引滤波图像qi，其中：
[00创其中：化和為为窗Wk内导引图像I像素值均值和方差，|wk巧窗内像素数目，Ii和Ij 表示导引图像中对应的像素，e为一个非零极小值，使分母不为0;
[0033] (2)计算多模图像的边缘特征，即高斯拉普拉斯边缘检测特征：
[0034] a、对原始图像进行高斯模糊，模板公式如下；
[0036] 其中，X和y为对应图像像素坐标，O为图像方差，经过模板公式计算后得到一幅图 像的高斯模糊图像；
[0037] b、对高斯模糊图像求二阶导数，二阶导数为0的位置为边缘的位置，