一种图像快速匹配方法
【技术领域】
[0001] 本发明涉及一种图像匹配方法，尤其涉及一种利用小波分解的方法缩小SIFT特 征匹配的搜索范围、提高匹配速度的图像快速匹配方法，属于数字图像处理技术领域。
【背景技术】
[0002] 在图像匹配领域，由于 SIFT (Scale Invariant Feature Transform,尺度不变特 征变换）算法对存在尺度、旋转、照度、视角、仿射变化等情况下的图像，都能够实现图像的 准确匹配，因此它在图像匹配领域得到了广泛的应用。然而，由于SIFT算法本身所需的庞 大计算量，其对于某些本身数据量较大或者具有较高实时性要求的场合，例如高分辨率遥 感图像，则并不能很好地应用。
[0003] 为了解决该问题，一些研宄者提出了多种不同的方案，例如以提升算法效率为 主的 SURF[Bay H，Tuytelaars T, Van G L.SURF:Speeded up Robust Features[C]//9th European Conference on Computer Vision, 2006:404-417]和 PCASIFT[Yan Ke, Rahul Sukthankar.PCA-SIFT:A More Distinctive Representation for Local Image Descriptors[C]//Proceedings of the 2004IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2004, 2:506-513]算法，虽然在匹配速度 上，较SIFT算法相比已有了明显的提高，但在实际工程中，尤其在图像尺寸变大后，这 种性能上的提高便被大幅地弱化。即使是近几年新提出的BIRSK[Leutenegger S，Chli M,Siegwart R Y. BRISK:Binary Robust Invariant Scalable Keypoints[C]//IEEE International Conference on Computer Vision, 2011:2548-2555]和 FREAK[Alahi A.Ortiz R, Vandergheynst P. FREAK:Fast Retina Keypoint[C]//IEEE Conference on Computer Vision and Pattern Recognition, 2012:510-517]算法，当图像尺寸变大 后，其匹配速度依然不能满足要求。而最重要的是，上述几种算法描述子的综合性能不 如 SIFT 描述子稳定[Mikolajczyk K, Schmid C. A Performance Evaluation of Local Descriptors [J]. IEEE Trans, on PAMI, 2005, 27 (10): 1615-1630]。文献[Xiong Zhi, Wang dan, Zhang dan, et al. . Research on Improved SIFT Feature Matching Arithmetic in the SAR Vision Matching Aided Navigation[C]. The 6th International Conference on Computer Science&Education, 2011:909-914]提出用小波变换与 SIFT 算法联合来提 高SAR图像的目标识别，但算法采用单一、固定的小波滤波器，没有具体分析小波变换对频 谱的影响，没有给出选择小波滤波器的指导性原则或者公式，而实际仿真发现，并非所有的 小波滤波器都适合与SIFT算法联合，以提高图像的匹配速度。
【发明内容】
[0004] 本发明所要解决的技术问题在于克服现有技术不足，提供一种适于实际应用的利 用小波分解方法缩小SIFT特征匹配的搜索范围、提高匹配速度的图像快速匹配方法。
[0005] 本发明具体采用以下技术方案解决上述技术问题：
[0006] -种图像快速匹配方法，包括以下步骤：
[0007] 步骤A、利用小波分解方法提取源图像的低频子图像，所述小波分解所使用的小波 滤波器满足以下条件：其低通滤波器的系数之和为1 ;
[0008] 步骤B、利用SIFT特征图像匹配方法对所述低频子图像和目标图像进行粗匹配， 得到源图像中的粗匹配点；
[0009] 步骤C、从源图像中选取粗匹配点最集中的部分图像；
[0010] 步骤D、利用SIFT特征图像匹配方法对所选取的部分图像和目标图像进行细匹 配，得到最终的图像匹配结果。
[0011] 进一步地，在步骤B与步骤C之间还包括对粗匹配点进行筛选的步骤：首先对以粗 匹配点的坐标所构成的数据集进行聚类，在聚类完成后将不能归入任一簇集的粗匹配点作 为错误匹配点进行剔除。
[0012] 优选地，所述从源图像中选取粗匹配点最集中的部分图像，具体方法如下：以聚类 所得到的各簇中心的横坐标均值、纵坐标均值作为横坐标、纵坐标在源图像中确定一点，在 源图像中选取以该点为中心的部分图像。
[0013] 优选地，所述从源图像中选取粗匹配点最集中的部分图像，具体方法如下：以各粗 匹配点的横坐标均值、纵坐标均值作为横坐标、纵坐标在源图像中确定一点，在源图像中选 取以该点为中心的部分图像。
[0014] 优选地，从源图像中所选取的部分图像的大小按照以下方法确定：
[0015]
【主权项】
1. 一种图像快速匹配方法，其特征在于，包括以下步骤： 步骤A、利用小波分解方法提取源图像的低频子图像，所述小波分解所使用的小波滤波 器满足以下条件：其低通滤波器的系数之和为1 ; 步骤B、利用SIFT特征图像匹配方法对所述低频子图像和目标图像进行粗匹配，得到 源图像中的粗匹配点； 步骤C、从源图像中选取粗匹配点最集中的部分图像； 步骤D、利用SIFT特征图像匹配方法对所选取的部分图像和目标图像进行细匹配，得 到最终的图像匹配结果。
2. 如权利要求1所述图像快速匹配方法，其特征在于，在步骤B与步骤C之间还包括对 粗匹配点进行筛选的步骤：首先对以粗匹配点的坐标所构成的数据集进行聚类，在聚类完 成后将不能归入任一簇集的粗匹配点作为错误匹配点进行剔除。
3. 如权利要求2所述图像快速匹配方法，其特征在于，所述从源图像中选取粗匹配点 最集中的部分图像，具体方法如下：以聚类所得到的各簇中心的横坐标均值、纵坐标均值作 为横坐标、纵坐标在源图像中确定一点，在源图像中选取以该点为中心的部分图像。
4. 如权利要求1所述图像快速匹配方法，其特征在于，所述从源图像中选取粗匹配点 最集中的部分图像，具体方法如下：以各粗匹配点的横坐标均值、纵坐标均值作为横坐标、 纵坐标在源图像中确定一点，在源图像中选取以该点为中心的部分图像。
5. 如权利要求1所述图像快速匹配方法，其特征在于，从源图像中所选取的部分图像 的大小按照以下方法确定：
式中，UW分别为源图像的长度、宽度，1为所选取部分图像的边长，1、L、W的单位均为 像素；L」表示向下取整运算。
6. 如权利要求1所述图像快速匹配方法，其特征在于，所述小波分解采用软件实现的B 样条小波滤波器。
7. 如权利要求1所述图像快速匹配方法，其特征在于，所述小波分解采用硬件实现的 非规范的haar小波滤波器。
8. 如权利要求1~7任一项所述图像快速匹配方法，其特征在于，源图像为遥感图像。
【专利摘要】本发明公开了一种图像快速匹配方法，属于数字图像处理技术领域。该方法包括以下步骤：步骤A、利用小波分解方法提取源图像的低频子图像，所述小波分解所使用的小波滤波器满足以下条件：其低通滤波器的系数之和为1；步骤B、利用SIFT特征图像匹配方法对所述低频子图像和目标图像进行粗匹配，得到源图像中的粗匹配点；步骤C、从源图像中选取粗匹配点最集中的部分图像；步骤D、利用SIFT特征图像匹配方法对所选取的部分图像和目标图像进行细匹配，得到最终的图像匹配结果。相比现有技术，本发明在保证匹配准确度的同时，大幅降低了计算量，提高了图像匹配的速度。
【IPC分类】G06T7-00, G06K9-46
【公开号】CN104751470
【申请号】CN201510161296
【发明人】祁友杰, 朱恩, 王建新, 胥陈彧, 彭金龙
【申请人】东南大学
【公开日】2015年7月1日
【申请日】2015年4月7日