专利名称：一种基于特征点的图像配准方法
技术领域：
本发明属模式识别与图像处理技术领域，具体涉及一种基于特征点的图像配准方法。本方法可用于基 于特征点的图像配准，图像拼接与镶嵌，运动追踪，医学单模态与多模态图像的信息融合，以及基于内容 的图像检索等。
背景技术：
点模式匹配，可以理解为基于特征的图像匹配，从两个待匹配的点集中搜索对应关系并对点集之间的 映射进行估计。点模式匹配广泛应用在遥感(图像镶嵌、图像拼接)，医学图像(病情诊断与追踪)和计 算机视觉(目标或场景识别、运动追踪)。
近年来虽然很多优秀的点模式匹配算法被提出，但几乎没有一种算法可以同时在计算时间和精度上满 足应用要求。目前所公开的算法大致可分为5类聚类算法(见参考文献[1][2]),形状上下文算法(见 参考文献[3])，松驰标签算法(见参考文献[4][5])，逐步优化算法(见参考文献[6]),图匹配算法(见 参考文献[7])。
其中，
聚类算法假设变换模型为相似变换，因为估计相似变换只需两对匹配点，算法首先从两个待匹配点集 中选择两对点进行组合，然后估计变换系数，用估计的变换验证其他可能匹配的点对。因为用正确匹配的 点对估计的变换也是正确的，用该变换进行聚类，则会把所有可能正确的匹配点聚到该类，而且如果正确 匹配的点多的话，相应的类也会很大；相反，如果是用错误匹配的点对估计的变换，则该变换肯定是错误 的，错误变换有一个特点就是随机性。错误匹配大都随机的，也就是说用错误变换做分类器进行聚类，则 只会聚到很少点。算法根据这种性质对两个特征点集进行聚类，聚类结果中，最大类将作为对应关系输出 以用于后续处理。这类算法的缺陷在于计算复杂度高，耗时，而且如果两个特征点集大小差异非常大，算 法性能也会非常差。霍夫变换后来被用于预处理以加速计算，然而匹配仍然是一种非常耗时的工作，而且 在噪声点非常多，或者两个点集大小差异非常大的情况下，算法不一定保证可以找出最佳对应关系。
形状上下文算法也是近些年来研究比较热的点模式匹配技术。形状上下文描述了一个点集中其他特征 点相对某个特征点的空间分布信息。两幅图像同一形状中匹配的特征点具有相似的形状上下文，每个特征 点对应了一个方向直方图，以表示其他特征点相对自己的空间约束。这种算法可以解决非刚性变换的点模 式匹配，大部分类似算法采用样条曲线对变换进行估计，然而这类算法的问题是对特征点的采样具有依赖 性，图像背景不能太复杂，各种算法的测试也大都基于合成数据，对于简单的形状匹配应用来说，算法性 能比较好，可这类算法的计算复杂度比较高，每个特征点都需要利用所有其他点计算形状上下文，因此在 复杂场景中，识别的物体又比较难于分割的情况下，算法的性能很差。
松驰标签算法在变换关系上定义一种概率分布，然后用离散算法进行优化，算法实际上是一个迭代的 过程，从一个比较粗的匹配开始，然后逐步更新匹配概率矩阵，这种算法很容易收敛于局部极值。
逐步优化算法也是利用全局特征点构建一个相容函数，通过更新相容函数以解决对应，该算法和松驰 算法具有相同的缺陷。两类算法在特征点集比较大，噪声又比较多的情况下算法性能都比较差，而且不能保证算法在各种情况下可以收敛。
图匹配算法是近些年研究的比较热的点模式匹配算法。通过将待匹配的两个点集构建成带权图，属性 关系图等，然后在两个图中搜索相容的部分，即很可能匹配的部分，或者进行子图匹配，或者进行完全映 射匹配，保证优化函数最小。这类箅法可以归结为图搜索问题，是一个NP难的问题，不能保证对各种测 例都有解。很多算法也都是利用优化函数进行估计，得到较优解而不是最优解，图匹配的另一个缺陷是不 能处理两个都含有大量噪声点的点集，除了计算时间长外，故该算法也很难得到合理的对应关系。
与本发明相关的参考文献有 A. Goshtasby. Description and discrimination of planar shapes using shape matrices. IEEE Trans. Pattern Analysis and Machine Intelligence, 7:738-743, 1985. S. H. Chang, F. H. Cheng, W. H. Hsu， and G. Z. Wu. Fast algorithm for point pattern matching: Invariant to translations, rotations and scale changes. Pattern Recognition, 30:311 - 320, 1997, W.J. Christmas, J. Kittler, and M, Petrou, "Structural Matching in Computer Vision Using Probabilistic Relaxation, " IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 17, no. 8， pp. 749-764, Aug. 1994. R. C. Wilson and E. R. Hancock, "Structural Matching by Discrete Relaxation, " IEEE Trans* Pattern Analysis and Machine Intelligence, vol. 19, 肌 6, pp. 634-648， June 1997. S. Gold and A. R肌gaxajan, "A Graduated Assignment Algorithm for Graph Matching, ，， IEEE Trans-Pattern Analysis and Machine Intelligence, vol. 18, no. 4, pp. 377-388, Apr. 1996, Tibe'rio S. Caetano, Terry Caelli, Fellow, IEEE, Dale Schuurmans, and Dante A. C. Barone. Graphical Models and Point Pattern Matching. IEEE Trans. Pattern Analysis and Machine Intelligence, 28:1646 - 1663, 2006.
发明内容
本发明旨在克服现有技术中存在的不足，提出一种基于特征点的图像配准方法。 本发明首先提出一种基于特征点K近邻空间结构的环式边角码模型，对环式边角码之间的相似性进行 探索并将甚程于衡量两个特征点的局部空间的相似性。所述的相似环式边角码不仅描述了两个特征点之间 的局部空间结构的相似性，还可以用于估计局部映射。环式边角码模型建立在相似变换基础上，本发明同 时对环式边角码相似条件进行了松驰，使得匹配算法对一定程度的仿射和视角变换具有鲁棒性。特征点之 间的相似度由它们所关联的最大相似环式边角码的相似长度确定。本发明首先根据特征点的局部空间结构 的相似性进行结构匹配，然后利用匹配点所关联的局部映射聚类进行优化匹配。优化匹配的结果用于估计 最优映射。在加速匹配过程方面，本发明通过在搜索空间建立索引避免了大量不必要计算，从而保证匹配 算法在保证精度的同时也达到了接近实时应用的要求。
本发明公开了一种快速有效的点模式匹配算法，其流程图见附图1。包括步如下骤 步骤l):特征提取，对两幅待匹配的图像进行特征提取，匹配算法基于图像特征点，匹配前期提取具 有缩放，旋转和平移不变性的特征点集作为输入，点集之间也可以具有一定程度的仿射与视角变换；
步骤2):相似度计算，提取特征点的K近邻结构并构建特征点的环式边角码，对搜索空间建立索引，利用二分査找和增量匹配算法计算特征点之间的最大相似环式边角码，并将最大相似环式边角的相似长度 作为两个特征点之间的相似度，计算相似度的同时确定可能匹配的特征点；
步骤3):结构匹配，特征点之间的相似度在物理意义上描述了特征点的局部空间结构的相似性，本发 明根据特征点之间的相似度大小，将可能匹配的特征点分成三类不可能匹配的特征点类6cu/C/fl^ ,可能 匹配但匹配不唯一的特征点类w"A owjC7 w ,可能匹配的特征点类gooafaaM ,同时对goot/C7aM中
的匹配点进行局部映射估计；
步骤4):优化匹配，利用gOOC C/flW中的匹配点所关联的局部映射进行聚类，在聚类结果中，定义
元素最多的类为最大类，元素第二多的类为次大类。如果最大类元素个数大于某个阈值同时大于次大类元
素个数，或者最大类与次大类的元素个数之比大于某个阈值，最大类将作为匹配结果，估计最优变换；
步骤5):最优变换估计，本发明假设图像之间的变换为除了相似变换外，还有一定程度的仿射与视角 变换，变换估计模型为仿射变换。
具体而言，
本发明所述的步骤i中的两个点集定义为s和r,大小分别为w,和"2，同时定义点《es, er。
所述的步骤2中的环式边角码定义为
如附图2所示，特征点的K近邻空间结构可以通过一个环式边角码表示。为更好地定义环式边角码， 本发明将附图2(a)中每条边和它逆时针邻接的角的组合定义为一个边角码(Edge-/( g/eCode ) ￡4C = (￡,6)。附图2 (a)共有K个边角码(五,.，《),/ = 0,1，...，/:-l。对这K个边角码按逆时针顺序编码 并依次将它们连成一个环形结构则得到特征点A的环式边角码，如附图2 (b)所示，本发明定义K为环 式边角码的长度。
本发明所定义的环式边角码具有以下特性
1) 连通性从任一边角码开始向前遍历，都可以将所有边角码按顺序遍历完毕。为便于表示，本发 明将遍历下标定义为w,，其中t表示非负整数，而w,则表示t对K取余的结果，这样做可以保证在对边 角码遍历时，下标不会越界。
2) 空间约束性边角码的顺序描述了特征点的邻居点的约束关系。边角码顺序
，& )描述了在空间结构中，邻居点尸w与邻居点尸 在逆时针方向
上邻接，而与邻居点尸 ^在逆时针方向上间隔一个邻居点。因此对边角码顺序进行分析等价于对邻居点 在空间结构上的约束关系进行分析。
3) 等价性同一特征点可以有K个不同的环式边角码，但它们都等价地描述了特征点的同一局部空 间结构。由附图2(a)可知，将不同的邻居点作为第一个边角码时，本发明将得到不同的环式边角码，但 它们在物理意义上是等价的，即都描述了相同的空间结构。本发明把环式边角码的这种特性定义为等价性。
所述的步骤2中的相似环式边角码定义具体为
如附图3所示，如果两个环式边角码从某一对边开始满足对应边成比例，对应角成比例且等于l,本
发明就说这两个环式边角码相似，其中一个环式边角码的长度定义为相似环式边角码的相似长度，相似环
式边角码对应的空间结构定义为相似空间结构。附图3所示的相似环式边角码从)开始满足下式:
7|五。| |五'| HI A A 画i
为计算步骤二所述的相似环式边角码，本发明还定义了两个相邻边角码的加操作，具体为
(￡M,，^ ,) + (五 +,)，S附(叫)=(五m,，&, + ^ (,+")
两个相邻边角码加操作的结果仍为一个边角码，新边角码的边为第一个边角码的边，而新边角码的角 则是两个相加边角码的角之和。相加操作的物理意义实际上表示了对两个逆时针方向相邻的邻居点进行合 并，即将第二个邻居点删除，然后对第一条边逆时针邻接的角进行更新。
为计算步骤二所述的相似环式边角码，本发明还定义了两个边角码的比较操作，如果两个边角码 (五,，《)，(A，^)满足
《
其中e为误差控制因子，接近于0的正数，(￡2,《),(F2 W2 )分别是)下一个邻接的边 角码，本发明就规定(A,《)，(5、，^、)的比较操作不需要加操作，不需要加操作的物理意义是表示由 五,,6\，￡2构成的三角形与由，6>',,五'2构成的三角形相似。
所述的步骤二相似度计算具体为
(l)建立搜索空间，提取特征点的K近邻并构建特征点的环式边角码，搜索空间为目标点集中所有特 征点的环式边角码上的 《个边角码，对这些边角码按角度建立索引以加速搜索。示意图见附图4中间和 右边两列表格。
(2) 确定搜索对象，匹配目的在于找到匹配点。因此单次搜索对象为f的环式边角码所关联的每个 边角码，就《而言，共有《个搜索对象(St,《)，如附图4左边表格所示。
(3) 确定搜索策略，本发明首先对(￡^^)利用二分搜索在搜索空间中査找误差允许范围内角度相
同的边角码(-设对应的特征点为0j。如果找到，本发明还会在所找到边角码前后线性搜索在误
差允许范围内角度相同的其他(五 ,6 )。如果(￡4,^)与(￡ ，《)的比较结果不需要加操作，则分别以
(￡t，A)与(A，A)为起点生成两个等价的环式边角码；-{Jq,^,.."^^)}和
Ze ={￡。，^,...,5^—其中^，5 表示边角码，记￡/^/,￡/，9/分别表示4，5 的边和角。然
后按增量匹配算法计算它们的最大相似环式边角码。增量匹配算法如下首先对^)，5。进行比较操作，如
果^/，^/不相等，则角度小的边角码与其相邻的下一个边角码进行加操作生成新的边角码;如果e/，^^ 相等，贝iJ验证^/,《8相邻的对应边(f/,五/)和(五/，五,)是否成比例，如果成比例，贝U将^,A分别
保留在已求得的相似环式边角码中(刚开始为空)，如果不成比例，则将这^j,万e与各自相邻的下一个边 角码进行加操作生成新的边角码，然后循环进行下次比较操作，循环过程直到其中一个环式边角码遍历完 为止。伪代码表示如下-
假设t,和t2是两个循环变量,t产0， t2 = 0。令&附^ = 4t，few凡=r加e =五 8 / ￡/ ,则增量匹配算法如下
while (t, < K and t2 < K ){
if (^Lp, <《训^ ){ "=^+1 ，tempA=tempA+Am(i+tl).}
else if > ) {t2=t2+l，tempB=tempB+Bm0+t2).}
else {
t产t!+l，t2,+ l.
if = ￡sm( +,2) /i^w",,))
{ Add tempA into丄*, add tempB into丄"，tempA=Am(k+tl)，tempB=Bm(n+l2>.} else { tempA= tempA + Am(k+tl)，tempB= tempB + Bm(n+l2)."}
搜索过程中只保留相似长度最大的相似环式边角码，当相似长度最大的环式边角码有多个时，全部保
留。将最大相似环式边角码的相似长度作为两个特征点之间的相似度，注意搜索过程中所有没有被计算过
的两个特征点的相似度为0。
(4)确定可能匹配的特征点，本发明定义5(4，￡ ) = {^,￡ }表示以￡:/,￡ 3为起始对应边的相
似环式边角码，",A表示相似环式边角码。令S(4,5")的相似长度为/e""(A:，w)，则特征点《，gy的
相似度为
S/7m7a〃'^(尸'，) = arg max /e"w' (A,") A:," e
如果g/满足
Q乂 * — arg max" er w'/m7a/7'(y(^ ，")
本发明就认为2/为《的可能匹配点，计算过程中尸i可能有多个可能匹配的g/,全部保留。
本发明所述的步骤3结构匹配，具体为
设S可能匹配的^/有NO个，则对可能匹配点(g，g'v)分类如下
6flcOaw // 57'脂7a〃7y(/)，2、) < 3
wwA"ow"wC7ow w'/m7aW/5/(S，2 ')> 3 and NO>l goocOaw 由〃"鄉(C。'乂) 2 3 am/ NO = l
分类華件解释如下6^/C/a^中的W,g'》的相似度都小于3，在K比较大的时候，如&=15,说明 (《,2、)的局部空间结构差异非常大'f或g'7可能是噪声点'匹配的可能性很小i ""Anow"C/flM中的 W,g'力的相似度都大于等于3，在K比较大的时候，如K45，说明(g,g )的局部空间结构比较相似， 但《可能匹配的2:却不止一个，这说明仅仅通过局部空间结构的相似性无法确定《与哪个2、匹配，需
9要后续验证才能确定；gOO(/C/cm中的(；g )的相似度都大于等于3，在K比较大的时候，如K-15,
说明的局部空间结构比较相似，而且《可能匹配的2'y只有一个，(S，0'y)正确匹配的可能性非
常大，而且相似度越大，说明局部空间结构越相似，匹配的可能性越大。
根据上述分析，本发明将goo^C/flOT中的(《，g'》作为结构匹配的结果，同时本发明还对goot/C/ow
中的(《，2 )进行局部相似变换估计，，注意在局部相似变换估计过程中，(《，2、)与它们关联的一组对 应邻居点进行组合进而估计一组局部相似变换，如果(g,g'y)的相似度为^ ,则可以估计/s组局部相似变 换，匹配算法取&组局部相似变换的均值作为最终估计的局部相似变换。 所述的步骤4，优化匹配具体为
(1) 对goodC/a^中的(《，2、)按相似度由大到小进行排序；
(2) 对排过序的(《，"》进行扫描，如果(《,g'》没有被聚类过，则以为类中心C,., (《，^'7)所关联的局部映射7;作为分类器，对gooc/C/fl^和"n^owwC/aw中未被聚类的可能匹配点及 关联的对应邻居点进行验证。聚类过程如下首先将(f,0:)关联的对应邻居点归入该类，因为分类器7; 就是由这些对应邻居点估计出来的，然后利用分类器验证其他gow/aa^和imibJow"C7ass中未聚类的 可能匹配点及关联的对应邻居点，如果所验证的点对满足分类器，则对其进行标记，不再进行后续处理并
将其归入该类，否则将其忽略。设其中需要验证的一对点为(尸，2),设尸经过7;映射后的点为7:cp),
如果7:.(尸)与0的欧氏距离在误差范围内可以接受，本发明则认为(尸，。)符合f，将(尸，。)归为C,.。 用公式表示为
^为误差控制因子。注意在聚类过程中每对(《，2:)只被聚类—次，即(s，2。)属于且只能属于一 个类。 一次聚类过程必须对所有未聚类过的其他可能匹配点及关联的对应邻居点进行验证。下一次聚类的
开始条件是goorfC/aw中还存在没有聚类过的(《,0、)。
(3) J^t聚类结果进行分析，因为结构匹配结果中通常情况下是存在错误匹配的，必须将其删除。在 聚类结果中，定义元素最多的类为最大类，元素第二多的类为次大类，类中每个元素表示一对匹配点。通 常情况下，正确匹配的特征点所关联的局部映射也是正确的，所有正确的匹配点在误差允许范围内都会聚 入一类，相应类的点对会非常多；反之，错误匹配的点所关联的局部映射随机性很大，相应的类中元素非
常少。因此本发明进行优化匹配如下如果最大类与次大类的元素个数之比大于某个阈值，或者最大类元
素个数大于次大类，同时最大类元素个数大于某个阈值，本发明将会输出最大类作为对应关系，进行最优 变换估计，反之本发明则认为匹配的两个点集相关性太差，无法进行匹配。
图l:本发明流程图。
图2:特征点&的KNN空间结构图及相应的环式边角码。图3:相似环式边角码及对应的相似空间结构。
图4:相似度计算示意图。
图5:两幅待匹配图像。
图6:图5所示的两幅图像的匹配结果。
具体实施例方式
以下提供具体实例来进一步说明本发明的应用。 实施例l
匹配对象见附图5所示的两幅图像。两幅图像拍摄于不同时间，不同角度.只有部分内容相同，图像 大小均为440x330。
运行本发明的设备为Gateway T6307c笔记本，Intel 2core 1.6G，1G内存。本发明具有平台移植性， 具体实现平台为Centos下的GCC环境和Windows XP/Server 2003下的Visual C++ 2005环境。运行效率 GCC好于Visual C++ 2005。
本发明规定两个标量相等的误差f = 0.1，两个像素点之间的欧式距离误差^ =10，定义两种误差旨 在计算相似环式边角码和聚类。同时本发明将特征点的邻居数设置为AT = 15 。 具体实施情况如下
步骤i:从两幅待匹配的图像中获取两个特征点集作为输入，特征点只需包括二维坐标信息即可。本 发明采用了单尺度Harris角点检测算法，Harris响应系数a-0.06，差分尺度O"D =3，平滑尺度^ = 7， 局部非极大值抑制窗口为3x3，抑制值为全局最大角点响应值的0.01倍。两幅图像分别提取189和208 个特征点。相应点集分别记为S和T ， A = 189和w2 = 208 。
步骤2:相似度计算，提取每个特征点的15近邻，按照环式边角码的定义计算特征点的环式边角码。 在计算过程中，要避免除零操作。标量做除法时，根据需要，加上或减去一个非常小的正数，以免程序崩 溃。
根据相似环式边角码的定义，计算待匹配的两个特征点的相似度，根据分类规则，确定gooc/CtoM和 MwfewwwC/fl^中的元素，同时计算goodC/o;w中的元素所关联的局部映射。具体步骤如下
(1) 建立搜索空间。对r中208个特征点的环式边角码的208xl5个边角码(E",《)按照角度 大小排序以建立索引。
(2) — 确定搜索对象。为得到《可能匹配的点g'y,需要对f的环式边角码上的15个边角码 (A，- 0,1，…,15)分别进行搜索。
(3) 确定搜索策略。依次选择每个(A,&)，在搜索空间按角度进行搜索，如果搜索成功，则 在搜索到的边角码(￡ ，《)前后继续线性搜索在误差范围内角度相等的其他边角码(￡ ,《)，如果
(￡4,《)与(￡ ，《)的比较结果不需要加操作，则分别以(￡*,《)与(￡ ，《)为起点生成两个等价的环式 边角码并利用增量匹配算法计算它们的最大相似环式边角码。
(4) 确定可能匹配的特征点，f的15个(￡4,^)全部搜索结束之后，保留计算过程中相似长度
11最大的相似环式边角码，将保留的最大相似环式边角码关联的另一个特征点Q,作为《可能匹配的点g、， 如有多个贝j,部保存。
步骤3:结构匹配，对S中的189个特征点根据相似度和可能匹配的特征点个数进行分类。保留 gooaOaw和""A"ow"C/om 。并按照相似变换模型计算goooOass中元素关联的局部映射。相似变换
模型如下 ，
义=sjc cos e —砂sin S + G y = ■$■;<: sin ^ + cos汐+ ~
其中&e分别是缩放因子和旋转角度，G，^分别是x和y方向的平移量。(x，:v)和(^,:n分别是变换前后 的特征点坐标。注意局部相似变换计算过程中，可能匹配点与它们关联的一组对应邻居点便可估计一组变 换系数，因此如果《，2、相似度为"，则可以估计/s组局部相似变换，本发明将/s组局部相似变换的均 值作为最终估计的局部相j以变换。
步骤4:优化匹配，对步骤三中的gOOdC/OW中的元素按相似长度从大到小进行排序。因为相似长度
越大，表示两个特征点的局部空间结构越相似，匹配的可能性也越大，从相似长度最大的f,0 开始聚类， 也就能保证聚类效果越好，得到的匹配效果也越好。因此聚类首先选择未聚过类的相似度最大的一对特征 点开始。然后按聚类规则进行聚类。针对大尺度场景图像的拼接与识别应用来说，设a，&是最大类和次
大类的元素个数，如果^》2&或者a >23，算法将把最大类中的元素输出作为优化匹配结果，
用于最优变换估计。否则，算法将认为匹配不成功。针对附图5的实例，聚类结果一共有88类，其中最 大类元素数为33,次大类元素数为6。通过观察，最大类元素在误差范围内都是正确匹配的，次大类元素 在误差范围内都是错误匹配的。在附图5所示实例中，最大类与次大类元素个数比为5.5，满足条件，匹 配成功。最大类的元素将作为对应关系，进行最优变换估计。
步骤5:变换估计，因为通常情况下，场景图像之间的变换往往有一定程度的仿射或视角变换，因此
本发明采用仿射变换模型估计场景图像之间的变换。仿射变换模型如下
y = c;c +办+
其中",&，c，c/分别是旋转，縮放与拉伸因子，r,，"分别是x和y方向的平移量。(;c，力和(Jr,30分别是变
换前后的特征点坐标。对所有匹配点，按仿射变换模型组成线性方程组，进行最小二乘拟合估计从而得到
—1.04237 0扁66 -333.03 _ 0.01088 1.02362 -10.1731
最优变换。针对附图5的实例，最优变换为
,将最优变换应用到匹配图像，
得到匹配结果，见附图6。结果显示，本发明在误差范围内将两幅只有部分内容相同的图像很好地拼接在
一起。——
权利要求
1、一种基于特征点的图像配准方法，其特征在于，包括以下步骤步骤1)特征提取，对两幅待配准的图像利用特征点提取算子进行特征点提取，得到的两个特征点集定义为方法的输入数据；步骤2)相似度计算，提取特征点的K近邻结构并构建特征点的环式边角码，对搜索空间建立索引，利用二分查找和增量匹配算法计算特征点之间的最大相似环式边角码，将最大相似环式边角的相似长度定义为两个特征点之间的相似度，计算相似度的同时确定可能匹配的特征点对；步骤3)结构匹配，根据相似度大小和可能匹配点数，将特征点对分类并进行局部映射估计；步骤4)优化匹配，利用结构匹配结果进行聚类，确定特征点对应关系；步骤5)最优变换估计，利用仿射变换模型对两幅图像之间的映射进行最小二乘估计。
2、 根据权利要求1所述的方法，其特征在于，所述的步骤2)中的环式边角码其定义为 在构成特征点的K近邻空间结构的K条边和由相邻边构成的K个夹角中，将每条边和它逆时 针或顺时针邻接的角的组合定义为边角码，将K个边角码按逆时针或顺时针顺序编码构成特征点的环式边角码。
3、 根一据权利要求1或2所述的方法，其特征在于，所述的环式边角码隶属于某个特征点， 所包含的K个边角码中，任意两个边角码都是连通的，每个边角码也隶属于某个特征点，每 个特征点对应K个起点不同的环式边角码，K定义为环式边角码的长度。
4、 根据权利要求1或2所述的方法，其特征在于，所述的步骤2)中的相似环式边角码 定义为两个满足对应边成比例，对应角成比例且等于1的环式边角码，单个环式边角码的长 度定义为相似长度，相似长度定义为相似环式边角码所隶属的两个特征点之间的相似度。
5、 根据权利要求1或2所述的方法，其特征在于，两个相邻边角码的加操作定义为<formula>formula see original document page 2</formula>表示非负整数f对K取余的结果<formula>formula see original document page 2</formula>表示两个相邻的边角码。
6、 根据权利要求1或2所述的方法，其特征在于，两个边角码的比较操作为真的条件定 义为-1.0)" 血([-1.0)"其中S为误差控制因子，接近于0的正数，(￡2，《),(￡'2 ，0'2 )分别是边角码A )下 一个邻接的边角码。
7、 根据权利要求1或2或4所述的方法，其特征在于，所述的步骤2)中的相似度计算 通过下述步骤(1) 建立搜索空间，定义两个点集定义为s和r，大小分别定义为A和^，同时定义 f eS， A.er，提取特征点的K近邻并按定义构建特征点的环式边角码，搜索空间定义为 点集r所对应的 个环式边角码上的&ic个边角码，对"2^个边角码按角度大小建立索引；(2) 确定搜索对象，单次搜索对象定义为f的环式边角码上的每个边角码，搜索对象为 尺个；(3) 确定搜索策略，定义(A，&)为《的一个边角码，利用二分搜索和线性搜索在搜索空间中査找误差允许 范围内角度相同的所有边角码(五"，A),定义(￡ ，《)隶属的特征点为2/;(4) 利用增量匹配算法计算相似环式边角码， 将(A,&)与每个(￡ ，《)进行比较，当(^A)与(五nA)的比较操作为真时，分别以(^A)与(五"A)为起点生成两个环式边角码IP = M。,4,…,4k-J和丄e = (Bq，5!，…,5(k—"，其中表示边角码，记 五/，e/,五/,e/分别表示AA的边和角，首先比较4,J5。，当P/"/不相等时，角度小的边角码与其相邻的下一个边角码进行加操作， 当^ 0/相等时，验证《W相邻的对应边(5/，五/)和(^，五,"是否成比例，如果成比例，则将^，A分别保留在已求得的相似环式边角码中，然后将A，A与各自相邻的下一个边角码进行加操作，按相同规则循环进行下次边角码比较操作，直至其中一个环式边角码遍历完为止； (4)确定可能匹配点，定义5(4，5 ) = {4,4}表示以五/,五/为起始对应边的相似环式边角码，A，A表示相似环式边角码，定义S(^，5。)的相似长度为/e"〃(t，")，则特征点《，"的相似度为57/m7aA7'^(/^ ， 0乂) = arg max /e y (6， A， 《 e
当^/满足《* = argmax。"r w.w,7a〃'^v(/^ ，")时，定义《.'为《的可能匹配点，2/的个数定义为NO。
8、根据权利要求l或2或4或7所述的方法，其特征在于，所述的步骤3)中的结构匹 配，特征点对分类条件定义为w"too簡C7aw '/ j7'附'7""X/J,。'y)23 "nd N0>1 goofiOaw w'/w7an'0/(CQ。) 2 3朋^ NO = lgoocfC/ass中的W,g:)定义为结构匹配结果，对gooc C/。:w中的采用相似变换模 型进行局部映射估计。定义(《，2',)的相似度为/"(《,2'"与每对邻居点组合一共估计&组 局部相似变换，定义&组局部相似变换的均值作为最终估计的局部映射。
9、根据权利要求1或2或4或8所述的方法，其特征在于，所述的步骤4)的优化匹配 通过下述步骤(1) 对gooc/C/a^中的W，2';)按相似度由大到小进行排序；(2) 对排过序的(S，g',)按相似度大小进行降序扫描，当(f,2'y)未被聚类过，则以 W，!2'7)为类中心C,, W，2、)所关联的局部映射7;.作为分类器，对go^aaM和w"too满aa^ 中未被聚类的特征点对及关联的对应邻居点进行验证；首先将("，g、)关联的对应邻居点直接归入该类，然后利用分类器验证其他goodC/aw和 頭^kw"C7"m中未聚类的可能匹配点及关联的对应邻居点，当所验证的点对空间坐标关系在 误差范围内满足分类器7;时，则对其进行标记，将其归入该类，不进行后续处理，否则将其忽略；(3)分析聚类结果，聚类结果中，元素最多的类定义为最大类，元素第二多的类为次大类；最大类元素个数 定义为S，次大类元素个数定义为52，当下列条件之一满足时，最大类作为特征点对应关系， 估计最优变换，①S, ②S, >S2同时S,其中/乂2是大于1的特定阈值，由待匹配图像的种类决定。
全文摘要
本发明属模式识别与图像处理技术领域，涉及一种基于特征点的图像配准方法。本发明根据特征点的K近邻结构定义了环式边角码模型并将该模型用于点模式匹配。相似环式边角码不仅描述了两个特征点的空间结构相似性，还可用于局部映射估计。两个特征点的相似度由它们所关联的最大相似环式边角码的相似长度确定。本发明根据特征点的局部空间结构的相似性进行结构匹配，利用局部映射聚类进行优化匹配，优化匹配结果用于最优映射估计。本方法可用于基于特征点的图像配准，图像拼接与镶嵌，运动追踪，医学单模态与多模态图像的信息融合，及基于内容的图像检索等。
文档编号G06K9/64GK101567051SQ20091005245
公开日2009年10月28日 申请日期2009年6月3日 优先权日2009年6月3日
发明者夙 杨, 魏二岭 申请人:复旦大学