基于特征导向gmm和边缘图像的图像配准方法及系统的制作方法
【专利摘要】一种基于特征导向GMM和边缘图像的图像配准方法及系统，包括计算待匹配的两幅图像的边缘图像，提取边缘图像的特征点集，根据特征描述向量集设定GMM模型的隶属度建立待匹配图像间几何变换相应的模型，通过最优化方法求解模型参数；重新计算特征点集中特征点另一特征点集中特征点的匹配点的后验概率，并根据阈值判断二者是否互为匹配点。本发明针对待匹配图像之间存在仿射变换的情况进行了建模，相较于之前最优的方法鲁棒性、准确性更佳，尤其在数据退化严重的情况下表现稳定。
【专利说明】
基于特征导向GMM和边缘图像的图像配准方法及系统
技术领域
[0001] 本发明涉及图像特征匹配技术领域，具体地说，本发明涉及基于特征导向高斯混 合模型(GMM)和边缘图像的图像配准技术方案。
【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。在很多匹配场景中，受限于所使用的图像传感器和 成像技术、图像获取的环境条件、场景本身随时间的变化等因素，匹配用的图像往往会出现 退化严重、细节改变等问题，使具有一致性的特征减少，对于此类图像的配准问题是一个很 具有挑战性的问题。在本发明中，我们聚焦于退化较为严重的图像的配准问题，在配准中具 有不同的状态的相似的场景的两幅或多幅图像是必须的，这些图像被配准到一个共同的空 间坐标中。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。
[0003] 在最近的几十年，针对严重退化图像的配准技术大量涌现。这些技术大致上可以 分为两类:基于区域的和基于特征的。前者是通过两幅图像重叠区域的原始像素来寻找匹 配信息，匹配两幅图像中的特定的相似性度量标准，例如，互相关，相位相关，公共信息等。 后者则是寻找特征描述子之间的相似性或空间几何约束条件下局部特征的一致性。基于区 域的方法适用于由像素的亮度而不是局部结构和特征提供信息或者图像具有少量突出细 节的情况下。但是其具有很大的计算复杂度，受图像失真和照明亮度改变的影响比较大。相 对的，基于特征的方法更快，具有更好的鲁棒性，可以配准具有更少共同特征的图像并能够 解决复杂的图像失真问题，因此其应用更为广泛。这些方法中使用的特征可以是分支点，边 缘线条，斑块突出区域等，利用相应的特征检测器进行特征提取。对于图像品质退化较为严 重的图像，很难提取出可靠的区域类的特征。
【发明内容】
[0004] 针对现有技术缺陷，本发明提出了一种基于特征导向高斯混合模型(GMM)和边缘 图像的图像配准技术方案。
[0005] 本发明的技术方案提出一种基于特征导向GMM和边缘图像的图像配准方法，包括 以下步骤，
[0006] 步骤1，计算待匹配的两幅图像A和B的边缘图像，得到边缘图像A'和B'；
[0007] 步骤2，提取边缘图像A '和B '的特征点I N、M分别为图像A'和B'中找到的特征点的数目， 应的特征描述向量集；
[0008] 步骤3,根据特征描述向量集Sx、Ry设定GMM模型的隶属度Jimn，实现方式如下，
[0009] 计算Sx*每一个特征描述向量sn与Ry中每一个特征描述向量r m的欧氏距离;对于Sx 中任一个特征描述向量8"，分别寻找Ry中与其欧氏距离最近的两个的特征描述向量，求取这 两个特征描述向量到8"欧氏距离之比；设Ry中与Sn最近的一个特征描述向量为ri，如果所求 比值小于等于预设的阈值T，则设定3T in = T：，jTmn=(l-T：)/(N-l)，其中m=l，2, . . . ,M且m乒i; 如果欧氏距离之比大于预设的阈值T，则设定1=1/^，其中m=l，2，...，M;
[0010] 步骤4,建立待匹配图像间几何变换相应的模型，实现如下，
[0011] 针对待匹配图像间的仿射变换，建立变换数学模型如下，
[0012] y = t(x) =Ax+o
[0013] 其中，χ和y分别是图像A和图像B上像素的坐标向量，t(x)表示仿射变换关系，A是 一个2 X 2的仿射矩阵，〇是一个2 X 1的矩阵，表示待匹配图像间的平移；
[0014] 特征点集Y*ym是特征点集Χ*χη的匹配点的后验概率Pmn有如下后验概率数学模 型，
[0015]
[0016] 其中，γ和σ均为模型参数，e为数学常量，a为图像的像素总数；
[0017] 步骤5,通过最优化方法求解模型参数Α、ο、γ、〇,包括以下子步骤，
[0018] 步骤5· 1，初始化，包括令参数 γ =〇.9，A=l2x2,o = 0，pmn = JTmn，m=l，2, · · ·，Μ，η = 1，2,. . .，Ν，令当前迭代次数J = I，采用下述模型参数公式计算〇，
[0019；
[0020] 其中，全部后验概率的总和J
[0021]步骤5.2,根据当前的模型参数Α、ο、γ、〇,更新矩阵Ρ，包括定义矩阵P为一个MXN 的矩阵，采用步骤4中所述后验概率数学模型，计算P矩阵中的每个元素 pmn，m=l，2,. . .，Μ，η =1,2,. . . ,Ν；
[0022] 步骤5.3,计算参数Α、ο、γ、〇,如下，
[0023] 采用下沭公式计筧参数A,
[0024]
[0025] (.)为矩阵的迹，d(.)表示将向量转化为对角线矩阵；INX1、IMX1都是元素全为1的向量；
[0026]采用下述公式计算参数〇，
[0027] ο=μΥ-Αμχ
[0028] 采用下述公式计算参数σ2，
[0029]
[0030] 采用下述公式计算参数γ，
[0031] γ =1-Μρ/Μ
[0032] 采用步骤5.1中模型参数公式计算σ;
[0033] 步骤5.4，判别收敛条件，包括计算当前的参数1^，当满足1 = 1111￡?或者(1^-1^1(〇/1。1(] 时，结束迭代，进入步骤6,其中J max为预设的最大迭代次数，ε是收敛阈值;否则，J = J+1， 返回步骤5.2;
[0034]所述参数L的计算公式如下，
[0035]
[0036] 兵屮，Uid衣不上一伏TT昇侍到tfj L;
[0037] 步骤6,重新计算特征点集￥中> 是特征点集Χ*χη的匹配点的后验概率pmn，并根据 阈值判断二者是否互为匹配点，实现如下，
[0038] 将所述步骤5中求解的模型参数代入步骤4中所述后验概率数学模型，计算得到特 征点集Y中ym是特征点集X中Xn的匹配点的后验概率Pmn;当Pmn彡threshold时，则认为ym与Xn 互为匹配点；当Pmn〈threshold时，则认为ym与Xn不互为匹配点，其中threshold为预设的判 断阈值。
[0039] 而且，步骤1的实现方式为，通过基础的直方图均衡算法对图像A和B进行直方图均 衡，然后利用Sobel算子对直方图均衡后的图像进行边缘提取，最后采用对比度限制直方图 均衡算法对边缘提取后的图像进行图像增强，得到图像A和B的边缘图像A '和B '。
[0040] 本发明还相应提出一种基于特征导向GMM和边缘图像的图像配准系统，包括以下 模块，
[0041] 第一模块，用于计算待匹配的两幅图像A和B的边缘图像，得到边缘图像A'和B'； [0042]第二模块，用于提取边缘图像A '和B '的特征点集，得到特征点集
N、M分别为图像A '和B '中找到的特征点的数目， I特征点集相对应的特征描述向量集；
[0043]第三模块，用于根据特征描述向量集Sx、Ry设定GMM模型的隶属度Jimn，实现方式如 下，
[0044] 计算Sx*每一个特征描述向量sn与Ry中每一个特征描述向量r m的欧氏距离;对于Sx 中任一个特征描述向量8"，分别寻找Ry中与其欧氏距离最近的两个的特征描述向量，求取这 两个特征描述向量到 8"欧氏距离之比；设Ry中与sn最近的一个特征描述向量为n，如果所求 比值小于等于预设的阈值T，则设定3T in = T，jimn=(l-T：)/(N-l)，其中m=l，2, . . . ,M且m乒i; 如果欧氏距离之比大于预设的阈值T，则设定1=1/^，其中m=l，2，...，M;
[0045] 第四模块，用于建立待匹配图像间几何变换相应的模型，实现如下，
[0046] 针对待匹配图像间的仿射变换，建立变换数学模型如下，
[0047] y = t(x) =Ax+o
[0048] 其中，x和y分别是图像A和图像B上像素的坐标向量，t (x)表示仿射变换关系，A是 一个2 X 2的仿射矩阵，〇是一个2 X 1的矩阵，表示待匹配图像间的平移；
[0049] 特征点集Y*ym是特征点集Χ*χη的匹配点的后验概率Pmn有如下后验概率数学模 型，
[0050]
[0051] 其中，γ和σ均为模型参数，e为数学常量，a为图像的像素总数；
[0052] 第五模块，用于通过最优化方法求解模型参数Α、ο、γ、〇,包括以下子模块，
[0053] 第一子模块，用于初始化，包括令参数γ =0.9，A=l2 X2?〇 = 0?pmn = ^mn?ITl=l , 2,. . .，M，n = l，2,. . .，N，令当前迭代次数J = I，采用下述模型参数公式计算〇，
[0054]
[0055] 其中，全部后验概率的总》
[0056] 第二子模块，用于根据当前的模型参数Α、ο、γ、〇,更新矩阵Ρ，包括定义矩阵P为一 个MXN的矩阵，采用后验概率数学模型，计算P矩阵中的每个元素 pmn，m=l，2，...，M，n=l， 2 , . . . , N ；
[0057] 第三子模块，用于计算参数Α、ο、γ、〇,如下，
[0058]采用下述公式计算参数A，
[0059]
[0060] tr(.)为矩阵的迹，d(.)表示将向量转化为对角线矩阵；Ινχι、Ιμχι者卩是元素全为1的向量； [0061 ]采用下述公式计算参数〇，
[0062] ο=μΥ-Αμχ
[0063] 采用下述公式计算参数σ2，
[0064]
[0065] 采用下述公式计算参数γ，
[0066] γ =1-Μρ/Μ
[0067] 采用模型参数公式计算〇;
[0068] 第四子模块，用于判别收敛条件，包括计算当前的参数L，当满足J = Jmax或者仏-1^。1(1)/1。1(1彡￡时，结束迭代，命令第六模块工作，其中1^为预设的最大迭代次数，￡是收敛阈 值;否则，J = J+1，命令第二子模块工作；
[0069]所述参数L的计算公式如下，
[0070]
[0071]其中，Loid表示上一次计算得到的L;
[0072]第六模块，用于重新计算特征点集Y*ym是特征点集Χ*χη的匹配点的后验概率 Pmn，并根据阈值判断二者是否互为匹配点，实现如下，
[0073]将第五模块中求解的模型参数代入后验概率数学模型，计算得到特征点集Y*ym 是特征点集X中Xn的匹配点的后验概率Pmn;当Pmn彡threshold时，则认为ym与Xn互为匹配点； 当PmXthreshold时，则认为ym与Xn不互为匹配点，其中threshold为预设的判断阈值。
[0074] 而且，第一模块的工作方式为，通过基础的直方图均衡算法对图像A和B进行直方 图均衡，然后利用Sobel算子对直方图均衡后的图像进行边缘提取，最后采用对比度限制直 方图均衡算法对边缘提取后的图像进行图像增强，得到图像A和B的边缘图像A'和B'。
[0075] 本发明提出了一种基于特征导向高斯混合模型和边缘图像的图像配准技术方案。 该技术方案首先提取两幅待匹配图像的边缘图像，然后对边缘图像分别提取相应的特征点 集，对其中的一个特征点集应用高斯混合模型，并约束模型中各高斯分布的中心和局部特 征与另一个特征点集相适应。该技术方案利用一个统一的最大似然估计框架和迭代期望最 大化(EM)算法进行求解，并利用相对确信的特征对应关系进行初始化。本技术方案针对待 匹配图像之间存在仿射变换的情况进行了建模，相较于之前最优的方法鲁棒性、准确性更 佳，尤其在数据退化严重的情况下表现稳定。
【具体实施方式】
[0076] 下面通过实施例对本发明的技术方案作进一步具体的说明。
[0077] 本发明注意到，点匹配作为基于特征的方法的基础，其应用是非常广泛的，线和区 域可以看作是点的集合。本发明运用基于特征点匹配的方法来实现图像的配准。基于点特 征的匹配方法最关键的部分是特征匹配，它包括建立可靠一致的特征点对应关系和寻找特 征点集之间的的空间变换关系。
[0078] 在本发明中提出用于图像精确配准的特征导向的高斯混合模型。这种新的构建方 式能够充分利用图像特征点的相似度信息和局部特征信息。该方法首先提取两幅待匹配视 网膜图像的边缘图像，然后对边缘图像分别提取相应的特征点集，对其中的一个特征点集 应用高斯混合模型，并约束模型中各高斯分布的中心和局部特征与另一个特征点集相适 应。该方法利用一个统一的最大似然估计框架和迭代期望最大化(EM)算法进行求解，并利 用相对确信的特征对应关系进行初始化，求解过程中使用的图像映射方法为仿射映射。
[0079] 本发明提出了一种基于特征导向高斯混合模型和边缘图像的图像配准方法，包括 以下步骤：
[0080] 步骤1，计算待匹配的两幅图像A和B的边缘图像，实现如下：
[0081] 通过基础的直方图均衡算法对图像A和B进行直方图均衡，建议均衡为均值μ〇 = 128、方差σ〇 = 60的高斯分布;然后利用Sobel算子对直方图均衡后的图像进行边缘提取，最 后采用对比度限制直方图均衡算法(CLAHE)对边缘提取后的图像进行图像增强，得到图像A 和B的边缘图像Α'和Β'；基础的直方图均衡算法（即一般的普通直方图均衡算法)和对比度 限制直方图均衡算法为现有技术，本发明不予赘述。
[0082] 步骤2，提取边缘图像A '和B '的特征点集，实现如下：
[0083]利用SIFT(尺度不变特征转换)算法对边缘图像Α'和Β'进行特征点提取，分别得到 特征点集{X，Sx}，{Y，Ry}。其4
%特征点的坐标集，为便于表达起 见，后续步骤直接用X、Y表示特征点集，N、M分别为图像A'和B'中找到的特征点的数目， 3特征点集相对应的特征描述向量集，n = I，2，...，N，m=l, 2.. ..,M；
[0084]步骤3,根据特征描述向量集Sx、Ry设定GMM模型的隶属度Jimn，实现如下：
[0085] 计算Sx中每一个特征描述向量~与1中每一个特征描述向量^的欧氏距离;对于S x 中任一个特征描述向量8"，分别寻找Ry中与其欧氏距离最近的两个的特征描述向量(设R y中 与~最近的一个特征描述向量为^)，求取这两个特征描述向量到sn欧氏距离之比，如果该 比值小于等于预设的阈值T，则设定JT in = T：，jTmn=(l-T：)/(N-l)，其中m=l，2, . . . ,M且m乒i; 如果欧氏距离之比大于预设的阈值T，则设定1=1/^，其中m=l，2，...，M;
[0086] 模型的隶属度，指Ry中第m个特征描述向量与Sx中第η个特征描述向量的 隶属度，τ是算法的参数。
[0087]这样通过欧氏距离比判断某个特征向量与另一个集合里所有特征向量匹配的可 能性，可能性足够高的把其隶属度设为τ，其余的设为（1-τ)/(Ν-1)，如果不能肯定，则平均 处理，取隶属度1/Ν。
[0088] 步骤4,建立待匹配图像间几何变换相应的模型，实现如下，
[0089] 针对待匹配图像间的仿射变换，建立变换数学模型如下，
[0090] y = t(x) =Ax+o
[0091] 其中，x和y分别是图像A和图像B上像素的坐标向量，t(x)表示仿射变换关系，A是 一个2 X 2的仿射矩阵，〇是一个2 X 1的矩阵，表示待匹配图像间的平移；
[0092] 根据以上模型，特征点集Y中特征描述向量ym是特征点集X中特征描述向量Xn的匹 配点的后验概率PM 1有如下后验概率数学模型：
[0093]
[0094]其中，丫和〇均为模型参数，e为数学常量，a为图像的像素总数，Jimk为隶属度，k=l， 2.. . . , N ；
[0095] 步骤5,通过最优化方法求解步骤4中的模型参数Α、ο、γ、〇,包括以下子步骤，
[0096] 步骤5.1，初始化，包括令参数 γ =〇.9，A=l2x2,o = 0，pmn = 3Tmn(m=l，2, · · ·，Μ;η = 1，2,. . .，Ν)，令当前迭代次数J = I，采用下述模型参数公式计算〇，
[0097]
[0098]
[0099] 步骤5.2,根据当前的模型参数Α、ο、γ、〇,更新矩阵Ρ，包括定义矩阵P为一个MXN 的矩阵，采用步骤4中所述后验概率数学模型，计算P矩阵中的每个元素 pmn(m=l，2,. . .，Μ;η =I，2，. . .，Ν);第一次执行步骤5.2根据初始化的参数初值更新，后续执行步骤5.2时根据 上一次迭代时所得参数更新；
[0100] 步骤5.3,计算参数Α、ο、γ、〇,如下，
[0101] 采用下述公式计算参数Α，
[0102]
[0103] tr(.)为矩阵的迹，d(.)表示将向量转化为对角线矩阵；Ινχι、Ιμχι者卩是元素全为1的向量。
[0104] 采用下述公式计算参数〇，
[0105] ο=μγ-Αμχ
[0106] 采用下述公式计算参数〇2，
[0107]
[0108] 采用下述公式计算参数γ，
[0109] γ =1-Μρ/Μ
[0110] 步骤5.4，判别收敛条件，包括计算当前的参数1^，当满足1 = 1111￡?或者(1^-1^1(〇/1。1(] 时，结束迭代，进入步骤6, Jmax为预设的最大迭代次数，ε是收敛阈值，具体实施时，本领
域技术人员可自行预设Jmax和ε取值；否则，J = J+1，返回步骤5.2;所述参数L的计算公式如 下，
[0111]
[0112]其中，Uid表示上一次计算得到的L;
[0113] 步骤6,重新计算特征点集Y*ym是特征点集Χ*χη的匹配点的后验概率pmn，并根据 阈值判断二者是否互为匹配点，实现如下，
[0114] 将所述步骤5中求解的模型参数代入步骤4中所述后验概率数学模型，计算得到特 征点集Y中ym是特征点集X中Xn的匹配点的后验概率Pmn ;当Pmn多thresho I d时，则认为ym与Xn 互为匹配点；当Pmn〈threshold时，则认为ym与Xn不互为匹配点，其中threshold为预设的判 断阈值。具体实施时，本领域技术人员可自行预设阈值取值。
[0115] 具体实施时，本发明所提供方法可基于软件技术实现自动运行流程，也可采用模 块化方式实现相应系统。本发明实施例还相应提出一种基于特征导向GMM和边缘图像的图 像配准系统，包括以下模块，
[0116] 第一模块，用于计算待匹配的两幅图像A和B的边缘图像，得到边缘图像A'和B'； [0117]第二模块，用于提取边缘图像A '和B '的特征点集，得到特征点集
M分别为图像A '和B '中找到的特征点的数目， 寺征点集相对应的特征描述向量集； LU'na」弟二模块，用f很据特征描述向量集Sx、Ry设定GMM模型的隶属度Jimn，实现方式如 下，
[0119] 计算Sx中每一个特征描述向量S1^Ry中每一个特征描述向量^的欧氏距离;对于S x 中任一个特征描述向量8"，分别寻找Ry中与其欧氏距离最近的两个的特征描述向量，求取这 两个特征描述向量到8"欧氏距离之比；设R y中与Sn最近的一个特征描述向量为ri，如果所 求比值小于等于预设的阈值T，则设定3T in = T：，jTmn= (l-τ)/(N-I)，其中m=l，2, ...，IVLEim^ i;如果欧氏距离之比大于预设的阈值T，则设定Jimn=IVN,其中m=l，2,...，M;
[0120] 第四模块，用于建立待匹配图像间几何变换相应的模型，实现如下，
[0121] 针对待匹配图像间的仿射变换，建立变换数学模型如下，
[0122] y = t(x) =Ax+o
[0123] 其中，x和y分别是图像A和图像B上像素的坐标向量，t(x)表示仿射变换关系，A是 一个2 X 2的仿射矩阵，〇是一个2 X 1的矩阵，表示待匹配图像间的平移；
[0124] 特征点集Y*ym是特征点集Χ*χη的匹配点的后验概率Pmn有如下后验概率数学模 型，
[0125]
[0126] 其中，γ和σ均为模型参数，e为数学常量，a为图像的像素总数；
[0127] 第五模块，用于通过最优化方法求解模型参数Α、ο、γ、〇，包括以下子模块，
[0128] 第一子模块，用于初始化，包括令参数γ =0.9，A=l2 X2?〇 = 0?pmn = ^mn?ITl=l , 2,. . .，M，n = l，2,. . .，N，令当前迭代次数J = I，采用下述模型参数公式计算〇，
[0129；
[0130；
[0131] 第二子模块，用于根据当前的模型参数Α、ο、γ、〇,更新矩阵Ρ，包括定义矩阵P为一 个MXN的矩阵，采用后验概率数学模型，计算P矩阵中的每个元素 pmn，m=l，2，...，M，n=l， 2 , . . . , N ；
[0132] 第三子模块，用于计算参数Α、ο、γ、〇,如下，
[0133] 采用下述公式计算参数Α，
[0134]
[0135] tr(.)为矩阵的迹，d(.)表示将向量转化为对角线矩阵；Ινχι、Ιμχι者卩是元素全为1的向量；
[0136] 采用下述公式计算参数〇，
[0137] ο=μγ-Αμχ
[0138] 采用下述公式计算参数〇2，
[0139]
[0140] 采用下述公式计算参数γ，
[0141] γ =1-Μρ/Μ
[0142] 采用模型参数公式计算σ;
[0143] 第四子模块，用于判别收敛条件，包括计算当前的参数L，当满足J = Jmax或者仏-1^。1(1)/1。1(1彡￡时，结束迭代，命令第六模块工作，其中1^为预设的最大迭代次数，￡是收敛阈 值;否则，J = J+1，命令第二子模块工作；
[0144]
[0145]
[0146]其中，Uid表示上一次计算得到的L;
[0147] 第六模块，用于重新计算特征点集Y中特征点^是特征点集X中特征点&的匹配点 的后验概率Pmn，并根据阈值判断二者是否互为匹配点，实现如下，
[0148] 将第五模块中求解的模型参数代入后验概率数学模型，计算得到特征点集Y*ym 是特征点集X中Xn的匹配点的后验概率Pmn;当Pmn彡threshold时，则认为ym与Xn互为匹配点； 当PmXthreshold时，则认为ym与Xn不互为匹配点，其中threshold为预设的判断阈值。
[0149 ]各模块具体实现可参见相应步骤，本发明不予赘述。
[0150] 选取RANSAC、VFC、CI3D方法与本发明进行图像匹配效果的对比，选取了 512 X 640分 辨率下的120对图像进行匹配。对比结果如下表，其中平均正确匹配数是指该方法在多个实 验中给出的正确匹配点对数目的平均值，平均正确率是指该方法多个实验中给出的匹配点 对中是正确匹配点对的比例；可以看到本方法在发现的正确匹配点数最多的情况下同时也 保证了最高的正确率。
[0151] 方法效果对比表
[0154]本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领 域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似方式替代， 但并不会偏离本发明的精神或超越所附权利要求书所定义的范围。
【主权项】
1. 一种基于特征导向GMM和边缘图像的图像配准方法，其特征在于:包括w下步骤， 步骤1，计算待匹配的两幅图像A和B的边缘图像，得到边缘图像A'和B'； 步骤2，提取边缘图像A '和B '的特征点集，得到特征点集分别为图像A'和B'中找到的特征点的数目为特征点集相对应的 特征描述向量集； 步骤3,根据特征描述向量集Sx、Ry设定GMM模型的隶属度JImn，实现方式如下， 计算Sx中每一个特征描述向量Sn与Ry中每一个特征描述向量rm的欧氏距离;对于Sx中任 一个特征描述向量Sn，分别寻找Ry中与其欧氏距离最近的两个的特征描述向量，求取运两个 特征描述向量到Sn欧氏距离之比；设Ry中与Sn最近的一个特征描述向量为ri，如果所求比值 小于等于预设的阔值T，则设定3Tin=T，JTmn=(l-T)/(N-l)，其中m=l，2, . . .，M且m声i;如果 欧氏距离之比大于预设的阔值T，则设定^n=l/N，其中m=l，2,. . .，M; 步骤4,建立待匹配图像间几何变换相应的模型，实现如下， 针对待匹配图像间的仿射变换，建立变换数学模型如下， y = t(x) =Ax+o 其中，X和y分别是图像A和图像B上像素的坐标向量，t(x)表示仿射变换关系，A是一个2 X 2的仿射矩阵，0是一个2 X 1的矩阵，表示待匹配图像间的平移； 特征点集Y中ym是特征点集X中Xn的匹配点的后验概率pmn有如下后验概率数学模型，其中，丫和0均为模型参数，e为数学常量，a为图像的像素总数； 步骤5,通过最优化方法求解模型参数A、o、丫、0,包括W下子步骤， 步骤 5.1，初始化，包括令参数丫 =0.9，A=l2X2,O = 0，Pmn = 3Tmn，m=l,2,...,M，n=l,2.. ..，N，令当前迭代次数J = l，采用下述模型参数公式计算曰，其中，全部后验概率的总兩步骤5.2,根据当前的模型参数A、o、丫、0,更新矩阵P，包括定义矩阵P为一个MXN的矩 阵，采用步骤4中所述后验概率数学模型，计算P矩阵中的每个元素 pmn，m=l，2，...，M，n = l，2.. ..,Ν； 步骤5.3,计算参数Α、ο、丫、ο，如下， 采用下述公式计算参数Α，其中，矩阵t:r(.)为矩阵的迹，d(.)表示将向量转化为对角线矩阵；Inxi、Imxi者鳩元素全为1的向量； 采用下述公式计算参数0， 〇 = μ^Αμχ 采用下述公式计算参数曰2，采用下述公式计算参数丫， 丫 = 1-Μρ/Μ 采用步骤5.1中模型参数公式计算曰； 步骤5.4，判别收敛条件，包括计算当前的参数L，当满足J = Jmax或者化-L。ld)/L。ld《ε 时，结束迭代，进入步骤6,其中Jmax为预设的最大迭代次数，ε是收敛阔值;否则，J = J+1，返 回步骤5.2; 所述参数L的计算公式如下，其中，Loid表示上一次计算得到的レ 步骤6,重新计算特征点集Y中ym是特征点集X中Xn的匹配点的后验概率pmn，并根据阔值 判断二者是否互为匹配点，实现如下， 将所述步骤5中求解的模型参数代入步骤4中所述后验概率数学模型，计算得到特征点 集Y中ym是特征点集X中Xn的匹配点的后验概率Pmn ;当Pmn> thresho 1 d时，则认为ym与Xn互为 匹配点；当Pmn<threshold时，则认为ym与Xn不互为匹配点，其中threshold为预设的判断阔 值。2. 根据权利要求1所述基于特征导向GMM和边缘图像的图像配准方法，其特征在于：步 骤1的实现方式为，通过基础的直方图均衡算法对图像A和B进行直方图均衡，然后利用 Sobel算子对直方图均衡后的图像进行边缘提取，最后采用对比度限制直方图均衡算法对 边缘提取后的图像进行图像增强，得到图像A和B的边缘图像A '和B '。3. -种基于特征导向GMM和边缘图像的图像配准系统，其特征在于:包括W下模块， 第一模块，用于计算待匹配的两幅图像A和B的边缘图像，得到边缘图像A'和B'； 第二模块，用于提取边缘图像A'和B'的特征点集，得到特征点集X = h,KL，Υ = ， Ν、Μ分别为图像A'和Β'中找到的特征点的数目，Sf =h,：C,，Ry 为特征点集相对应 的特征描述向量集； 第立模块，用于根据特征描述向量集Sx、Ry设定GMM模型的隶属度JImn，实现方式如下， 计算Sx中每一个特征描述向量Sn与Ry中每一个特征描述向量rm的欧氏距离;对于Sx中任 一个特征描述向量Sn，分别寻找Ry中与其欧氏距离最近的两个的特征描述向量，求取运两个 特征描述向量到Sn欧氏距离之比；设Ry中与Sn最近的一个特征描述向量为ri，如果所求比值 小于等于预设的阔值τ，则设定3Tin=T，JTmn=(l-T)/(N-l)，其中m=l，2, . . .，M且m声i;如果 欧氏距罔之比大于预设的阔值T,则设走3Tmn= 1/N,其中m= 1,2,. . . ,Μ; 第四模块，用于建立待匹配图像间几何变换相应的模型，实现如下， 针对待匹配图像间的仿射变换，建立变换数学模型如下， y = t(x)=Ax+o 其中，X和y分别是图像A和图像B上像素的坐标向量，t(x)表示仿射变换关系，A是一个2 X 2的仿射矩阵，0是一个2 X 1的矩阵，表示待匹配图像间的平移； 特征点集Y中ym是特征点集X中Xn的匹配点的后验概率pmn有如下后验概率数学模型，其中，丫和0均为模型参数，e为数学常量，a为图像的像素总数； 第五模块，用于通过最优化方法求解模型参数A、o、丫、0,包括W下子模块， 第一子模块，用于初始化，包括令参数丫 =0.9，A=l2X2,O = 0，Pmn = 3Tmn，m=l，2, . . .，M， n = l，2,. . .，N，令当前迭代次数J = l，采用下述模型参数公式计算曰，其中，全部后验概率的总和第二子模块，用于根据当前的模型参数A、0、丫、0,更新矩阵P，包括定义矩阵P为一个Μ ΧΝ的矩阵，采用后验概率数学模型，计算Ρ矩阵中的每个元素 Pmn，m=l，2, . . .，Μ，η=1， 2,...,Ν； 第Ξ子模块，用于计算参数Α、ο、丫、0,如下， 采用下述公式计算参数Α，付（.）为矩阵的迹，d(.)表示将向量转化为对角线矩阵；Ινχι、Ιμχι者鳩元素全为1的向量； 采用下述公式计算参数0， 〇 = μ^Αμχ 采用下述公式计算参数曰2，采用下述公式计算参数丫， 丫 = 1-Μρ/Μ 采用模型参数公式计算曰； 第四子模块，用于判别收敛条件，包括计算当前的参数L，当满足J = Jmax或者化-Uld)/ 时，结束迭代，命令第六模块工作，其中Jmax为预设的最大迭代次数，ε是收敛阔值;否 则，J = J+1，命令第二子模块工作； 所述参数L的计算公式如下，其中，Loid表示上一次计算得到的レ 第六模块，用于重新计算特征点集Y中ym是特征点集X中Xn的匹配点的后验概率pmn，并根 据阔值判断二者是否互为匹配点，实现如下， 将第五模块中求解的模型参数代入后验概率数学模型，计算得到特征点集Y中ym是特征 点集X中Xn的匹配点的后验概率Pmn;当Pmn^threshold时，现J认为ym与Xn互为匹配点；当Pmn< t虹eshold时，则认为ym与Xn不互为匹配点，其中threshold为预设的判断阔值。4.根据权利要求3所述基于特征导向GMM和边缘图像的图像配准系统，其特征在于:第 一模块的工作方式为，通过基础的直方图均衡算法对图像A和B进行直方图均衡，然后利用 Sobel算子对直方图均衡后的图像进行边缘提取，最后采用对比度限制直方图均衡算法对 边缘提取后的图像进行图像增强，得到图像A和B的边缘图像A '和B '。
【文档编号】G06T3/00GK105938615SQ201610201334
【公开日】2016年9月14日
【申请日】2016年4月1日
【发明人】马泳, 马佳义, 黄珺, 樊凡, 张灿, 梅晓光
【申请人】武汉熹光科技有限公司