一種mser+pso的分步式異源圖像配準(zhǔn)算法【
技術(shù)領(lǐng)域：
】[0001]本發(fā)明屬于圖像配準(zhǔn)
技術(shù)領(lǐng)域：
，涉及一種MSER+PS0的異源圖像配準(zhǔn)算法?！?br>背景技術(shù)：
】[0002]圖像配準(zhǔn)廣泛應(yīng)用于多源數(shù)據(jù)融合、圖像鑲嵌、目標(biāo)變化檢測(cè)、目標(biāo)識(shí)別等實(shí)際問(wèn)題中，然而圖像配準(zhǔn)的精度和實(shí)時(shí)性始終無(wú)法得到有效地解決，尤其是異源圖像的配準(zhǔn)，一直是配準(zhǔn)領(lǐng)域的難點(diǎn)。[0003]圖像配準(zhǔn)的方法一般分為兩類，基于特征的方法和基于區(qū)域的方法?；谔卣鞯姆椒ㄋ俣瓤?，但配準(zhǔn)精度低，只有特征點(diǎn)像素參與計(jì)算，一般用于同源圖像的配準(zhǔn);而基于區(qū)域的方法精度高，但配準(zhǔn)速度慢，多用于異源圖像的配準(zhǔn)。而基于區(qū)域的方法，如基于灰度的配準(zhǔn)方法通常不需要對(duì)圖像做特征提取，而是直接利用整幅圖像的灰度信息，建立兩幅圖像之間的相似性度量(如互信息、互相關(guān)等），然后采用某種搜索優(yōu)化方法，尋找使相似性度量值最大或最小的變換模型的參數(shù)值。因?yàn)槔昧巳康膱D像灰度信息，所以估計(jì)的精度和魯棒性比較高。但在這種方法中，整幅圖像的數(shù)據(jù)都要參與運(yùn)算，因此其計(jì)算量很大，配準(zhǔn)時(shí)間長(zhǎng)。以上問(wèn)題使得異源圖像的配準(zhǔn)問(wèn)題仍然需要好的方法和途徑。目前解決此問(wèn)題的方法有:①在采用基于灰度的配準(zhǔn)方法時(shí)，改進(jìn)某種搜索優(yōu)化方法，如改進(jìn)蟻群算法、遺傳算法或粒子群算法，尋找使相似性度量值最大或最小的變換模型的參數(shù)值，這種方法可在一定程度上提高配準(zhǔn)的實(shí)時(shí)性;②為突破某一種或某一類方法的局限性，將兩種特征或兩種方法相結(jié)合。如將SIFT描述信息通過(guò)PCA進(jìn)行主成分配準(zhǔn)，比方法①更具有實(shí)時(shí)性;或先后采用特征點(diǎn)的方法和蟻群優(yōu)化的方法配準(zhǔn)，也獲得了比方法①更好的實(shí)時(shí)性。兩類方法都在一定程度上提高了配準(zhǔn)的實(shí)時(shí)性，但配準(zhǔn)的精度并有待進(jìn)一步提高?！?br/>發(fā)明內(nèi)容】[0004]鑒于此，本發(fā)明提出一種MSER(MaximallyStableExtremalRegions，MSER)+PS0(ParticleSwarmsOptimization，PS0)的分步式異源圖像配準(zhǔn)算法，主要針對(duì)參考圖像和待配準(zhǔn)圖像間是仿射變換(即存在平移、旋轉(zhuǎn))的情況。[0005]為了解決上述技術(shù)問(wèn)題，本發(fā)明是這樣實(shí)現(xiàn)的：[0006](1)將參考圖像R和待配準(zhǔn)圖像S通過(guò)MSER方法得到最大穩(wěn)定極值區(qū)域；[0007](2)僅在步驟（1)得到的最大穩(wěn)定極值區(qū)域內(nèi)提取特征點(diǎn)，并選取距離重心最遠(yuǎn)的η個(gè)點(diǎn)作為特征點(diǎn)，n>3;然后采用基于特征的配準(zhǔn)方法進(jìn)行配準(zhǔn)，得到初次配準(zhǔn)圖像S1;[0008](3)將參考圖像R和步驟(2)得到的初次配準(zhǔn)圖像S1進(jìn)行1/2下采樣；[0009](4)將步驟(3)下采樣后的圖像通過(guò)一次粒子群搜索PS0,粒子群搜索的初值球形空間Ao=[0,0,0]，搜索半徑為r=5,得到次優(yōu)值1=!^,^^：]:;其中4表示初次水平位移的估計(jì)值，向右為正；&表示初次垂直位移的估計(jì)值，向下為正；I表示初次旋轉(zhuǎn)角度估計(jì)值，且以圖像幾何中心為原點(diǎn)，順時(shí)針旋轉(zhuǎn)為正。（5)對(duì)參考圖像R和步驟(2)得到的初次配準(zhǔn)圖像S1提取二值邊緣圖像;然后找出離邊緣d〈D的像素點(diǎn)，D為5,得到邊緣區(qū)域掩膜，用得到的邊緣區(qū)域掩膜提取原始圖像的邊緣區(qū)域，配準(zhǔn)所用圖像即為邊緣區(qū)域圖像；[0010](6)將(5)中的兩幅邊緣區(qū)域圖像上通過(guò)二次粒子群搜索，這次粒子群搜索的初值球形空間義=[24,2/,.(),4)]以=5，得到最優(yōu)值』=[^,^^其中1表示最終水平位移的估計(jì)值，^表示最終垂直位移的估計(jì)值，向上為正；#表示最終旋轉(zhuǎn)角度估計(jì)值。方向定義同⑷。[0011]有益效果：[0012]本發(fā)明分步式優(yōu)化搜索算法的出發(fā)點(diǎn)是結(jié)合基于特征和基于灰度兩種配準(zhǔn)方法的優(yōu)點(diǎn)。首先采用基于特征點(diǎn)的配準(zhǔn)方法初配，盡量減小待配準(zhǔn)圖像和參考圖像間的變換尺度，并得到初次配準(zhǔn)后的圖像S1;再將S1作為待配準(zhǔn)圖像，和參考圖像R采用粒子群優(yōu)化的方法進(jìn)行兩次細(xì)配。本方法充分利用了基于特征方法速度快和基于灰度精度高的特點(diǎn)，在提高配準(zhǔn)速度的同時(shí)提高了配準(zhǔn)的精度。[0013]可見，本發(fā)明同傳統(tǒng)的基于灰度的配準(zhǔn)算法相比，其參與尋找最佳匹配點(diǎn)的方法不是通過(guò)遍歷所有的像素，而是分步進(jìn)行的。首先利用基于特征點(diǎn)的方法初配，減小待配準(zhǔn)圖像和參考圖像的差距，然后再分兩次PS0(粒子群優(yōu)化)的方式進(jìn)行細(xì)配，但兩次搜索的起點(diǎn)不同，二次粒子群搜索后即可得到匹配的最優(yōu)點(diǎn)。由于參與運(yùn)算的是邊緣區(qū)域圖像，實(shí)際參與運(yùn)算的圖像數(shù)據(jù)減少為原來(lái)的約8%~25%，配準(zhǔn)的時(shí)間也縮短為原來(lái)的約15%~40%。由于采用了兩次粒子群搜索(PS0)，配準(zhǔn)的精度可達(dá)到亞像素級(jí)?！靖綀D說(shuō)明】[0014]圖1傳統(tǒng)基于灰度配準(zhǔn)算法流程[0015]圖2為MSER+PS0異源圖像配準(zhǔn)算法的流程示意圖。[0016]圖3為PS0初值球形分布空間示意圖。[0017]圖4為邊緣掩膜提取過(guò)程【具體實(shí)施方式】[0018]根據(jù)圖像配準(zhǔn)算法的特點(diǎn)，將算法分解為6個(gè)步驟，具體來(lái)說(shuō)：[0019](1)將參考圖像R和待配準(zhǔn)圖像S通過(guò)MSER方法得到最大穩(wěn)定極值區(qū)域;MSER即最大穩(wěn)定極值區(qū)域，是一種成熟的方法。[0020](2)僅在步驟（1)得到的最大穩(wěn)定極值區(qū)域內(nèi)提取特征點(diǎn)，并選取距離重心最遠(yuǎn)的n(n>3,具體自定義)個(gè)點(diǎn)作為特征點(diǎn)，然后采用基于特征的配準(zhǔn)方法進(jìn)行配準(zhǔn)，得到初次配準(zhǔn)圖像S1。[0021](3)將參考圖像R和步驟(2)得到的初次配準(zhǔn)圖像S1進(jìn)行1/2下采樣。因?yàn)橄虏蓸雍髨D像變?yōu)樵瓉?lái)的1/4，可減小一次PS0(粒子群優(yōu)化)的時(shí)間。[0022](4)將步驟（3)下采樣后的圖像通過(guò)一次PS0(初值球形空間A〇=[0,0,0]，r=5)后，得到次優(yōu)值?〇??]。[0023](5)對(duì)參考圖像R和步驟(2)得到的初次配準(zhǔn)圖像S1提取二值邊緣圖像;然后找出離邊緣d〈D的像素點(diǎn)，得到邊緣區(qū)域掩膜，用得到的邊緣區(qū)域掩膜提取原始圖像的邊緣區(qū)域，配準(zhǔn)所用圖像即為邊緣區(qū)域圖像。邊緣圖像是整幅圖像頻率最高的部分，包含了詳細(xì)的圖像結(jié)構(gòu)信息，有助于提高圖像配準(zhǔn)的精度[0024](6)將（5)中的兩幅邊緣區(qū)域圖像上通過(guò)二次PS0(初值球形空間又=[24,2心,4]廣=5)得到最優(yōu)值2=[〈乂,句?！局鳈?quán)項(xiàng)】1.一種MSER+PSO的異源圖像配準(zhǔn)算法，其特征在于步驟如下：(1)將參考圖像R和待配準(zhǔn)圖像S通過(guò)MSER方法得到最大穩(wěn)定極值區(qū)域；(2)僅在步驟（1)得到的最大穩(wěn)定極值區(qū)域內(nèi)提取特征點(diǎn)，并選取距離重心最遠(yuǎn)的η個(gè)點(diǎn)作為特征點(diǎn)，η>3;然后采用基于特征的配準(zhǔn)方法進(jìn)行配準(zhǔn)，得到初次配準(zhǔn)圖像S1;(3)將參考圖像R和步驟(2)得到的初次配準(zhǔn)圖像S1進(jìn)行1/2下采樣；(4)將步驟(3)下采樣后的圖像通過(guò)一次粒子群搜索PS0,粒子群搜索的初值球形空間Α〇=[〇,〇,〇]，搜索半徑為r=5,得到次優(yōu)值其中L表示初次水平位移的估計(jì)值，向右為正；&表示初次垂直位移的估計(jì)值，向下為正；i表示初次旋轉(zhuǎn)角度估計(jì)值，且以圖像幾何中心為原點(diǎn)，順時(shí)針旋轉(zhuǎn)為正；(5)對(duì)參考圖像R和步驟(2)得到的初次配準(zhǔn)圖像S1提取二值邊緣圖像;然后找出離邊緣d〈D的像素點(diǎn)，D為5,得到邊緣區(qū)域掩膜，用得到的邊緣區(qū)域掩膜提取原始圖像的邊緣區(qū)域，配準(zhǔn)所用圖像即為邊緣區(qū)域圖像；(6)將步驟(5)中的兩幅邊緣區(qū)域圖像上通過(guò)二次粒子群搜索，這次粒子群搜索的初值球形空間Λ=PUg,0,4]，r=5，得到最優(yōu)值i=[(,/,>];其中4表示最終水平位移的估計(jì)值，&表示最終垂直位移的估計(jì)值，向上為正；#表示最終旋轉(zhuǎn)角度估計(jì)值;方向定義同⑷?！緦＠勘景l(fā)明屬于圖像配準(zhǔn)
技術(shù)領(lǐng)域：
，涉及一種MSER+PSO的異源圖像配準(zhǔn)算法。本發(fā)明同傳統(tǒng)的基于灰度的配準(zhǔn)算法相比，其參與尋找最佳匹配點(diǎn)的方法不是通過(guò)遍歷所有的像素，而是分步進(jìn)行的。首先利用基于特征點(diǎn)的方法初配，減小待配準(zhǔn)圖像和參考圖像的差距，然后再分兩次PSO(粒子群優(yōu)化)的方式進(jìn)行細(xì)配，但兩次搜索的起點(diǎn)不同，二次粒子群搜索后即可得到匹配的最優(yōu)點(diǎn)。由于參與運(yùn)算的是邊緣區(qū)域圖像，實(shí)際參與運(yùn)算的圖像數(shù)據(jù)減少為原來(lái)的約8％～25％，配準(zhǔn)的時(shí)間也縮短為原來(lái)的約15％～40％。同時(shí)，由于采用了兩次粒子群搜索(PSO)，配準(zhǔn)的精度可達(dá)到亞像素級(jí)?！綢PC分類】G06T7/00【公開號(hào)】CN105469417【申請(qǐng)?zhí)枴緾N201511026534【發(fā)明人】章學(xué)靜,李月琴,張軍【申請(qǐng)人】北京聯(lián)合大學(xué)【公開日】2016年4月6日【申請(qǐng)日】2015年12月30日