基于特征的圖像配準(zhǔn)關(guān)鍵技術(shù)研究.pdf

1、圖像配準(zhǔn)是指，對(duì)來(lái)自于不同時(shí)間、不同方位，或者不同的傳感器作用下拍攝的同一場(chǎng)景的兩幅圖像或多幅圖像進(jìn)行映射、對(duì)齊、疊加或者拼接的過(guò)程。一直以來(lái)，圖像配準(zhǔn)都是計(jì)算機(jī)視覺(jué)、模式識(shí)別、醫(yī)學(xué)圖像處理和遙感領(lǐng)域的熱點(diǎn)。圖像配準(zhǔn)技術(shù)可廣泛應(yīng)用于：多源遙感數(shù)據(jù)的融合分析，復(fù)雜場(chǎng)景下的小目標(biāo)運(yùn)動(dòng)跟蹤檢測(cè)，圖像拼接，地景與地圖的匹配，基于模板匹配的目標(biāo)識(shí)別和高程重建等方面。根據(jù)使用的方法不同，圖像配準(zhǔn)可以分為兩個(gè)大的類別，基于區(qū)域或者灰度的方法以及基于特

2、征的方法。其中，基于特征的方法在較為廣泛的領(lǐng)域內(nèi)取得了應(yīng)用，在圖像發(fā)生光照變化、剛性變換甚至仿射變換時(shí)都具有較高的魯棒性和運(yùn)算效率。
　　本文研究了基于特征的圖像配準(zhǔn)工作中的關(guān)鍵技術(shù)，著重圍繞特征提取、特征描述和變換矩陣估計(jì)三個(gè)問(wèn)題進(jìn)行了深入的分析和研究，主要?jiǎng)?chuàng)新性成果如下：
　　提出了一種基于墨西哥帽函數(shù)的特征檢測(cè)算子，在其基礎(chǔ)之上提出了基于特征點(diǎn)分組和匹配的圖像配準(zhǔn)算法。首先使用墨西哥帽檢測(cè)算子進(jìn)行圖像局部區(qū)域特征的提取

3、，并對(duì)局部區(qū)域特征進(jìn)行初步匹配操作。然后使用該算子在尺度空間上進(jìn)行特征點(diǎn)的檢測(cè)，將獲得的特征點(diǎn)按照?qǐng)D像局部區(qū)域特征進(jìn)行分組，在已經(jīng)匹配成功的局部區(qū)域內(nèi)進(jìn)行特征點(diǎn)集的匹配操作。最后使用隨機(jī)采樣一致性檢驗(yàn)進(jìn)行誤匹配點(diǎn)的刪除和圖像變換矩陣估計(jì)。
　　提出了一種基于局部二值模式的特征點(diǎn)描述方法。通過(guò)同值分割吸收核對(duì)特征點(diǎn)進(jìn)行篩選，將符合同值分割吸收核判定的點(diǎn)定義為同值分割點(diǎn)。對(duì)同值分割點(diǎn)使用多層的統(tǒng)一局部二值模式進(jìn)行描述，該描述方法稱為同

4、值分割局部二值模式描述子。該描述子結(jié)構(gòu)簡(jiǎn)單，易于實(shí)現(xiàn)，大大降低了局部二值模式描述子的特征描述維度。
　　基于最近鄰的特征點(diǎn)描述方法存在對(duì)特征點(diǎn)描述不夠精確的缺點(diǎn)，并且基于最近鄰的特征點(diǎn)匹配算法在外點(diǎn)剔除的過(guò)程中，運(yùn)算復(fù)雜度較高。針對(duì)這些問(wèn)題，提出了一種基于特征點(diǎn)空間結(jié)構(gòu)的特征點(diǎn)描述方法。首先利用距離上的投票策略對(duì)特征點(diǎn)進(jìn)行初步的匹配，對(duì)匹配成功的內(nèi)點(diǎn)集合取其均值，將該均值點(diǎn)定義為全局參照點(diǎn)。將全局參照點(diǎn)與特征點(diǎn)之間的位置關(guān)系作為特

5、征點(diǎn)的屬性之一，按照人工神經(jīng)網(wǎng)絡(luò)中的排列順序編碼定義特征點(diǎn)間的連接權(quán)值和排列順序，以此達(dá)到對(duì)特征點(diǎn)的描述。該描述方法稱為全局參照角序列描述子。最后，提出了一種結(jié)合DAIS Y描述子和全局參照角序列描述子的圖像配準(zhǔn)算法。
　　圖像配準(zhǔn)目標(biāo)函數(shù)的估計(jì)可以轉(zhuǎn)化為一個(gè)包含兩部分最優(yōu)解的目標(biāo)函數(shù)優(yōu)化問(wèn)題。目標(biāo)函數(shù)的兩部分最優(yōu)解，一個(gè)是最大數(shù)量的匹配特征點(diǎn)對(duì)，一個(gè)是最高精度的圖像變換矩陣?？梢允褂脙煞N不同的特征點(diǎn)描述方法來(lái)對(duì)這兩部分進(jìn)行分別求