基于特征点图像配准方法应用研究.docVIP

基于特征点图像配准方法应用研究 　　【摘要】针对常用的图像配准技术配准精度不高的问题，本文首先采用RANSAC算法剔除SURF算法初匹配中的误匹配对，再在初次提纯的匹配对中进行欧氏距离排序，提取距离最小的有限匹配对作为最终的匹配结果。通过实验表明该方法配准精度高，效果好，为后续图像的融合拼接打下良好的基础。 　　【关键词】RANSAC算法；SURF算法；图像配准 　　引言 　　随着传感器技术和计算机计算能力的提高，图像处理技术在社会生活中的应用越来越广泛。但是由于客观问题及图像传感器本身的局限性等会造成采集到的图像模糊、不完整等问题，因此采用图像处理技术对图像进行配准拼接处理获取完整的图片或者较宽视觉的图片就非常必要。本文采用基于SURF算法二次匹配法，对图像的特征点进行配准，配准精度得到明显的提高。 　　1、基于SURF算法初匹配存在问题的分析和解决方法 　　SURF算法[1]一般用特征矢量间的欧氏距离作为待配准图像的匹配判断矢量。匹配就是对于图像A中某个特征点，找出图像B中与它欧氏距离最近的特征点，简单地说，如果最近的距离小于某个阀值，则认为这两个点被匹配。 　　令A图像中的特征点描述子集为基准集，B图像中的特征点描述子集为目标集，通过欧式距离相似度判定度量，对每个qj我们在基准集中都能找到与其欧式距离最近的pi，这样qj和pi就构成一个匹配对。虽然匹配对中的两个特征点描述子的欧式距离最近，但这并不意味着它们对应相同的图像区域。在正确的匹配对中的两个特征点描述子的欧式距离会很小，理想状况下为零。但是当qj与基准集中多个点的欧氏距离相近的时候，在判断时qj与它最近邻构成的匹配对就有可能是错误的匹配。 　　上述的分析表明，采用SURF算法对图像进行匹配，对于特征丰富的图像，往往得到数以百计的特征点匹配对，而且具有一定的误差性，存在错误的匹配对。因此就需要后续的检验过程，提高配准精度。 　　配准后的图像要转换到同个坐标下，才能进行拼接融合。这就涉及到图像变换模型。从图像变换模型的要求[2]中，我们知道，只要有3对对应的匹配对，我们就可以计算出两幅图像间的变??关系。在此我们先采用RANSAC算法消除错误匹配提高配准精度，以便得到更加精确的变换参数矩阵，便于后期的融合拼接。 　　2、基于RANSAC剔除误匹配提高配准精度的实现方法 　　随机抽样一致性RANSAC[3]（Random Sample Consensus）是一种估计数学模型的参数迭代算法，它的主要思路是通过采样和验证的策略，求解大部分样本（在本节中指的是经过SURF算法初步匹配的匹配点）都能满足的数学模型的参数。 　　众所周知，确定直线方程需要两个数据点，所以RANSAC每次随机抽取样本点是2个。得到直线方程后，计算数据集中其他点到该直线的距离，如果距离小于阀值的点被认为是内点，否则被认为是外点。然后统计符合该直线方程的内点数量，如此不断重复采样和验证，我们便可以估计出很多直线方程参数。最终具有最多内点的直线就被认为是最佳的数学模型估计。RANSAC的中心思想就是将数据分为内点和外点。在RANSAC算法中主要是采样估计次数，距离阀值的设定。 　　本文两次提纯匹配对的具体实现步骤如下： 　　数据集合是通过SURF算法初匹配得到的匹配对组成的，为了降低计算时间，提高模型参数求解速度，我们采用的是6参数的仿射变换模型。因此需要至少3对的匹配点数据才能求出仿射变换模型的参数。 　　1）确定RANSAC采样次数N。设n是确定模型参数的最少点数，而要确定图像仿射变换参数模型至少需要3个匹配对，所以取n=3。设P是表示采样的3个点都是内点的概率，一般保证P大于95%就能满足实际应用。为了提高配准精度，我们将该值设置为0.98。设w为样本中内点的比例取w=0.6（内点的比例为60%），设不包含外点的比率为好样本，则要在N次的采样中取得所有样本为好样本需要满足： 　　2）初次提纯距离阀值设定。在实际应用中，距离阀值通常是靠经验选取的。一般取值范围是0.0001-0.1，本文将阀值设定为0.0001。通过与阀值比较确定内点和外点。 　　3）再次比较提纯。经过RANSAC提纯后的内点，再次进行欧式距离排序，选取欧式距离最小的前M对匹配点。（M的选取可以根据配准下一步图像变换矩阵的需要来确定，本文实验取M=15）。 　　3、本文方法的流程图 　　到此本文针对图像的配准环节所使用的方法和改进的实现流程总结如图4-1所示。 　　4、实验结果与分析 　　采用本文提出的配准方法对采集来的不完整的图像进行实验，该实验在MATLAB平台上进行。按照本文分析总结得出的算法对图像进行的实验结果如下： 　　1）采用SURF算法提取特征点： 　　2）欧氏距离初匹配。