以下是参考文献
1.引言
SIFT、
SURF
等
斑
点
配
准 算法
需
要
构
建
复
杂
的
金
字
塔
特征
检
测尺度
空
间
, 生成高
维
的
特征
描述
向量
,
其
计
算
过程复
杂
,
计
算 时间
长
;
传统 ORB
、BRIEF等 二 进 制特征匹配算法在尺度性及旋转性上都存在一定的不足;传统 RANSAC算法稳定性低,图像变换矩阵计算精度低等。因此对图像配准拼接精度限制较大。
针对
上
述
问
题
,
本文
提出
一种
基
于
ORB
和 RANSAC融
合
改
进
的二
进
制
图 像
配
准 算
法
2.ORB特征匹配算法原理
2.1 特征点检测(FAST)
在图像
上
选
取
一点
定
义
为 P,
并
选
取
P
周
围
n
×
n
像
素范
围
作为
邻
域
范围,在邻域内以 P 点为中心画圆,半径为3,圆周所经过的像素为判定像素,按顺时针分别记录为1~16,比较 P点与16个像素灰度值大小,若有 N(N 可选9,12等值)个连续大于或小于P 的像素,则将 P点标定为候选特征点。为了加快特征角点的提取速度,首先检测1,9,5,13四个位置上的灰度值,若设置 N=9(16个圆周点中至少9个点符合判定条件),以上4个点至少3个满足判定条件(1),认定该点P 为图像特征点。 否则弃掉。
为了解决临近特征点太多,采用非极大值抑制,即采用特征点与邻域的像素点进行差值绝对值求和,然后对比一个区域里内的最大值。
2.2 特征点尺度
采用SIFT 算法尺度金字塔模型提取特征点尺度信息。图像降采样然后跟不同尺度的高斯卷积核进行卷积,构成尺度空间,有不同层,每个层有不同组。然后在每一个尺度中重复2.1的特征点检测步骤。
2.3特征点方向
通过矩
方法
计
算
以特征
点
中
心
, 以r
为
搜
索
半
径
的
图像
邻
域
范
围
内
的
灰
度
质
心
, 特征点
到
灰
度
质
心
形成
一
个
向量
OC
,
该
向量的方 向记
为
特征
点的
特征
方向
。
2.4描述特征点(描述点为二进制特征:0和1)
(
1
)
为
了减少
图像
噪
声
点的影
像
,
首
先
进行高 斯滤
波处理
(
2
)
设
置
邻
域
窗
口
,
以特征
点
P
为
中
心
,S为半径,邻域范围为S×S 的窗口。在窗口内采用高斯随机取样模式取 N对随机点(图4),比较每一对随机点的像素灰度值大小,进行如下二进制赋值
方向即与特征点确定的方向一致。
3.算法改进
3.1尺度空间改进
构
建
n
层
octave
层
,
将
初
始
图像
放
大
4
/
3
倍 作为第一
层
octave
,
记
O
1
,
第二
层
octave
层
为
第 一层
的
3
/
4
下
采
样
,
记
为
O
2
,
一
次
类
推
,
第
n
层
为 第n
-1
层
的
3
/
4
下
采
样
,
记
O
n
,
并
且
每
一
层
都
进 行不同程
度
的
高斯
模
糊
处理
,
模
糊
程
度
依次
增加。
在
简
化
的
尺度
空
间
结
构中
检
测 图像特征
点精
确
位置
和
尺度
,
特征
点的
所
在
层
及 上下
层
通过一
维
一
次
插
值
的方法
插
值
拟
合
特征 点的精确
尺 度
位 置
,
通 过 二
维
二
次
插
值
的
形 式 拟合
特征
点
所
在尺度
层
中
的精
确
坐
标
位置
。
本文简
化
的
尺度
空
间
在
保
证
点
位
提
取
精
度
的前
提下,
提高
了
特征
点
检
测
的
效
率
,
节
省
图像
配
准
所需时
间
。
3.1.2 检索具有尺度性的图像特征点
采用Harris算法,式中:(u,v)是窗口的偏移量,(x,y)是窗口内所对应的像素坐标位置,w(x,y)为检测窗口函数, I(x+u,y+v)为平移后的图像灰度图像,I(x, y)为图像灰度。
Harris
需
遍
历
整
幅图像
,
每
个
像
素
都
计
算
一个响
应值并进行比较
,
耗
时长
,
本文
进行
以下
改进:(
1
)
首
先
进行
一
次图像
预
检
测
,
剔
除
像
素
灰
度变化
较
不
明
显
的点
位
,
留
下
像
素
灰
度值
变
化较大的、可能存在特征角点的像素位置;(2)然后对保留下 的 像 素 位 置 计 算 其 Harris 响 应 值,通 过Harris判定条件选取精确的特征角点位置。
3.2 计算特征点主方向
在
圆
形
邻
域
窗
口
内计
算
特征
点的
梯
度
方向统计
直
方
图
,
计
算每
一
个
邻
域内
每
个
像
素
点的
梯
度方向和梯
度
幅
值
,
计
算
出
的
梯
度
方向是一
个
范
围
在0°~
360°
的
角
度值
,
按
10°
为
一
个
区
划
分
为
36
个区,
将
方向
分
布
统
计
成
直
方图。直方图中最高柱体为主方向范围区,通过直方图最高柱体两侧柱体拟合精确主方向位置。
4.改进的RANSAC算法
针对需要全局计算,计算量大,并且正确的数据对要大于错误的数据对;
(1)分成一个个小模块
(
2
)
按
顺序
把
分
块
编
号
1
~
c
,
剔
除
没
有点
位分布
的
块
,
统
计
结果为
P
集
合
。
(
3
)
从
P
集
合
中
随
机
选
取
4
块
区
域
,
在
每
一块区
域
中
随
机
选
择
一
组
特征
点 对
,
记
为
p
集
合
(
p
1
,
p
2
,
p
3
,
p
4
),
并
估
计
初
始
变
换
模
型
H
0
。
(
4
)
在
图像
特征
点对
集
S
(
除
去
已
经
选
中
的 p1
,
p
2
,
p
3
,
p
4
)
中
随
机
选
取
三
组
点对
,
记
为
a
集
合 (a
1
,
a
2
,
a
3
)。
(
5
)
判
定
a
集
合
中
点 对 是
否
满 足
变
换
模
型 H0
。
若
a
中
有
2
组
或
以
上
点对
满足
H
0
,
则
将此 H0
作为
候
选
变
换
模
型
,
判断
特征
点对
集
S
中
剩
余 所有点对是
否
符
合
H
0
,
若
符
合则
将
判断
点对
记 为局
内
点对
,
不
符
合则
移
除
此
点对
;
若
满足
点对
数 低于
2
组
,
删
除
此
H
0
,
并
重复
步
骤