本發(fā)明涉及圖像處理領(lǐng)域，特別是涉及一種基于聚焦性配準(zhǔn)的大尺度形變補(bǔ)償方法、裝置、設(shè)備及介質(zhì)。

背景技術(shù)：

1、圖像配準(zhǔn)(image?registration)就是將不同時(shí)間、不同傳感器(成像設(shè)備)或不同條件下(天候、照度、攝像位置和角度等)獲取的兩幅或多幅圖像進(jìn)行匹配、疊加的過(guò)程，它已經(jīng)被廣泛地應(yīng)用于遙感數(shù)據(jù)分析、計(jì)算機(jī)視覺、圖像處理等領(lǐng)域。

2、圖像配準(zhǔn)與相關(guān)是圖像處理研究領(lǐng)域中的一個(gè)典型問題和技術(shù)難點(diǎn)，其目的在于比較或融合針對(duì)同一對(duì)象在不同條件下獲取的圖像，例如圖像會(huì)來(lái)自不同的采集設(shè)備，取自不同的時(shí)間，不同的拍攝視角等等，有時(shí)也需要用到針對(duì)不同對(duì)象的圖像配準(zhǔn)問題。

3、具體地說(shuō)，對(duì)于一組圖像數(shù)據(jù)集中的兩幅圖像，通過(guò)尋找一種空間變換把一幅圖像(浮動(dòng)圖像，moving?image)映射到另一幅圖像(參考圖像，fixed?image)上，使得兩圖中對(duì)應(yīng)于空間同一位置的點(diǎn)一一對(duì)應(yīng)起來(lái)，從而達(dá)到信息融合的目的。應(yīng)用比較廣泛的配準(zhǔn)方法包括基于灰度信息的圖像配準(zhǔn)方法以等。及基于特征點(diǎn)匹配的配準(zhǔn)方法

4、然而，傳統(tǒng)的基于圖像灰度相似性統(tǒng)計(jì)的配準(zhǔn)方法存在諸多缺點(diǎn)，例如：當(dāng)面臨大尺度變形時(shí)，由于沒有考慮顯著點(diǎn)的作用，目標(biāo)函數(shù)往往會(huì)變得非凸。采用傳統(tǒng)的小更新步驟(通常用于優(yōu)化目標(biāo)函數(shù)以確保收斂穩(wěn)定性)可能會(huì)導(dǎo)致算法陷入局部極小值。傳統(tǒng)的基于特征點(diǎn)匹配的配準(zhǔn)方法同樣存在諸多缺點(diǎn)，例如：定位可靠的特征點(diǎn)是一個(gè)難點(diǎn)，平衡特征點(diǎn)的數(shù)量和質(zhì)量是一項(xiàng)挑戰(zhàn)。

5、可見，在面對(duì)大尺度變形時(shí)，由于缺乏像素間相對(duì)位移的信息，現(xiàn)有技術(shù)可能無(wú)法準(zhǔn)確補(bǔ)償變形。

技術(shù)實(shí)現(xiàn)思路

1、鑒于上述問題，本發(fā)明提供用于克服上述問題或者至少部分地解決上述問題的一種大尺度形變補(bǔ)償方法、裝置、設(shè)備及介質(zhì)。

2、本發(fā)明提供了如下方案：

3、一種大尺度形變補(bǔ)償方法，包括：

4、對(duì)固定圖像以及浮動(dòng)圖像進(jìn)行特征提取獲得特征提取結(jié)果，并采用特征匹配方法以及參數(shù)比率測(cè)試閾值結(jié)合所述特征提取結(jié)果識(shí)別獲得若干候選路線，所述候選路線為所述固定圖像中的特征點(diǎn)與所述浮動(dòng)圖像中的特征點(diǎn)之間的潛在對(duì)應(yīng)關(guān)系；

5、采用路線一致性量化模塊對(duì)若干所述候選路線的一致性進(jìn)行量化獲得一致性矩陣；所述路線一致性量化模塊用于實(shí)現(xiàn)對(duì)若干所述候選路線進(jìn)行方向一致性量化、距離一致性量化以及拓?fù)湟恢滦粤炕?/p>

6、采用聚集性聚類算法由所述一致性矩陣中確定若干聚集性路線；

7、采用路線檢查策略由若干所述聚集性路線中確定最終集體路線，所述最終集體路線用于驅(qū)動(dòng)圖像進(jìn)行大尺度變形補(bǔ)償；所述路線檢查策略用于增強(qiáng)衡量局部圖像的相似性以便排除負(fù)面貢獻(xiàn)路線；

8、利用所述最終集體路線的薄板樣條插值獲得引導(dǎo)群體的飛行場(chǎng)，所述飛行場(chǎng)為大尺度密集變形場(chǎng)；

9、利用路線停留策略結(jié)合所述飛行場(chǎng)估計(jì)獲得擴(kuò)散場(chǎng)，所述擴(kuò)散場(chǎng)為小尺度密集變形場(chǎng)；

10、將所述飛行場(chǎng)與所述擴(kuò)散場(chǎng)進(jìn)行形變場(chǎng)復(fù)合獲得遷徙場(chǎng)；所述遷徙場(chǎng)用于促進(jìn)所述浮動(dòng)圖像進(jìn)行形變，并在形變過(guò)程中對(duì)所述浮動(dòng)圖像進(jìn)行大尺度變形補(bǔ)償以及小尺度變形補(bǔ)償；

11、采用級(jí)聯(lián)遷徙框架以及所述遷徙場(chǎng)通過(guò)多次遷徙連續(xù)對(duì)所述浮動(dòng)圖像進(jìn)行變形，直至遷徙收斂后獲得目標(biāo)形變圖像。

12、優(yōu)選地：使用最寬松的比率測(cè)試確定所有具有雙射匹配的特征點(diǎn)作為所述候選路線。

13、優(yōu)選地：所述距離一致性由下式表示：

14、

15、式中：kdis∈(0,+∞]用于控制距離一致性d(i,j)的敏感性，dm表示浮動(dòng)圖像中的相對(duì)距離，df表示固定圖像中的相對(duì)距離；

16、采用基于阿瓦隆的投票方法進(jìn)行拓?fù)湟恢滦粤炕?，所述拓?fù)湟恢滦杂上率奖硎荆?/p>

17、t(i,j)＝t(i)·t(j)

18、式中：t(i)表示路線vi的路線級(jí)拓?fù)?，t(j)表示路線vj的路線級(jí)拓?fù)洌肪€vj表示路線vi的鄰居路線。

19、優(yōu)選地：t(i)由下式表示：

20、

21、式中：ktop∈(0,+∞]用于控制拓?fù)鋞(i)的敏感性，jrr(vi)表示vi相對(duì)于其鄰居的拓?fù)渥兓?/p>

22、所述jrr(vi)由下式表示：

23、

24、式中：jwithout(vi)和jwith(vi)分別表示引入vi之前和之后的拓?fù)洹?/p>

25、優(yōu)選地：所述最終集體路線由下式表示：

26、

27、式中：ci表示ωi中第i個(gè)集體路線的貢獻(xiàn)，ωi表示第i個(gè)感興趣區(qū)域。

28、優(yōu)選地：所述路線停留策略集體路線的漂移距離作為目標(biāo)函數(shù)中的懲罰項(xiàng)，由下式表示：

29、

30、式中：表示歸一化互相關(guān)相似度，表示路線停留項(xiàng)，定義為krs表示權(quán)衡相似性和懲罰的參數(shù)，表示飛行場(chǎng)，表示擴(kuò)散場(chǎng)。

31、優(yōu)選地：所述級(jí)聯(lián)遷徙收斂之前，將當(dāng)前集體路線合并到前一次集體路線中，由下式表示：

32、

33、式中：表示當(dāng)前集體路線，表示前一次集體路線。

34、一種大尺度形變補(bǔ)償裝置，其特征在于，用于執(zhí)行上述的大尺度形變補(bǔ)償方法，所述裝置包括：

35、候選路線識(shí)別單元，用于對(duì)固定圖像以及浮動(dòng)圖像進(jìn)行特征提取獲得特征提取結(jié)果，并采用特征匹配方法以及參數(shù)比率測(cè)試閾值結(jié)合所述特征提取結(jié)果識(shí)別獲得若干候選路線，所述候選路線為所述固定圖像中的特征點(diǎn)與所述浮動(dòng)圖像中的特征點(diǎn)之間的潛在對(duì)應(yīng)關(guān)系；

36、一致性矩陣獲取單元，用于采用路線一致性量化模塊對(duì)若干所述候選路線的一致性進(jìn)行量化獲得一致性矩陣；所述路線一致性量化模塊用于實(shí)現(xiàn)對(duì)若干所述候選路線進(jìn)行方向一致性量化、距離一致性量化以及拓?fù)湟恢滦粤炕?/p>

37、聚集性路線確定單元，用于采用聚集性聚類算法由所述一致性矩陣中確定若干聚集性路線；

38、最終集體路線確定單元，用于采用路線檢查策略由若干所述聚集性路線中確定最終集體路線，所述最終集體路線用于驅(qū)動(dòng)圖像進(jìn)行大尺度變形補(bǔ)償；所述路線檢查策略用于增強(qiáng)衡量局部圖像的相似性以便排除負(fù)面貢獻(xiàn)路線；

39、飛行場(chǎng)獲取單元，用于利用所述最終集體路線的薄板樣條插值獲得引導(dǎo)群體的飛行場(chǎng)，所述飛行場(chǎng)為大尺度密集變形場(chǎng)；

40、擴(kuò)散場(chǎng)獲取單元，用于利用路線停留策略結(jié)合所述飛行場(chǎng)估計(jì)獲得擴(kuò)散場(chǎng)，所述擴(kuò)散場(chǎng)為小尺度密集變形場(chǎng)；

41、遷徙場(chǎng)獲取單元，用于將所述飛行場(chǎng)與所述擴(kuò)散場(chǎng)進(jìn)行形變場(chǎng)復(fù)合獲得遷徙場(chǎng)；所述遷徙場(chǎng)用于促進(jìn)所述浮動(dòng)圖像進(jìn)行形變，并在形變過(guò)程中對(duì)所述浮動(dòng)圖像進(jìn)行大尺度變形補(bǔ)償以及小尺度變形補(bǔ)償；

42、級(jí)聯(lián)遷徙單元，用于采用級(jí)聯(lián)遷徙框架以及所述遷徙場(chǎng)通過(guò)多次遷徙連續(xù)對(duì)所述浮動(dòng)圖像進(jìn)行變形，直至遷徙收斂后獲得目標(biāo)形變圖像。

43、一種大尺度形變補(bǔ)償設(shè)備，所述設(shè)備包括處理器以及存儲(chǔ)器：

44、所述存儲(chǔ)器用于存儲(chǔ)程序代碼，并將所述程序代碼傳輸給所述處理器；

45、所述處理器用于根據(jù)所述程序代碼中的指令執(zhí)行上述的大尺度形變補(bǔ)償方法。

46、一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)用于存儲(chǔ)程序代碼，所述程序代碼用于執(zhí)行上述的大尺度形變補(bǔ)償方法。

47、根據(jù)本發(fā)明提供的具體實(shí)施例，本發(fā)明公開了以下技術(shù)效果：

48、本技術(shù)實(shí)施例提供的一種大尺度形變補(bǔ)償方法、裝置、設(shè)備及介質(zhì)，該方法將圖像中的顯著點(diǎn)視為群體中的領(lǐng)導(dǎo)者，類似于遷徙羊群中的領(lǐng)頭動(dòng)物，在引導(dǎo)整個(gè)配準(zhǔn)過(guò)程中發(fā)揮著關(guān)鍵作用。為了估算聚集性流形，按照動(dòng)物的遷徙模式將大尺度形變配準(zhǔn)分為三個(gè)部分：基于聚集性量化的路線決策、帶有聚集性保持的路線執(zhí)行以及帶有聚集性繼承的級(jí)聯(lián)遷徙。這三個(gè)部分被整合到聚集性級(jí)聯(lián)遷徙(ccm)框架中，有效地補(bǔ)償了圖像的大尺度變形。該方法能夠大幅提高補(bǔ)償大尺度形變時(shí)的配準(zhǔn)精度和魯棒性。該方法是一種通用方法，不局限于特定的特征描述符或形變模型，可輕松擴(kuò)展到其他圖像配準(zhǔn)任務(wù)。由于該方法利用聚集性運(yùn)動(dòng)的概念為大尺度形變問題提供了新的思路，將為圖像配準(zhǔn)領(lǐng)域帶來(lái)更多可擴(kuò)展空間。

49、當(dāng)然，實(shí)施本發(fā)明的任一產(chǎn)品并不一定需要同時(shí)達(dá)到以上所述的所有優(yōu)點(diǎn)。