本發(fā)明涉及圖像處理，尤其涉及一種基于特征提取的圖像匹配方法。

背景技術：

1、圖像匹配技術的應用領域十分廣泛，涉及三維重建、醫(yī)學影像分析、地圖匹配、飛行器導航、氣象預報、物體識別、圖像檢索、自動監(jiān)控、運動追蹤等多個領域。該項技術逐步擴散應用到各類領域，這也對該技術提出了更嚴格的要求，不僅要求快速而準確，還需要關注其抗干擾和魯棒性，這也是該技術的研究愈發(fā)深入的原因。

2、圖像匹配可分為基于區(qū)域、基于模板和基于特征的三類圖像匹配方法，而基于區(qū)域的匹配方法又可以劃分為基于灰度信息的和基于變換域信息的兩類圖像匹配方法。基于特征的匹配方法區(qū)別于其他匹配方法的關鍵就在“特征”二字，此方法在進行匹配之前必須經(jīng)過特征提取這一步驟，不同圖像應該根據(jù)其特有信息選取不同特征，保證特征的獨特性，以提高匹配的效率。基于特征的圖像匹配包括特征提取和特征匹配兩部分，特征提取有特征檢測、特征描述兩個過程。至今，學者們提出了較多基于特征的匹配算法?，F(xiàn)有研究提出了基于尺度特征不變性的局部特征檢測算法，即sift算法，但其高維度的描述子大大降低了特征提取的速度。因此，現(xiàn)有學者對sift算法做出了改進，提出了surf算法，增強了魯棒性，但實時性差。現(xiàn)有學者又對brief算法進行了改進，提出了orb算法，該算法解決了brief的旋轉(zhuǎn)適應性問題，同時保持了旋轉(zhuǎn)不變性且抗噪聲。其中，orb算法是一種二進制算法，占用存儲空間小，速度上有所提升，并且實時性高，目前被廣泛應用在圖像識別、圖像拼接等方面。該算法的特征點檢測是由改進后的fast算法完成，特征描述子是由改良后的brief算子完成構建的。orb算法雖然提高了匹配速度，但依然存在誤匹配的情況。因此，如何快速、準確地匹配是亟須解決的問題。

技術實現(xiàn)思路

1、本發(fā)明針對提高匹配速率以及現(xiàn)有圖像匹配存在誤匹配問題，提出一種基于特征提取的圖像匹配方法，所述方案具體包括：

2、一種基于特征提取的圖像匹配方法，所述方法包括：

3、s1：獲取參考圖像和待匹配圖像，并對所述參考圖像和待匹配圖像進行預處理；

4、s2：對預處理后的參考圖像和待匹配圖像進行分區(qū)處理，對分區(qū)處理后的圖像進行區(qū)域匹配；

5、s3：采用fast算法分別提取區(qū)域匹配后的參考圖像的特征點和待匹配圖像的特征點，并利用ldb描述子對參考圖像的特征點和待匹配圖像的特征點進行特征描述，獲取參考圖像特征點的二進制描述子和待匹配圖像特征點的二進制描述子；

6、s4：將參考圖像特征點的二進制描述子和待匹配圖像特征點的二進制描述子進行暴力匹配；

7、s5：采用改進的ransac算法剔除錯誤匹配的特征點；

8、s6：采用四分位距對改進的ransac算法剔除后的特征點進一步剔除，獲取最終匹配結果。

9、進一步的，還提出一種優(yōu)選方式，所述步驟s1中的預處理包括圖像去噪和銳化處理。

10、進一步的，還提出一種優(yōu)選方式，所述步驟s2包括：將圖像進行1×2分區(qū)、2×2分區(qū)、3×3分區(qū)以及4×4分區(qū)。

11、進一步的，還提出一種優(yōu)選方式，所述步驟s3中利用ldb描述子對參考圖像的特征點和待匹配圖像的特征點進行特征描述，包括：

12、將參考圖像的特征點和待匹配圖像的特征點進行灰度處理，獲取參考圖像特征點的灰度信息和待匹配圖像特征點的灰度信息；

13、將參考圖像特征點的灰度信息和待匹配圖像特征點的灰度信息加入水平梯度和垂直梯度；

14、在參考圖像的特征點區(qū)域和待匹配圖像的特征點區(qū)域劃分為n×n大小的子網(wǎng)格，對每個子網(wǎng)格像素平均灰度信息和梯度信息進行計算：

15、

16、其中，為第 i個子網(wǎng)格的像素平均灰度值， m為每個子網(wǎng)格中像素點的個數(shù)， dx( i)為 x方向的梯度值， dy( i)分別為 y方向的梯度值；

17、比較每對子網(wǎng)格的平均灰度和梯度信息，獲取參考圖像和待匹配圖像的二進制描述子。

18、進一步的，還提出一種優(yōu)選方式，所述步驟s4包括：計算參考圖像特征點的二進制描述子和待匹配圖像特征點的二進制描述子的距離。

19、進一步的，還提出一種優(yōu)選方式，所述步驟s5包括：

20、s51：隨機選取兩個樣本點，記為樣本點一和樣本點二；

21、s52：計算樣本點一和樣本點二的中點（ x’, y’），獲取參考圖像中距離中點最遠的匹配點，設為樣本中點一；

22、s53：計算樣本點一、樣本點二和樣本中點一的重心點（ x”, y”），獲取參考圖像中距離重心點最遠的點，設為樣本點三，樣本點一、樣本點二和樣本點三為前三個匹配樣本點；

23、s54：計算重心點（ x”, y”）和樣本點三的中點，并重復步驟s52至步驟s53，獲取第四個樣本點，即獲得4組匹配樣本點對；

24、s55：計算變換矩陣，通過變換矩陣判斷所有樣本點中符合匹配條件的點，符合匹配條件的點為內(nèi)點；反之，則為外點；

25、s56：重復進行采樣迭代，當所有樣本點完成迭代時，獲得最佳變換矩陣，完成剔除。

26、進一步的，還提出一種優(yōu)選方式，所述步驟s6包括：

27、計算每個匹配對的歐氏距離并對距離排序，排序后的距離集合為d=[ d1 ,d2 ,...,? dn]；

28、根據(jù)排序后的距離集合計算第一四分位數(shù)和第三四分位數(shù)；

29、根據(jù)第一四分位數(shù)和第三四分位數(shù)計算四分位距；

30、根據(jù)四分位距設定上下界，將上下界之外的匹配對剔除，獲取最終匹配結果。

31、基于同一發(fā)明構思，本發(fā)明還提出一種基于特征提取的圖像匹配系統(tǒng)，所述系統(tǒng)包括：

32、預處理單元，用于獲取參考圖像和待匹配圖像，并對所述參考圖像和待匹配圖像進行預處理；

33、分區(qū)單元，用于對預處理后的參考圖像和待匹配圖像進行分區(qū)處理，對分區(qū)處理后的圖像進行區(qū)域匹配；

34、特征提取單元，用于采用fast算法分別提取區(qū)域匹配后的參考圖像的特征點和待匹配圖像的特征點，并利用ldb描述子對參考圖像的特征點和待匹配圖像的特征點進行特征描述，獲取參考圖像特征點的二進制描述子和待匹配圖像特征點的二進制描述子；

35、暴力匹配單元，用于將參考圖像特征點的二進制描述子和待匹配圖像特征點的二進制描述子進行暴力匹配；

36、剔除單元，用于采用改進的ransac算法剔除錯誤匹配的特征點；

37、匹配結果獲取單元，用于采用四分位距對改進的ransac算法剔除后的特征點進一步剔除，獲取最終匹配結果。

38、基于同一發(fā)明構思，本發(fā)明還提出一種計算機設備，包括存儲器和處理器，所述存儲器中存儲有計算機程序，當所述處理器運行所述存儲器存儲的計算機程序時，所述處理器執(zhí)行根據(jù)上述中任一項中所述的一種基于特征提取的圖像匹配方法。

39、基于同一發(fā)明構思，本發(fā)明還提出一種計算機可讀存儲介質(zhì)，該計算機可讀存儲介質(zhì)上存儲有計算機程序，該計算機程序被處理器運行時執(zhí)行如上述任一項所述的一種基于特征提取的圖像匹配方法的步驟。

40、本發(fā)明的有益之處在于：

41、本發(fā)明所提出的一種基于特征提取的圖像匹配方法，通過圖像分區(qū)，使得從每個區(qū)域提取的特征點可以保證最大程度上使用圖像上的信息；使用ldb描述子對特征點進行描述，在灰度信息的基礎上加入梯度約束信息，保證描述子的唯一性，使orb算法的特征描述更具有區(qū)分度；通過改進的ransac算法和iqr剔除誤匹配點，一定程度上提高了orb算法的匹配準確率。

42、本發(fā)明所提出的一種基于特征提取的圖像匹配方法，對參考圖像和待匹配圖像進行預處理，以增強圖像的特征。將處理后的圖像分割成小區(qū)域，這種分區(qū)方法有助于減少全局匹配的復雜度，使匹配更加高效。使用fast算法對每個區(qū)域提取關鍵點，能夠快速識別圖像中的顯著特征點，避免了對整個圖像的密集掃描，從而提高了匹配速率。使用ldb描述子對每個特征點進行描述，提高匹配能力，適合于快速匹配應用場景。將提取的二進制描述子進行暴力匹配，快速找出候選匹配點。對于初步匹配的特征點，采用改進的ransac算法進行進一步篩選，以剔除誤匹配的特征點。改進的ransac算法能夠在存在局外點（誤匹配點）的情況下，有效地估計模型參數(shù)。使用四分位距對經(jīng)過ransac剔除后的特征點進行進一步篩選，識別數(shù)據(jù)中的異常值，進一步減少誤匹配，提高最終匹配結果的準確性。

43、本發(fā)明應用于圖像匹配領域。