基于灰度子集合划分的曲线自动匹配方法

摘要

本发明涉及一种基于灰度子集合划分的曲线自动匹配方法，包括：采集图像并输入计算机，提取图像中的曲线段，确定曲线支撑区域，对曲线支撑区域进行子集合划分，计算支撑区域内各点的特征向量，计算子区域均值描述向量与标准差描述向量，计算曲线匹配描述子，进行曲线匹配。本发明提供的方法能够克服已有方法对图像形变敏感的问题，具有更好的匹配性能。

主权项

一种基于灰度子集合划分的曲线自动匹配方法，其特征在于，包括步骤：步骤S1：从不同角度拍摄同一场景两幅不同图像并输入计算机；步骤S2：利用Canny边缘检测算子分别对两幅图像进行曲线段检测；步骤S3：对于两幅图像中任一条曲线C，按照下述方式确定其支撑区域：记曲线C由m个点组成，对组成曲线C的任一点Pi，i＝1，2，...，m，将Pi为圆心，R为半径的圆形区域定义为点Pi的支撑区域，记为G(Pi)；曲线C上所有点的支撑区域覆盖的区域定义为曲线C的支撑区域，记为G(C)＝G(P1)∪G(P2)∪...∪G(Pm)；步骤S4：对于两幅图像中任一条曲线C，按照下述方式对其支撑区域进行子集合划分：假设曲线C的支撑区域G(C)包含n个像素，各像素点的灰度值进行升序排列，根据灰度大小将区域G(C)中包含的n个像素点划分为N个子集合：Gk＝{xj：tk‑1≤I(xj)≤tk}，1≤k≤N，I表示像素灰度值，阈值tk的确定原则是保证每个子集合包含的像素点个数相等；步骤S5：对于两幅图像中任一条曲线C，按照下述步骤为其构造曲线匹配描述子：步骤S51：对于曲线支撑区域内任一点P0，顺时针考虑P0的8个邻域点P1，P2，...，P8，其中P1为8个邻域点中灰度值最大的点，按下述方式计算点P0的8维描述向量：V＝[V1，V2，...，V8]，其中 V i = 1 , I ( Pi ) - I ( P 0 ) / I ( P 0 ) > T - 1 , I ( P 0 ) - I ( Pi ) / I ( P 0 ) > T 0 , otherwise , 其中I(Pi)表示Pi处的灰度值，阈值T取0.01‑0.15；步骤S52：将曲线的支撑区域G(C)中包含的像素点按步骤S4所述方式划分为子集合Gk，k＝1，2，...，N后，对其中任一子集合Gk，记步骤S51获得的曲线支撑区域G(C)中各点的8维描述向量分别为V1，V2，...，Vn/N，分别计算各描述向量的均 值描述向量Mk＝Mean{V1，V2，...，Vn/N}与标准差描述向量Sk＝Std{V1，V2，...，Vn/N}，其中Mean表示计算各描述向量的均值，Std表示计算各描述向量的标准差；步骤S53：将步骤S52获得的各子集合的均值描述向量M1，M1，...，MN与标准差描述向量S1，S1，...，SN分别组成一个向量，获得区域G(C)的均值描述向量M＝[M1，M1，...，MN]与标准差描述向量S＝[S1，S1，...，SN]；分别对均值描述向量M与标准差描述向量S进行归一化，获得曲线C的均值标准差描述向量MS＝[M/||M||，S/||S||]，对MS进行归一化获得曲线匹配描述子Des(C)＝MS/||MS||；步骤S6：利用步骤S53获得的曲线匹配描述子并基于双向匹配原则进行曲线匹配，具体方式如下：对于第1幅图像中的一条曲线C，如果在第2幅图像所有曲线中C′是与C的描述子之间欧式距离最小的曲线，同时在第1幅图像所有曲线中C是与C′的描述子之间欧式距离最小的曲线，则C，C′确定为一对匹配曲线。