基于特征密度聚类与正态分布变换的侧扫声呐配准方法

基于特征密度聚类与正态分布变换的侧扫声呐配准方法
【技术领域】
[0001] 本发明涉及图像配准技术领域，特别涉及基于特征密度聚类与正态分布变换的侧 扫声呐配准方法。
【背景技术】
[0002] 图像配准是将传感器在不同位置获取的图像转换到同一坐标系下的技术。通过图 像配准获取的信息可用于水下航行器感知周围环境，能有效提高水下航行器的自主感知能 力。水下环境由于其能见度低、无光照、会对水下照明系统发生散射等特点，传统的光学传 感器用于水下图像获取存在许多挑战。由于侧扫声呐不受这些光学因素影响，使用它进行 水下图像获取越来越受到重视，侧扫声呐配准技术也相应发展起来。
[0003]目前，用于声呐图像配准的方法主要有两种：基于特征的方法和基于区域的方法。 基于特征的方法用于图像中特征点较多且图像是连续帧的情况，例如Harris角点检测算 法(NegahdaripourS，Onprocessingandregistrationofforward-scanacoustic videoimagery,ComputerandRobotVision，2005)和SIFT(ScaleInvariantFeature Transform)结合RANSAC(RANdomSAmpleConsensus)的算法（NegahdaripourS,Dynamic sceneanalysisandmosaicingofbenthichabitatsbyfssonarimaging-issues andcomplexities，InProceedingsof0CEANS，2011)。但是这些方法在特征点数较少或 者匹配成功的特征数较少时配准结果较差。为了解决基于特征的方法在配准声呐图像时存 在的问题，基于区域的配准方法被用于声呐图像配准。基于区域的配准方法把整幅图像作 为处理对象，如相位相关法。但是这种方法只适用于旋转角小的情况。
[0004] AUV(AutonomousUnderwaterVehicle)搭载侧扫声呐提取周围环境信息，通过配 准声呐图像获取水下全局地形地貌，提高AUV对环境的感知能力，而如何快速有效地配准 侧扫声呐图像是目前亟待解决的主题。

【发明内容】

[0005] 本发明针对现有技术中的不足，提出一种基于特征密度聚类与正态分布变换的 侧扫声呐配准方法。首先使用均值滤波器对待配准的侧扫声呐图像进行滤波，在此基础 上计算图像的梯度，并使用基于密度的空间聚类方法DBSCAN(Density-BasedSpatial ClusteringofApplicationswithNoise)对梯度图像中的像素点进行聚类得到图像特征 点，最后使用正态分布变换NDT算法（NormalDistributedTransform)优化特征点，得到 两幅图像的配准关系。该技术方法可应用于海底地形地貌探测、AUV自主导航和图像处理 等领域。
[0006] 基于特征密度聚类与正态分布变换的侧扫声呐配准方法具体包括下列步骤：
[0007] 步骤一，中值滤波器处理原始侧扫声呐图像。
[0008] 原始侧扫声呐图像中有噪声，首先要使用中值滤波器对声呐图像去噪处理。
[0009] 步骤二，计算梯度幅值图像。
[0010] 使用Sobel算子（Sobeloperator，索贝尔算子）计算得到梯度幅值图像。
[0011] 步骤三，阈值化梯度图像得到全部特征点。
[0012] 步骤四，使用DBSCAN聚类得到图像特征点。
[0013] DBSCAN是一种基于密度的空间聚类算法，该算法将具有足够密度的区域划分为 簇，并在具有噪声的空间数据库中发现任意形状的簇，它将簇定义为密度相连的点的最大 集合。DBSCAN算法的目的在于过滤低密度区域，发现稠密度样本点。
[0014] 步骤五，使用NDT算法（NormalDistributedTransform，正态分布变换）得到两 幅图像的配准结果。
[0015] NDT算法将二维特征点转换为分段连续可微的概率分布。对一幅有聚类特征点的 图像进行NDT处理时，首先将图像分成相同大小的栅格图像，对包含特征点的栅格单元，以 概率密度形式对其进行分段连续可微，并用正态分布表示每个栅格单元中特征点的概率分 布：
[0017] 其中，X是一个栅格单元中i个点的二维坐标，q是栅格单元中包含的特征点位置

是这些点的协方差矩阵，
[0018] 两幅图像的空间变换关系T可以表示为：
[0020]
是两幅图像的平移关系，Θ是两幅图像的旋转关系。
[0021] 其中，步骤四具体聚类过程如下：
[0022] a.扫描整个梯度图像，找到任意一个核心点，对该核心点进行扩充。扩充的方法是 寻找从该核心点出发的所有密度相连的数据点。
[0023] b.遍历该核心点邻域内的所有核心点，寻找与这些像素点密度相连的点，直到没 有可以扩充的像素点为止。最后聚类成的簇的边界节点都是非核心数据点。
[0024] c.之后就是重新扫描梯度图像（不包括之前寻找到的簇中的任何像素点），寻找 没有被聚类的核心点，再重复上面的步骤，对该核心点进行扩充直到数据集中没有新的核 心点为止。数据集中没有包含在任何簇中的数据点就构成异常点。最后的数据集就是聚类 后得到的图像特征点。
[0025] 步骤五中，配准的目的就是为了找到两幅声呐图像之间的这些变换参数。具体包 括如下步骤：
[0026] a.计算一幅声呐图像的NDT;
[0027] b.初始化平移参数和旋转参数（使用0或者里程计数据进行初始化）；
[0028] c.对于另一幅声呐图像，根据初始化参数将其变换到第一幅图像的坐标系中；
[0029] d.计算坐标变换后声呐图像中每个点的正态分布；
[0030] e.通过评价每个点的正态分布之和计算平移参数和旋转参数的分数；
[0031] f.使用Hessian矩阵法对这些分数进行优化，计算新的参数估计值；
[0032]g.返回步骤c，直到满足收敛要求。
[0035] 其中，p=(tx，ty，θ)τ，Χι'是根据坐标变换参数将第二幅图像中的点χ/变换到第 一幅图像坐标系中坐标。1和基:1分别是X' ^勺均值和协方差。上述第e步中对分数进行 优化，就是使分数score(p)最大，即-score(p)最小。牛顿迭代算法的详细操作如下：
[0036] 为了使函数f最小，在每次的迭代中要解方程：
[0037] Η Δ p = -g
[0038] 计算出的Δρ与当前参数相加，得到新的参数
[0039] ρ一ρ+ Δ ρ
[0040] ρ用0值初始化，所以此时的p=A ρ。
[0041]g是f的转置梯度：
[0043]Η是f的Hessian矩阵：
[0045] 定义：q=X'「q;，则-score(ρ)的一项可以写为：
[0047]则s的梯度值暴为：
[0049]Hessian矩阵中的每一项可以表示为：
[0051] 计算得到的Hessian矩阵对分数score(ρ)进行优化，得到新的参数估计值。新的 参数估计值代入配准步骤C，直到△P满足收敛要求。
[0052] 本发明的有益效果是：克服了基于特征点方法中由于图像特征点少而配准失败的 困难，也不存在当两幅图像旋转角度大而配准失败的问题，可广泛应用于海底地形地貌探 测、AUV自主导航和图像处理等领域。
【附图说明】
[0053] 图1为本发明流程不意图。
[0054] 图2为中值滤波图像与原图像的结果比较图。
[0055] 图3为Sobel算子计算得到梯度幅值图像。
[0056]图4为阈值化梯度图像得到全部特征点。
[0057] 图5为使用DBSCAN对图像特征点进行聚类。
[0058] 图6为配准结果图像。
【具体实施方式】
[0059] 下面结合具体实施例和附图对本发明做进一步说明。
[0060] 如图1所示，基于特征密度聚类与正态分布变换的侧扫声呐配准方法具体包括下 列步骤：
[0061] 步骤一，如图2所示，中值滤波器处理原始侧扫声呐图像：
[0062] 原始侧扫声呐图像中有噪声，首先要使用中值滤波器对声呐图像去噪处理。原图 像如图2(a) (b)所示，滤波后的结果如图2(c) (d)所示。
[0063] 步骤二，计算梯度幅值图像：
[0064] 使用Sobel算子（Sobeloperator，索贝尔算子）计算得到梯度幅值图像，结果如 图3所示。
[0065] 步骤三，如图4所示