一种基于线性特征的联合图像复原和匹配方法及系统与流程

本发明属于图像处理
技术领域：
，更具体地，涉及一种基于线性特征的联合图像复原和匹配方法及系统。
背景技术：
：图像匹配是视觉导航系统中的核心技术，对提高导航精度起到关键作用。在视觉导航系统中，摄像机不断拍摄实时图像，将实时图像和存储的参考图像进行场景匹配，可以获得准确的位置信息。图像匹配算法一般分为基于特征的方法和基于像素的方法。基于特征的图像匹配算法分为两步，第一步是在实时图像和参考图像提取特征，第二步是基于两组特征进行比较相似性得到匹配结果。该类算法主要研究工作在于提取不同的特征，比如针对点特征的sift特征、surf特征、susan特征，针对线特征的canny特征和正交瘠波特征等。实验表明，基于特征的图像匹配算法具有一定的图像仿射变换不变性，但是当实时图像和参考图像存在噪声和模糊的情况时，该类算法很难提取到准确对应的特征向量，因此匹配结果不理想。基于像素的图像匹配算法是在参考图像上用滑动窗提取不同图像块和实时图像进行比对，因为直接使用所有像素，所以对存在噪声和模糊的情况可以得到更好的匹配结果。该类算法主要研究工作在于如何准确计算像素的相似性，比如有选择性相关系数、互相关系数等。最近，saiyang等人将稀疏表达应用于图像匹配中，该方法可以提高算法的实时性，具有一定的抗噪声和抗遮挡。然而，上述图像匹配算法都是假定实时图像不存在模糊情况。在实际应用中，由于图像系统内在和外在的原因，图像在形成、记录、处理和传输过程中不可避免会有模糊等退化问题，这使得图像匹配成为一个极具挑战性的问题。论文“jointimagerestorationandmatchingbasedondistance-weightedsparserepresentation”公开了一种针对模糊实时图像的联合图像复原和匹配的方法，大致方案是当正确估计模糊核，复原后的图像可以由字典最稀疏表达，同时稀疏表示系数也能定位目标的位置。一方面，稀疏表示先验可以有效约束可能的清晰图像的解空间；另一方面，更好地复原图像将有助于稀疏表示，获得更好的稀疏表达系数，从而得到更好的定位精度。由于实时图像存在模糊，该方案基于图像一维像素向量计算加权稀疏系数，存在大量图像模糊引入的噪声信息影响，使得稀疏系数计算不准确，导致最终图像复原和匹配结果准确度下降。技术实现要素：针对现有的技术缺陷，本发明的目的在于提供一种针对实时图像存在模糊的图像匹配方法，旨在解决现有方法中存在图像模糊引入的噪声信息使得稀疏系数计算不准确导致匹配精度低的问题。一种基于线性特征的联合图像复原和匹配方法，包括以下步骤：(1)输入步骤：输入参考图像i和模糊实时图像y；(2)像素字典矩阵d构建步骤：在参考图像i中滑动提取与模糊实时图像y大小相同的图像块，将单个图像块的像素拉伸为列向量，再将所有图像块的像素列向量排列构成像素字典矩阵d；(3)线性特征字典矩阵df构建步骤：基于像素字典矩阵d构建表征其线性特征的映射矩阵t，进而得到线性特征字典矩阵df；(4)初始化清晰实时图像x步骤：将模糊实时图像y的像素拉伸为列向量v1，向量v1和映射矩阵t相乘得到线性特征列向量v2；结合线性特征列向量v2和线性特征字典矩阵df计算模糊实时图像y的加权稀疏系数；稀疏系数与像素字典矩阵d相乘得到初始化清晰实时图像x；(5)迭代复原和匹配步骤：基于清晰实时图像x和模糊实时图像y计算模糊核；依据模糊核更新清晰实时图像x；将更新的清晰实时图像x的像素拉伸为列向量v3，向量v3和映射矩阵t相乘得到线性特征列向量v4；结合线性特征列向量v4和线性特征字典矩阵df计算清晰实时图像x的加权稀疏系数；重复步骤(5)，直到达到预定迭代次数；(6)匹配结果输出步骤：选出清晰实时图像x的加权稀疏系数中最大分量，其对应像素字典矩阵d中的元素在参考图像i中的位置即为最终匹配结果。进一步的，所述线性特征字典矩阵df构建步骤的具体实现方式为：计算像素字典矩阵d中列向量的协方差矩阵m；求解协方差矩阵m的特征值和特征向量；筛选m个特征值，该m个特征值之和与所有特征值之和的比值大于预定阈值；提取这m个特征值对应的特征向量组成映射矩阵t；将d乘以t得到线性特征字典矩阵df。进一步的，所述线性特征字典矩阵df构建步骤的具体实现方式为：将像素字典矩阵d中的元素转成二维图像，记为ai,i＝1,2,…,n，n为字典元素个数；按照公式计算图像的总体散布矩阵gt，计算gt的特征值和特征向量；筛选m个特征值，该m个特征值之和与所有特征值之和的比值大于预定阈值；提取这m个特征值对应的特征向量组成映射矩阵t1，计算线性映射特征图fi＝ai·t1,i＝1,2,…,n；计算总体散布矩阵计算gf的特征值和特征向量；筛选n个特征值，该n个特征值之和与所有特征值之和的比值大于预定阈值；提取这n个特征值对应的特征向量组成映射矩阵t2，计算最终线性映射特征图di＝t2t·fi,i＝1,2,…,n，将di转成列向量构成线性特征字典矩阵df。进一步的，所述初始化清晰实时图像x步骤的具体实现方式为：(4-1)将模糊实时图像y按照行优先顺序拉伸成像素列向量v1，向量v1和映射矩阵t相乘得到列向量v2；(4-2)计算列向量v2和字典矩阵df中每一个列向量的欧氏距离w1，将欧氏距离w1作为加权系数计算向量v2在字典矩阵df上的稀疏表达，得到稀疏系数α1；(4-3)稀疏系数α1和像素字典矩阵d相乘得到初始化清晰实时图像x.进一步的，所述基于清晰实时图像x和模糊实时图像y计算模糊核的具体实现方式为：模糊核其中，f(·)是快速傅里叶变换，f(·)-1是快速傅里叶逆变换，是f(·)的复数共轭，系数γ取值0.003～0.007，i为单位矩阵，是矩阵点乘。进一步的，所述依据模糊核更新清晰实时图像x的具体实现方式为：根据目标函数：引入一个辅助变量u，则目标函数为：其中，k是上一步估计的模糊核，y是模糊实时图像，d是像素字典矩阵，e1＝[1,-1],e2＝[1,-1]t，η,τ和β是权重参数；以目标函数最小化求解得到清晰实时图像x。进一步的，采用交替最小化的方法来求解清晰实时图像x，每次迭代中先固定u来优化x，再固定x来优化u；固定u优化x：通过求解下面目标函数来优化x：上面目标函数的解是：再固定x来优化u：求解u：一种基于线性特征的联合图像复原和匹配系统，包括以下模块：输入模块，用于输入参考图像i和模糊实时图像y；像素字典矩阵d构建模块，用于在参考图像i中滑动提取多个与模糊实时图像y大小相同的图像块，将单个图像块的像素拉伸为列向量，再将所有图像块的像素列向量排列构成像素字典矩阵d；线性特征字典矩阵df构建模块，用于基于像素字典矩阵d构建表征其线性特征的映射矩阵t，进而得到线性特征字典矩阵df；初始化清晰实时图像x模块，用于将模糊实时图像y的像素拉伸为列向量v1，向量v1和映射矩阵t相乘得到线性特征列向量v2；结合线性特征列向量v2和线性特征字典矩阵df计算模糊实时图像y的加权稀疏系数；稀疏系数与像素字典矩阵d相乘得到初始化清晰实时图像x；迭代复原和匹配模块，用于基于清晰实时图像x和模糊实时图像y计算模糊核；依据模糊核更新清晰实时图像x；将更新的清晰实时图像x的像素拉伸为列向量v3，向量v3和映射矩阵t相乘得到线性特征列向量v4；结合线性特征列向量v4和线性特征字典矩阵df计算清晰实时图像x的加权稀疏系数；重复迭代复原和匹配模块，直到达到预定迭代次数；匹配结果输出模块，用于选出清晰实时图像x的加权稀疏系数中最大分量，其对应像素字典矩阵d中的元素在参考图像i中的位置即为最终匹配结果。通过本发明所构思的以上技术方案，与现有技术相比，本发明具有以下有益效果：本发明基于线性特征的联合图像复原和匹配方法，由于构造线性映射矩阵，提取主要线性特征用于计算初始化清晰实时图像和加权稀疏系数，起到了减轻图像模糊带来的干扰，去除大量无用的信息，保持用稀疏系数重构清晰实时图像的线性关系的作用，具有提高图像复原和匹配准确性的技术效果，同时可以降低算法计算量，提高算法实时性。按照一种较佳实施方式，分析构造一维向量的线性映射矩阵，由于筛选特定的特征值，提取对应的特征向量组成线性映射矩阵，起到了筛选主要信息，去除干扰信息的作用。按照一种较佳实施方式，分析构造二维图像的线性映射矩阵，由于分别对二维图像的行和列构造线性映射矩阵，总散布矩阵和二维图像维度相同，起到保持图像空域的主要特征，减小计算特征值和特征根的难度，具有提高算法准确性和实时性的技术效果。附图说明图1是线性特征的联合图像复原和匹配方法流程图。图2是线性特征的联合图像复原和匹配方法原理图。具体实施方式为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。以下首先对本发明用到的术语进行解释和说明。图像复原：图像复原是数字图像处理重要的领域之一，广泛应用于航空航天、天文观测、医学图像诊断等领域。由于图像系统内在和外在的原因，图像在形成、记录、处理和传输过程中不可避免会有噪声和模糊等退化问题，所以需要对图像进行复原。图像复原试图利用退化现象的某种先验知识来重建或复原被退化的图像，因此复原技术就是把退化模型化，并且采用相反的过程进行处理，以便复原出原图像。一般图像退化过程可以被模型化为一个退化函数和一个加性噪声项，对一幅输入图像f(x,y)进行处理，产生一幅退化图像g(x,y)。给定g(x,y)和关于退化函数h的一些知识以及外加噪声项η(x,y)，图像复原的目的是获得关于原始图像的近似估计如果系统h是一个线性、位置不变性的过程，那么在空间域中给出的退化图像可以由下式给出：g(x,y)＝h(x,y)*f(x,y)+η(x,y)根据是否已知模糊卷积核，图像复原主要分为非盲反卷积图像复原算法和盲反卷积图像复原算法。图像匹配：图像匹配算法一般分为基于特征的方法和基于像素的方法。基于特征的图像匹配算法分为两步，第一步是在实时图像和参考图像提取特征，第二步是基于两组特征进行比较相似性得到匹配结果。该类算法主要研究工作在于提取不同的特征，比如针对点特征的sift特征、surf特征、susan特征，针对线特征的canny特征和正交瘠波特征等。基于像素的图像匹配算法是在参考图像上用滑动窗提取不同图像块和实时图像进行比对，因为直接使用所有像素，所以对存在噪声和模糊的情况可以得到更好的匹配结果。该类算法主要研究工作在于如何准确计算像素的相似性，比如有选择性相关系数、互相关系数等。稀疏表达：稀疏表达假定数据可以基于字典，表示成一部分元素的线性组合。给定数据x∈rm，字典d＝[d1,d2,…,dn]∈rm×n,m≤n，我们可以基于稀疏表达得到：上述模型得到给定的x基于字典d最稀疏的表达。对常规非正交和非过完备的字典d，上述模型求解是np难问题，所以一般采用l1正则化提到l0正则化进行求解。基于拉格朗日对偶算法，可以转化成下式进行求解：图1给出本发明较佳的一种实施方式，具体包括以下步骤：(1)输入步骤：输入参考图像i和模糊实时图像y；(2)构建像素字典矩阵d：(2-1)在参考图像i上采用滑动窗按照特定步长提取图像块b，提取的图像块b长宽和实时图像y相同；(2-2)将图像块b的像素按照行优先顺序拉伸成一个像素列向量v；(2-3)将所有图像块拉伸成的像素列向量组成一个矩阵，即是像素字典矩阵d；(3)构建线性特征字典矩阵df步骤：第一种实施方式：基于像素字典矩阵d构建表征其线性特征的映射矩阵t，像素字典矩阵d乘以映射矩阵t，得到线性特征字典矩阵df，更具体的较佳实施方式为：(3-1)计算像素字典矩阵d的协方差矩阵m；(3-2)采用特征值分解求解协方差矩阵m的特征值；(3-3)选取m个特征值，这m个特征值的和除以所有特征值的和大于0.9，取出这m个特征值对应的特征向量组成映射矩阵t；(3-4)像素字典矩阵d乘以映射矩阵t，得到线性特征字典矩阵df。第二种实施方式：(3-1)将像素字典矩阵d中的元素转成二维图像，记为ai,i＝1,2,…,n，n为字典元素个数；按照公式计算图像的总体散布矩阵gt，计算gt的特征值和特征向量；(3-2)筛选m个特征值，该m个特征值之和与所有特征值之和的比值大于预定阈值；提取这m个特征值对应的特征向量组成映射矩阵t1，计算线性映射特征图fi＝ai·t1,i＝1,2,…,n；(3-3)计算总体散布矩阵计算gf的特征值和特征向量；筛选n个特征值，该n个特征值之和与所有特征值之和的比值大于预定阈值；提取这n个特征值对应的特征向量组成映射矩阵t2，计算最终线性映射特征图di＝t2t·fi,i＝1,2,…,n，将di转成列向量构成线性特征字典矩阵df。(4)初始化清晰实时图像x：将模糊实时图像y的像素拉伸为列向量v1，向量v1和映射矩阵t相乘得到线性特征列向量v2；结合线性特征列向量v2和线性特征字典矩阵df计算模糊实时图像y的加权稀疏系数；稀疏系数与像素字典矩阵d相乘得到初始化清晰实时图像x，更具体的较佳实施方式为：(4-1)将模糊实时图像y按照行优先顺序拉伸成像素列向量v1，向量v1和映射矩阵t相乘得到降维的列向量v2；(4-2)计算向量v2和字典矩阵df中每一个列向量的欧氏距离w1，把欧氏距离w1作为加权系数计算向量v2在字典矩阵df上的稀疏表达，得到稀疏系数α；(4-3)选定n个稀疏系数分量，这n个稀疏系数分量的和除以所有稀疏系数分量的和大于预定阈值(譬如0.95)，将这n个稀疏系数分量和字典矩阵df中对应元素相乘得到初始化清晰实时图像x。(5)迭代复原和匹配步骤：设定迭代次数t；基于清晰实时图像x和模糊实时图像y计算模糊核；依据模糊核更新清晰实时图像x；将更新的清晰实时图像x的像素拉伸为列向量v3，向量v3和映射矩阵t相乘得到线性特征列向量v4；结合线性特征列向量v4和线性特征字典矩阵df计算清晰实时图像x的加权稀疏系数；重复步骤(5)，直到达到预定迭代次数。计算模糊核k：按照公式计算模糊核k，其中x是清晰实时图像，y是模糊实时图像，f(·)是快速傅里叶变换，f(·)-1是快速傅里叶逆变换，是f(·)的复数共轭，γ可以取0.005，i为单位矩阵，ο是矩阵点乘更新清晰实时图像x：根据目标函数引入一个辅助变量u，则目标函数为：其中，k是上一步估计的模糊核，y是模糊实时图像，d是像素字典矩阵，e1＝[1,-1],e2＝[1,-1]t,s＝0.5,β＝0.015,η＝1,τ＝1.4。我们采用交替最小化的方法来求解，基本思想是迭代求解，每次迭代中先固定u来优化x，再固定x来优化u。优化x：固定u，通过求解下面目标函数来优化x：上面目标函数的解是：优化u:固定x，求解u：计算加权稀疏系数，包括以下步骤将估计清晰实时图像x按照行优先顺序拉伸成列向量v3，向量v3和映射矩阵t相乘得到降维的列向量v4；计算向量v4和字典矩阵df中每一个列向量的欧氏距离w2，把欧氏距离w2作为加权系数计算向量v2在字典矩阵df上的稀疏表达，得到稀疏系数α(6)匹配结果输出步骤：稀疏系数α中最大分量对应像素字典矩阵d中元素在参考图像中的位置就是最终匹配结果。实例：为了对比本发明和其他方法的差异，进行如下实验。给定3张600*600尺寸的参考图像，在每张图像上随机取100个相同的坐标作为中心点提取49*49尺寸的图片作为实时图像，对实时图像添加高斯模糊，高斯模糊的标准差为1到5，设定滑动窗提取字典图像的步长为1，采用不同方法进行实验。将实时图像匹配坐标和实际坐标之间的像素差之和记为pd，统计pd小于不同特定阈值的样本比例。如下表1是基于加权距离的联合图像复原和匹配算法实验结果，表2是本发明的基于线性特征的联合图像复原和匹配结果，可以看出当高斯模糊的标准差为1时，两种方法的匹配精度相同。但是随着高斯模糊的标准差逐渐增大，基于加权距离的联合图像复原和匹配算法的匹配精度急剧下降，当高斯模糊标准差为5时，pd<＝6的样本比例为0.62。基于线性特征的联合图像复原和匹配虽然也会有一定的精度下降，但是匹配精度比前者高很多，当高斯模糊标准差为5时，pd<＝6的样本比例为0.9767。pd<＝0pd<＝1pd<＝2pd<＝3pd<＝4pd<＝5pd<＝6σ＝11111111σ＝20.94330.98670.99330.99330.99330.99330.9933σ＝30.43000.81000.91330.94000.94330.94330.9433σ＝40.14000.46000.67670.76670.80670.81330.8133σ＝50.03000.16330.34670.47330.55670.60000.6200表1基于加权距离的联合图像复原和匹配方法实验结果pd<＝0pd<＝1pd<＝2pd<＝3pd<＝4pd<＝5pd<＝6σ＝10.9900111111σ＝20.91000.980011111σ＝30.62670.90000.99001111σ＝40.27670.68670.91670.9800111σ＝50.12670.42330.72000.87670.93670.95670.9767表2基于线性特征的联合图像复原和匹配实验结果本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。当前第1页12