基于K―均值聚类图像配准算法

摘要： 针对图像配准中实时性差和精度低的问题，提出了一种基于K-均值聚类的图像配准算法。该算法根据匹配点对距离和方向特征的视差约束条件，首先利用K-均值聚类对匹配点对进行预处理，剔除错误匹配点，然后利用RANSAC进行优化，实现了图像的精确配准。实验结果表明该算法不仅提高了图像配准的精确度，而且提高了图像配准的速度。

关键词： 图像配准；K-均值聚类；随机样本一致

0 引言

图像配准是确定同一场景、不同时间、不同视角或者不同成像方式的两幅图像之间的几何变换参量的过程，它是运动目标检测、图像融合中的一项关键技术。利用特征点的图像配准被广泛应用，比较广泛的Harris特征点[1]。

本文提出了一种在粗匹配中利用K-means聚类[2]的特征点匹配方法，在精匹配中利用基于RANSAC方法[3]的特征点匹配方法。

1 改进图像配准方法

设I1、I2为两幅图像的灰度，n×n是匹配窗口的大小，第一幅图像中的特征点为di，i=1，2，…，m1，第二幅图像中的特征点为dj，j=1，2，…，m2则（u其中，w=h=（n-1）/2。

Cij取值范围是（-1，1），Cij取值越大，则di和dj两个特征点相关程度就越高。匹配点集为H：

H={hk=（di，dj）}，i=1，2，…，m1，j=1，2，…，m2（2）

其中，（di，dj）为两幅待配准图像的一组匹配点对。

距离特征向量：D：D={dk=dist（di，dj）|hk=（di，dj）？奂H}（3）

2 实验结果与分析

为了验证本文算法的有效性，利用两幅发生旋转和平移的图片进行仿真验证。

从图2和图3的比较可以看出，比较明显的、误差大的匹配点对基本被剔除，改进后的算法提高了图像配准的精度。

3 结论

针对图像配准征点匹配实时性和精度差的问题，提出了一种基于K-means聚类的视差约束和RANSAC的特征点匹配方法，实验结果表明，该方法有效的简化了匹配点集，剔除了大部分错误匹配点对，提高了图像配准的实时性和精确度。

参考文献：

[1]Harris C， Stephens M J. A combined corner and edge detector [C] // Proceedings of the 4th Alvey Vision Confer ence. Manchester， England： IEEE， 1988： 147-151.

[2]徐玮，张茂军，熊志辉，王炜.基于双向最大相关与视差约束的特征点匹配[J].计算机工程与应用，2008，44（28）：155-157.

[3]王易，赵勋杰.基于K均值聚类分割彩色图像算法的改进[J].计算机应用与软件，2010，27（8）：127-130.