基于特征密度聚類與正態(tài)分布變換的側(cè)掃聲吶配準方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像配準技術(shù)領(lǐng)域，特別涉及基于特征密度聚類與正態(tài)分布變換的側(cè) 掃聲吶配準方法。
【背景技術(shù)】
[0002] 圖像配準是將傳感器在不同位置獲取的圖像轉(zhuǎn)換到同一坐標系下的技術(shù)。通過圖 像配準獲取的信息可用于水下航行器感知周圍環(huán)境，能有效提高水下航行器的自主感知能 力。水下環(huán)境由于其能見度低、無光照、會對水下照明系統(tǒng)發(fā)生散射等特點，傳統(tǒng)的光學傳 感器用于水下圖像獲取存在許多挑戰(zhàn)。由于側(cè)掃聲吶不受這些光學因素影響，使用它進行 水下圖像獲取越來越受到重視，側(cè)掃聲吶配準技術(shù)也相應(yīng)發(fā)展起來。
[0003]目前，用于聲吶圖像配準的方法主要有兩種：基于特征的方法和基于區(qū)域的方法。 基于特征的方法用于圖像中特征點較多且圖像是連續(xù)幀的情況，例如Harris角點檢測算 法(NegahdaripourS，Onprocessingandregistrationofforward-scanacoustic videoimagery,ComputerandRobotVision，2005)和SIFT(ScaleInvariantFeature Transform)結(jié)合RANSAC(RANdomSAmpleConsensus)的算法（NegahdaripourS,Dynamic sceneanalysisandmosaicingofbenthichabitatsbyfssonarimaging-issues andcomplexities，InProceedingsof0CEANS，2011)。但是這些方法在特征點數(shù)較少或 者匹配成功的特征數(shù)較少時配準結(jié)果較差。為了解決基于特征的方法在配準聲吶圖像時存 在的問題，基于區(qū)域的配準方法被用于聲吶圖像配準。基于區(qū)域的配準方法把整幅圖像作 為處理對象，如相位相關(guān)法。但是這種方法只適用于旋轉(zhuǎn)角小的情況。
[0004] AUV(AutonomousUnderwaterVehicle)搭載側(cè)掃聲吶提取周圍環(huán)境信息，通過配 準聲吶圖像獲取水下全局地形地貌，提高AUV對環(huán)境的感知能力，而如何快速有效地配準 側(cè)掃聲吶圖像是目前亟待解決的主題。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明針對現(xiàn)有技術(shù)中的不足，提出一種基于特征密度聚類與正態(tài)分布變換的 側(cè)掃聲吶配準方法。首先使用均值濾波器對待配準的側(cè)掃聲吶圖像進行濾波，在此基礎(chǔ) 上計算圖像的梯度，并使用基于密度的空間聚類方法DBSCAN(Density-BasedSpatial ClusteringofApplicationswithNoise)對梯度圖像中的像素點進行聚類得到圖像特征 點，最后使用正態(tài)分布變換NDT算法（NormalDistributedTransform)優(yōu)化特征點，得到 兩幅圖像的配準關(guān)系。該技術(shù)方法可應(yīng)用于海底地形地貌探測、AUV自主導航和圖像處理 等領(lǐng)域。
[0006] 基于特征密度聚類與正態(tài)分布變換的側(cè)掃聲吶配準方法具體包括下列步驟：
[0007] 步驟一，中值濾波器處理原始側(cè)掃聲吶圖像。
[0008] 原始側(cè)掃聲吶圖像中有噪聲，首先要使用中值濾波器對聲吶圖像去噪處理。
[0009] 步驟二，計算梯度幅值圖像。
[0010] 使用Sobel算子（Sobeloperator，索貝爾算子）計算得到梯度幅值圖像。
[0011] 步驟三，閾值化梯度圖像得到全部特征點。
[0012] 步驟四，使用DBSCAN聚類得到圖像特征點。
[0013] DBSCAN是一種基于密度的空間聚類算法，該算法將具有足夠密度的區(qū)域劃分為 簇，并在具有噪聲的空間數(shù)據(jù)庫中發(fā)現(xiàn)任意形狀的簇，它將簇定義為密度相連的點的最大 集合。DBSCAN算法的目的在于過濾低密度區(qū)域，發(fā)現(xiàn)稠密度樣本點。
[0014] 步驟五，使用NDT算法（NormalDistributedTransform，正態(tài)分布變換）得到兩 幅圖像的配準結(jié)果。
[0015] NDT算法將二維特征點轉(zhuǎn)換為分段連續(xù)可微的概率分布。對一幅有聚類特征點的 圖像進行NDT處理時，首先將圖像分成相同大小的柵格圖像，對包含特征點的柵格單元，以 概率密度形式對其進行分段連續(xù)可微，并用正態(tài)分布表示每個柵格單元中特征點的概率分 布：
[0017] 其中，X是一個柵格單元中i個點的二維坐標，q是柵格單元中包含的特征點位置

是這些點的協(xié)方差矩陣，
[0018] 兩幅圖像的空間變換關(guān)系T可以表示為：
[0020]
是兩幅圖像的平移關(guān)系，Θ是兩幅圖像的旋轉(zhuǎn)關(guān)系。
[0021] 其中，步驟四具體聚類過程如下：
[0022] a.掃描整個梯度圖像，找到任意一個核心點，對該核心點進行擴充。擴充的方法是 尋找從該核心點出發(fā)的所有密度相連的數(shù)據(jù)點。
[0023] b.遍歷該核心點鄰域內(nèi)的所有核心點，尋找與這些像素點密度相連的點，直到?jīng)] 有可以擴充的像素點為止。最后聚類成的簇的邊界節(jié)點都是非核心數(shù)據(jù)點。
[0024] c.之后就是重新掃描梯度圖像（不包括之前尋找到的簇中的任何像素點），尋找 沒有被聚類的核心點，再重復(fù)上面的步驟，對該核心點進行擴充直到數(shù)據(jù)集中沒有新的核 心點為止。數(shù)據(jù)集中沒有包含在任何簇中的數(shù)據(jù)點就構(gòu)成異常點。最后的數(shù)據(jù)集就是聚類 后得到的圖像特征點。
[0025] 步驟五中，配準的目的就是為了找到兩幅聲吶圖像之間的這些變換參數(shù)。具體包 括如下步驟：
[0026] a.計算一幅聲吶圖像的NDT;
[0027] b.初始化平移參數(shù)和旋轉(zhuǎn)參數(shù)（使用0或者里程計數(shù)據(jù)進行初始化）；
[0028] c.對于另一幅聲吶圖像，根據(jù)初始化參數(shù)將其變換到第一幅圖像的坐標系中；
[0029] d.計算坐標變換后聲吶圖像中每個點的正態(tài)分布；
[0030] e.通過評價每個點的正態(tài)分布之和計算平移參數(shù)和旋轉(zhuǎn)參數(shù)的分數(shù)；
[0031] f.使用Hessian矩陣法對這些分數(shù)進行優(yōu)化，計算新的參數(shù)估計值；
[0032]g.返回步驟c，直到滿足收斂要求。
[0035] 其中，p=(tx，ty，θ)τ，Χι'是根據(jù)坐標變換參數(shù)將第二幅圖像中的點χ/變換到第 一幅圖像坐標系中坐標。1和基:1分別是X' ^勺均值和協(xié)方差。上述第e步中對分數(shù)進行 優(yōu)化，就是使分數(shù)score(p)最大，即-score(p)最小。牛頓迭代算法的詳細操作如下：
[0036] 為了使函數(shù)f最小，在每次的迭代中要解方程：
[0037] Η Δ p = -g
[0038] 計算出的Δρ與當前參數(shù)相加，得到新的參數(shù)
[0039] ρ一ρ+ Δ ρ
[0040] ρ用0值初始化，所以此時的p=A ρ。
[0041]g是f的轉(zhuǎn)置梯度：
[0043]Η是f的Hessian矩陣：
[0045] 定義：q=X'「q;，則-score(ρ)的一項可以寫為：
[0047]則s的梯度值暴為：
[0049]Hessian矩陣中的每一項可以表示為：
[0051] 計算得到的Hessian矩陣對分數(shù)score(ρ)進行優(yōu)化，得到新的參數(shù)估計值。新的 參數(shù)估計值代入配準步驟C，直到△P滿足收斂要求。
[0052] 本發(fā)明的有益效果是：克服了基于特征點方法中由于圖像特征點少而配準失敗的 困難，也不存在當兩幅圖像旋轉(zhuǎn)角度大而配準失敗的問題，可廣泛應(yīng)用于海底地形地貌探 測、AUV自主導航和圖像處理等領(lǐng)域。
【附圖說明】
[0053] 圖1為本發(fā)明流程不意圖。
[0054] 圖2為中值濾波圖像與原圖像的結(jié)果比較圖。
[0055] 圖3為Sobel算子計算得到梯度幅值圖像。
[0056]圖4為閾值化梯度圖像得到全部特征點。
[0057] 圖5為使用DBSCAN對圖像特征點進行聚類。
[0058] 圖6為配準結(jié)果圖像。
【具體實施方式】
[0059] 下面結(jié)合具體實施例和附圖對本發(fā)明做進一步說明。
[0060] 如圖1所示，基于特征密度聚類與正態(tài)分布變換的側(cè)掃聲吶配準方法具體包括下 列步驟：
[0061] 步驟一，如圖2所示，中值濾波器處理原始側(cè)掃聲吶圖像：
[0062] 原始側(cè)掃聲吶圖像中有噪聲，首先要使用中值濾波器對聲吶圖像去噪處理。原圖 像如圖2(a) (b)所示，濾波后的結(jié)果如圖2(c) (d)所示。
[0063] 步驟二，計算梯度幅值圖像：
[0064] 使用Sobel算子（Sobeloperator，索貝爾算子）計算得到梯度幅值圖像，結(jié)果如 圖3所示。
[0065] 步驟三，如圖4所示