图像配准方法、装置、计算机设备和存储介质

技术领域

本申请涉及图像配准技术领域，具体涉及一种图像配准方法、装置、计算机设备和存储介质。

背景技术

现如今，对电网输电线路中的部件例如绝缘子的维护面临着很多挑战。表面破损或脏污或自然老化等都可能会导致部件的损坏，进而影响输电线路的正常运行，且部件的损坏直接影响输电线路的使用和运行寿命。因此，需要对部件的状态进行实时监控，以保证输电线路的正常运行。

在现有技术中，在电网输电线路中的部件破损或脏污或自然老化时，通常采用深度学习技术对对象的原始图像和后期图像进行图像配准，但深度学习技术对硬件成本要求高，导致图像配准成本高，从而影响了方法的推广和普及。

发明内容

基于此，有必要针对上述技术问题，提供一种能够降低图像配准成本的图像配准方法、装置、计算机设备和存储介质。

第一方面，本申请提供了一种图像配准方法，该方法包括：

获取目标对象的参考图像和待配准图像；

对参考图像进行边缘特征提取，得到第一边缘图像，并对待配准图像进行边缘特征提取，得到第二边缘图像；

提取第一边缘图像的第一组特征点和第二边缘图像的第二组特征点；

对第一组特征点和第二组特征点进行特征点匹配，完成图像配准。

在其中一个实施例中，对参考图像进行边缘特征提取，得到第一边缘图像，并对待配准图像进行边缘特征提取，得到第二边缘图像，包括：

对参考图像进行微分处理，得到第一边缘强度图像，并对待配准图像进行微分处理，得到第二边缘强度图像；

对第一边缘强度图像和第二边缘强度图像进行去噪处理，得到去噪后的第一边缘强度图像和去噪后的第二边缘强度图像；

对去噪后的第一边缘强度图像和去噪后的第二边缘强度图像进行非线性空间滤波，得到第一边缘图像和第二边缘图像。

在其中一个实施例中，对参考图像进行微分处理，得到第一边缘强度图像，并对待配准图像进行微分处理，得到第二边缘强度图像，包括：

将参考图像转换成第一灰度图，并将待配准图像转换成第二灰度图；

利用预设卷积核对第一灰度图和第二灰度图进行二阶微分计算，得到第一边缘强度图像和第二边缘强度图像。

在其中一个实施例中，对第一边缘强度图像和第二边缘强度图像进行去噪处理，得到去噪后的第一边缘强度图像和去噪后的第二边缘强度图像，包括：

获取第一边缘强度图像和第二边缘强度图像中第一梯度值大于最小梯度阈值的边缘像素；

利用梯度值归一化方法对边缘像素的梯度值重新赋值，得到边缘像素的新梯度值；

将边缘像素的新梯度值对应的第二梯度值大于最大梯度阈值的边缘像素作为噪声点，并去除噪声点，以得到去噪后的第一边缘强度图像和去噪后的第二边缘强度图像。

在其中一个实施例中，对去噪后的第一边缘强度图像和去噪后的第二边缘强度图像进行非线性空间滤波，得到第一边缘图像和第二边缘图像，包括：

根据滤波公式对去噪后的第一边缘强度图像和去噪后的第二边缘强度图像进行非线性空间滤波，得到第一边缘图像和第二边缘图像；

其中，滤波公式包括亮度矩阵、散度算子、梯度算子、高斯滤波的梯度之间的对应关系。

在其中一个实施例中，对第一组特征点和第二组特征点进行特征点匹配，完成图像配准，包括：

对第一组特征点和第二组特征点进行特征点匹配，得到匹配结果；

剔除匹配结果中的错误匹配对，以完成图像配准。

在其中一个实施例中，该方法还包括：

根据预设的特征点匹配阈值，确定参考图像和各待配准图像的配准结果；

根据配准结果，确定目标对象的破损程度。

在其中一个实施例中，根据配准结果，确定目标对象的破损程度，包括：

在配准结果为配准对数大于或等于第二图像配准阈值时，确定目标对象的破损程度为轻度破损；

在配准结果为配准对数大于或等于第一图像配准阈值且小于第二图像配准阈值时，确定目标对象的破损程度为中度破损；

在配准结果为配准对数小于第一图像配准阈值时，确定目标对象的破损程度为严重破损。

第二方面，本申请还提供了一种图像配准装置，该装置包括：

图像获取模块，用于获取目标对象的参考图像和待配准图像；

边缘特征提取模块，用于对参考图像进行边缘特征提取，得到第一边缘图像，并对待配准图像进行边缘特征提取，得到第二边缘图像；

特征点提取模块，用于提取第一边缘图像的第一组特征点和第二边缘图像的第二组特征点；

特征点匹配模块，用于对第一组特征点和第二组特征点进行特征点匹配，完成图像配准。

第三方面，本申请还提供了一种计算机设备，该计算机设备包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现上述图像配准方法的步骤。

第四方面，本申请还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行时实现上述图像配准方法的步骤。

第五方面，本申请还提供了一种计算机程序产品，该计算机程序产品包括计算机程序，该计算机程序被处理器执行时实现上述图像配准方法的步骤。

上述图像配准方法、装置、计算机设备和存储介质，能够获取目标对象的参考图像和待配准图像，并且对参考图像进行边缘特征提取得到第一边缘图像，并对待配准图像进行边缘特征提取得到第二边缘图像，进而提取第一边缘图像的第一组特征点和第二边缘图像的第二组特征点，并对第一组特征点和第二组特征点进行特征点匹配，完成图像配准。本申请的图像配准方法，利用周期性采集到的不同时期的目标对象的图像进行配准，判断目标对象的前后变化，方法简单且图像配准成本低。

附图说明

图1为一个实施例中图像配准方法的流程示意图；

图2为一个实施例中一种边缘图像的特征点提取结果的示意图；

图3为一个实施例中对参考图像、待配准图像进行边缘特征提取的流程示意图；

图4为一个实施例中对参考图像、待配准图像进行微分处理的流程示意图；

图5为一个实施例中通过二阶微分计算进行边缘检测的方法和未进行边缘检测的方法的图像识别的准确率的对比示意图；

图6为一个实施例中对第一边缘强度图像和第二边缘强度图像进行去噪处理的流程示意图；

图7为一个实施例中对去噪后的第一边缘强度图像和去噪后的第二边缘强度图像进行非线性空间滤波的流程示意图；

图8为一个实施例中对第一组特征点和第二组特征点进行特征点匹配的流程示意图；

图9为另一个实施例中图像配准方法的流程示意图；

图10为一个实施例中图像配准装置的结构框图；

图11为一个实施例中计算机设备的内部结构图。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

现如今，对电网输电线路中的部件例如绝缘子的维护面临着很多挑战。表面破损或脏污或自然老化等都可能会导致部件的损坏，进而影响输电线路的正常运行，且部件的损坏直接影响输电线路的使用和运行寿命。因此，需要对部件的状态进行实时监控，以保证输电线路的正常运行。

在现有技术中，在电网输电线路中的部件破损或脏污或自然老化时，通常采用深度学习技术对对象的原始图像和后期图像进行图像配准，但深度学习技术对硬件成本要求高，导致图像配准成本高，从而影响了方法的推广和普及。基于此，本申请实施例提供了一种图像配准方法，以改善上述技术问题。

在一个实施例中，图1是根据本申请实施例提供的一种图像配准方法的流程示意图，且以该方法应用于服务器为例进行说明，该方法包括以下步骤：

S101，获取目标对象的参考图像和待配准图像。

可选的，目标对象可以为电网输电线路中日常巡检的部件，例如绝缘子；目标对象的参考图像可以为正常状态的目标对象的图像；目标对象的待配准图像为周期性地采集的目标对象的图像。其中，参考图像与任一目标对象的参考图像和待配准图像为一个图像配准对。

需要说明的是，可以周期性地获取目标对象的参考图像和待配准图像，也可以在具有图像配准需求的情况下，获取目标对象的参考图像和待配准图像。本申请实施例对获取目标对象的参考图像和待配准图像的时间或频率不进行限制。

S102，对参考图像进行边缘特征提取，得到第一边缘图像，并对待配准图像进行边缘特征提取，得到第二边缘图像。

可选的，边缘图像可以是参考图像和待配准图像的边缘部分的图像。

可选的，由于目标对象通常具有独特的边缘形状，使得目标对象的边缘图像具有更加明显的特征，因此需要首先对参考图像和待配准图像分别进行边缘特征提取，得到参考图像对应的第一边缘图像，以及待配准图像对应的第二边缘图像。可选地，本申请实施例中的边缘特征提取方法包括依次进行微分计算操作、去噪操作和非线性空间滤波操作，还可以根据需要增加或减少边缘特征提取方法中包括的操作，以对边缘特征提取方法进行不同的配置，本申请实施例对边缘特征提取方法中包括的操作不进行限制。

S103，提取第一边缘图像的第一组特征点和第二边缘图像的第二组特征点。

可选的，由于特征点为对边缘图像中的目标对象进行标识，以表征边缘图像的图像特征，进而利用这些特征点的匹配完成边缘图像的图像配准的点，即第一组特征点可以对第一边缘图像中的目标对象进行标识，第二组特征点可以对第二边缘图像中的目标对象进行标识，因此，需要提取出第一边缘图像的第一组特征点和第二边缘图像的第二组特征点，以为进行特征点匹配，进而为完成边缘图像的图像配准作准备。图2为根据本申请实施例提供的一种边缘图像的特征点提取结果的示意图。如图2所示，图中的白色部分即为该边缘图像中的特征点，通过这些特征点能够表征该边缘图像的图像特征。

S104，对第一组特征点和第二组特征点进行特征点匹配，完成图像配准。

可选的，在第一组特征点和第二组特征点后，根据需要选择合适的匹配方法例如BMF(Brute-Froce Matcher，暴力匹配)方法对第一组特征点和第二组特征点进行特征点匹配，并利用RANSAC(Random Sample Consensus，随机抽样一致)算法剔除错误匹配对，以完成图像配准。

可选的，匹配方法还可使用K近邻匹配方法、SIFT(Scale InvariantFeatureTransform，尺度不变特征变换)匹配方法等；剔除错误匹配对的方法还可使用交叉剔除匹配方法、双阈值剔除匹配方法等，可以根据需要选择合适的匹配方法和剔除匹配方法来完成对特征点匹配，进而以完成图像配准，本申请实施例对各类匹配方法和剔除匹配方法的使用不进行限制。

上述图像配准方法中，能够获取目标对象的参考图像和待配准图像，并且对参考图像进行边缘特征提取得到第一边缘图像，并对待配准图像进行边缘特征提取得到第二边缘图像，进而提取第一边缘图像的第一组特征点和第二边缘图像的第二组特征点，并对第一组特征点和第二组特征点进行特征点匹配，完成图像配准。本申请的图像配准方法，利用周期性采集到的不同时期的目标对象的图像进行配准，判断目标对象的前后变化，方法简单且图像配准成本低。

在上述实施例的基础上，通过图3对参考图像、待配准图像进行边缘特征提取的步骤进行了分解细化。可选的，如图3所示，包括如下实现过程：

S301，对参考图像进行微分处理，得到第一边缘强度图像，并对待配准图像进行微分处理，得到第二边缘强度图像。

可选的，边缘强度图像可以为用于表征图像的各像素点处的梯度值即边缘强度的图像。

可选的，为了得到参考图像的各像素点处的梯度值即边缘强度，可以对参考图像进行微分处理，得到第一边缘强度图像，并可以对待配准图像进行微分处理，得到第二边缘强度图像。

S302，对第一边缘强度图像和第二边缘强度图像进行去噪处理，得到去噪后的第一边缘强度图像和去噪后的第二边缘强度图像。

可选的，在得到第一边缘强度图像和第二边缘强度图像后，为了使得所生成的第一边缘强度图像尽可能真实反映参考图像，且为了使得所生成的第二边缘强度图像尽可能真实反映待配准图像，可以选择合适的去噪方法对生成第一边缘强度图像和第二边缘强度图像过程中产生的各类型噪声进行去噪处理，得到去噪后的第一边缘强度图像和去噪后的第二边缘强度图像。

需要说明的是，去噪方法可以为基于滤波器的去噪、基于小波的去噪、基于深度学习的去噪等，可以根据需要选择合适的去噪方法执行去噪操作，本申请实施例对去噪方法不进行限制。

S303，对去噪后的第一边缘强度图像和去噪后的第二边缘强度图像进行非线性空间滤波，得到第一边缘图像和第二边缘图像。

可选的，在得到去噪后的第一边缘强度图像和去噪后的第二边缘强度图像后，为了更好地保留图像边缘，可以选择合适的非线性空间滤波方法对去噪后的第一边缘强度图像和去噪后的第二边缘强度图像进行滤波处理，得到第一边缘图像和第二边缘图像。

需要说明的是，非线性空间滤波方法可以为中值非线性空间滤波、双边非线性空间滤波等，可以根据需要选择合适的非线性空间滤波方法执行滤波处理，本申请实施例对非线性空间滤波方法不进行限制。在实际应用中，选择非线性空间滤波方法还应综合考虑具体应用场合和条件，并需要在估计精度、实现难易程度、数值稳健性及计算量等各种指标之间综合权衡。

可以理解的是，本实施例中给出了从参考图像和待配准图像进行边缘特征提取操作得到边缘图像的过程，方法简单易行，且执行成本低，也能够为图像配准过程提供条件。

在上述实施例的基础上，通过图4对参考图像、待配准图像进行微分处理的步骤进行了分解细化。如图4所示，包括如下实现过程：

S401，将参考图像转换成第一灰度图，并将待配准图像转换成第二灰度图。

可选的，灰度图可以为用灰度表示的图像。灰度介于白色与黑色之间，且灰度分为256阶。

为了减少数据计算量，提高图像配准过程的速度，对图像进行微分处理，得到边缘强度图像的过程首先需要将参考图像转换成第一灰度图，并将待配准图像转换成第二灰度图，以为进行二阶微分计算作准备。

S402，利用预设卷积核对第一灰度图和第二灰度图进行二阶微分计算，得到第一边缘强度图像和第二边缘强度图像。

可选的，对第一灰度图和第二灰度图中的每个像素的梯度值分别使用一个3x3卷积核进行二阶微分计算，以分别得到对第一灰度图和第二灰度图的边缘的每个像素处的边缘强度，因此，通过对所有边缘的每个像素处的边缘强度进行统计，即可得到参考图像对应的第一边缘强度图像，以及待配准图像对应的第二边缘强度图像。

需要说明的是，步骤(2)中进行二阶微分计算所依据的方程可以为式(1)：

δ

其中，f(x，y)为像素(x，y)处的梯度值，δ

其中，3x3卷积核为式(2)：

需要说明的是，经试验测得，通过二阶微分计算对第一灰度图和第二灰度图进行边缘检测，得到第一边缘强度图像和第二边缘强度图像，相比于未进行边缘检测的方法，最终对参考图像和待配准图像这些图像识别的准确率可提高1.3％(阈值为3像素时)。如图5所示的根据本申请实施例提供的通过二阶微分计算进行边缘检测的方法和未进行边缘检测的方法的图像识别的准确率对比示意图。如图5，在阈值大于1且小于3.2像素时，通过二阶微分计算进行边缘检测的方法的图像识别的准确率大于未进行边缘检测的方法的图像识别的准确率；阈值为大于或等于3.2像素时，通过二阶微分计算进行边缘检测的方法的图像识别的准确率与未进行边缘检测的方法的图像识别的准确率几乎相等。

可以理解的是，本实施例中通过将参考图像和待配准图像分别转换成灰度图后，再对灰度图进行二阶微分计算，得到边缘强度图像，以灰度图的形式进行二阶微分计算，能够降低数据运算量，提高获取边缘强度图像的速度，进而提高图像配准过程的速度。

在上述实施例的基础上，通过图6对第一边缘强度图像和第二边缘强度图像进行去噪处理的步骤进行了分解细化。如图6所示，包括如下实现过程：

S601，获取第一边缘强度图像和第二边缘强度图像中第一梯度值大于最小梯度阈值的边缘像素。

可选的，在得到第一边缘强度图像和第二边缘强度图像后，可设定一个最小梯度阈值，例如，可以将最小梯度阈值设定为0.85D，其中D为边缘方向边缘强度即梯度值的平均值D。

现以第一边缘强度图像为例进行说明。

可选的，将第一边缘强度图像中的所有像素处的边缘强度即梯度值与最小梯度阈值0.85D进行比较，将小于0.85D的像素去除，并保留大于或等于0.85D的像素作为有效边缘像素。

S602，利用梯度值归一化方法对边缘像素的梯度值重新赋值，得到边缘像素的新梯度值。

可选的，为了增强有效边缘像素的对比度，以便于后续的特征提取和匹配过程，利用梯度值归一化方法将这些像素的梯度值归一化到0到255的范围内，以为每个有效边缘像素的梯度值重新赋值，得到每个有效边缘像素的新梯度值。

S603，将边缘像素的新梯度值对应的第二梯度值大于最大梯度阈值的边缘像素作为噪声点，并去除噪声点，以得到去噪后的第一边缘强度图像和去噪后的第二边缘强度图像。

可选的，在得到每个有效边缘像素的新梯度值后，可设定一个最大梯度阈值，例如，可以将最大梯度阈值设定为1.2D；将有效边缘像素的新梯度值与最大梯度阈值1.2D进行比较，将新梯度值小于或等于1.2D的有效边缘像素保留，并将新梯度值大于1.2D的有效边缘像素去除，得到去噪后的第一边缘强度图像和去噪后的第二边缘强度图像，由此完成去噪处理。

可以理解的是，本实施例中通过设定最小梯度阈值和最大梯度阈值，并分别将归一化方法之前和之后的梯度值分别与最小梯度阈值和最大梯度阈值进行比较，以完成去噪过程，方法简单易行，也能减小最终图像配准结果的误差。

在上述实施例的基础上，通过图7对去噪后的第一边缘强度图像和去噪后的第二边缘强度图像进行非线性空间滤波的步骤进行了分解细化。如图6所示，包括如下实现过程：

S701，根据滤波公式对去噪后的第一边缘强度图像和去噪后的第二边缘强度图像进行非线性空间滤波，得到第一边缘图像和第二边缘图像。

其中，滤波公式包括亮度矩阵、散度算子、梯度算子、高斯滤波的梯度之间的对应关系。

可选的，滤波公式可表示为式(3)：

其中，H表示亮度矩阵，d表示散度算子，

可以理解的是，本实施例中通过对去噪后的边缘强度图像进行非线性空间滤波，更好地保留了图像边缘，从而得到边缘图像，以便于进行特征点提取。

在上述实施例的基础上，通过图8对第一组特征点和第二组特征点进行特征点匹配的步骤进行了分解细化。如图8所示，包括如下实现过程：

S801，对第一组特征点和第二组特征点进行特征点匹配，得到匹配结果。

可选的，在提取出第一边缘图像的第一组特征点和第二边缘图像的第二组特征点后，可以对每个像素处的两组特征点中的对应特征点进行两两匹配，得到若干组特征点匹配结果。

S802，剔除匹配结果中的错误匹配对，以完成图像配准。

可选的，由于在进行特征点匹配过程中，可能会存在每个像素处的两组特征点中的不对应的特征点进行错误匹配的情况，需要将这部分匹配结果剔除，并对其余特征点匹配结果进行分析，以确定图像配准结果。

可选的，可以设定一个特征点匹配阈值，并将特征点匹配结果与特征点匹配阈值进行比较，以确定参考图像和各待配准图像的配准结果。即，根据预设的特征点匹配阈值，确定参考图像和各待配准图像的配准结果。例如，可将特征点匹配阈值可设定为30，若特征点匹配结果为31个对应特征点匹配，由于特征点匹配结果中对应特征点匹配对数31大于或等于特征点匹配阈值可设定为30，则确定参考图像和各待配准图像的配准结果为配准；若特征点匹配结果为28个对应特征点匹配，由于特征点匹配结果中对应特征点匹配对数28小于特征点匹配阈值可设定为30，则确定参考图像和各待配准图像的配准结果为不配准。

另一种方式，特征点匹配阈值还可设定为特征点匹配对数与进行特征点匹配的总对数的比值，例如，可将特征点匹配阈值设定为70％，若特征点匹配结果为71％的对应特征点匹配，由于特征点匹配结果中对应特征点匹配比值71％大于或等于特征点匹配阈值70％，则确定参考图像和各待配准图像的配准结果为配准；若特征点匹配结果为69％的对应特征点匹配，由于特征点匹配结果中对应特征点匹配比值69％小于特征点匹配阈值70％，则确定参考图像和各待配准图像的配准结果为不配准。

在得到参考图像和各待配准图像的配准结果后，可以将配准结果与第一图像配准阈值、第二图像配准阈值进行比较，确定目标对象的破损程度，即根据配准结果，确定目标对象的破损程度，且本申请中将目标对象的破损程度分为轻度破损、中度破损和严重破损，在配准结果为配准对数大于或等于第二图像配准阈值时，确定目标对象的破损程度为轻度破损；在配准结果为配准对数大于或等于第一图像配准阈值且小于第二图像配准阈值时，确定目标对象的破损程度为中度破损；在配准结果为配准对数小于第一图像配准阈值时，确定目标对象的破损程度为严重破损。例如，可将第一图像配准阈值和第二图像配准阈值分别设定为20和30，若参考图像和各待配准图像的配准对数为31个，31大于或等于第二图像配准阈值30，则确定目标对象的破损程度为轻度破损；若参考图像和各待配准图像的配准对数为25个，25大于或等于第一图像配准阈值20且小于第二图像配准阈值30，则确定目标对象的破损程度为中度破损；若参考图像和各待配准图像的配准对数为19个，19小于第一图像配准阈值20，则确定目标对象的破损程度为重度破损。

另一种方式，图像配准阈值还可设定为图像配准对数与进行图像配准的总对数的比值，例如，可将第一图像配准阈值和第二图像配准阈值分别设定为70％和80％，若图像配准结果为85％的对应图像配准，由于图像配准结果中对应图像配准比值85％大于或等于第二图像配准阈值80％，则确定目标对象的破损程度为轻度破损；若图像配准结果为75％的对应图像配准，由于图像配准结果中对应图像配准比值75％大于或等于第一图像配准阈值70％，且小于第二图像配准阈值80％，则确定目标对象的破损程度为中度破损；若图像配准结果为65％的对应图像配准，由于图像配准结果中对应图像配准比值65％小于第一图像配准阈值70％，则确定目标对象的破损程度为重度破损。

可以理解的是，本实施例中通过特征点匹配结果与特征点匹配阈值进行比较，确定参考图像和各待配准图像是否配准，且通过将配准结果与第一图像配准阈值、第二图像配准阈值进行比较，确定目标对象的破损程度，方法简单易行，且容易操作。

在一个实施例中，通过图9示出了另一个实施例中图像配准方法的流程示意图，结合图9所示，各阶段具体包括如下实现过程：

S901，获取目标对象的参考图像和待配准图像。

S902，将参考图像转换成第一灰度图，并将待配准图像转换成第二灰度图。

S903，利用预设卷积核对第一灰度图和第二灰度图进行二阶微分计算，得到第一边缘强度图像和第二边缘强度图像。

S904，获取第一边缘强度图像和第二边缘强度图像中第一梯度值大于最小梯度阈值的边缘像素。

S905，利用梯度值归一化方法对边缘像素的梯度值重新赋值，得到边缘像素的新梯度值。

S906，将边缘像素的新梯度值对应的第二梯度值大于最大梯度阈值的边缘像素作为噪声点，并去除噪声点，以得到去噪后的第一边缘强度图像和去噪后的第二边缘强度图像。

S907，根据滤波公式对去噪后的第一边缘强度图像和去噪后的第二边缘强度图像进行非线性空间滤波，得到第一边缘图像和第二边缘图像。

可选的，滤波公式包括亮度矩阵、散度算子、梯度算子、高斯滤波的梯度之间的对应关系。

S908，提取第一边缘图像的第一组特征点和第二边缘图像的第二组特征点。

S909，对第一组特征点和第二组特征点进行特征点匹配，得到匹配结果。

S910，剔除匹配结果中的错误匹配对，以完成图像配准。

S911，根据预设的特征点匹配阈值，确定参考图像和各待配准图像的配准结果。

S912，在配准结果为配准对数大于或等于第二图像配准阈值时，确定目标对象的破损程度为轻度破损；在配准结果为配准对数大于或等于第一图像配准阈值且小于第二图像配准阈值时，确定目标对象的破损程度为中度破损；在配准结果为配准对数小于第一图像配准阈值时，确定目标对象的破损程度为严重破损。

上述S901-S912的具体过程可以参见上述方法实施例的描述，其实现原理和技术效果类似，在此不再赘述。

应该理解的是，虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

基于同样的发明构思，本申请实施例还提供了一种用于实现上述所涉及的图像配准方法的图像配准装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似，故下面所提供的一个或多个图像配准装置实施例中的具体限定可以参见上文中对于图像配准方法的限定，在此不再赘述。

在其中一个实施例中，通过图10示出了一个实施例中图像配准装置的结构框图。如图10所示，提供了一种图像配准装置10，该装置10包括图像获取模块100、边缘特征提取模块101、特征点提取模块102和特征点匹配模块103，其中：

图像获取模块100，用于获取目标对象的参考图像和待配准图像；

边缘特征提取模块101，用于对参考图像进行边缘特征提取，得到第一边缘图像，并对待配准图像进行边缘特征提取，得到第二边缘图像；

特征点提取模块102，用于提取第一边缘图像的第一组特征点和第二边缘图像的第二组特征点；

特征点匹配模块103，用于对第一组特征点和第二组特征点进行特征点匹配，完成图像配准。

上述图像配准装置，能够获取目标对象的参考图像和待配准图像，并且对参考图像进行边缘特征提取得到第一边缘图像，并对待配准图像进行边缘特征提取得到第二边缘图像，进而提取第一边缘图像的第一组特征点和第二边缘图像的第二组特征点，并对第一组特征点和第二组特征点进行特征点匹配，完成图像配准。本申请的图像配准装置，利用周期性采集到的不同时期的目标对象的图像进行配准，判断目标对象的前后变化，方法简单且图像配准成本低。

在其中一个实施例中，上述边缘特征提取模块101包括：

微分处理单元，用于对参考图像进行微分处理，得到第一边缘强度图像，并对待配准图像进行微分处理，得到第二边缘强度图像；

去噪处理单元，用于对第一边缘强度图像和第二边缘强度图像进行去噪处理，得到去噪后的第一边缘强度图像和去噪后的第二边缘强度图像；

滤波处理单元，用于对去噪后的第一边缘强度图像和去噪后的第二边缘强度图像进行非线性空间滤波，得到第一边缘图像和第二边缘图像。

在其中一个实施例中，上述微分处理单元具体用于：

将参考图像转换成第一灰度图，并将待配准图像转换成第二灰度图；利用预设卷积核对第一灰度图和第二灰度图进行二阶微分计算，得到第一边缘强度图像和第二边缘强度图像。

在其中一个实施例中，上述去噪处理单元具体用于：

获取第一边缘强度图像和第二边缘强度图像中第一梯度值大于最小梯度阈值的边缘像素；利用梯度值归一化方法对边缘像素的梯度值重新赋值，得到边缘像素的新梯度值；将边缘像素的新梯度值对应的第二梯度值大于最大梯度阈值的边缘像素作为噪声点，并去除噪声点，以得到去噪后的第一边缘强度图像和去噪后的第二边缘强度图像。

在其中一个实施例中，上述滤波处理单元具体用于：

根据滤波公式对去噪后的第一边缘强度图像和去噪后的第二边缘强度图像进行非线性空间滤波，得到第一边缘图像和第二边缘图像；其中，滤波公式包括亮度矩阵、散度算子、梯度算子、高斯滤波的梯度之间的对应关系。

在其中一个实施例中，上述特征点匹配模块103具体用于：

对第一组特征点和第二组特征点进行特征点匹配，得到匹配结果；剔除匹配结果中的错误匹配对，以完成图像配准。

在其中一个实施例中，该装置10还包括：

第一确定模块，用于根据预设的特征点匹配阈值，确定参考图像和各待配准图像的配准结果；

第二确定模块，用于根据配准结果，确定目标对象的破损程度。

在其中一个实施例中，上述第二确定模块具体用于：

在配准结果为配准对数大于或等于第二图像配准阈值时，确定目标对象的破损程度为轻度破损；在配准结果为配准对数大于或等于第一图像配准阈值且小于第二图像配准阈值时，确定目标对象的破损程度为中度破损；在配准结果为配准对数小于第一图像配准阈值时，确定目标对象的破损程度为严重破损。

上述图像配准装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

在其中一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图11所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和收发器。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质和内存储器。该计算机设备的收发器用于在处理器的控制下执行接收数据或发送数据的操作。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储样本数据等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种图像配准方法。

本领域技术人员可以理解，图11中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的，计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

在其中一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：

获取目标对象的参考图像和待配准图像；

对参考图像进行边缘特征提取，得到第一边缘图像，并对待配准图像进行边缘特征提取，得到第二边缘图像；

提取第一边缘图像的第一组特征点和第二边缘图像的第二组特征点；

对第一组特征点和第二组特征点进行特征点匹配，完成图像配准。

在其中一个实施例中，处理器执行计算机程序中对参考图像进行边缘特征提取，得到第一边缘图像，并对待配准图像进行边缘特征提取，得到第二边缘图像的逻辑时，具体实现以下步骤：

对参考图像进行微分处理，得到第一边缘强度图像，并对待配准图像进行微分处理，得到第二边缘强度图像；对第一边缘强度图像和第二边缘强度图像进行去噪处理，得到去噪后的第一边缘强度图像和去噪后的第二边缘强度图像；对去噪后的第一边缘强度图像和去噪后的第二边缘强度图像进行非线性空间滤波，得到第一边缘图像和第二边缘图像。

在其中一个实施例中，处理器执行计算机程序中对参考图像进行微分处理，得到第一边缘强度图像，并对待配准图像进行微分处理，得到第二边缘强度图像的逻辑时，具体实现以下步骤：

将参考图像转换成第一灰度图，并将待配准图像转换成第二灰度图；利用预设卷积核对第一灰度图和第二灰度图进行二阶微分计算，得到第一边缘强度图像和第二边缘强度图像。

在其中一个实施例中，处理器执行计算机程序中对第一边缘强度图像和第二边缘强度图像进行去噪处理，得到去噪后的第一边缘强度图像和去噪后的第二边缘强度图像的逻辑时，具体实现以下步骤：

获取第一边缘强度图像和第二边缘强度图像中第一梯度值大于最小梯度阈值的边缘像素；利用梯度值归一化方法对边缘像素的梯度值重新赋值，得到边缘像素的新梯度值；将边缘像素的新梯度值对应的第二梯度值大于最大梯度阈值的边缘像素作为噪声点，并去除噪声点，以得到去噪后的第一边缘强度图像和去噪后的第二边缘强度图像。

在其中一个实施例中，处理器执行计算机程序中对去噪后的第一边缘强度图像和去噪后的第二边缘强度图像进行非线性空间滤波，得到第一边缘图像和第二边缘图像的逻辑时，还具体实现以下内容：

根据滤波公式对去噪后的第一边缘强度图像和去噪后的第二边缘强度图像进行非线性空间滤波，得到第一边缘图像和第二边缘图像；其中，滤波公式包括亮度矩阵、散度算子、梯度算子、高斯滤波的梯度之间的对应关系。

在其中一个实施例中，处理器执行计算机程序中对第一组特征点和第二组特征点进行特征点匹配，完成图像配准的逻辑时，具体实现以下步骤：

对第一组特征点和第二组特征点进行特征点匹配，得到匹配结果；剔除匹配结果中的错误匹配对，以完成图像配准。

在其中一个实施例中，处理器执行计算机程序中的逻辑时，还具体实现以下步骤：

根据预设的特征点匹配阈值，确定参考图像和各待配准图像的配准结果；根据配准结果，确定目标对象的破损程度。

在其中一个实施例中，处理器执行计算机程序中根据配准结果，确定目标对象的破损程度的逻辑时，具体实现以下步骤：

在配准结果为配准对数大于或等于第二图像配准阈值时，确定目标对象的破损程度为轻度破损；在配准结果为配准对数大于或等于第一图像配准阈值且小于第二图像配准阈值时，确定目标对象的破损程度为中度破损；在配准结果为配准对数小于第一图像配准阈值时，确定目标对象的破损程度为严重破损。

上述提供的计算机设备，其在实现各实施例中的原理和具体过程可参见前述实施例中图像配准方法实施例中的说明，此处不再赘述。

在其中一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：

获取目标对象的参考图像和待配准图像；

对参考图像进行边缘特征提取，得到第一边缘图像，并对待配准图像进行边缘特征提取，得到第二边缘图像；

提取第一边缘图像的第一组特征点和第二边缘图像的第二组特征点；

对第一组特征点和第二组特征点进行特征点匹配，完成图像配准。

在其中一个实施例中，计算机程序中对参考图像进行边缘特征提取，得到第一边缘图像，并对待配准图像进行边缘特征提取，得到第二边缘图像的逻辑被处理器执行时，具体实现以下步骤：

对参考图像进行微分处理，得到第一边缘强度图像，并对待配准图像进行微分处理，得到第二边缘强度图像；对第一边缘强度图像和第二边缘强度图像进行去噪处理，得到去噪后的第一边缘强度图像和去噪后的第二边缘强度图像；对去噪后的第一边缘强度图像和去噪后的第二边缘强度图像进行非线性空间滤波，得到第一边缘图像和第二边缘图像。

在其中一个实施例中，计算机程序中对参考图像进行微分处理，得到第一边缘强度图像，并对待配准图像进行微分处理，得到第二边缘强度图像的逻辑被处理器执行时，具体实现以下步骤：

将参考图像转换成第一灰度图，并将待配准图像转换成第二灰度图；利用预设卷积核对第一灰度图和第二灰度图进行二阶微分计算，得到第一边缘强度图像和第二边缘强度图像。

在其中一个实施例中，计算机程序中对第一边缘强度图像和第二边缘强度图像进行去噪处理，得到去噪后的第一边缘强度图像和去噪后的第二边缘强度图像的逻辑被处理器执行时，具体实现以下步骤：

获取第一边缘强度图像和第二边缘强度图像中第一梯度值大于最小梯度阈值的边缘像素；利用梯度值归一化方法对边缘像素的梯度值重新赋值，得到边缘像素的新梯度值；将边缘像素的新梯度值对应的第二梯度值大于最大梯度阈值的边缘像素作为噪声点，并去除噪声点，以得到去噪后的第一边缘强度图像和去噪后的第二边缘强度图像。

在其中一个实施例中，计算机程序中对去噪后的第一边缘强度图像和去噪后的第二边缘强度图像进行非线性空间滤波，得到第一边缘图像和第二边缘图像的逻辑被处理器执行时，具体实现以下步骤：

根据滤波公式对去噪后的第一边缘强度图像和去噪后的第二边缘强度图像进行非线性空间滤波，得到第一边缘图像和第二边缘图像；其中，滤波公式包括亮度矩阵、散度算子、梯度算子、高斯滤波的梯度之间的对应关系。

在其中一个实施例中，计算机程序中对第一组特征点和第二组特征点进行特征点匹配，完成图像配准的逻辑被处理器执行时，还具体实现以下步骤：

对第一组特征点和第二组特征点进行特征点匹配，得到匹配结果；剔除匹配结果中的错误匹配对，以完成图像配准。

在其中一个实施例中，计算机程序中的逻辑被处理器执行时，还具体实现以下步骤：

根据预设的特征点匹配阈值，确定参考图像和各待配准图像的配准结果；根据配准结果，确定目标对象的破损程度。

在其中一个实施例中，计算机程序中根据配准结果，确定目标对象的破损程度的逻辑被处理器执行时，具体实现以下步骤：

在配准结果为配准对数大于或等于第二图像配准阈值时，确定目标对象的破损程度为轻度破损；在配准结果为配准对数大于或等于第一图像配准阈值且小于第二图像配准阈值时，确定目标对象的破损程度为中度破损；在配准结果为配准对数小于第一图像配准阈值时，确定目标对象的破损程度为严重破损。

上述提供的计算机可读存储介质，其在实现各实施例中的原理和具体过程可参见前述实施例中目标检测方法实施例中的说明，此处不再赘述。

在其中一个实施例中，提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现以下步骤：

获取目标对象的参考图像和待配准图像；

对参考图像进行边缘特征提取，得到第一边缘图像，并对待配准图像进行边缘特征提取，得到第二边缘图像；

提取第一边缘图像的第一组特征点和第二边缘图像的第二组特征点；

对第一组特征点和第二组特征点进行特征点匹配，完成图像配准。

在其中一个实施例中，计算机程序中对参考图像进行边缘特征提取，得到第一边缘图像，并对待配准图像进行边缘特征提取，得到第二边缘图像的逻辑被处理器执行时，具体实现以下步骤：

对参考图像进行微分处理，得到第一边缘强度图像，并对待配准图像进行微分处理，得到第二边缘强度图像；对第一边缘强度图像和第二边缘强度图像进行去噪处理，得到去噪后的第一边缘强度图像和去噪后的第二边缘强度图像；对去噪后的第一边缘强度图像和去噪后的第二边缘强度图像进行非线性空间滤波，得到第一边缘图像和第二边缘图像。

在其中一个实施例中，计算机程序中对参考图像进行微分处理，得到第一边缘强度图像，并对待配准图像进行微分处理，得到第二边缘强度图像的逻辑被处理器执行时，具体实现以下步骤：

将参考图像转换成第一灰度图，并将待配准图像转换成第二灰度图；利用预设卷积核对第一灰度图和第二灰度图进行二阶微分计算，得到第一边缘强度图像和第二边缘强度图像。

在其中一个实施例中，计算机程序中对第一边缘强度图像和第二边缘强度图像进行去噪处理，得到去噪后的第一边缘强度图像和去噪后的第二边缘强度图像的逻辑被处理器执行时，具体实现以下步骤：

获取第一边缘强度图像和第二边缘强度图像中第一梯度值大于最小梯度阈值的边缘像素；利用梯度值归一化方法对边缘像素的梯度值重新赋值，得到边缘像素的新梯度值；将边缘像素的新梯度值对应的第二梯度值大于最大梯度阈值的边缘像素作为噪声点，并去除噪声点，以得到去噪后的第一边缘强度图像和去噪后的第二边缘强度图像。

在其中一个实施例中，计算机程序中对去噪后的第一边缘强度图像和去噪后的第二边缘强度图像进行非线性空间滤波，得到第一边缘图像和第二边缘图像的逻辑被处理器执行时，具体实现以下步骤：

根据滤波公式对去噪后的第一边缘强度图像和去噪后的第二边缘强度图像进行非线性空间滤波，得到第一边缘图像和第二边缘图像；其中，滤波公式包括亮度矩阵、散度算子、梯度算子、高斯滤波的梯度之间的对应关系。

在其中一个实施例中，计算机程序中对第一组特征点和第二组特征点进行特征点匹配，完成图像配准的逻辑被处理器执行时，还具体实现以下步骤：

对第一组特征点和第二组特征点进行特征点匹配，得到匹配结果；剔除匹配结果中的错误匹配对，以完成图像配准。

在其中一个实施例中，计算机程序中的逻辑被处理器执行时，还具体实现以下步骤：

根据预设的特征点匹配阈值，确定参考图像和各待配准图像的配准结果；根据配准结果，确定目标对象的破损程度。

在其中一个实施例中，计算机程序中根据配准结果，确定目标对象的破损程度的逻辑被处理器执行时，具体实现以下步骤：

在配准结果为配准对数大于或等于第二图像配准阈值时，确定目标对象的破损程度为轻度破损；在配准结果为配准对数大于或等于第一图像配准阈值且小于第二图像配准阈值时，确定目标对象的破损程度为中度破损；在配准结果为配准对数小于第一图像配准阈值时，确定目标对象的破损程度为严重破损。

上述提供的计算机程序产品，其在实现各实施例中的原理和具体过程可参见前述实施例中目标检测方法实施例中的说明，此处不再赘述。

需要说明的是，本申请所涉及的信息(包括但不限于本申请中的图像配准方法中的抢修方案、施工内容、物料等)，均为经过各方充分授权的信息。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory，ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory，MRAM)、铁电存储器(Ferroelectric Random Access Memory，FRAM)、相变存储器(Phase ChangeMemory，PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器等。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random AccessMemory，SRAM)或动态随机存取存储器(Dynamic Random AccessMemory，DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等，不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等，不限于此。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。