一种纸质表面粗糙纹理的防伪方法及便捷鉴别技术

1.本发明涉及纸质物品、商品防伪领域，具体地说是一种纸质表面粗糙纹理的防伪方法及便捷鉴别技术。


背景技术：

2.纸质物品或商品在使用、流通过程中，经常会面临假冒仿制品的困扰，如假合同、假发票、假遗嘱和假商品、假包装等。假冒文件妨害社会安全与经济秩序，假冒商品侵害厂商和消费者合法权益，其直接尤其是间接后果难以估量。防伪技术的运用，旨在有效识别假文件和假商品，维护社会经济秩序、公共安全和公民合法权益。
3.目前纸质品防伪技术主要有二维码、激光全息技术、水印纸、化学材料和射频(rfid)防伪技术等。二维码的语义信息易于解读且应用广泛，但同时也易于被复制；激光全息技术、水印纸和化学材料等方法主要依靠防伪材料和复杂印记，生产成本高、技术复杂且不利于大规模推广；射频(rfid)防伪技术则需要较为昂贵的仪器设备，成本更高，对于普通消费者来说，更加难以鉴别。另有已提出的表面纹理防伪方法也是基于昂贵显微镜设备，智能程度低，自助鉴别性差。


技术实现要素：

4.本发明的目的在于提供一种便捷式智能表面纹理防伪方法，在纸制品表面规划纹理区域作为防伪信息区域，借助手机加装显微镜头作为信息采集器，采集表面粗糙纹理样本，最后基于特征配准算法和区域评价算法开发app软件实现智能识别；app软件，采用特征点提取算法提取特征点描述子，基于支持向量回归算法(svr)估计特征点描述子之间的稳健映射函数，以稳健映射函数提取匹配特征点对，完成图像配准。稳健映射函数模型提取匹配特征点对的方法重复性好，可作为定量判断依据；更为可靠的定性判断方法是，基于匹配特征点对进行图像融合，对相似区域进行差异评价，以表面形貌差异参数ds作为定性判断依据。
5.为实现上述目的，本发明提供以下技术方案：
6.一种纸质表面粗糙纹理的防伪方法及便捷鉴别技术，具体包括以下步骤：
7.s1、在纸质品表面规划有效纹理区域，可以方框、圆框或点标注，也可以指定大概位置；
8.s2、在手机摄像头部安装微观显微镜头，利用该设备获取步骤s1中区域纹理样本图像；
9.s3、采用sift算法提取步骤s2中图像纹理特征点描述子；
10.s4、采用支持向量回归(supportvector regression，svr)算法估计步骤s3中特征点描述子之间的稳健映射函数，以稳健映射函数提取匹配特征点对，完成图像配准；
11.s5、基于步骤s4中所得匹配特征点对建立平面图像转换矩阵，实现样本相似区域叠加融合；
12.s6、借助表面形貌差异参数评价相似区域的差异性；
13.步骤s1和s2中利用手机加装微观显微镜头作为便携设备，以表面粗糙纹理作为特征，在步骤s3-s6中以app软件编写识别算法，实现纸制品样本采集、定性识别和防伪。
14.所述步骤s3中利用sift算法提取特征点描述子具体包括以下内容：
15.①
定义一幅二维图像的尺度空间l(x,y,σ)＝g(x,y,σ)*i(x,y)，其中*表示在x和y方向上的卷积运算，g(x,y,σ)＝1/2πσ2·
exp((x2 y2)/2σ2)，g(x,y,σ)为一尺度可变高斯函数，(x,y)是空间坐标，σ是尺度坐标；
16.②
对样本图像做不同尺度的高斯模糊并将原始图像不断降采样得到一系列大小不一的图像，将这些图像由大到小，由下到上构成塔状结构；此结构一共分为o组，每组s层，即形成高斯金字塔；
17.③
将高斯金字塔中同组相邻的图像两两相减，得到高斯差分金字塔；
18.④
搜索高斯差分金字塔中每个像素点并与其周围26个点比较确定特征点；
19.⑤
通过海森矩阵计算特征点处曲率以剔除不稳定的边缘响应点；
20.⑥
对于确定的特征点，计算其特征向量，具体步骤如下；
21.⑦
根据求得的特征向量，利用欧式距离法进行特征点对初匹配。
22.所述步骤s4中基于支持向量回归算法(svr)估计特征点描述子之间的稳健映射函数具体包括以下内容：
23.①
稳健映射函数模型
24.根据图像的单应性假设下，两张图像i和i
′
，其对应点间应具有一对一的映射关系，并可用单应性函数表达；因此，存在两个单应性函数，可将图像中的一点映射到另一图像的对应点
25.f：i
→i′
26.f
′
：i
′→i27.若(p，p
′
)可至少满足两个单应性函数中的一个，即p＝(u，v)∈i可以通过函数f将其映射为p
′
＝(u
′
，v
′
)∈i
′
，反之也成立，则(p，p
′
)可看作图像的一对对应点；基于以上单应性函数概念，映射函数f和f
′
可分别看作是两个向量值函数构成
28.f(u，v)＝(u
′
，v
′
)＝(g1(u，v)，g2(u，v))
29.f
′
(u
′
，v
′
)＝(u，v)＝(g
′1(u
′
，v
′
)，g
′2(u
′
，v
′
))
30.其中，gk和g
′k(k＝1，2)是一般标量函数；
31.假设s为初始匹配对集合
[0032][0033]
它在u
×v×u′
子空间的投影定义如下
[0034]
su×v×u′
＝{(u，v，u
′
)|(u，v，u
′
，v
′
)∈s}
[0035]
对于任意的(u，v，u
′
)∈su×v×u′
，若(p，p
′
)满足映射函数f，则(u，v，u
′
)将满足g1(u，v)＝u
′
，同样地，g2，g
′1和g
′2可从对应的同源子空间su×v×v′
，su×u′×v′
和su×u′×v计算得到；
[0036]
②
支持向量回归算法(svr)
[0037]
考虑数据集其中，xi表示d维输入向量，yi∈{1，-1}表示目标输出，即类别标签，输入和输出间的非线性关系可通过以下回归函数描述
[0038][0039]
其中，f(x)表示预测函数，为非线性映射函数，ω和b是待确定的两个系数，并通过最小化正则函数进行估计
[0040][0041][0042]
在式(2)中，第一项为正则化项，第二项描述经验误差，它由ε不敏感损失函数l
ε
[yi,f(xi)]进行估计，参数c是方程中第一项和第二项间的权衡参数，同时可以将参数ε视作等效于训练数据中近似精度的距离大小；引入松弛变量ξi和可引出如下方程式所表示的约束条件
[0043][0044][0045][0046]
正负距离大小分别用ξi和表示，在[-ε,ε]的区域之外，松弛变量采用非零值，优化方法的最终目标便是找到函数f(x)，对于所有的训练集数据，该函数与实际函数的偏差最大值为γ，并同时尽可能平坦；
[0047]
公式(1)可以进一步表示为如下更一般的形式
[0048][0049]
其中，αi,为拉格朗日乘数项，满足的数据点即为支持向量，可用于构建决策函数；核函数可以将输入空间映射到更高维空间，其中svr最常用的核函数为径向基核函数，其在分类和回归预测中均起到重要作用；
[0050]
k(x,x
′
)＝exp(-γ||x-x
′
||2),γ∈(0, ∞)
ꢀꢀꢀꢀꢀ
(4)
[0051]
式(4)中，γ为内核参数；径向基核函数中只有一个待确定的超参数，这使得其在svr中预测非线性函数时，具有良好的表现；
[0052]
③
支持向量回归算法可用来估计f和f
′
中的标量函数
[0053]
具体的映射函数迭代过程如下：
[0054]
b)从初始的特征点对集合s中，由svr方法估计f(u,v)，记为b)从初始的特征点对集合s中，由svr方法估计f(u,v)，记为
[0055]
b)基于当前的估计值计算对应点对(pi,p
′i)的映射残差ei；
[0056]
c)根据ei的大小，使用稳健权函数δ(l)确定每一个对应点对(pi,p
′i)的权值；
[0057]
d)更新权重，并重新估计映射函数
[0058]
循环迭代步骤(b)到(d)，直至满足迭代终止条件，可得到映射函数和最终的特征点对集合；
[0059]
在svr预测上述向量值函数时，主要确定三个参数c，γ和ε，它们的最佳取值通常取决于初始匹配点对和优化问题本身；核参数中的γ代表核函数的半径，正则化参数c》0是惩罚参数，用于平衡最终解的平坦度和训练误差；实际情况下，增大c值可最小化误差，但c值过大，有可能失去模型的泛化性能，即函数估计精度，且增加了模型的复杂性；可采用网格搜索方法和交叉验证，使用libsvm库来选择最佳参数(c,γ)，可避免过拟合问题；此外，不敏感损失函数中ε的大小也将影响svr的性能，用于构成回归函数的支持向量数量与ε负相关，在多次匹配实验中本文所提出的匹配算法，ε值并不强烈依赖于初始匹配点对，最终选择ε＝0.25；
[0060]
④
外点剔除，完成图像配准
[0061]
由svr得到标量函数后，可根据映射函数f计算残差
[0062][0063]
稳健权函数通过式(5)得到的映射残差为每一点对分配不同权值δ，通常在数据中间部分的权值相对较大，然后分别减小到两侧的某个点为零；可采用tukey双权重估计函数如下
[0064][0065]
其中，c＝4.4478
×
median|z
i-wi|，对i＝1,...,n，|z
i-wi|即为残差e(p,p
′
)，则具有较小权值的外点将被剔除；
[0066]
同时，映射函数的迭代估计需要确定终止条件
[0067][0068]
和分别表示在一次迭代中，剔除外点前后，方差值的大小；设置阈值t
eff
》0，当effk≤t
eff
时，可终止迭代估计过程；此外，均方误差直观地显示了对应点和所估计的映射函数的一致性；因此，也可设置阈值t
mse
》0，当满足mse《t
mse
时，迭代终止；t
mse
和t
eff
可分别设置为75和0.3。
[0069]
所述步骤s5中实现样本相似区域叠加融合具体包括以下内容：
[0070]
基于支持向量回归算法所得映射函数为高维空间映射函数；为更直观描述图像间实际位置映射关系，可基于匹配点对建立三维空间单应性矩阵h，其坐标变换关系一般可描述为：
[0071][0072]
其中h包含8个自由度，因图像限定于平面，单应性矩阵可进一步简化为：
[0073]
[0074][0075]
该矩阵需要4对匹配点对通过奇异值分解(svd)计算出唯一解，即获得该矩阵的8个未知必要参数；如需要进一步提高单应性矩阵的稳健性，可再引入ransac算法迭代滤除误差较大的匹配点对，再进行矩阵求解；
[0076]
上述特征点对匹配法对分辨率、亮度、视角等相机参数影响具有较好鲁棒性；
[0077]
利用变换矩阵h，即可将两幅样本图融合。
[0078]
所述步骤s6中评价相似区域的差异性具体包括以下内容
[0079]
对于相似区域的评价，可以采用互相关运算实现，但互相关运算可能受到无效区域影响，如幅值均为0的区域互相关值为100％；为克服该问题，采用表面形貌差异参数ds描述相似区域的相对差异；设相似区域分别为za和zb，z
b-a
＝z
b-za，则有
[0080]ds
＝rq2(z
b-a
)/rq2(za)
×
100％
[0081]
其中，rq为表面计量一般参数：均方根粗糙度；相似区域za与zb差异越大，ds值越大，反之越小；当za与zb完全相等，z
b-a
＝0，则ds＝0，即无差异。
[0082]
与现有技术相比，本发明有益效果如下：
[0083]
本发明基于纸制表面粗糙纹理的防伪方法及便捷鉴别技术，表面纹理防伪原理简单，随机性强，可复制性极低；基于手机加装显微镜镜头，可便携快速采集样本，偏于推广；手机app中，编写基于特征点匹配融合程序和相似区域评价程序，满足纸质品快速智能可靠的鉴别要求。防伪材料、鉴别过程简单易行，大大降低成本，且方便广泛应用。
附图说明
[0084]
图1是本发明纸质表面粗糙纹理的防伪方法较佳实施例的流程图；
[0085]
图2是本发明纸质表面粗糙纹理的防伪方法中所使用的自助便携设备，即手机加装显微镜头例图；
[0086]
图3是本发明纸质表面粗糙纹理的防伪方法中利用手机显微镜头采集的复印纸表面粗糙纹理样本1；
[0087]
图4是本发明纸质表面粗糙纹理的防伪方法中利用手机显微镜头采集的复印纸表面粗糙纹理样本2；
[0088]
图5是本发明纸质表面粗糙纹理的防伪方法中样本特征点匹配结果图；
[0089]
图6是本发明纸质表面粗糙纹理的防伪方法中样本相似区域融合叠加区域图；
[0090]
图7是支持向量回归算法参数示意图。
具体实施方式
[0091]
为阐明技术问题、技术方案、实施过程及性能展示，以下结合实施例，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。以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
[0092]
在这里专用的词“示例性”意为“用作例子、实施例或说明性”。这里作为“示例性”所说明的任何实施例不必解释为优于或好于其它实施例。
[0093]
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路未作详细描述，以便于凸显本公开的主旨。
[0094]
实施例1
[0095]
如图1所示，一种纸质表面粗糙纹理的防伪方法及便捷鉴别技术，具体包括以下步骤：
[0096]
s1、在纸质品表面规划有效纹理区域，可以方框、圆框或点标注，也可以指定大概位置；
[0097]
s2、在手机摄像头部安装微观显微镜头，利用该设备获取步骤s1中区域纹理样本图像；
[0098]
s3、采用sift算法提取步骤s2中图像纹理特征点描述子；
[0099]
s4、采用支持向量回归(support vector regression，svr)算法估计步骤s3中特征点描述子之间的稳健映射函数，以稳健映射函数提取匹配特征点对，完成图像配准；
[0100]
s5、基于步骤s4中所得匹配特征点对建立平面图像转换矩阵，实现样本相似区域叠加融合；
[0101]
s6、借助表面形貌差异参数评价相似区域的差异性；
[0102]
步骤s1和s2中利用手机加装微观显微镜头作为便携设备，以表面粗糙纹理作为特征，在步骤s3-s6中以app软件编写识别算法，实现纸制品样本采集、定性识别和防伪。
[0103]
所述步骤s1具体包括：
[0104]
①
可印刷出一个圆框、方框或点，也可仅仅是指定一区域；
[0105]
②
以此区域作为识别纹理，该区域面积约为(1-5)mm2即可。
[0106]
所述步骤s2具体包括：
[0107]
①
在手机摄像头部安装微观显微镜头，像素分辨力高于10μm，如图2所示；
[0108]
②
利用该显微设备采集有效区域纹理的清晰图像，至少1000
×
1000像素，如图3和图4所示。
[0109]
所述步骤s3中利用sift算法提取特征点描述子具体包括以下内容：
[0110]
①
定义一幅二维图像的尺度空间l(x,y,σ)＝g(x,y,σ)*i(x,y)，其中*表示在x和y方向上的卷积运算，g(x,y,σ)＝1/2πσ2·
exp((x2 y2)/2σ2)，g(x,y,σ)为一尺度可变高斯函数，(x,y)是空间坐标，σ是尺度坐标；
[0111]
②
对样本图像做不同尺度的高斯模糊并将原始图像不断降采样得到一系列大小不一的图像，将这些图像由大到小，由下到上构成塔状结构；此结构一共分为o组，每组s层，即形成高斯金字塔；
[0112]
③
将高斯金字塔中同组相邻的图像两两相减，得到高斯差分金字塔；
[0113]
④
搜索高斯差分金字塔中每个像素点并与其周围26个点比较确定特征点，具体如下：
[0114]
遍历高斯差分金字塔上每个像素点，并与其同尺度8个相邻点以及上下相邻尺度9
×
2共26个点比较，若为极大值或极小值点，即暂时认定为特征点；
[0115]
⑤
通过海森矩阵计算特征点处曲率以剔除不稳定的边缘响应点，具体步骤如下：
[0116]
s351、高斯差分金字塔中图像会产生较强的边缘响应，需要剔除不稳定的边缘响
应点，其在横跨边缘的方向有较大的主曲率，而在垂直边缘的方向有较小的主曲率；主曲率可以通过2
×
2的hessian矩阵h求出：
[0117][0118]
式中，d为微分算子；
[0119]
s352、令α为最大特征值，β为最小特征值；通过h矩阵的迹计算它们的和，通过h矩阵的行列式计算它们的乘积：tr(h)＝d
xx
d
yy
＝α β
[0120]
det(h)＝d
xxdyy-(d
xy
)2＝αβ
[0121]
s353、令α＝γβ，则有
[0122][0123]
公式的值在两个特征值相等时最小，值越大说明两个特征值比值越大，进一步说明此特征点在某一方向的梯度值越大，而在另一方向的梯度值越小，这就是边缘响应的情况；所以为了剔除边缘响应点，只需要使即可；设定一适当γ值；满足上式的特征点保留，不满足的特征点剔除；
[0124]
⑥
对于确定的特征点，计算其特征向量，具体步骤如下：
[0125]
s361、利用特征点邻域像素的梯度方向分布特性为每个特征点指定方向参数，
[0126][0127][0128]
上式分别为(x,y)处梯度的模值和方向；
[0129]
s362、在完成特征点的梯度计算后，使用直方图统计邻域内像素的梯度方向和幅值；梯度方向直方图将0
°
～360
°
的范围，分为36个柱，每10
°
为一个柱；最后取直方图峰值方向作为特征点主方向，其他达到峰值80％的方向作为辅方向；
[0130]
s363、计算特征点周围4
×
4＝16窗中每个像素的梯度，并使用高斯下降函数降低远离中心的权重，最终形成一个128维特征描述向量；
[0131]
⑦
根据求得的特征向量，利用欧式距离法进行特征点对初匹配，具体步骤如下：
[0132]
s371、取图像中某个特征点，找出其与待配准图像中特征描述向量欧式距离最近的前两个特征点；
[0133]
s372、在这两个特征点中，如果最近距离除以次近距离小于某个比例阈值(0.6～0.9)，则接受这一对匹配点。
[0134]
所述步骤s4中基于支持向量回归算法(svr)估计特征点描述子之间的稳健映射函数具体包括以下内容：
[0135]
①
稳健映射函数模型
[0136]
根据图像的单应性假设下，两张图像i和i
′
，其对应点间应具有一对一的映射关
系，并可用单应性函数表达；因此，存在两个单应性函数，可将图像中的一点映射到另一图像的对应点
[0137]
f：i
→i′
[0138]f′
：i
′→i[0139]
若(p，p
′
)可至少满足两个单应性函数中的一个，即p＝(u，v)∈i可以通过函数f将其映射为p
′
＝(u
′
，v
′
)∈i
′
，反之也成立，则(p，p
′
)可看作图像的一对对应点；基于以上单应性函数概念，映射函数f和f
′
可分别看作是两个向量值函数构成
[0140]
f(u，v)＝(u
′
，v
′
)＝(g1(u，v)，g2(u，v))
[0141]f′
(u
′
，v
′
)＝(u，v)＝(g
′1(u
′
，v
′
)，g
′2(u
′
，v
′
))
[0142]
其中，gk和g
′k(k＝1，2)是一般标量函数；
[0143]
假设s为初始匹配对集合
[0144][0145]
它在u
×v×u′
子空间的投影定义如下
[0146]
su×v×u′
＝{(u，v，u
′
)|(u，v，u
′
，v
′
)∈s}
[0147]
对于任意的(u，v，u
′
)∈su×v×u′
，若(p，p
′
)满足映射函数f，则(u，v，u
′
)将满足g1(u，v)＝u
′
，同样地，g2，g
′1和g
′2可从对应的同源子空间su×v×v′
，su×u′×v′
和su×u′×v计算得到；
[0148]
②
支持向量回归算法(svr)
[0149]
考虑数据集其中，xi表示d维输入向量，yi∈{1，-1}表示目标输出，即类别标签，输入和输出间的非线性关系可通过以下回归函数描述
[0150][0151]
其中，f(x)表示预测函数，为非线性映射函数，ω和b是待确定的两个系数，并通过最小化正则函数进行估计
[0152][0153][0154]
在式(2)中，第一项为正则化项，第二项描述经验误差，它由ε不敏感损失函数l
ε
[yi,f(xi)]进行估计，参数c是方程中第一项和第二项间的权衡参数，同时可以将参数ε视作等效于训练数据中近似精度的距离大小；引入松弛变量ξi和可引出如下方程式所表示的约束条件
[0155][0156][0157][0158]
如图7所示，所描述的正负距离大小分别用ξi和表示，在[-ε,ε]的区域之外，松弛变量采用非零值，优化方法的最终目标便是找到函数f(x)，对于所有的训练集数据，该函数与实际函数的偏差最大值为γ，并同时尽可能平坦；
[0159]
公式(1)可以进一步表示为如下更一般的形式
[0160][0161]
其中，αi,为拉格朗日乘数项，满足的数据点即为支持向量，可用于构建决策函数；核函数可以将输入空间映射到更高维空间，其中svr最常用的核函数为径向基核函数，其在分类和回归预测中均起到重要作用；
[0162]
k(x,x
′
)＝exp(-γ||x-x
′
||2),γ∈(0, ∞)
ꢀꢀꢀꢀꢀ
(4)
[0163]
式(4)中，γ为内核参数；径向基核函数中只有一个待确定的超参数，这使得其在svr中预测非线性函数时，具有良好的表现；
[0164]
③
支持向量回归算法可用来估计f和f
′
中的标量函数
[0165]
具体的映射函数迭代过程如下：
[0166]
c)从初始的特征点对集合s中，由svr方法估计f(u,v)，记为c)从初始的特征点对集合s中，由svr方法估计f(u,v)，记为
[0167]
b)基于当前的估计值计算对应点对(pi,p
′i)的映射残差ei；
[0168]
c)根据ei的大小，使用稳健权函数δ(l)确定每一个对应点对(pi,p
′i)的权值；
[0169]
d)更新权重，并重新估计映射函数
[0170]
循环迭代步骤(b)到(d)，直至满足迭代终止条件，可得到映射函数和最终的特征点对集合；
[0171]
在svr预测上述向量值函数时，主要确定三个参数c，γ和ε，它们的最佳取值通常取决于初始匹配点对和优化问题本身；核参数中的γ代表核函数的半径，正则化参数c》0是惩罚参数，用于平衡最终解的平坦度和训练误差；实际情况下，增大c值可最小化误差，但c值过大，有可能失去模型的泛化性能，即函数估计精度，且增加了模型的复杂性；可采用网格搜索方法和交叉验证，使用libsvm库来选择最佳参数(c,γ)，可避免过拟合问题；此外，不敏感损失函数中ε的大小也将影响svr的性能，用于构成回归函数的支持向量数量与ε负相关，在多次匹配实验中本文所提出的匹配算法，ε值并不强烈依赖于初始匹配点对，最终选择ε＝0.25；
[0172]
④
外点剔除，完成图像配准
[0173]
由svr得到标量函数后，可根据映射函数f计算残差
[0174][0175]
稳健权函数通过式(5)得到的映射残差为每一点对分配不同权值δ，通常在数据中间部分的权值相对较大，然后分别减小到两侧的某个点为零；可采用tukey双权重估计函数如下
[0176][0177]
其中，c＝4.4478
×
median|z
i-wi|，对i＝1,...,n，|z
i-wi|即为残差e(p,p
′
)，则具有较小权值的外点将被剔除；
[0178]
同时，映射函数的迭代估计需要确定终止条件
[0179][0180]
和分别表示在一次迭代中，剔除外点前后，方差值的大小；设置阈值t
eff
》0，当effk≤t
eff
时，可终止迭代估计过程；此外，均方误差直观地显示了对应点和所估计的映射函数的一致性；因此，也可设置阈值t
mse
》0，当满足mse《t
mse
时，迭代终止；t
mse
和t
eff
可分别设置为75和0.3。
[0181]
图像配准结果，也即稳健特征点对提取结果如图5所示。
[0182]
所述步骤s5中实现样本相似区域叠加融合具体包括以下内容：
[0183]
基于支持向量回归算法所得映射函数为高维空间映射函数；为更直观描述图像间实际位置映射关系，可基于匹配点对建立三维空间单应性矩阵h，其坐标变换关系一般可描述为：
[0184][0185]
其中h包含8个自由度，因图像限定于平面，单应性矩阵可进一步简化为：
[0186][0187][0188]
该矩阵需要4对匹配点对通过奇异值分解(svd)计算出唯一解，即获得该矩阵的8个未知必要参数；如需要进一步提高单应性矩阵的稳健性，可再引入ransac算法迭代滤除误差较大的匹配点对，再进行矩阵求解；
[0189]
上述特征点对匹配法对分辨率、亮度、视角等相机参数影响具有较好鲁棒性；
[0190]
利用变换矩阵h，即可将两幅样本图融合，结果如图6所示。
[0191]
所述步骤s6中评价相似区域的差异性具体包括以下内容
[0192]
对于相似区域的评价，可以采用互相关运算实现，但互相关运算可能受到无效区域影响，如幅值均为0的区域互相关值为100％；为克服该问题，采用表面形貌差异参数ds描述相似区域的相对差异；设相似区域分别为za和zb，z
b-a
＝z
b-za，则有
[0193]ds
＝rq2(z
b-a
)/rq2(za)
×
100％
[0194]
其中，rq为表面计量一般参数：均方根粗糙度；相似区域za与zb差异越大，ds值越大，反之越小；当za与zb完全相等，z
b-a
＝0，则ds＝0，即无差异。
[0195]
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的仅为本发明的优选例，并不用来限制本发明，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。