买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安理工大学申请的专利一种基于光强变化模型的散斑图像匹配算法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115393623B 。

龙图腾网通过国家知识产权局官网在2025-08-01发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202211145365.4，技术领域涉及：G06V10/75；该发明授权一种基于光强变化模型的散斑图像匹配算法是由千勃兴;邵伟;华灯鑫;高瑞鹏;郭忠光设计研发完成，并于2022-09-20向国家知识产权局提交的专利申请。

本一种基于光强变化模型的散斑图像匹配算法在说明书摘要公布了：本发明公开了一种基于光强变化模型的散斑图像匹配算法，S100、采集表面有斑点特征的变形前后的散斑图像；S200、选择计算区域，设置图像匹配的基本参数；S300、建立强度变化模型，使用线性最小二乘估计IM‑LLSE得到整像素匹配位置；S400、将强度系数和整像素位置作为初值，结合强度变化模型使用反向组合型高斯牛顿法IM‑ICGN进行亚像素匹配；S500、将该已完成匹配的节点的匹配参数向邻域子区传递，最终完成整个计算区域内所有节点的亚像素匹配。本发明方法适合应用于环境光明暗变化的场景下，物体表面的变形追踪及形貌重建。与目前主流的算法相比，能够在计算效率相当的同时，提高匹配的精度和可靠性。

本发明授权一种基于光强变化模型的散斑图像匹配算法在权利要求书中公布了：1.一种基于光强变化模型的散斑图像匹配算法，其特征在于，具体按照以下步骤实施： S100、采集被测表面有斑点特征的变形前后的散斑图像； S200、选择计算区域，并设置图像匹配的基本参数，设定的基本参数包括子区尺寸、节点步长以及种子点； S300、针对种子点，在变形图像上进行相似子区的整像素搜索；建立光强变化模型，使用线性最小二乘估计IM-LLSE得到整像素匹配位置，光强变化模型又称为灰度映射模型，选择线性或二次抛物线模型中的一种；在变形图像上，根据回归偏差最小确定变形节点对应的整像素位置； S400、针对种子点，在变形图像上进行相似子区的亚像素搜索，将光强系数和整像素位置作为初值，结合光强变化模型，使用反向组合型高斯牛顿法IM-ICGN进行亚像素匹配；在亚像素匹配过程中，使用变参数迭代的思路，先固定光强系数，迭代求出变形系数，再根据变形系数求出新的光强系数，如此反复直到迭代收敛； S500、将已匹配完成的节点的匹配参数向邻域子区传递，最终完成整个计算区域内所有节点的亚像素匹配；则变形前后对应节点的坐标差，即为该节点处的变形量； 所述步骤S300将光强变化模型引入相似度函数，形式为x为参考子区中心，ξ为子区内部位置相对于中心偏移量，相应地简记为fi＝Φgi，根据实际情况可选择光强变化模型的任意模型； 所述步骤S300中的整像素搜索方法具体为： S301、光强线性变化模型为fi＝a×gi+b；建立包含光强系数的相似度函数Cpssd＝∑a×gi+b-fi2； S302、在变形图像上的搜索区域，逐点进行参考子区fi与变形子区gi的相关计算，令∑a×gi+b-fi2＝0，通过线性最小二乘估计可得到a与b的值，进而得到残差R＝∑a×gi+b-fi2； S303、比较搜索区域内所有节点对应的残差，残差最小时对应的子区为整像素的匹配子区；同时，相应的光强系数a、b为参考子区和整像素变形子区较准确的灰度映射系数； 所述步骤S400中所述的亚像素搜索算法IM-ICGN，即变参数迭代的具体步骤为： S401、将S303求得的整像素节点坐标和光强系数作为高斯牛顿迭代的初值，其他变形参数的初值设为0； S402、对于加入形函数后的相关函数，光强线性变化模型为：fi＝a×gi+b，表达式为其中，a和b为光强变化系数，fx+Wξ；Δp为变形前子区的灰度描述，gx+Wξ；p为变形后子区的灰度描述；使用高斯牛顿法IC-GN迭代单次得到变形参数和对应的变形子区，再利用变形子区和参考子区的灰度，通过S302中的线性最小二乘估计求出新的为准确的系数a和b； S403、将步骤S402迭代得到的新的变形参数和光强系数作为初值，再次使用高斯牛顿法进行迭代计算，得到新的变形参数和光强系数,如此反复，在每次迭代结束时进行收敛判断，若满足精度要求，则亚像素匹配结束。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安理工大学，其通讯地址为：710048 陕西省西安市金花南路5号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。