自适应分数阶的尺度不变特征变换图像匹配算法.docVIP

自适应分数阶的尺度不变特征变换图像匹配算法 　　摘 要：分数阶微积分在图像处理过程中，能够加强图像的纹理细节，也有利于图像的特征匹配。为了降低在分数阶图像匹配过程中寻找合适阶数所需要的大量人力和物力，本文提出了自适应的分数阶尺度不变特性变换（SIFT）算法，将自适应的图像处理方法与高斯滤波相结合，利用自适应的分数图像处理对图像加强，然后检测出更准确的关键点，进行图像匹配，提高图像的匹配率。实验表明自适应的分数阶在匹配中的应用减少了寻找合适阶数的麻烦，而且也可以达到较理想的匹配率。 　　关键词：自适应分数阶微分；图像增强；尺度不变特征变换；图像匹配 　　中图分类号：TP391.41 　　随着分数阶微积分的定义被大家熟知，其应用也越来越广泛，尤其是在信号分析与处理领域。分数阶微分在处理图像时，可以在加强图像高频信息的同理，也保留低频的轮廓部分。分数阶的这些显著特点在文献[1，2]中都得到了充分论证。 　　图像特征匹配也是当前计算机视觉领域的研究热点之一。目前图像匹配方法主要是基于灰度相关和特征的两大类方法，前者直接利用图像灰度进行计算，匹配的成功率高，但是需要的时间较长，不能适用于一些对实时性要求较高的项目；后者主要是先对图像进行提取，然后再进行匹配，此类方法运算量小，但相对匹配率不高。在实际应用中，物体变形、遮挡、噪声的影响也是不可避免的，为了能解决以上这些问题，2004年DAIDLOWE提出的尺度不变特征变换（Scale Invariant Feature Transform，SIFT），SFIT被广泛的应用于目标跟踪，图像检测、识别等诸多领域。文献[3]提出将分数阶与SIFT相结合，利用分数阶对图像的加强作用，提高了匹配率和关键点的个数。但是对于分数阶的选择，一方面浪费人力，另一方面要靠经验，如果输入阶数不合适，会达不到预期的目标，影响处理效果。文献[4，5]提出了不同的阶数的自适应方法，将梯度与阶数建立了一定的映射关系，或者利用分数维求得图像处理的阶数，都可以达到不错的效果。本文利用图像梯度信息和人眼视觉特性等理论的自动生成分数阶与SIFT相结合的方法，一方面可以节省大量的人工寻求分数阶的时间，另一方面也得到较理想的配准效果，使分数阶应用于实时性要求较高的动态目标跟踪成为可能。 　　1 自适应的分数阶微分在图像处理中的应用 　　目前自适应分数阶微分在图像中的应用还不太多，本文利用文献[4]中的方法，根据图像本身的梯度特性和人类视觉特性等理论自动寻找调整图像需要的合适阶数。自适应分数阶微分在图像处理过程中与普通的分数阶处理图像一样，均需要掩模设计。 　　1.1 自适应分数阶微分掩模及推导过程 　　目前流行的分数阶微积分的的计算的方法有Riemann-Liouville定义，Grunwald-Letnikov（G-L）定义和Caputo定义。本文采用对信号处理更精确的G-L定义对图像进行处理。分数阶微积分G-L差分定义如下： 　　（1） 　　其中：Gamma函数！，信号?（t）持续期为t∈[a，t]。对于图像信号持续区间按等分间隔h=1进行等分，可以得到n=[t-a]，对于一元信号分数阶微积分的差分表达式： 　　（2） 　　对于M×N的图像f（x，y）用大小为m×n的滤波器w（s，t）进行线性滤波，则输出图像g（x，y）可以用离散卷积表示： 　　（3） 　　其中a=（m-1）/2，b=（n-1）/2，w（s，t）在这里为掩模，为了得到完整的滤波图像，不响影响平均梯度等特性，我们对距掩模中心在和的像素进行逐个处理，对于大于此距离的像素点，则不处理，保留其灰度值。 　　在构造分数阶微分掩模时，我们采用x轴正负方向，y轴正负方向，左右对角线方向8个方向的具有各向同性的算子掩模，以便使其对于图像具有旋转不变性。为了降低时间复杂度，不影响处理后的图像纹理，在实验中我们采用3×3的掩模，对掩模内的各个系数进行归一化处理同除以（8-8v），所以构造近似分数阶微分算子掩模如图所示。 　　表1 3×3的掩模模板 　　1.2 自适应分数阶数的推导过程 　　图像梯度反映了图像灰度在空间上的变化率，表现在图像上梯度大地方像素变化明显；梯度变化小的地方，图像则变化平缓；灰度相同区域，则梯度为零。图像梯度实际是纹理的一个量化反映，据此我们来找出他们之间的函数映射关系。 　　图像f在某像素点（x，y）上的梯度是一个二维列向量，为了降低计算量，梯度模值采用近似公式可得： 　　（4） 　　将偏微分部分可近似用差分代替，则梯度的模值可以表示为： 　　（5） 　　根据人类的视觉特性，人眼会在图像灰度变化快的区域分辨力越强，这也是纹理细节丰富的区域，所以在这些区域应适当加强灰度间隔，对于边缘突变的地方，应当约束