基于SURF算法的声纳图像拼接方法.doc

基于SURF算法的声纳图像拼接方法 　　摘 要：针对水下机器人采集的声纳图像检测范围较小的问题，文章提出了一种基于SURF的声纳图像拼接算法。首先，对采集的声纳图像进行一定的预处理，去除噪声并调整声纳图像的对比度；其次，对处理后的图像提取SURF特征点；然后，利用得到的特征点对求解单应矩阵并进行坐标映射；最后，对拼接图像进行图像融合。实验表明：该算法在含有较多特征点的声纳图像中具有较好的精度，实时性也较好。 　　关键词：机器人；声纳；图像 　　1 引言 　　图像配准和图像融合是图像拼接的2个关键技术，图像配准是图像融合的基础，而且图像配准算法的计算量一般非常大，因此图像拼接技术的发展很大程度上取决于图像配准技术的创新[1]。本文针对声纳图像拼接应满足实时性要求这一条件，提出了一种基于SURF[3]的声纳序列图像拼接方法，图1为该算法的基本流程。 　　图1 基于SURF算法的声纳序列图像拼接流程 　　2 图像预处理 　　图像预处理是特征提取的基础，预处理结果的好坏将影响特征提取的效果，因此为了完成水下声纳图像目标特征的提取任务，要对图像进行必要的预处理。 　　基于声纳图像具有较强的高斯噪声，信噪比较低的特点，应对声纳图形进行图像去噪。本文采取高斯平滑算法，高斯平滑能较好的去除高斯噪声[2]。 　　针对声纳图像分辨率比较低的问题，本文采用灰度拉伸算法改善图像的对比度。通过对比度拉伸可增强图像中监测目标的特征信息。 　　3 基于SURF的特征点检测与描述 　　本文结合声纳图像的特点，将SURF特征检测算法引入到声纳图像拼接过程中，实现特征点的自动提取。该算法是由Herbert Bay、Tinne Tuytelaars和Luc Van Gool所提出来的一种特征检测算法。 　　基于SURF的特征提取算法具体实现步骤如下： 　　（1）将声纳图像转换成积分图像。对于积分图像中某点X，X=X（x，y），该点的值用I？撞（X）表示计算如公式（1）所示。 　　（1） 　　（2）利用Hessian矩阵计算图像的兴趣点。计算图像中一点在不同尺度下的Hessian矩阵行列式的局部最大值。图像中任意一点X（x，y），该点在尺度？滓下的Hessian矩阵定义为 　　（2） 　　式中：Lxy（X，？滓）表示高斯二阶偏导在X处的卷积。Lxy（X，？滓）、Lxy（X，？滓）具有相似的含义。 　　（3）构建尺度空间。采用不断增大盒子滤波模板的尺寸建立图像金字塔。 　　（4）特征点的确定。通过筛选滤波响应并对筛选的点进行处理，将每一个筛选的点与同尺度的8个像素点和上下相邻尺度各9个点一共26个点进行比较，求得局部极大值点即为特征点。 　　（5）特征点的描述。分别求出特征点在x、y方向上的梯度，以这两个方向为坐标轴建立坐标系，将个点的响应映射到坐标系中，累加在各方向一定范围内的小波响应，将获得最大响应的方向确定为梯度的主方向，并且在主方向上建立特征点的描述向量。最终得到每个特征点的64维特征向量。 　　4 特征点匹配 　　当两幅图像的SURF特征向量生成后，本文采用特征向量间欧式距离（3）作为两幅图像中特征点的相似性判定度量。 　　（3） 　　其中，d（X，Y）表示特征向量间的欧式距离；X=（x1，x2，x3，…xN）表示图像X中任意一点；Y=（y1，y2，y3，…yN）表示图像Y中任意一点；i表示描述子向量中第i个分量；xi、yi分别表示图像X、Y描述子向量的第i个分量；N为特征向量的维数，这里N=64。首先取参考图像的某个特征点并在待匹配图像中找出与该点欧式距离最近和次近的两个特征点，如果最近距离的平方与次近距离平方的比例小于75%，则认为最近的这一对特征点为对应的匹配对。遍历参考图像中的特征点，找出所有潜在的匹配点对。 　　5 单应矩阵求解以及坐标映射 　　5.1 图像单应矩阵的求解 　　在声纳DIDSON实际拍摄过程中，近似满足透视变换模型。两幅图像之间的对应关系可以由一个3×3的平面透视变换矩阵来表示： X1=H21X2 （4） 　　式中，X1可以表示为（x1，y1，1）T，X2可以表示为（x2，y2，1）T，（x1，y1）和（x2，y2）是一对匹配点；单应矩阵H是一个3×3的满秩矩阵，可以表示为： 　　（5） 　　通过前面提到的特征点匹配方法，已经得到了N个匹配点对，注意这里的N？叟4才可以计算单应矩阵H，计算单应矩阵最少需要4个匹配点对就可以，但是仅用4个匹配点对所计算出的结果是无法保证精度的。 　　5.2 坐标映射 　　利用求得的H矩阵，可以将待匹配的图像映射到基准图像中。为避免图像映射过去出现较多黑洞的情况，本文选用逆映射的方法。 　　此外，在坐标映射的过程中，会导致一种必然