基于SURF的自适应彩色图像配准算法.docVIP

基于SURF的彩色图像的配准算法 摘要：SURF算法(加速鲁棒特征法)克服了SIFT（尺度不变特征变换）算法繁复的计算，但两者的设计主要是针对灰度图像,为了克服这一缺点，色彩信息也应该被配准，这篇文章提供了一种基于SURF描述符的针对彩色图像的配准算法，首先用SURF算法计算关键点和描述符，然后色彩信息被叠加在关键点的描述符来重建描述符，最后基于欧式距离的双路匹配算法被用来匹配图像，大量的实验实验表明，该算法不仅继承了其优越的性能SURF算法，同时也增加了彩色图像自适应匹配能力。 2015 Elsevier有限公司保留所有权利 1简介 图像配准技术是计算机视觉应用的一个重要方面，图像配准的目标是要找到可靠的图像之间的对应关系对同一场景（在不同的图象拍摄时间，不同视角或不同传感器）[1]，图像配准的应用主要包括远程图像拼接，遥感图像配准，红外图像配准，医学图像配准，以及三维重建等等[2-4]。 目前主要有三种图像配准：基于图像特征的配准，基于灰度相关和变换域的配准，基于特征的图像配准的研究最早和具有最广泛的适应性[5]，在此，研究人员经过了长期不懈的研究，对于特征图像配准算法提出了如Moravec, Harris,SUSAN, and SIFT等算法，sift算法在局部不变描述符上具备最好的判别性，但他的描述符是16*8=128维度的向量，用来对灰度图像进行设计，为了克服这个缺陷，本文将设计更多维度的向量描述符，PCA_SIFT[10]算法将向量维度从128减少到36，但是却不具备判别性，GLOH[11]算法在相同情况下具备更好的区分度，但计算却更复杂一些，SURF[12]是2006年Bay et al.在SIFT基础上建立的算法，相比于SIFT算法，SURF算法在速度上有明显的提高，因为其有低维度描述符向量空间（只有64），尽管这已经算不错的结果，但仍然没有包括色彩信息。 色彩信息在这世上扮演了重要的角色，它是区分事物的重要部分，如果物体的色彩信息被忽略，那么可能物体就会被错误的辨认，基于就可以进行色彩的CSIFT[13](尺度不变特征变换)去利用色彩信息。因为只有图像的光量的变化被考虑到，所以这种描述符在实际运用中并不十分有效，为了充分利用色彩信息，建立有效的色彩描述符SIFT-CCH算法将SIFT算法和色彩相关图结合在一起。 显然SURF算法运用在广泛的图像配准领域，我们希望结合SURF算法和色彩信息来得到更好的结果，该文章利用统计方法估计出特征点周围的YUV色彩信息，并把它追加在SURF算法描述符的后面，在运用色彩信息上面该文需要利用临近特征点和色彩转移矩阵，而这些方法会弱化特征点提供的色彩信息，在这个基础上，我们设计出一种图像匹配算法，在这种算法中我们基于SURF算法去取得特征点的原始信息，不改变色彩空间。首先特征点和描述符利用SURF算法计算出来，其次色彩信息被叠加在特征点描述符上面，最后基于自适应欧式最近区分法设计出双路匹配来进行图像配准。 2算法设计 这部分详细介绍了基于SURF算法的彩色图像配准算法的设计，具体细节如图一所示，特征点描述符是基于SURF算法计算。 图（1） 提升后的描述符：将彩色信息叠加在原来的基本描述符上。 自适应尺度因子：为了提高算法对各种图像的通用性，本文设计了一种提取的比例因子的自适应方法。 欧氏距离的双向匹配：单向匹配是常用的欧氏距离的方法，但它不可能准确地提取匹配对。 因此，我们的算法使用欧氏距离来设计的双向映射的特征点匹配算法。 一种改进的描述的设计过程，自适应比例因子和欧氏距离的双向匹配，在下面的章节中进一步解释。 2.1提升后描述符 原始SURF算法的计算是基于灰度图像，所以由SURF算法提取的特征点描述符只包含灰度信息，很明显这些描述符将导致丢失颜色信息并可降低匹配精度率。为了实现彩色图像配准的支持，我们尝试将彩色信息添加到描述符上面。 彩色信息包含三个值：红，绿，蓝。原始SURF算法缠上64维度的向量但却不包含彩色信息，我们设计了一种方法来解决这个问题：将色彩的三个值添加到64维度向量的后面，具体细节如下所示： 步骤一： 在SURF算法中，描述符窗口被分成4*4的小区域，每个小区域由四个维度向量组成，如公式1所示 假设特征点为（x,y）,描述符向量向量如公式（2）所示 向量v1，v2，v3，v4......v16是在每个小区域的向量 步骤二：将色彩向量叠加在上述向量后面，假设特征点坐标为（x,y),它的颜色像素值分别为R(x，y），G(x，y),B(x，y),综合后描述符向量如公式（3）示：