基于局部显著边缘特征快速图像配准算法.docVIP

基于局部显著边缘特征快速图像配准算法 　　摘要：针对尺度不变的特征变换（SIFT）算法提取的特征点数目多、匹配耗时长、匹配精度不高等问题，提出了一种基于局部显著边缘特征的快速图像配准算法。该算法利用SIFT算法提取待选特征点，同时用小波边缘检测提取图像边缘，建立特征点周围邻域的边缘特征，筛选出具有显著边缘特征的特征点，结合Shapecontext算子和边缘特征形成特征描述向量，采用欧氏距离作为匹配度量函数对筛选出的特征点进行初步匹配，然后用随机一致性检验（RANSAC）算法消除误匹配点对。实验结果表明，该算法有效控制了特征点的数量，提高了特征点的质量，缩小了特征搜索空间，提高了特征匹配的效率。 　　关键词： 尺度不变的特征变换； 显著边缘特征； 小波边缘检测； 度量函数； 随机一致性检验 　　中图分类号： TP391.41 文献标志码： A 　　0引言 　　图像配准是图像处理的基???问题之一，是对具有相同场景的两幅或多幅图像在空间上进行最佳匹配和叠加的过程，已被广泛地应用到遥感图像分析、医学诊断治疗、工业缺陷检测、机器视觉等诸多领域。 　　目前，图像配准算法主要分为基于灰度信息法、变换域法和基于特征法三大类 于灰度信息的方法利用图像灰度的统计信息来度量图像的相似程度，实现简单，但其应用范围较窄，且计算量大。而基于特征的方法则克服了基于灰度信息法的许多缺点，以其优越的性能，成为图像配准算法研究领域的热点。该方法首先提取图像中的显著特征如角点、轮廓等，再利用特征之间的匹配关系建立图像之间配准映射关系，完成配准过程，具有压缩信息量、匹配快、灵活性高和精度高等优点。 　　在基于特征的图像配准中，点特征是最常用到的特征之一。常用的点特征配准算法主要有基于小波变换的边缘点提取法、角点检测法和兴趣算子法。其中，兴趣算子包括Harris[1]算子、Moravec[2]算子和尺度不变特征转换（ScaleInvariantFeatureTransform，SIFT）[3]算子等。Lowe于2004年在总结了现有的基于不变量技术的特征检测匹配方法的基础上正式提出了基于尺度不变的特征变换即SIFT算法，该算法在尺度和视角变化下均具有良好的匹配效果[4]，是一种鲁棒性很好的尺度不变的特征描述方法。在此算法的基础上，国内外学者作出了很多改进，取得了很好的效果，如Ke等对归一化的梯度块进行主成分分析，实现了对特征描述符的降维处理得到PCASIFT算法[5]，但该算法获得的描述子的独特性不及SIFT算子，且在快速图像匹配中效果不佳。而Mikolajczy等提出的一种梯度位置方向直方图（GradientLocationOrientationHistogram，GLOH）算法[6]，在极坐标系中计算SIFT描述符，然后对其进行主成分分析（PrincipalComponentsAnalysis，PCA）降维，提高了描述子的独特性，但同时增加了计算的复杂性。此外，Bay等于2007年提出了另一种SIFT算法的改进算法即SURF（SpeededUpRobustFeatures）算法[7]，其利用Hessian矩阵的快速检测子提取兴趣区域，再利用Harr小波的局部响应建立描述子，由于该算法使用块状滤波和积分图来进行图像滤波，提高了计算效率。 　　本文从图像局部结构轮廓入手，针对SIFT算法实现复杂、计算耗时长和匹配精度不高等不足，提出基于局部显著边缘特征的快速图像配准算法，首先对图像预处理，再对得到的图像同时进行SIFT特征点提取和小波边缘提取，对处在小波边缘上的SIFT特征点和处在区域内的SIFT特征点分类处理，筛选出具有显著边缘特征的特征点，再对??进行精确配对，大大缩小了搜索空间，节省了时间，最后采用随机一致性检验（RANdomSAmpleConsensus，RANSAC）[8]算法消除误匹配，更进一步提高了配准精度。 　　1算法设计 　　基于特征的图像配准是目前图像配准的主要方法，本文提出的基于局部显著边缘特征的快速图像配准算法的流程如图1所示，其主要包括图像预处理、特征提取、筛选显著特征点和特征匹配等几个步骤。 　　1.1图像预处理 　　由于拍摄条件、光照变化等因素的影响，获取的图像往往存在失真或变形，直接的特征提取可能会影响到图像配准的精度。本文采用直方图变换对图像进行对比度增强，突出图像特征。 　　1.2特征点提取 　　SIFT特征匹配算法是一种高效的局部特征匹配算法，该算法主要包括特征检测和特征匹配，其中，特征检测包括尺度空间极值点检测和特征点的精确定位两部分。 　　1.5特征点匹配 　　对两幅图像分别应用上述方法得到两个特征点空间和相应的特征向量，采用特征点的特征向量的欧氏距离作为特征点的相似性判定度量，对两幅图像进