基于SURF与BBF棉花图像匹配算法.docVIP

基于SURF与BBF棉花图像匹配算法 　　摘要：在棉花图像分割与识别的基础上，为获得棉花三维空间位置信息，需要对双目采集的棉花图像对进行精确的匹配。采用加速分割检测特征、加速鲁棒性特征和BBF方法匹配棉花图像对。首先采用FAST检测图像角点，并计算各角点的SURF描述向量，然后采用BBF方法搜索匹配点对，最后利用RANSAC和极线约束剔除误匹配点对，为下一步准确定位棉花三维空间位置信息奠定基础。 　　关键词：FAST；SURF；BBF；RANSAC；外极线约束 　　中图分类号：S126 文献标志码：A 文章编号：1002-1302（2014）03-0343-03 　　图像匹配在三维重构、导航图像处理、图像搜索、图像融合等计算机视觉领域应用广泛，基于局部特征的匹配逐渐成为研究的热点。基于特征点的检测算法，如Harris-Affine、SIFT[1-2]算法，能够实现较准确的匹配对，但计算时间较长。2006年，Bay等人提出SURF（speeded-up robust features）特征算子在匹配性能方面接近SIFT算法，但计算时间较快，王海丽[3-4]等人将SURF算法应用于SAR图像等领域，实现匹配的抗视角变换。上述匹配算法特征点的边缘特性较差，在计算时间方面仍然较长。本研究在前人研究的基础上提出基于FAST角点检测、SURF描述向量和BBF搜索匹配点的算法，具有良好的边缘特性与高效的分割速度。 　　1 研究方法 　　1.1 FAST角点检测 　　加速分割检测特征（features from accelerated segment test，FAST）是一种简单快速的角点探测算法，当某个像素点的周围领域内有足够多的像素点与该点处于不同的灰度区域时，该点被确认为一个FAST角点。应用到灰度图像中，即有足够多的像素点的灰度值大于该点的灰度值或者小于该点的灰度值。考虑图像中任意一个像素点和以它为中心的一个区域，通常选择圆形区域，图1给出了以该点为中心的圆形区域的模板情况，该圆形区域为一个半径等于3像素的离散化区域，最外围的像素点按顺时针顺序依次编号为1～16。 　　一个候选点是否为角点可以用一个角点响应函数来判断，即： 　　N=∑x（circle（p））|Ix-Ip|εd 　　（1） 　　式中：Ix表示圆周上任意一点的图像灰度值；Ip表示中心像素点的图像灰度值；p表示中心像素点即候选点；εd为给定的一个极小阈值。通过该角点响应函数，计算出圆周上满足公式（1）像素点的个数N。如果N大于给定的一个阈值，就可以确定该候选点为角点。为实现快速计算，一般选择n=12。角点检测可简化为检测像素编号为1、9、5、13的4个像素点，因为在该4个像素点中，有3个均满足公式（1），才能被确认为角点，如此可以快速排除整幅图像中的很多像素点，提高角点检测的时间效率。 　　1.2 SURF描述向量 　　SURF描述向量主要是根据特征点邻域范围内的灰度统计信息[5-6]，通过计算主方向和特征向量来得到的，具体步骤如下。 　　1.2.1 SURF特征点主方向的确定 本研究采取将原图检测到的极值点转换到灰度图像中，利用灰度图像的信息生成特征描述向量。为保证旋转不变性，以特征点为圆心、6σ（σ为特征点所在的尺度值）为半径的圆形区域内的所有像素x和y方向上的Haar小波响应dx和dy，使每个像素点都有一个对应的Haar小波响应点Hp（dx，dy）；然后，通过一个大小为600的扇形滑动窗口对所有小波响应进行求和，选择长度最长的方向作为特征点的主方向。 　　1.2.2 基于Haar小波响应生成描述向量 SURF特征向量提取是在一个以特征点为中心、与主方向平行的方形区域中进行的：首先确定一个以特征点为中心、大小为20S的方形区域，为使提取到的特征向量具有抗旋转特性，需要旋转该方形区域，使之与特征点的主方向平行；然后，将这个方形区域再均匀细分成4×4个子区域，在每个子区域中统计x和y方向上的Haar小波响应之和及其绝对值之和（∑dx，∑dy，∑|dx|，∑|dy|）。在统计的过程中，仍用以特征点为中心的高斯函数进行赋权处理。如此，每个子区域有一个四维的描述子V4=（∑dx，∑dy，∑|dx|，∑|dy|），整个区域就有4×4×4=64维的特征向量。再进行归一化，形成特征点的描述向量。 　　1.3 二叉树搜索图像匹配点对 　　1.3.1 K-D树 K-D树是一棵平衡二叉树，K-D代表 K-Dimension，每个节点即为一个K维的点。每个非叶节点可以想象为一个分割超平面，用垂直于坐标轴的超平面将空间分为2个部分，这样递归的从根节点不停的划分，直到没有实例为止[7-8]。 　　K-D树的最近邻搜索算法如下： 　　（1）在K-D树中找出包