基于共线梯度特征和结构化输出异谱图像匹配算法.docVIP

基于共线梯度特征和结构化输出异谱图像匹配算法 　　【摘 要】本文提出了一种基于共线梯度特征（collinear gradient-enhanced coding， CGEC）和结构化输出的异谱图像匹配算法。首先通过共线梯度特征对异谱图像进行特征图像转换，获得具有相似结构信息的特征图；接着，在特征图上进行关键点的提取，以得到较多的同名点；最后，综合关键点的特征向量和关键点之间的结构信息，采用优化的方法计算得到最优的转换关系。实验结果表明，本文方法更好的获取了关键点的匹配结果。 　　【关键词】异谱图像匹配；共线梯度特征；结构化输出；关键点 　　【Abstract】A multi-spectral image matching algorithm based on collinear gradient-enhanced coding （CGEC） and structure output is proposed. First， the similar structure feature maps are obtained from the multi-spectral images through collinear gradient-enhanced coding. Secondly， the key points are extracted on the structure feature maps in order to get more valid point-pairs. Lastly， combining with the feature vector and structure information， we use the optimization algorithm to obtain the best transformation. The experiment result demonstrates that our method achieves better result. 　　【Key words】Multi-spectral image matching； Collinear gradient-enhanced coding（CGEC）； Structure output； Key points 　　图像匹配是机器视觉领域的关键技术之一，被广泛的用于医学图像、遥感图像、机器人视觉、导航等领域[1-3]。异谱图像匹配是指针对不同谱段下获取的两张或多张图像，找到图像间的空间变换，建立图像间的对应关系。异谱图像因其局部特征的显著差异，大大增加了异谱图像之间的匹配难度。传统的点匹配方法，如尺度不变特征变换描述子（scale-invariant， SIFT）[4]，高速鲁棒描述子（speeded up robust features， SURF）[5]，二值鲁棒独立元素描述子（binary robust independent elementary features， BRIEF）[6]等，均不能很好解决异谱图像的局部特征差异大的问题。本文采用共线梯度特征和结构化输出的方法实现异谱图像对的匹配。 　　1 生成共线梯度特征图 　　文献[7]提取了共线梯度特征对异谱图像的结构信息进行描述，有效的提取了异谱图像之间的相近结构信息。 　　2 关键点提取 　　文献[7]在原始异谱图像上直接提取FAST关键点，再进行同名点的匹配。但因异谱图像在局部特性上的较大差别，导致关键点的位置差别较大，如可见光图像具有丰富的图像细节，可提取大量的关键点，但红外图像因热成像的原理，往往使得多数局部区域细节消失，提出的关键点数量非常少。为了解决异谱图像上提取的同名点对较少的问题，本文采用在共线梯度特征图上提取FAST关键点的方法。因共线梯度特征图已将异谱图像投影到相似的结构信息上，因此比直接从原始图像上能提取更多的同名点对，有利于异谱图像变换矩阵的正确计算。 　　3 结构化输出 　　4 实验结果 　　本文对红外图像和可见光图像的异谱对进行了点匹配实验，如图1所示。图1左则为可见光图像，右侧为红外图像，第一行为文献[7]的点匹配结果图，第二行为本文的匹配结果图。从图1可以看出，本文方法大大增加了同名点的匹配数目。 　　第一行为文献[7]的结果，第二行为本文的结果. 　　5 结论 　　本文方法基于共线梯度特征生成异谱图像的特征图，得到异谱图像的大结构信息。改善了从原始图像上提取同名点对少的问题，并通对点与点之间的结构化信息获取最优化的点对匹配结果，大大提升了异谱图像的点匹配效果。 　　【参考文献】 　　[1]余时伟，黄廷祝，刘晓云，陈武凡.显著图引导下基于偏互信息的医学图像配准[J].仪器仪表学报，2013，