基于SIFT特征的显微图像拼接算法研究.docVIP

基于SIFT特征的显微图像拼接算法研究 　　【摘要】本文研究并实现了一种基于SIFT特征的显微镜下图像拼接算法，通过对显微下图像中的SIFT特征的提取、特征比对以及图像映射等过程，将两幅甚至多副包含重叠区域的图像无缝的拼接起来。 　　【关键词】SIFT，显微镜，图像处理 　　 　　图像拼接是计算机视觉中的重要分支，通过将两幅以上的具有部分重叠的图像进行无缝拼接，从而得到较高分辨率或宽视角的图像。 　　图像拼接算法按照原理划分主要有两类：按照全局特征与按照局部特征。利用全局特征的拼接一般是用fourier的相位相关，估计出频移、旋转和缩放。利用局部特征的拼接算法一般从不同的图像中提出特征信息，并将特征点进行初步匹配，然后剔出相差过大匹配对，最后计算映射矩阵。SIFT特征是目前较为常用的局部特征，通过提取与尺度无关的图像信息，可以较全面的提取出图像的局部特征，并进行匹配。 　　一、 SIFT特征的提取 　　SIFT算法是一种提取局部特征的算法，在尺度空间寻找极值点，提取位置，尺度，旋转不变量。SIFT特征的提取主要有四步： 　　在SIFT特征的提取算法中，主要应用了尺度空间理论。尺度空间理论目的是模拟图像数据的多尺度特征。高斯卷积核是实现尺度变换的唯一线性核[]，于是一副二维图像的尺度空间定义为：Ｌ（x，y，σ）＝G（x，yσ）*Ｉ（x，y）（1）其中G（x，yσ）是尺度可变高斯函数，G（x，y，σ）＝■e-（x2+y2）/2σ2（2）其中（x，y）是空间坐标，σ是尺度坐标。为了有效的在尺度空间检测到稳定的关键点，应用高斯差分尺度空间（DOG scale-space）。利用不同尺度的高斯差分核与图像卷积生成。D（x，y，σ）＝（G（x，y，kσ）-G（x，yσ））*Ｉ（x，y）＝Ｌ（x，y，kσ）-Ｌ（x，y，σ）（3）DOG算子计算简单，是尺度归一化的LoG算子的近似。特征提取主要分为几个部分： 　　1.图像金字塔的构建：图像金字塔共O组，每组有S层，下一组的图像由上一组图像降采样得到。 　　2.空间极值点检测：为了寻找尺度空间的极值点，每一个采样点要和它所有的相邻点比较，看其是否比它的图像域和尺度域的相邻点大或者小。如图3所示，中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的9×2个点共26个点比较，以确保在尺度空间和二维图像空间都检测到极值点。 　　3.精确确定极值点位置：通过拟和三维二次函数以精确确定关键点的位置和尺度（达到亚像素精度），同时去除低对比度的关键点和不稳定的边缘响应点(因为DoG算子会产生较强的边缘响应)，以增强匹配稳定性、提高抗噪声能力。 　　4.边缘响应的去除：一个定义不好的高斯差分算子的极值在横跨边缘的地方有较大的主曲率，而在垂直边缘的方向有较小的主曲率。主曲率通过一个2x2 的Hessian矩阵H求出: 　　Ｈ＝DxxDxyDxyDyy（4）导数由采样点相邻差估计得到。D的主曲率和H的特征值成正比，令α为最大特征值，β为最小的特征值，Tr(H)=Dxx+Dyy=α+β 　　Det(H)= DxxDyy -(Dxy)2=αβ 　　则令α＝γβ，则：■＝■＝■＝■(r + 1)2/r的值在两个特征值相等的时候最小，随着r的增大而增大，因此，为了检测主曲率是否在某域值r下，只需检测■＜■ 　　5.特征点描述子生成：首先将坐标轴旋转为关键点的方向，以确保旋转不变性。然后以关键点为中心取8×8的窗口。然后在每4×4的小块上计算8个方向的梯度方向直方图，绘制每个梯度方向的累加值，即可形成一个种子点。 　　二、 SIFT特征的匹配 　　按照D.Lowe的原始算法，SIFT的特征匹配分为两个部分：首先将两幅图像中SIFT特征的特征描述信息（提取的方向信息）进行匹配，删除大部分的伪特征点，然后利用RANSAC算法[5]，对提取出的特征点集进行遍历处理，找出N对真正的匹配特征点。由于绝大多数显微镜下采集到的图像分辨率较高，因而，原始的D.Lowe算法在进行特征的时候，时间消耗很大。为了有效缩减运算时间，我们对原始算法作了两点改动：一是在特征描述信息的比对过程中，加入限定条件：A与B为成功匹配特征点，当且仅当第一幅图中的特征点A与第二副图中的特征点B互为对方图像特征点的2-最近临点。之所以选择2-最近邻点而不是最近临点，是因为最近临点往往会删除许多真匹配点对，从而影响后面的处理过程，并且后续的RANSAC算法可以成功地将增加的伪特征点删除。 　　其次是在进行RANSAC算法的遍历过程中，加入Mark矩阵，记录RANSAC算法的搜索过程，标记已搜索过的点集。例如：特征点集（N=3时）{A1,B1,C1,D1,E1，F1,G1}与{A2,B2,C2,D2,E2,F2,G2}，若A1