信息融合中的surf检测方法.docxVIP

信息融合中的surf检测方法 0 surf算法检测特征点 图像集匹配是指对包含同一场景的两幅图像进行对齐，并确定彼此对应关系的图像分析和处理技术。它广泛应用于导航、地图和土地匹配、生物特征识别、文字识别、医学图像分析、计算机视觉等领域。目前,图像匹配算法的研究已经由基于像素的灰度相关向局部特征相关转变,人们已经提出了各种各样的局部特征算法。文献通过各种实验对几种有代表性的局部特征算法进行了性能评估,结论表明:SURF算法是性能最为鲁棒的局部特征算法。 SURF算法由Bay等人提出,它主要分成3部分:1)特征点提取。即在积分图像的基础上,利用方框滤波近似代替二阶高斯滤波,计算待选特征点及其周围点的Hessian值,如果最大,则为特征点。2)特征点描述。即在特征点周围小区域上计算Haar小波,并计算其4种和以构成特征描述。3)利用特征点描述向量进行配准。 对大量的图像数据进行研究发现,当特征区域像素分布简单时,图像旋转、光照变化等会使图像特征点检测率下降。产生这种情况的原因是:1)特征点信息量小。若特征点所包含的信息量越多,在另一幅图像中被检测出来的概率就越高。2)特征点匹配不精确。即参考图像中用某种尺度检测出来的特征集中的2个特征点,可能分别与配准图像中用不同尺度检测出来的2个特征集中的特征点对应。 针对以上问题,本文先用SURF算法检测出某一特征点,称为初始特征点,再计算初始特征点的信息量,当其信息量大于某一阈值时,即将它作为匹配特征点,以提高特征点的鲁棒性,然后采用特征子集配准方法,进一步提高配准速度。实验表明,本文配准策略可使配准速度比SURF算法的配准速度更快,同时还提高了配准精度。 1 suft算法的改进 1.1 特征点特征提取的一般理论 采用SURF算法提取特征点进行匹配时,发现有大量的特征点未进行匹配,对这些特征点进行分析,发现其所含的信息量较低。因此,本文用原SURF算法检测特征点,然后计算检测出来的特征点的信息量,去掉信息量低的特征点,减少特征点匹配时间,以提高配准速度。 衡量信息量大小的标准很多,如梯度、熵、配准度(registrability)等。据文献分析知,采用香农熵是较好的信息量大小的衡量标准,然而,香农熵也有其局限性,因它只考虑了像素值离散的情况,而本文中还需考虑特征区域像素值的分布情况。因此,笔者对香农熵作了如下2个方面的改进:1)在一幅图像中,由于待选特征点是比周围点hessian值大的像素点,特征点邻域是凸邻域,所以特征点邻域中由外向中心方向,离特征点越近,像素值应该越大。2)为使算法更好地适应图像的旋转,特征点应具有旋转不变性。 根据以上分析,本文改进原有特征点信息量的计算方法如下: 1)计算某种尺度下初始特征点(初始特征点记为xi,i=1,2,3,…,n)领域内每一点的香农熵,计算方法参考文献。 2)计算初始特征点邻域内每一像素点(邻域内的像素点记为yj,j=1,2,3,…,m)的差值贡献率。其计算方法是:对邻域内某一像素点yj,找到yj与初始特征点的连接线段L,并找到线段上与yj相距1个单位像素的点(记为k,k=1,2,3,…,m)。如果k点与图像上的像素点重合,则以该点的像素值减去yj点的像素值得到差值;如果不是,采用PV插值法计算出k点的像素值,再用计算出来的像素值减去yj点的像素值得到差值。然后,把所有差值的绝对值相加,得和值为fsum,即;以yj点像素值的差值除以fsum,商即为这点(yj)的差值贡献率。 3)计算某种尺度下xi周围区域内每一点yj的旋转不变度。先以中心点xi为圆心找到多个同心圆,计算每一个圆的圆周上所有点像素值的均值,然后,计算区域内每一点yj的像素值和它所在圆周像素均值的差的绝对值,如果绝对值为0,这点(yj)的旋转不变度为1,否则,旋转不变度为绝对值的倒数。计算公式为 式中:为yj所在圆的圆周上像素值的均值。 然后,在特征点xi邻域中,将前面计算得到的每一点的3个值相乘,作为yj的信息量,把每一点的信息量相加,就得到特征点xi的信息量,计算公式为 式中:为yj点在尺度空间出现的频率; lg为yj点的香农熵。 为了平衡尺度因子带来的影响,把与二阶高斯函数作卷积,所得结果再与相乘以去掉尺度带来的影响。 1.2 配准图像特征匹配算法 SURF匹配算法中判断参考图像(假设有N1个特征点)中第i个特征点是否与配准图像(假设有N2个特征点)中某个特征点匹配,要计算参考图像中第i点与配准图像中所有N2个特征点的欧氏距离并排序,这需要计算1×64向量和64×N2向量的乘积得到1×N2维向量,并对该向量排序。当计算参考图像中所有N1个特征点的匹配关系时,需要重复如上操作N1次,当N1和N2都很大时,计算很耗时,算法效率低。 为了提高图像配准精度,就不能存在以下情况,即在参考