摘 要： 提出了新的基于特征點(diǎn)的高速圖像匹配算法。該算法把角點(diǎn)特征和灰度值特征結(jié)合起來(lái)，定義了一種基于Harris角點(diǎn)的灰度值特征，并充分利用角點(diǎn)灰度值以及角點(diǎn)周邊灰度值和位置信息，然后依據(jù)這些信息進(jìn)行匹配。實(shí)驗(yàn)結(jié)果表明，該算法不僅速度快，而且對(duì)灰度值分布不均圖像和含噪圖像的匹配同樣適用。
關(guān)鍵詞： 圖像匹配；特征點(diǎn)；灰度值；Harris角點(diǎn)；噪聲
圖像配準(zhǔn)[1](Image Registration)是指同一個(gè)目標(biāo)的兩幅或兩幅以上的圖像在空間位置的對(duì)準(zhǔn)。圖像配準(zhǔn)的過(guò)程稱為圖像匹配(Image Match)。圖像配準(zhǔn)應(yīng)用十分廣泛，例如航空航天技術(shù)、圖像鑲嵌與融合、地理信息系統(tǒng)、醫(yī)學(xué)圖像分析、虛擬現(xiàn)實(shí)和機(jī)器人視覺(jué)等領(lǐng)域。國(guó)內(nèi)外很多學(xué)者在圖像匹配方面做過(guò)很多研究，但是尚未有一種普遍適用的方法可以解決各類圖像匹配問(wèn)題，大多數(shù)方法都是針對(duì)實(shí)際應(yīng)用中遇到的問(wèn)題而提出的。常見(jiàn)的圖像匹配方法依據(jù)其匹配方法的不同[2-4]可以分為基于灰度[5]、基于特征[6]和基于理解[7]3種。基于灰度的圖像匹配方法具有精度高的優(yōu)點(diǎn)，但是也存在如下缺點(diǎn)：對(duì)圖像的灰度變化較敏感，尤其是非線性變化的光照變化，將大大降低算法的性能；計(jì)算的復(fù)雜度高；對(duì)目標(biāo)的旋轉(zhuǎn)、形變以及遮擋比較敏感。基于特征的圖像匹配方法可以克服基于灰度的圖像配準(zhǔn)方法的缺點(diǎn)，圖像的特征點(diǎn)要比圖像的像素點(diǎn)少得多，因此可以大大減少匹配過(guò)程中的計(jì)算量；特征點(diǎn)的提取過(guò)程可以減少噪聲的影響，對(duì)灰度變化、圖像形變以及遮擋等都有較好的適應(yīng)能力。基于理解的圖像匹配技術(shù)尚在起步階段，還沒(méi)有顯著進(jìn)步。本文算法結(jié)合了基于灰度的圖像匹配方法和基于特征的圖像匹配方法，首先利用Harris角點(diǎn)檢測(cè)算法找到角點(diǎn)，然后在已找到的角點(diǎn)基礎(chǔ)上定義新的特征點(diǎn)，并以此特征點(diǎn)作為匹配依據(jù)進(jìn)行匹配。實(shí)驗(yàn)表明，該算法不僅速度快，而且對(duì)灰度值分布不均圖像和含噪圖像的匹配同樣適用。
1 傳統(tǒng)模板圖像匹配算法
傳統(tǒng)的基于灰度的模板圖像匹配技術(shù)[8]是將模板T在搜索圖像S上移動(dòng)，在模板覆蓋下的那塊搜索圖稱為子圖Si,j，i,j為這塊子圖的左上角像素點(diǎn)在S圖像中的坐標(biāo)，稱為參考點(diǎn)，其中1<i<L-N+1，1<j<K-M+1。比較T和Si,j，若兩者相同，則參考點(diǎn)坐標(biāo)（i,j）所在的位置就是模板圖像在搜索圖像S中的位置。模板匹配算法示意圖如圖1所示。
2 基于Harris角點(diǎn)的快速匹配算法
2.1 Harris角點(diǎn)檢測(cè)
Harris角點(diǎn)檢測(cè)算法由HARRIS C和STEPHENS M于1988年在參考文獻(xiàn)[9]中提出,是對(duì)參考文獻(xiàn)[10]中Moravec角點(diǎn)檢測(cè)算子的擴(kuò)展。Moravec角點(diǎn)檢測(cè)算法的主要缺點(diǎn)是不能準(zhǔn)確找出全部角點(diǎn)，沒(méi)有對(duì)圖像進(jìn)行降噪處理，因此其響應(yīng)對(duì)噪聲敏感，尤其是對(duì)邊緣響應(yīng)很敏感。Harris算法受信號(hào)處理中自相關(guān)函數(shù)的啟發(fā)，給出了與自相關(guān)函數(shù)聯(lián)系的矩陣M。M陣的特征值是自相關(guān)函數(shù)的一階曲率，如果在圖像中某點(diǎn)的行列曲率值都高，則認(rèn)為該點(diǎn)是特征點(diǎn)。Harris算法的表達(dá)式為：
2.2 基于Harris角點(diǎn)的圖像特征點(diǎn)
為實(shí)現(xiàn)快速和精確的圖像匹配，本文在圖像Harris角點(diǎn)的基礎(chǔ)上定義了新的特征點(diǎn)，并以此特征點(diǎn)作為匹配依據(jù)。
在說(shuō)明算法之前，先給出如下定義。
定義1 一階特征點(diǎn)：在所有檢測(cè)到的Harris角點(diǎn)中，角點(diǎn)的灰度值在與其八鄰域的灰度值的和中所占的比例最大的點(diǎn)。
當(dāng)檢測(cè)到相同的一階特征點(diǎn)，即兩個(gè)像素點(diǎn)都是一階特征點(diǎn)，但是在圖像中所處的位置不同，那么類似可以定義二階特征點(diǎn)，即考慮一階特征點(diǎn)領(lǐng)域內(nèi)24個(gè)點(diǎn)，然后再以二階特征點(diǎn)作為匹配依據(jù)，其他各階特征點(diǎn)可類似定義。
以基于Harris角點(diǎn)為基礎(chǔ)的灰度值特征點(diǎn)作為匹配依據(jù)，減少了計(jì)算量的同時(shí)利用了灰度值的精確性。特征點(diǎn)的選取方式?jīng)Q定了其對(duì)噪聲不敏感，對(duì)灰度分布不均勻的匹配問(wèn)題同樣適用。
算法的步驟如下：
(1)用Harris角點(diǎn)檢測(cè)算法對(duì)模板圖像T進(jìn)行檢測(cè)，找到角點(diǎn)；
(2)在檢測(cè)到的Harris角點(diǎn)中找到一階特征點(diǎn)，若存在多個(gè)一階特征點(diǎn),則尋找更高階的特征點(diǎn)。不對(duì)參考圖像S做角點(diǎn)檢測(cè)是因?yàn)閰⒖紙D像通常較大，消耗較多時(shí)間；
(3)在參考圖像S中找到所有灰度值與一階特征點(diǎn)灰度值相同的點(diǎn)，并且計(jì)算其灰度值與八鄰域灰度值和的比例與一階特征點(diǎn)是否相同，若相同,則該點(diǎn)所在的位置即為模板圖像上的特征點(diǎn)在參考圖像上的位置。
本文找到的模板圖像上的點(diǎn)和參考圖像上對(duì)應(yīng)的點(diǎn)并不是傳統(tǒng)模板圖像左上角的點(diǎn)，但經(jīng)過(guò)簡(jiǎn)單換算即可知道左上角點(diǎn)的位置以及待配準(zhǔn)圖像在參考圖像中的位置。
圖2所示為該方法的具體流程。
3 實(shí)驗(yàn)結(jié)果分析
為了驗(yàn)證本文匹配算法的有效性，分別使用了一組參考圖像和相應(yīng)模板圖像進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)環(huán)境為:Intel（R）Core(TM) i3 M370 2.40 GHz CPU，2 GB DDR3內(nèi)存，Windows 7 旗艦版，MATLAB 7.7.0。圖3為模板圖和參考圖匹配結(jié)果,其中參考圖像是256×256的lena圖，模板圖像大小為67×67。模板圖左上角像素點(diǎn)在參考圖中坐標(biāo)為(60,70),匹配的特征點(diǎn)對(duì)坐標(biāo)分別為(2,36)和(61,105)。
為了說(shuō)明本文算法速度上的優(yōu)越性，將本文算法分別與傳統(tǒng)模板匹配算法、序貫相似性檢測(cè)算法[11](SSDA)進(jìn)行了比較,共進(jìn)行了100次匹配，實(shí)驗(yàn)結(jié)果如表1所示。
本文在經(jīng)Harris角點(diǎn)檢測(cè)處理過(guò)的圖像的基礎(chǔ)上，定義了一種灰度值特征，并以此灰度值特征作為匹配依據(jù)。實(shí)驗(yàn)證明，與傳統(tǒng)模板算法和SSDA算法相比，本文算法在保留精確性的同時(shí)具有更快的速度，并且對(duì)含有噪聲的圖像也能很好地找到匹配點(diǎn)。本文算法也有一定的局限性，當(dāng)模板圖像角點(diǎn)特征不明確時(shí),可能由于檢測(cè)不到角點(diǎn)而導(dǎo)致方法失效。
參考文獻(xiàn)
[1] 趙小川. 現(xiàn)代數(shù)字圖像處理技術(shù)提高及應(yīng)用案例詳解(MATLAB版)[M].北京:北京航空航天大學(xué)出版社，2012.
[2] RADKE R J，ANDRA S，AL-KOFAHI O，et a1． Image change detection algorithms：a systematic survey[J]． IEEE Transactions on Image Processing，2005，14(3)：294-307．
[3] 陳景航，楊宜民．一種基于Harr小波的快速模板匹配算法[J]．計(jì)算機(jī)工程，2005,31（22）:169-171.
[4] ZITOVA B，F(xiàn)LUSSER J．Image registration methods：a survey[J]． Image and Vision Computing，2003，21(11)：977-1000．
[5] THORNTON J，SAVVIDOS M． A bayesian approach to deformed pattern matching of iris image[J]． IEEE Pattern Analysis Machine Intelligence，2007，29(4)：596-606．
[6] JAIN A K，CHEN Yi． Pores and ridges： high-resolution fingerprint match using level3 features[J]． IEEE Pattern Analysis Machine Intelligence，2007，29(1)：15-27．
[7] KOLMOGOROV V．Graph based algorithms for scene re．construction from two or more views[D]． New York: The Graduate School of Cornell University，2004．
[8] STEFANO L D，MATTOCCIA S．ZNCC-based template matching using bounded partial correlation[J]．Pattern Recognition Letters，2005(26)：2129-2134．
[9] HARRIS C， STEPHENS M． A combined corner and edge detector[C]. Proceedings of the 4th Alvey Vision Conference，1988：147-151．
[10] MORAVER H P． Towards automatic visual obstacle avoidance[C]． Proceedings of International Joint Conference on Artificial Intelligence，1977：584-590．
[11] BARNEA D I，SILVERMA N H F． A class of algorithms for digital image registration[J]．IEEE Thansations on Computer， 1972，C-21(2)：179-186.