方智文

【摘 要】本文提出了一種基于共線梯度特征（collinear gradient-enhanced coding， CGEC）和結(jié)構(gòu)化輸出的異譜圖像匹配算法。首先通過(guò)共線梯度特征對(duì)異譜圖像進(jìn)行特征圖像轉(zhuǎn)換，獲得具有相似結(jié)構(gòu)信息的特征圖；接著，在特征圖上進(jìn)行關(guān)鍵點(diǎn)的提取，以得到較多的同名點(diǎn)；最后，綜合關(guān)鍵點(diǎn)的特征向量和關(guān)鍵點(diǎn)之間的結(jié)構(gòu)信息，采用優(yōu)化的方法計(jì)算得到最優(yōu)的轉(zhuǎn)換關(guān)系。實(shí)驗(yàn)結(jié)果表明，本文方法更好的獲取了關(guān)鍵點(diǎn)的匹配結(jié)果。

【關(guān)鍵詞】異譜圖像匹配；共線梯度特征；結(jié)構(gòu)化輸出；關(guān)鍵點(diǎn)

【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

圖像匹配是機(jī)器視覺(jué)領(lǐng)域的關(guān)鍵技術(shù)之一，被廣泛的用于醫(yī)學(xué)圖像、遙感圖像、機(jī)器人視覺(jué)、導(dǎo)航等領(lǐng)域[1-3]。異譜圖像匹配是指針對(duì)不同譜段下獲取的兩張或多張圖像，找到圖像間的空間變換，建立圖像間的對(duì)應(yīng)關(guān)系。異譜圖像因其局部特征的顯著差異，大大增加了異譜圖像之間的匹配難度。傳統(tǒng)的點(diǎn)匹配方法，如尺度不變特征變換描述子（scale-invariant， SIFT）[4]，高速魯棒描述子（speeded up robust features， SURF）[5]，二值魯棒獨(dú)立元素描述子（binary robust independent elementary features， BRIEF）[6]等，均不能很好解決異譜圖像的局部特征差異大的問(wèn)題。本文采用共線梯度特征和結(jié)構(gòu)化輸出的方法實(shí)現(xiàn)異譜圖像對(duì)的匹配。

1 生成共線梯度特征圖

文獻(xiàn)[7]提取了共線梯度特征對(duì)異譜圖像的結(jié)構(gòu)信息進(jìn)行描述，有效的提取了異譜圖像之間的相近結(jié)構(gòu)信息。

2 關(guān)鍵點(diǎn)提取

文獻(xiàn)[7]在原始異譜圖像上直接提取FAST關(guān)鍵點(diǎn)，再進(jìn)行同名點(diǎn)的匹配。但因異譜圖像在局部特性上的較大差別，導(dǎo)致關(guān)鍵點(diǎn)的位置差別較大，如可見(jiàn)光圖像具有豐富的圖像細(xì)節(jié)，可提取大量的關(guān)鍵點(diǎn)，但紅外圖像因熱成像的原理，往往使得多數(shù)局部區(qū)域細(xì)節(jié)消失，提出的關(guān)鍵點(diǎn)數(shù)量非常少。為了解決異譜圖像上提取的同名點(diǎn)對(duì)較少的問(wèn)題，本文采用在共線梯度特征圖上提取FAST關(guān)鍵點(diǎn)的方法。因共線梯度特征圖已將異譜圖像投影到相似的結(jié)構(gòu)信息上，因此比直接從原始圖像上能提取更多的同名點(diǎn)對(duì)，有利于異譜圖像變換矩陣的正確計(jì)算。

3 結(jié)構(gòu)化輸出

4 實(shí)驗(yàn)結(jié)果

本文對(duì)紅外圖像和可見(jiàn)光圖像的異譜對(duì)進(jìn)行了點(diǎn)匹配實(shí)驗(yàn)，如圖1所示。圖1左則為可見(jiàn)光圖像，右側(cè)為紅外圖像，第一行為文獻(xiàn)[7]的點(diǎn)匹配結(jié)果圖，第二行為本文的匹配結(jié)果圖。從圖1可以看出，本文方法大大增加了同名點(diǎn)的匹配數(shù)目。

第一行為文獻(xiàn)[7]的結(jié)果，第二行為本文的結(jié)果.

5 結(jié)論

本文方法基于共線梯度特征生成異譜圖像的特征圖，得到異譜圖像的大結(jié)構(gòu)信息。改善了從原始圖像上提取同名點(diǎn)對(duì)少的問(wèn)題，并通對(duì)點(diǎn)與點(diǎn)之間的結(jié)構(gòu)化信息獲取最優(yōu)化的點(diǎn)對(duì)匹配結(jié)果，大大提升了異譜圖像的點(diǎn)匹配效果。

【參考文獻(xiàn)】

[1]余時(shí)偉，黃廷祝，劉曉云，陳武凡.顯著圖引導(dǎo)下基于偏互信息的醫(yī)學(xué)圖像配準(zhǔn)[J].儀器儀表學(xué)報(bào)，2013，34（6）：1218-1224.

[2]葛盼盼，陳強(qiáng)，顧一禾.基于Harris角點(diǎn)和SURF特征的遙感圖像匹配算法[J].計(jì)算機(jī)應(yīng)用研究，2014，31（7）：2205-2208.

[3]謝文吉，孫曉剛，張亮.基于尺度不變特征變換特征點(diǎn)應(yīng)用于印刷檢測(cè)的快速匹配算法[J].計(jì)算機(jī)應(yīng)用，2013，3（S1）：186-189.

[4]D. G. Lowe. Distinctive image features from scale-invariant keypoints[J]. International Journal of Computer Vision， 2004， 60（2）： 91-110.

[5]H. Bay， A. Ess， T. Tuytelaars， et al. Speeded-up robust features（SURF）[J]. Computer Vision and Image Understanding， 2008， 110（3）： 346-359.

[6]M. Calonder， V. Lepetit， C. Strecha， et al. BRIEF： binary robust independent elementary features. Proc. of the European Conference on Computer Vision， 2010： 778-792.

[7]Qin Y， Cao Z， Zhuo W， et al. Robust key point descriptor for multi-spectral image matching[J]. Journal of Systems Engineering and Electronics， 2014， 25（4）： 681.

[8]Hare S， Saffari A， Torr P H S. Efficient online structured output learning for keypoint-based object tracking[C]//Computer Vision and Pattern Recognition （CVPR）， 2012 IEEE Conference on. IEEE， 2012： 1894-1901.

[9]Fischler， M.A. and Bolles， R.C. Random Sample Consensus： A Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography[J]. Communications of the ACM， 1981， 4（6）： 381-395.

[責(zé)任編輯：楊玉潔]