摘" 要： 為提高圖像處理的精度和效率，并擴(kuò)展紅外圖像在實(shí)際應(yīng)用中的使用范圍，提出一種基于聚類分析的紅外圖像配準(zhǔn)算法。該算法先構(gòu)建紅外圖像觀測(cè)模型，利用該模型描述理想的紅外圖像與實(shí)際紅外圖像之間的關(guān)系，得到低分辨率的實(shí)際紅外圖像；然后使用最大后驗(yàn)估計(jì)方法對(duì)低分辨率紅外圖像進(jìn)行超分辨率重建；接著以超分辨率重建后的紅外圖像為基礎(chǔ)，利用Harris角點(diǎn)檢測(cè)算法提取紅外圖像內(nèi)角點(diǎn)特征并建立紅外圖像配準(zhǔn)特征集，通過K?means聚類算法對(duì)紅外圖像角點(diǎn)特征之間距離、方向特征向量夾角進(jìn)行計(jì)算；最后選擇聚類中心，并依據(jù)角點(diǎn)特征距離與方向特征向量夾角對(duì)紅外圖像角點(diǎn)特征進(jìn)行聚類處理，得到紅外圖像配準(zhǔn)結(jié)果。實(shí)驗(yàn)結(jié)果表明：所提算法對(duì)低分辨率紅外圖像的超分辨率重建效果較好，可有效提取紅外圖像內(nèi)的角點(diǎn)特征，并實(shí)現(xiàn)不同紅外圖像配準(zhǔn)，應(yīng)用效果較佳。

關(guān)鍵詞： 紅外圖像； 配準(zhǔn)算法； 聚類分析； 觀測(cè)模型； 角點(diǎn)特征； Harris角點(diǎn)檢測(cè)； K?means聚類算法

中圖分類號(hào)： TN911.73?34； TP391" " " " " " " " " "文獻(xiàn)標(biāo)識(shí)碼： A" " " " " " " " " 文章編號(hào)： 1004?373X（2024）24?0115?05

Infrared image registration algorithm based on cluster analysis

ZHANG Xiaoyu

（Xinjiang University of Finance and Economics， Urumqi 830012， China）

Abstract： In order to the accuracy and efficiency of image processing， and expand the application range of infrared images in practical applications， a clustering analysis based infrared image registration algorithm is proposed. In this algorithm， an infrared image observation model is constructed， the relationship between ideal infrared image and actual infrared image is described by this model， and the actual infrared image with low resolution is obtained. The maximum a posteriori estimation method is used to reconstruct the low resolution infrared image. Based on the infrared image reconstructed with super resolution， the Harris corner detection algorithm is used to extract the internal corner features of the infrared image and establish the infrared image registration feature set. The distance and direction feature vector angle between corner features in infrared images are calculated by means of the K?means clustering algorithm. The infrared image registration results are obtained by selecting the cluster center and clustering the infrared image corner features according to the angle between the corner feature distance and the direction feature vector. The experimental results show that the proposed algorithm has good effect on super?resolution reconstruction of low resolution infrared images， can effectively extract corner features in infrared images， effectively realize different infrared image registration， and has good application effect.

Keywords： infrared image; registration algorithm; cluster analysis; observation model; corner feature; Harris corner detection; K?means clustering algorithm

0" 引" 言

紅外圖像配準(zhǔn)算法是圖像處理領(lǐng)域中的一個(gè)重要研究方向，旨在通過一定的算法將不同時(shí)間、不同視角或不同傳感器獲取的紅外圖像進(jìn)行精確對(duì)齊，從而實(shí)現(xiàn)對(duì)目標(biāo)物體的準(zhǔn)確識(shí)別與定位。紅外圖像配準(zhǔn)算法的研究面臨著諸多挑戰(zhàn)，如圖像噪聲干擾、目標(biāo)遮擋、視角變化等問題，這些都可能導(dǎo)致配準(zhǔn)精度下降[1?2]。因此，如何設(shè)計(jì)一種高效、魯棒性強(qiáng)的紅外圖像配準(zhǔn)算法成為了當(dāng)前研究的熱點(diǎn)。目前也有很多學(xué)者研究紅外圖像配準(zhǔn)方法，如文獻(xiàn)[3]提出改進(jìn)AKAZE算法圖像配準(zhǔn)方法。該方法利用改進(jìn)AKAZE算法建立紅外圖像非線性尺度空間，然后提取紅外圖像內(nèi)的特征點(diǎn)，運(yùn)用基于網(wǎng)格的運(yùn)動(dòng)估計(jì)方法對(duì)紅外圖像特征點(diǎn)進(jìn)行匹配。紅外圖像往往受到各種噪聲和干擾的影響，如熱噪聲、背景輻射等，這些噪聲和干擾會(huì)干擾特征點(diǎn)的提取和匹配過程，導(dǎo)致匹配精度下降。文獻(xiàn)[4]提出一種高效和穩(wěn)健的圖像配準(zhǔn)方法，該方法提取紅外圖像特征后，先消除紅外圖像的尺度、旋轉(zhuǎn)和平移差異，再使用聯(lián)合點(diǎn)特征匹配的方式實(shí)現(xiàn)紅外圖像配準(zhǔn)。盡管在算法中嘗試消除紅外圖像的尺度、旋轉(zhuǎn)和平移差異，但由于實(shí)際圖像中可能存在的復(fù)雜變換或噪聲干擾，這些差異的消除并不完全，這種殘余的差異會(huì)對(duì)特征匹配產(chǎn)生負(fù)面影響，導(dǎo)致匹配精度下降。文獻(xiàn)[5]提出NSCT輪廓與主方向一致的圖像配準(zhǔn)方法，該方法利用NSCT變換方式提取紅外圖像內(nèi)的輪廓曲線，再使用CSS角點(diǎn)檢測(cè)方法提取紅外圖像內(nèi)輪廓曲線特征點(diǎn)，然后依據(jù)特征點(diǎn)主方向?qū)t外圖像進(jìn)行配準(zhǔn)處理。由于紅外圖像的紋理和細(xì)節(jié)信息相對(duì)較少，會(huì)導(dǎo)致CSS角點(diǎn)檢測(cè)方法無法準(zhǔn)確地檢測(cè)出輪廓曲線的特征點(diǎn)，導(dǎo)致特征點(diǎn)主方向不確定，進(jìn)而降低配準(zhǔn)精度。文獻(xiàn)[6]提出邊緣結(jié)構(gòu)特征的圖像配準(zhǔn)方法，該方法分別提取紅外圖像和可見光圖像的邊緣結(jié)構(gòu)特征后，使用ORB算法生成邊緣結(jié)構(gòu)特征描述子，利用幾何變換方式對(duì)紅外圖像進(jìn)行變換，使其與可見光圖像在空間上對(duì)齊，實(shí)現(xiàn)圖像的配準(zhǔn)。ORB算法雖然具有較快的運(yùn)算速度和較好的實(shí)時(shí)性能，但在某些情況下，其對(duì)于特征點(diǎn)的描述可能不夠精確或穩(wěn)定。特別是在紅外圖像中，由于目標(biāo)的紋理和顏色信息相對(duì)較少，ORB算法可能無法有效地描述和匹配特征點(diǎn)，從而導(dǎo)致匹配精度下降。

聚類分析是一種重要的數(shù)據(jù)分析方法，它將物理或抽象對(duì)象的集合分組為由類似的對(duì)象組成的多個(gè)類。目標(biāo)是基于相似性對(duì)數(shù)據(jù)進(jìn)行分類[7]，使得同一類別內(nèi)的數(shù)據(jù)盡可能相似，不同類別間的數(shù)據(jù)盡可能不同。本文以聚類分析算法為基礎(chǔ)，提出一種基于聚類分析的紅外圖像配準(zhǔn)算法，為紅外圖像在多領(lǐng)域應(yīng)用提供一種圖像處理技術(shù)。

1" 紅外圖像配準(zhǔn)算法

1.1" 紅外圖像觀測(cè)模型構(gòu)建

紅外光的波長較長，通常在可見光的波長范圍之外，因此相同的探測(cè)器尺寸下所包含的像素?cái)?shù)量就會(huì)減少[8]，這導(dǎo)致紅外攝像機(jī)與可見光攝像機(jī)相比，其拍攝的紅外圖像通常具有較低的分辨率。為此，本文構(gòu)建一種紅外圖像觀測(cè)模型，用來描述理想的紅外圖像與實(shí)際紅外圖像時(shí)間的關(guān)系。

令[q]表示實(shí)際紅外圖像，[D]表示該紅外圖像的下采樣矩陣，則該紅外圖像的觀測(cè)模型公式如下：

[q=DBz+δ] （1）

式中：[z]表示待重建的高分辨率紅外圖像；[B]表示[q]的模糊矩陣；[δ]表示加性噪聲。

對(duì)公式（1）內(nèi)的下采樣矩陣和模糊矩陣進(jìn)行合并處理，得到實(shí)際紅外圖像[q]的退化矩陣，則紅外圖像觀測(cè)模型公式如下：

[q=Hz+δ] （2）

式中[H]表示實(shí)際紅外圖像[q]的退化矩陣。

公式（2）描述了實(shí)際紅外圖像由高分辨率退化成低分辨率的過程。

1.2" 基于最大后驗(yàn)估計(jì)的紅外圖像超分辨率重建

最大后驗(yàn)估計(jì)是一種強(qiáng)大的參數(shù)估計(jì)方法，通過融入先驗(yàn)知識(shí)，能夠在給定數(shù)據(jù)的情況下更準(zhǔn)確地估計(jì)參數(shù)[9]。在此運(yùn)用最大后驗(yàn)估計(jì)方式，對(duì)1.1節(jié)低分辨率的紅外圖像進(jìn)行超分辨率重建處理。

以公式（2）結(jié)果作為前提條件，使高分辨率紅外圖像[x]出現(xiàn)的后驗(yàn)概率數(shù)值最大，公式為：

[z=argmaxzPr（zq）] （3）

式中：[z]表示超分辨率重建后的紅外圖像；[Pr（zq）]表示高分辨率紅外圖像[z]出現(xiàn)的后驗(yàn)概率。

將公式（3）改寫成貝葉斯形式，公式如下：

[z=argmaxzPr（zq）Pr（q）×1Pr（q）] （4）

式中：[Pr（z）]、[Pr（q）]分別表示高分辨率紅外圖像[z]和低分辨率紅外圖像[q]的后驗(yàn)概率。

由于低分辨率紅外圖像[q]的后驗(yàn)概率對(duì)高分辨率紅外圖像的[z]估計(jì)不影響[10?11]，則公式（4）可改寫為：

[z=argmaxzPr（zq）Pr（z）] （5）

式（5）描述了高分辨率紅外圖像在低分辨率紅外圖像中出現(xiàn)的概率密度。通過公式（3）可知，[Pr（zq）=Pr（δ）]，表示紅外圖像觀測(cè)模型內(nèi)含有的噪聲。

令紅外圖像觀測(cè)模型內(nèi)的噪聲均值為0，噪聲的方差由[σ2]表示，則高分辨率紅外圖像[z]出現(xiàn)的后驗(yàn)概率表達(dá)式如下：

[Pr（zq）=1σ22πexp-q-Hz2×12σ2] （6）

使用拉普拉斯先驗(yàn)描述高分辨率圖像的概率[12]，公式如下：

[Pr（z）=exp-λ2z2] （7）

式中[λ]表示控制分布寬度的超參數(shù)。

結(jié)合式（6）、式（7），超分辨率重建后的紅外圖像最終計(jì)算公式如下：

[z=argmaxzq-Hz2+λz2] （8）

利用公式（8）得到超分辨率重建后的紅外圖像，為后續(xù)紅外圖像配準(zhǔn)提供較為清晰的紅外圖像。

1.3" 基于Harris角點(diǎn)檢測(cè)算法的紅外圖像匹配角點(diǎn)特征提取

Harris角點(diǎn)檢測(cè)算法是圖像處理中提取特征的算法之一，本文運(yùn)用Harris角點(diǎn)檢測(cè)算法提取紅外圖像匹配角點(diǎn)特征，其詳細(xì)實(shí)現(xiàn)過程如下。

以公式（8）結(jié)果為基礎(chǔ)，令[E（u，v）]表示超分辨率重建后紅外圖像[z]窗口內(nèi)像素灰度，其中[u]、[v]表示像素橫縱坐標(biāo)。[E（u，v）]公式如下：

[E（u，v）=x，yw（x，y）Φ（x+u，y+v）2-Φ（x，y）2] （9）

式中：[w（x，y）]表示超分辨率重建后紅外圖像[x]的窗口函數(shù)，其中[x]、[y]為窗口坐標(biāo)；[Φ（x，y）]表示紅外圖像的灰度函數(shù)。

式（9）中，希望尋找到使[E（u，v）]數(shù)值盡可能大的紅外圖像像素點(diǎn)。在不考慮窗口函數(shù)[13]的情況下，將公式（9）等號(hào)右側(cè)進(jìn)行泰勒展開，則有：

[Φ（x+u，y+v）=Φ（x，y）+Φxu+Φyv+O（u2，v2）] （10）

式中：[Φx]、[Φy]分別表示像素在橫縱坐標(biāo)[u]、[v]位置展開后的梯度；[O（u2，v2）]表示泰勒展開后的余項(xiàng)。

將公式（10）代入到公式（9）內(nèi)，則有：

[E（u，v）= Φ2xΦxΦyΦxΦyΦ2yuv] （11）

[u，v]描述Harris角點(diǎn)檢測(cè)過程中微小移動(dòng)量，則公式（11）可近似表達(dá)為：

[E（u，v）≈u，vGuv] （12）

式中[G]是實(shí)對(duì)稱矩陣。在該矩陣內(nèi)的紅外圖像特征值與交點(diǎn)、邊緣直線等均存在一定關(guān)系，當(dāng)矩陣[G]內(nèi)有2個(gè)特征值均較小，且特征數(shù)值較為接近[14]，則說明這2個(gè)特征點(diǎn)對(duì)應(yīng)的紅外圖像區(qū)域?yàn)槠交瑓^(qū)域；當(dāng)2個(gè)特征值之間差值較大，則表明這2個(gè)特征值區(qū)域?qū)?yīng)的是紅外圖像邊緣。當(dāng)2個(gè)特征點(diǎn)數(shù)值差值較小，但數(shù)值均較大時(shí)，說明這2個(gè)特征點(diǎn)為紅外圖像內(nèi)的角點(diǎn)，該角點(diǎn)可作為紅外圖像配準(zhǔn)的一個(gè)特征點(diǎn)。在實(shí)際紅外圖像配準(zhǔn)過程中，為降低運(yùn)算的復(fù)雜度，定義紅外圖像角點(diǎn)響應(yīng)函數(shù)公式如下：

[R=det（G）-k·trace2（G）] （13）

式中：[R]表示紅外圖像角點(diǎn)響應(yīng)函數(shù)；[k]表示常數(shù)項(xiàng)；[trace（G）]表示矩陣[G]的跡；[det（G）]表示矩陣[G]的行列式。

通過公式（13）即可得到紅外圖像內(nèi)的角點(diǎn)特征。

1.4" 基于K?means聚類分析的紅外圖像配準(zhǔn)實(shí)現(xiàn)

聚類分析方法包括層次分析法、密度法等，其中K?means算法是依據(jù)距離實(shí)現(xiàn)聚類的分析方法，在實(shí)際應(yīng)用中具有運(yùn)算速度快、受數(shù)據(jù)維度影響較小等優(yōu)點(diǎn)[15]。本文運(yùn)用聚類分析方法中的K?means聚類算法實(shí)現(xiàn)紅外圖像配準(zhǔn)，其詳細(xì)實(shí)現(xiàn)過程如下。

令[Φ1]、[Φ2]表示任意兩幅紅外圖像的灰度梯度，這兩幅紅外圖像的匹配窗口大小為[n×n]，其中紅外圖像1的角點(diǎn)特征由[Ri]，[i=1，2，…，m1]表示，紅外圖像2的角點(diǎn)特征由[Rj]，[j=1，2，…，m2]表示，角點(diǎn)特征的橫縱坐標(biāo)由[（u，v）]表示，則這2幅紅外圖像的待配準(zhǔn)的特征點(diǎn)[i]和[j]坐標(biāo)分別為[（u1i，v1i）]和[（u2j，v2j）]。然后使用歸一化互相關(guān)函數(shù)描述[（u1i，v1i）]和[（u2j，v2j）]之間的相關(guān)程度，公式如下：

[Mij=m=-（n-1）2（n-1）2 n=-（n-1）2（n-1）2Φ1（m+u1i，n+v1i）-Φ1（u1i，v1i）·" " " " " " " " " " " " " " " " "Φ2（m+u2j，n+v1j）-Φ2（u2j，v2j）m=-（n-1）2（n-1）2 n=-（n-1）2（n-1）2Φ1（m+u1i，n+v1i）-Φ1（u1i，v1i）2·" " " " " " " " " " " n=-（n-1）2（n-1）2Φ1（m+u1i，n+v1i）-Φ1（u1i，v1i）2] （14）

式中：[Φ1（u1i，v1i）]、[Φ2（u2j，v2j）]表示2幅紅外圖像灰度梯度均值；[Mij]表示角點(diǎn)特征[Ri]和[Rj]的相關(guān)程度。當(dāng)[Mij]數(shù)值較大時(shí)，說明角點(diǎn)特征[Ri]和[Rj]的相關(guān)程度較高，選擇相關(guān)程度較高的紅外圖像角點(diǎn)特征組成紅外圖像配準(zhǔn)點(diǎn)集[R']。[R']公式如下：

[R'=Ri，Rj] （15）

式中：[Ri]、[Rj]為紅外圖像內(nèi)待配準(zhǔn)的一組角點(diǎn)特征。令這兩個(gè)特征角點(diǎn)的距離為[dist（Ri，Rj）]，其計(jì)算公式如下：

[dist（Ri，Rj）=（Rix-Rjx）2-（Riy-Rjy）2] （16）

式中：[Rix]、[Riy]和[Rjx]、[Rjy]分別表示[Ri]和[Rj]在坐標(biāo)系內(nèi)[x]、[y]方向上的數(shù)值。

令[angle（Ri，Rj）]表示紅外圖像角點(diǎn)特征配準(zhǔn)方向特征向量的夾角，其計(jì)算公式如下：

[angle（Ri，Rj）=arctanRiy-Rjy·1Rix-Rjx] （17）

在利用K?means聚類分析方法對(duì)紅外圖像進(jìn)行配準(zhǔn)時(shí)，將紅外圖像角點(diǎn)特征配準(zhǔn)方向特征向量的夾角小于10°且角點(diǎn)距離較小的角點(diǎn)特征聚類為一類，最終實(shí)現(xiàn)紅外圖像配準(zhǔn)，其詳細(xì)實(shí)現(xiàn)過程如下。

Step1：運(yùn)用公式（14）對(duì)紅外圖像待配準(zhǔn)角點(diǎn)特征進(jìn)行相關(guān)程度計(jì)算，將相關(guān)程度較高的角點(diǎn)特征劃分為聚類特征集。

Step2：利用公式（16）計(jì)算兩個(gè)待配準(zhǔn)角點(diǎn)特征距離，當(dāng)該角點(diǎn)特征距離小于預(yù)設(shè)的距離閾值[Γ]時(shí)，將該距離作為聚類中心，將滿足距離閾值的角點(diǎn)劃分為一個(gè)類簇；反之則重新選擇新聚類中心，經(jīng)過上述過程，得到滿足聚類分析條件的[c]個(gè)類簇。

Step3：在滿足聚類分析條件的[c]個(gè)類簇基礎(chǔ)上，運(yùn)用公式（17）計(jì)算每個(gè)類簇內(nèi)紅外圖像配準(zhǔn)角點(diǎn)特征的特征向量夾角，將夾角數(shù)值小于10°的角點(diǎn)特征劃分為一個(gè)類簇；去除類簇內(nèi)不滿足特征向量夾角條件的冗余角點(diǎn)特征。

Step4：經(jīng)過Step1～Step3反復(fù)迭代，當(dāng)聚類分析類簇不在發(fā)生變化或者滿足迭代次數(shù)后，輸出當(dāng)前聚類結(jié)果，該聚類結(jié)果內(nèi)的角點(diǎn)特征滿足紅外圖像配準(zhǔn)條件，實(shí)現(xiàn)紅外圖像配準(zhǔn)。

2" 實(shí)驗(yàn)結(jié)果與分析

紅外圖像應(yīng)用領(lǐng)域較為廣泛，本文中多個(gè)領(lǐng)域的1 000幅紅外圖像建立的紅外圖像數(shù)據(jù)集作為實(shí)驗(yàn)對(duì)象，運(yùn)用算法對(duì)這1 000幅紅外圖像進(jìn)行配準(zhǔn)，分析并驗(yàn)證算法的實(shí)際應(yīng)用效果。以紅外圖像數(shù)據(jù)集內(nèi)某幅紅外圖像作為實(shí)驗(yàn)對(duì)象，使用本文算法對(duì)其進(jìn)行超分辨率重建處理，結(jié)果如圖1所示。

分析圖1可以明顯看出，原始紅外圖像受到大量干擾噪聲的影響，整體圖像顯得較為模糊。特別是圖像中設(shè)備的邊界，由于噪聲的干擾，其邊緣并不清晰，這在故障檢測(cè)、設(shè)備在線監(jiān)控等應(yīng)用中無疑會(huì)大大降低效果。然而，經(jīng)過本文算法對(duì)該紅外圖像進(jìn)行超分辨率重建后，效果顯著提升，圖像中設(shè)備的邊緣變得清晰銳利，原本困擾的干擾噪聲也被有效去除。這一顯著改進(jìn)不僅提升了紅外圖像的視覺效果，更為后續(xù)的圖像配準(zhǔn)工作提供了高質(zhì)量的圖像基礎(chǔ)。本文算法展現(xiàn)出的強(qiáng)大紅外圖像超分辨率重建能力，無疑為紅外圖像處理領(lǐng)域注入了新的活力。提取紅外圖像角點(diǎn)特征是實(shí)現(xiàn)紅外圖像配準(zhǔn)的基礎(chǔ)，以紅外圖像集內(nèi)的某幅紅外圖像作為實(shí)驗(yàn)對(duì)象，使用本文算法提取其角點(diǎn)特征，提取結(jié)果如圖2所示。

分析圖2，本文算法在紅外圖像角點(diǎn)特征提取上展現(xiàn)出顯著效果。圖中，紅外圖像的角點(diǎn)特征被精確提取，并以矩形框清晰標(biāo)識(shí)，這些角點(diǎn)特征為后續(xù)的紅外圖像配準(zhǔn)提供了重要依據(jù)。采用本文算法，紅外圖像的角點(diǎn)特征得以準(zhǔn)確捕捉，為后續(xù)圖像配準(zhǔn)工作打下了堅(jiān)實(shí)基礎(chǔ)。該方法的應(yīng)用將有助于提高紅外圖像配準(zhǔn)的精度和效率，為相關(guān)領(lǐng)域的研究和應(yīng)用提供有力支持。以2幅人臉紅外圖像作為實(shí)驗(yàn)對(duì)象，對(duì)其進(jìn)行紅外圖像配準(zhǔn)處理，配準(zhǔn)結(jié)果如圖3所示。

分析圖3可以清晰地看到，運(yùn)用本文算法后，紅外圖像配準(zhǔn)取得了顯著效果。在配準(zhǔn)結(jié)果中，面部區(qū)域的角點(diǎn)特征均實(shí)現(xiàn)了精準(zhǔn)匹配，這充分證明了2幅人臉圖像所展現(xiàn)的人物為同一人。本文算法不僅能夠有效提取紅外圖像中的角點(diǎn)特征，還能通過精確匹配這些特征點(diǎn)，實(shí)現(xiàn)高質(zhì)量的圖像配準(zhǔn)。這一成果不僅展示了本文算法在人臉紅外圖像配準(zhǔn)方面的強(qiáng)大能力，也為其在安防監(jiān)控、身份識(shí)別等領(lǐng)域的應(yīng)用提供了有力支撐。綜上所述，本文算法具備優(yōu)秀的人臉紅外圖像配準(zhǔn)能力，其應(yīng)用效果較為顯著。以2幅電力設(shè)備紅外圖像作為實(shí)驗(yàn)對(duì)象，使用本文算法對(duì)其進(jìn)行配準(zhǔn)處理，配準(zhǔn)結(jié)果如圖4所示。

分析圖4可知，本文算法在設(shè)備紅外圖像配準(zhǔn)方面同樣表現(xiàn)出色。通過精準(zhǔn)獲取設(shè)備的角點(diǎn)特征，依據(jù)這些特征點(diǎn)進(jìn)行配準(zhǔn)，有效提升了圖像配準(zhǔn)的準(zhǔn)確性和穩(wěn)定性。這一方法的應(yīng)用，為設(shè)備監(jiān)測(cè)、故障識(shí)別等領(lǐng)域提供了強(qiáng)有力的技術(shù)支持。無論是設(shè)備的微小變化還是故障征兆，都能通過本文算法得到及時(shí)準(zhǔn)確地識(shí)別和判斷，為設(shè)備的運(yùn)行維護(hù)提供了重要保障。在采集紅外圖像時(shí)，受采集設(shè)備視角影響，采集的紅外圖像會(huì)存在不同程度的遮擋，以紅外圖像配準(zhǔn)精度作為衡量指標(biāo)，測(cè)試在紅外圖像遮擋程度不同情況下，本文算法對(duì)紅外圖像的配準(zhǔn)能力，同時(shí)使用文獻(xiàn)[5]的NSCT輪廓與主方向一致性圖像配準(zhǔn)方法和文獻(xiàn)[6]的邊緣結(jié)構(gòu)特征圖像配準(zhǔn)方法進(jìn)行對(duì)比，測(cè)試結(jié)果如表1所示。

由表1可知在對(duì)比的三種方法中，本文算法在紅外圖像遮擋程度相同的情況下，展現(xiàn)出了最高的配準(zhǔn)精度數(shù)值。說明本文算法在配準(zhǔn)紅外圖像時(shí)，受圖像遮擋程度的影響較小，其配準(zhǔn)的穩(wěn)定性和準(zhǔn)確性均表現(xiàn)出色。在實(shí)際應(yīng)用和理論研究上，本文算法都展現(xiàn)出了較強(qiáng)的應(yīng)用性能，為紅外圖像配準(zhǔn)領(lǐng)域的發(fā)展做出了積極貢獻(xiàn)。

3" 結(jié)" 論

本文提出一種基于聚類分析的紅外圖像配準(zhǔn)算法，在圖像處理領(lǐng)域展現(xiàn)出了顯著的優(yōu)勢(shì)。通過聚類分析，算法能夠有效地提取圖像中的特征信息，實(shí)現(xiàn)精確的對(duì)齊與匹配。在圖像處理技術(shù)不斷發(fā)展背景下，未來該算法有望在更多領(lǐng)域得到應(yīng)用，為紅外圖像處理技術(shù)的發(fā)展注入新的活力?？傮w而言，基于聚類分析的紅外圖像配準(zhǔn)算法是一項(xiàng)具有重要意義的技術(shù)創(chuàng)新，對(duì)于提升圖像處理的效率和精度具有重要的推動(dòng)作用。

參考文獻(xiàn)

[1] 黃超，郭浩，高巖，等.基于棧式自編碼網(wǎng)絡(luò)的非線性變化灰度差異圖像配準(zhǔn)[J].激光與光電子學(xué)進(jìn)展，2021，58（16）：233?239.

[2] 任永強(qiáng)，呂華鑫，晏文彬，等.一種基于PCB板圖像配準(zhǔn)優(yōu)化算法[J].合肥工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，45（10）：1305?1309.

[3] 趙衛(wèi)東，劉俊德，王慢慢，等.基于改進(jìn)AKAZE算法的快速圖像配準(zhǔn)方法[J].激光與光電子學(xué)進(jìn)展，2023，60（6）：90?96.

[4] BOCK F， GRUBER A， LEOPOLD K， et al. Efficient and robust image registration for two?dimensional micro?X?ray fluorescence measurements [J]. Journal of analytical atomic spectrometry， 2023， 38（5）： 1021?1031.

[5] 段琳鋒，侯新國，胡致遠(yuǎn).NSCT輪廓與主方向一致性紅外與可見光圖像配準(zhǔn)[J].電光與控制，2022，29（6）：1?5.

[6] 徐海洋，趙偉，劉建業(yè).基于邊緣結(jié)構(gòu)特征的紅外與可見光圖像配準(zhǔn)算法[J].紅外技術(shù)，2023，45（8）：858?862.

[7] 郭璠，李小虎，朱洪，等.基于sMLD特征的遠(yuǎn)紅外航空?qǐng)D像配準(zhǔn)算法[J].紅外與毫米波學(xué)報(bào)，2023，42（4）：558?567.

[8] 楊冰超，王鵬，李曉艷，等.基于模態(tài)轉(zhuǎn)換結(jié)合魯棒特征的紅外圖像和可見光圖像配準(zhǔn)[J].激光與光電子學(xué)進(jìn)展，2022，59（4）：180?189.

[9] 陳磊，陳穎，李文舉，等.殘差塊改進(jìn)暹羅網(wǎng)絡(luò)的遙感圖像配準(zhǔn)[J].計(jì)算機(jī)仿真，2022，39（3）：224?229.

[10] 陳彤，郭劍鋒，韓心中，等.基于生成對(duì)抗模型的可見光?紅外圖像匹配方法[J].浙江大學(xué)學(xué)報(bào)（工學(xué)版），2022，56（1）：63?74.

[11] 付添，鄧長征，韓欣月，等.基于深度學(xué)習(xí)的電力設(shè)備紅外與可見光圖像配準(zhǔn)[J].紅外技術(shù)，2022，44（9）：936?943.

[12] 王洪淼，楊健，殷君君.基于Wishart梯度和SIFT方法的極化SAR圖像配準(zhǔn)[J].中國科學(xué)：信息科學(xué)，2022，52（4）：687?699.

[13] 汪崟，蔣崢，劉斌.具有局部自適應(yīng)閾值的SIFT快速圖像匹配算法[J].液晶與顯示，2024，39（2）：228?236.

[14] 薛慶，楊樹文，閆恒，等.基于SIFT與互信息篩選優(yōu)化的遙感影像配準(zhǔn)[J].遙感技術(shù)與應(yīng)用，2022，37（5）：1209?1216.

[15] 宋智禮，張家齊，熊亮，等.利用風(fēng)格遷移和特征點(diǎn)的多模態(tài)圖像配準(zhǔn)算法[J].遙感信息，2021，36（1）：1?6.

作者簡介：張曉宇（1981—），男，安徽蚌埠人，碩士研究生，高級(jí)實(shí)驗(yàn)師，主要從事計(jì)算機(jī)視覺技術(shù)研究工作。