基于特征點(diǎn)圖像配準(zhǔn)方法的應(yīng)用研究

精品文檔-下載后可編輯基于特征點(diǎn)圖像配準(zhǔn)方法的應(yīng)用研究【摘要】針對(duì)常用的圖像配準(zhǔn)技術(shù)配準(zhǔn)精度不高的問(wèn)題，本文首先采用RANSAC算法剔除SURF算法初匹配中的誤匹配對(duì)，再在初次提純的匹配對(duì)中進(jìn)行歐氏距離排序，提取距離最小的有限匹配對(duì)作為最終的匹配結(jié)果。通過(guò)實(shí)驗(yàn)表明該方法配準(zhǔn)精度高，效果好，為后續(xù)圖像的融合拼接打下良好的基礎(chǔ)。

【關(guān)鍵詞】RANSAC算法；SURF算法；圖像配準(zhǔn)

引言

隨著傳感器技術(shù)和計(jì)算機(jī)計(jì)算能力的提高，圖像處理技術(shù)在社會(huì)生活中的應(yīng)用越來(lái)越廣泛。但是由于客觀問(wèn)題及圖像傳感器本身的局限性等會(huì)造成采集到的圖像模糊、不完整等問(wèn)題，因此采用圖像處理技術(shù)對(duì)圖像進(jìn)行配準(zhǔn)拼接處理獲取完整的圖片或者較寬視覺(jué)的圖片就非常必要。本文采用基于SURF算法二次匹配法，對(duì)圖像的特征點(diǎn)進(jìn)行配準(zhǔn)，配準(zhǔn)精度得到明顯的提高。

1、基于SURF算法初匹配存在問(wèn)題的分析和解決方法

SURF算法[1]一般用特征矢量間的歐氏距離作為待配準(zhǔn)圖像的匹配判斷矢量。匹配就是對(duì)于圖像A中某個(gè)特征點(diǎn)，找出圖像B中與它歐氏距離最近的特征點(diǎn)，簡(jiǎn)單地說(shuō)，如果最近的距離小于某個(gè)閥值，則認(rèn)為這兩個(gè)點(diǎn)被匹配。

令A(yù)圖像中的特征點(diǎn)描述子集為基準(zhǔn)集，B圖像中的特征點(diǎn)描述子集為目標(biāo)集，通過(guò)歐式距離相似度判定度量，對(duì)每個(gè)qj我們?cè)诨鶞?zhǔn)集中都能找到與其歐式距離最近的pi，這樣qj和pi就構(gòu)成一個(gè)匹配對(duì)。雖然匹配對(duì)中的兩個(gè)特征點(diǎn)描述子的歐式距離最近，但這并不意味著它們對(duì)應(yīng)相同的圖像區(qū)域。在正確的匹配對(duì)中的兩個(gè)特征點(diǎn)描述子的歐式距離會(huì)很小，理想狀況下為零。但是當(dāng)qj與基準(zhǔn)集中多個(gè)點(diǎn)的歐氏距離相近的時(shí)候，在判斷時(shí)qj與它最近鄰構(gòu)成的匹配對(duì)就有可能是錯(cuò)誤的匹配。

上述的分析表明，采用SURF算法對(duì)圖像進(jìn)行匹配，對(duì)于特征豐富的圖像，往往得到數(shù)以百計(jì)的特征點(diǎn)匹配對(duì)，而且具有一定的誤差性，存在錯(cuò)誤的匹配對(duì)。因此就需要后續(xù)的檢驗(yàn)過(guò)程，提高配準(zhǔn)精度。

配準(zhǔn)后的圖像要轉(zhuǎn)換到同個(gè)坐標(biāo)下，才能進(jìn)行拼接融合。這就涉及到圖像變換模型。從圖像變換模型的要求[2]中，我們知道，只要有3對(duì)對(duì)應(yīng)的匹配對(duì)，我們就可以計(jì)算出兩幅圖像間的變換關(guān)系。在此我們先采用RANSAC算法消除錯(cuò)誤匹配提高配準(zhǔn)精度，以便得到更加精確的變換參數(shù)矩陣，便于后期的融合拼接。

2、基于RANSAC剔除誤匹配提高配準(zhǔn)精度的實(shí)現(xiàn)方法

隨機(jī)抽樣一致性RANSAC[3]（RandomSampleConsensus）是一種估計(jì)數(shù)學(xué)模型的參數(shù)迭代算法，它的主要思路是通過(guò)采樣和驗(yàn)證的策略，求解大部分樣本（在本節(jié)中指的是經(jīng)過(guò)SURF算法初步匹配的匹配點(diǎn)）都能滿足的數(shù)學(xué)模型的參數(shù)。

眾所周知，確定直線方程需要兩個(gè)數(shù)據(jù)點(diǎn)，所以RANSAC每次隨機(jī)抽取樣本點(diǎn)是2個(gè)。得到直線方程后，計(jì)算數(shù)據(jù)集中其他點(diǎn)到該直線的距離，如果距離小于閥值的點(diǎn)被認(rèn)為是內(nèi)點(diǎn)，否則被認(rèn)為是外點(diǎn)。然后統(tǒng)計(jì)符合該直線方程的內(nèi)點(diǎn)數(shù)量，如此不斷重復(fù)采樣和驗(yàn)證，我們便可以估計(jì)出很多直線方程參數(shù)。最終具有最多內(nèi)點(diǎn)的直線就被認(rèn)為是最佳的數(shù)學(xué)模型估計(jì)。RANSAC的中心思想就是將數(shù)據(jù)分為內(nèi)點(diǎn)和外點(diǎn)。在RANSAC算法中主要是采樣估計(jì)次數(shù)，距離閥值的設(shè)定。

本文兩次提純匹配對(duì)的具體實(shí)現(xiàn)步驟如下：

數(shù)據(jù)集合是通過(guò)SURF算法初匹配得到的匹配對(duì)組成的，為了降低計(jì)算時(shí)間，提高模型參數(shù)求解速度，我們采用的是6參數(shù)的仿射變換模型。因此需要至少3對(duì)的匹配點(diǎn)數(shù)據(jù)才能求出仿射變換模型的參數(shù)。

1）確定RANSAC采樣次數(shù)N。設(shè)n是確定模型參數(shù)的最少點(diǎn)數(shù)，而要確定圖像仿射變換參數(shù)模型至少需要3個(gè)匹配對(duì)，所以取n=3。設(shè)P是表示采樣的3個(gè)點(diǎn)都是內(nèi)點(diǎn)的概率，一般保證P大于95%就能滿足實(shí)際應(yīng)用。為了提高配準(zhǔn)精度，我們將該值設(shè)置為0.98。設(shè)w為樣本中內(nèi)點(diǎn)的比例取w=0.6（內(nèi)點(diǎn)的比例為60%），設(shè)不包含外點(diǎn)的比率為好樣本，則要在N次的采樣中取得所有樣本為好樣本需要滿足：

2）初次提純距離閥值設(shè)定。在實(shí)際應(yīng)用中，距離閥值通常是靠經(jīng)驗(yàn)選取的。一般取值范圍是0.0001-0.1，本文將閥值設(shè)定為0.0001。通過(guò)與閥值比較確定內(nèi)點(diǎn)和外點(diǎn)。

3）再次比較提純。經(jīng)過(guò)RANSAC提純后的內(nèi)點(diǎn)，再次進(jìn)行歐式距離排序，選取歐式距離最小的前M對(duì)匹配點(diǎn)。（M的選取可以根據(jù)配準(zhǔn)下一步圖像變換矩陣的需要來(lái)確定，本文實(shí)驗(yàn)取M=15）。

3、本文方法的流程圖

到此本文針對(duì)圖像的配準(zhǔn)環(huán)節(jié)所使用的方法和改進(jìn)的實(shí)現(xiàn)流程總結(jié)如圖4-1所示。

4、實(shí)驗(yàn)結(jié)果與分析

采用本文提出的配準(zhǔn)方法對(duì)采集來(lái)的不完整的圖像進(jìn)行實(shí)驗(yàn)，該實(shí)驗(yàn)在MATLAB平臺(tái)上進(jìn)行。按照本文分析總結(jié)得出的算法對(duì)圖像進(jìn)行的實(shí)驗(yàn)結(jié)果如下：

1）采用SURF算法提取特征點(diǎn)：

2）歐氏距離初匹配。從圖4-3中我們明顯看到了不少的誤匹配。

3）采用RANSAC算法消除錯(cuò)誤匹配初次提純，其次歐氏距離再排序二次提純。圖4-4顯示的就是消除誤匹配后，再對(duì)提取出來(lái)的匹配點(diǎn)的歐式距離排序，選取歐式距離最小的前15對(duì)匹配對(duì)，通過(guò)實(shí)驗(yàn)結(jié)果我們可以看到經(jīng)過(guò)兩次篩選可以極大地提高配準(zhǔn)精度。

從表4-1中我們也可知采用本文的配準(zhǔn)方法，運(yùn)行速度雖然降低了，但是極大地提高配準(zhǔn)精度。而要得到好的拼接效果，配準(zhǔn)精度是極其關(guān)鍵的。犧牲一定的時(shí)間來(lái)獲取配準(zhǔn)精度還是值得的。因?yàn)樗俣壬铣怂惴ū旧淼膬?yōu)化，我們還可以借助硬件來(lái)達(dá)到要求，而不是盲目追求速度，不顧精度。如果配準(zhǔn)精度不高，將會(huì)嚴(yán)重影響后面的處理環(huán)節(jié)。

5、總結(jié)

本文將SURF特征應(yīng)用于圖像配準(zhǔn)中，并詳細(xì)分析了SURF算法初匹配中存在誤匹配影響配準(zhǔn)效果的問(wèn)題，提出了基于SURF特征兩次提純提高配準(zhǔn)精度的配準(zhǔn)方法。首先采用RANSAC算法剔除誤匹配對(duì)，并對(duì)初次提純的匹配對(duì)中進(jìn)行歐氏距離排序，然后提取距離最小的有限匹配對(duì)作為最終的提