黃超
(棗莊學院 信息科學與工程學院,山東 棗莊277160)
圖像特征匹配[1-4]的目的是在同一場景的圖像中找到相應的特征,如點特征或線特征[5-6].由于成像條件的影響,采集圖像的同一區(qū)域,不僅在不同情境的表觀不同,而且圖像的對應區(qū)域之間存在射影畸變[7-8].此時,對圖像進行特征點的提取和匹配,其準確性會受到嚴重影響.針對此問題,可以對圖像采取前期的預處理,去除圖像中的無關信息,恢復圖像中的真實信息,使圖像的信息便于檢測,從而增強圖像的質量.這種預處理也使特征提取、匹配和識別的可靠性得到了提高.本文提出了利用直方圖均衡化、基于照明-反射模型的同態(tài)濾波和基于Retinex理論的增強方法對收集到的圖像進行預處理,再對預處理后的圖像應用尺度不變特征轉換(SIFT)算法[9],加速健壯特征(SURF)算法[10]和仿射-尺度不變特征轉換(ASIFT)[11]算法進行圖像特征提取和匹配.
直方圖均衡化是一個非線性處理過程,也是一種使用圖像直方圖進行對比度調(diào)節(jié)的方法,其目的是獲得更開闊和更均勻的分布.通過使用更適應人類視覺分析的方法,使較低對比度的區(qū)域獲得更高的對比度,從而增強圖像的亮度,該方法適用于圖像呈現(xiàn)出非常緊湊的像素對比度的情況[12-13].通過這種調(diào)節(jié),圖像像素灰度會在直方圖上有一個比度.直方圖均衡化的實現(xiàn)依賴于能夠將最常用的像素灰度值分布進行有效擴展的方案,利用多個直方圖完成局部對比度的調(diào)節(jié)而不是完成整體對比度的調(diào)節(jié),是自適應直方圖均衡化,以實現(xiàn)圖像局部對比度的調(diào)節(jié).
圖像直方圖均衡化處理的結果,如圖1所示.由圖1可知:從處理效果來看,圖像對比度明顯得到增強,處理后的圖像灰度分布更均勻,可以獲得滿意的圖像效果.利用圖像的頻率信息,將圖像的高頻部分與低頻部分分離,使圖像在保留較多原始灰度圖像分布的同時,達到更有吸引力的平衡.根據(jù)直方圖均衡化算法和調(diào)用Matlab中的Histeq函數(shù)處理,可以看出圖像的效果非常近似.
基于照明-反射模型的同態(tài)濾波原理是通過濾波函數(shù)估算圖像的低頻或高頻成分,增強圖像局部對比度,同時壓縮圖像動態(tài)范圍[14].圖像上照明不均的問題得以排除,進而對圖像灰度范圍加以調(diào)整,暗區(qū)域的圖像細節(jié)得到了增強,圖像亮區(qū)的圖像細節(jié)也得到了保存,這便是應用濾波的目的.
圖1 圖像直方圖均衡化預處理結果Fig.1 Image histogram equalization preprocessing results
圖像I(x,y)表達式為
式中:L(x,y)為照明分量,描述了景物的照明,與景物無關,0<L(x,y)<∞;R(x,y)為反射分量,包括了目標的細節(jié),它與照明無關,0<R(x,y)<1.
同態(tài)濾波的流程為I(x,y)→logI→DFT→H(u,v)→(DFT)-1→exp→O(x,y).式中:logI為對I取對數(shù);DFT 為對數(shù)據(jù)作傅里葉變換;H(u,v)為對數(shù)據(jù)進行濾波;(DFT)-1為對數(shù)據(jù)作反傅里葉變換;exp為對數(shù)據(jù)作指數(shù)變換;O(x,y)為處理后的圖像數(shù)據(jù).
應用圖像增強方法對圖像進行預處理的結果,如圖2所示.由圖2可知:同態(tài)濾波器能增加圖像高頻的貢獻,消減圖像低頻的貢獻;同時,完成動態(tài)范圍的壓縮和對比度的增強.顯然,經(jīng)同態(tài)濾波預處理后,圖像的視覺效果明顯優(yōu)于原圖像,而且圖像細節(jié)更清晰.
圖2 圖像同態(tài)濾波的預處理結果Fig.2 Preprocessing results of image homomorphism filtering
由Retinex算法的原理可知:在不同光源或光線下,相同物體的顏色是恒定不變的.圖像I(x,y)被分解為物體的反射圖像R(x,y)和亮度圖像L(x,y).圖像的內(nèi)在性質由R(x,y)決定,圖像像素的動態(tài)范圍由L(x,y)決定.物體的反射性質需要從圖像I(x,y)中取得.通過降低亮度圖像對反射圖像的影響,達到圖像增強的目的.
為了便于算法的計算,對公式進行對數(shù)處理.對數(shù)處理有2個優(yōu)點:1)對數(shù)形式,更靠近于人眼亮度的感知能力;2)可以將復雜的乘積形式變?yōu)楹唵蔚募訙p形式.即logI(x,y)=log(R(x,y)·L(x,y))=logR(x,y)+logL(x,y).記i(x,y)=r(x,y)+l(x,y).由此可以得到增強模型為
式中:G(x,y)為低通卷積函數(shù),作用是從輸入圖像中估計亮度圖像L(x,y).同時,對輸入圖像局部進行處理而采用高斯卷積函數(shù),采用此函數(shù)又能更好地增強圖像.是尺度常量.c的值越小,圖像灰度動態(tài)范圍被壓縮的越多;相反,c的值越大,圖像將被銳化的越厲害.λ是常量矩陣,使得,進而得到R(x,y),從而得到了增強后的圖像.
Retinex算法實質上是一種基于光照補償?shù)膱D像增強算法,其核心部分是照射分量估計.它能夠將原圖像中的絕大多數(shù)細節(jié)信息還原,同時還避免了由直方圖均衡化算法造成的兩極分化趨勢,增強后圖像的畫質較為柔和,圖像在視覺效果上變得更好.Retinex算法不僅能使動態(tài)范圍得以壓縮,圖像的邊緣也得到增強,達到了相互協(xié)調(diào),同時還保持了原圖像顏色的恒定性.此外,Retinex算法還克服了多種增強方法的綜合應用,導致圖像增強效果產(chǎn)生此消彼長的不足.
應用基于Retinex理論的增強方法處理圖像的結果,如圖3所示.由圖3可知:圖像的光照得到了補償,增強后的圖像視覺效果較好.利用算法中光照補償方法,完成了原圖像的反射圖像的逼近.
圖3 圖像Retinex方法預處理結果Fig.3 Image Retinex method preprocessing results
針對圖像模糊引起圖像質量較差的視覺效果,應用文中方法進行實驗.以A 圖像作為參考圖像,其余的5副圖像作為待匹配圖像,如圖4所示.由圖4可以看出:圖像的視覺效果從A 圖像到F圖像逐漸變得模糊.
將圖4中的A 圖像分別與B,C,D,E和F圖像配成對,對應得到的實驗結果,如表1~5所示.由表1~5可知:圖像經(jīng)直方圖均衡化處理后,再進行圖像的特征點提取和匹配時,得到圖像正確的匹配點數(shù)明顯比未處理前的圖像有所增加,尤其是ASIFT 算法匹配的特征點變化相當明顯;其次,SURF算法較SIFT 算法匹配的特征點數(shù)目變化更顯著.經(jīng)過同態(tài)濾波預處理的圖像匹配的特征點數(shù)目,與未處理圖像特征點匹配點數(shù)沒有明顯的變化.
圖4 待匹配的模糊圖像Fig.4 Fuzzy image
表1 模糊圖像A 和B的特征點匹配表Tab.1 Feature points matching table of fuzzy image A and B
表2 模糊圖像A 和C對的特征點匹配表Tab.2 Feature points matching table of fuzzy image A and C
表3 模糊圖像A 和D 對的特征點匹配表Tab.3 Feature points matching table of fuzzy image A and D
表4 模糊圖像A 和E對的特征點匹配表Tab.4 Feature points matching table of fuzzy image A and E
表5 模糊圖像對A 和F特征點匹配表Tab.5 Feature points matching table of fuzzy image A and F
圖5 模糊圖像特征點的匹配率Fig.5 Matching rate of fuzzy image
模糊圖像SIFT 算法、SURF 算法和ASIFT 算法的匹配率(η),如圖5所示.由圖5 可知:經(jīng)直方圖均衡化處理的圖像,用SURF算法提取的圖像特征點匹配率較高;同態(tài)濾波預處理圖像的方法,經(jīng)SIFT 算法提取圖像特征點的匹配率較高.
詳細研究3種圖像增強的方法,并通過實驗實現(xiàn)了3種方法的圖像增強,提高了圖像特征點匹配數(shù)目.經(jīng)過實驗分析,與未進行增強處理的圖像相比,文中方法處理的圖像特征點數(shù)目有較明顯地提高,驗證了文中提出的方法是有效的.
[1]HARRIS C,STEPHENS M.A combined corner and edge detector[C]∥Proceedings of the 4th Alvey Vision Conference.Manchester:Springer,1988:147-151.
[2]WANG Xin-jing,ZHANG Lei,LIU Ming,et al.Arista-image search to annotation on billions of web photos[C]∥IEEE Conference on Computer Vision and Pattern Recognition.San Francisco:IEEE Press,2010:2987-2994.
[3]HIRSCHMüLLER H,SCHARSTEIN D.Evaluation of stereo matching costs on images with radiometric differences[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2009,31(9):1582-1599.
[4]CHENG Liang,GONG Jian-ya,LI Man-chun,et al.3Dbuilding model reconstruction from multi-view aerial imagery and lidar data[J].Photogramm Eng Remote Sens,2011,77(2):125-139.
[5]FREEMAN W,ADELSON E.The design and use of steerable filers[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1991,13(9):891-960.
[6]GOOL V L,MOONS T,UNGUREANU D.Affine/photometric invariants for planar intensity patterns[C]∥4th European Conference on Computer Vision.Cambridge:Springer,1996:642-651.
[7]SCHAFFALITZKY F,ZISSERMAN A.Multi-view matching for unordered image sets[C]∥7th European Conference on Computer Vision Copenhagen.Copenhagen:Springer,2002:414-431.
[8]BELONGIE S,MALIK J,PUZICHA J.Shape matching and object recognition using shape contexts[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2002,24(4):509-522.
[9]LOWE D G.Distinctive image features from scale-invariant key points[J].International Journal of Computer Vision,2004,60(2):91-110.
[10]BAY H,TUYTELAARS T,GOOL L.SURF:Speeded up robust features[J].Computer Vision and Image Understanding,2008,110(3):346-359.
[11]MOREL J,YU Guo-shen.ASIFT:A new framework for fully affine invariant image comparison[J].SIAM Journal on Imaging Sciences,2009,2(2):438-469.
[12]SZELISKI R.Computer vision:Algorithms and applications[M].北京:清華大學出版社,2012:94-112.
[13]GONZALEZ R C,WOOD R E.Digital image processing[M].3rd ed.北京:電子工業(yè)出版社,2011:55-80.
[14]梁琳,何衛(wèi)平,雷蕾,等.光照不均圖像增強方法綜述[J].計算機應用研究,2010,27(5):1625-1628.