基于改進(jìn)的sift特征點(diǎn)的交通圖像拼接方法

黃小君

[摘 要]為了提高交通監(jiān)控圖像拼接技術(shù)的精確性，本文提出了一種基于改進(jìn)的sift特征點(diǎn)的交通圖像拼接新方法。首先對(duì)待拼接圖像進(jìn)行圖像增強(qiáng)預(yù)處理；然后提取待拼接圖像序列改進(jìn)的sift特征點(diǎn)；對(duì)帶拼接圖像序列的特征點(diǎn)進(jìn)行匹配，得到圖像序列之間的變換關(guān)系，從而進(jìn)行圖像配準(zhǔn)。實(shí)驗(yàn)結(jié)果表明，改進(jìn)的sift特征點(diǎn)對(duì)圖像拼接算法的精確性有很大的提升，同時(shí)也能保證拼接效率不會(huì)降低。

[關(guān)鍵詞]圖像配準(zhǔn)，圖像融合，

中圖分類(lèi)號(hào)：X946 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-914X（2016）30-0277-01

0 前言

圖像拼接技術(shù)是數(shù)字圖像處理領(lǐng)域中的一項(xiàng)重要技術(shù)，是將同一場(chǎng)景下有相互重疊區(qū)域的圖像序列，進(jìn)行空間配準(zhǔn)融合后生成一幅包含所有圖像序列信息、大視角的圖像[1]。隨著數(shù)字圖像處理技術(shù)在各個(gè)不同領(lǐng)域的廣泛發(fā)展和應(yīng)用，圖像拼接技術(shù)也成了一個(gè)研究熱點(diǎn)，其常用于計(jì)算機(jī)視覺(jué)、醫(yī)學(xué)圖像處理、遙感技術(shù)、虛擬現(xiàn)實(shí)、智能交通等領(lǐng)域。

目前的圖像配準(zhǔn)算法基本上可以分為兩類(lèi)：基于頻域的方法（相位相關(guān)方法）和基于時(shí)域的方法。

相位相關(guān)法最早是由Kuglin和Hines在1975年提出的。該方法對(duì)拼接的圖像進(jìn)行快速傅立葉變換，將兩幅待配準(zhǔn)圖像變換到頻域，然后通過(guò)它們的互功率譜直接計(jì)算出兩幅圖像間的平移矢量，從而實(shí)現(xiàn)圖像的配準(zhǔn)。但是相位相關(guān)方法一般需要比較大的重疊比例，如果重疊比例較小，則容易造成平移矢量的錯(cuò)誤估計(jì)，從而較難實(shí)現(xiàn)圖像的配準(zhǔn)[2]。1987年De Castro 和Morandi等人提出擴(kuò)展相位相關(guān)法，其優(yōu)勢(shì)在于對(duì)存在旋轉(zhuǎn)和平移變換的兩幅圖像配準(zhǔn)問(wèn)題依然能夠適用[2]。

基于時(shí)域的方法又可具體分為基于特征的方法和基于區(qū)域的方法?；谔卣鞯姆椒ㄊ紫日页鰞煞鶊D像中的特征點(diǎn)（如邊界點(diǎn)、拐點(diǎn)），并確定圖像間特征點(diǎn)的對(duì)應(yīng)關(guān)系，然后利用這種對(duì)應(yīng)關(guān)系找到兩幅圖像間的變換關(guān)系。2003年，M.Brown和D.G.Lowe提出了基于尺度不變特征變換的圖像拼接技術(shù)，該算法的優(yōu)勢(shì)在于自動(dòng)的實(shí)現(xiàn)了圖像的多尺度融合[3]。

上述圖像拼接方法中，在圖像拼接精度或者拼接效率上面都存在自己的不足之處。因此本文提出一種改進(jìn)的基于SIFT特征點(diǎn)的圖像拼接算法。

1 預(yù)處理

首先，為了保證圖像拼接結(jié)果的精確性，需要先對(duì)帶拼接圖像序列進(jìn)行圖像的預(yù)處理，一般的預(yù)處理是對(duì)圖像進(jìn)行圖像濾波、增強(qiáng)變換，為圖像序列的下一步拼接做準(zhǔn)備。

2 圖像配準(zhǔn)

圖像配準(zhǔn)是整個(gè)圖像拼接流程的核心，配準(zhǔn)的精度決定了圖像的拼接質(zhì)量。其基本思想是：首先找到待配準(zhǔn)圖像與參考圖像的模板或特征點(diǎn)的對(duì)應(yīng)位置，然后根據(jù)對(duì)應(yīng)關(guān)系建立參考圖像與待配準(zhǔn)圖像之間的變換矩陣，將待配準(zhǔn)圖像轉(zhuǎn)換到參考圖像的坐標(biāo)系中，確定兩圖像之間的重疊區(qū)域。精確配準(zhǔn)的關(guān)鍵是尋找一個(gè)能很好描述兩幅圖像轉(zhuǎn)換關(guān)系的數(shù)據(jù)模型。

2.1 尺度空間的生成

特征空間是從圖像中提取的用于配準(zhǔn)的信息。特征可以是圖像的灰度值，也可以是邊界、輪廓等結(jié)構(gòu)特征，或是角點(diǎn)、高曲率點(diǎn)等顯著特征，或是統(tǒng)計(jì)特征、高層結(jié)構(gòu)描述與句法描述等。

2.2 空間極值點(diǎn)檢測(cè)

為了尋找尺度空間的極值點(diǎn)，每一個(gè)采樣點(diǎn)要和它所有的相鄰點(diǎn)進(jìn)行比較，看是否比他的圖像域和尺度域的相鄰點(diǎn)大或者小，如圖1所示，中間的檢測(cè)點(diǎn)和它同尺度的8個(gè)相鄰點(diǎn)和上下相鄰尺度對(duì)應(yīng)的18個(gè)點(diǎn)共26個(gè)點(diǎn)比較，以確保在尺度空間和二維圖像空間都檢測(cè)到極值點(diǎn)，一個(gè)點(diǎn)如果在DOG尺度空間本層以及上下兩層的26個(gè)鄰域中是最大值或最小值，就認(rèn)為該點(diǎn)是圖像在該尺度下的一個(gè)特征點(diǎn)。

2.3 精確定位極值點(diǎn)

通過(guò)擬合三維二次函數(shù)以精確確定關(guān)鍵點(diǎn)的位置和尺度，同時(shí)去除對(duì)比度低的關(guān)鍵點(diǎn)和不穩(wěn)定的邊緣響應(yīng)點(diǎn)，以增強(qiáng)匹配的穩(wěn)定性，提高抗噪能力。

2.4 關(guān)鍵點(diǎn)方向分配

利用關(guān)鍵點(diǎn)鄰域像素的梯度方向分布特性為每個(gè)關(guān)鍵點(diǎn)指定方向參數(shù)，使算子具備旋轉(zhuǎn)不變性。

2.5 生成特征描述符（圖1，2，3）

3.圖像融合

經(jīng)過(guò)圖像配準(zhǔn)之后，可以得到待拼接圖像序列之間的變換矩陣，然后將帶拼接圖像序列合并顯示，呈現(xiàn)完整、精確、可靠的拼接結(jié)果。通常圖像融合分為三類(lèi)：像素級(jí)融合、決策級(jí)融合和特征級(jí)融合，其中像素級(jí)融合是最基本的融合策略。

4.結(jié)語(yǔ)

本文提出的改進(jìn)的基于SIFT特征點(diǎn)的圖像拼接方法，提高了基于特征點(diǎn)圖像拼接方法的準(zhǔn)確度，同時(shí)能較好的保證時(shí)間復(fù)雜度不會(huì)明顯增加。相對(duì)于參考文獻(xiàn)中的方法，本文提出的方法適用于多種復(fù)雜環(huán)境，具有較強(qiáng)的魯棒性。但是本文提出的方法仍然存在一定的不足，未來(lái)對(duì)于圖像拼接的研究不僅要提高圖像拼接的精度，同時(shí)也要增強(qiáng)拼接算法的效率。

參考文獻(xiàn)

[1] 蓋進(jìn)偉，韓燮. 一種基于特征點(diǎn)匹配的圖像拼接方法研究[J].計(jì)算機(jī)測(cè)量與控制，2012，20（3）：836-851

[2] 江鐵，朱桂斌. 全景圖像拼接技術(shù)研究現(xiàn)狀綜述[J]. 重慶工商大學(xué)學(xué)報(bào)，2012，29（12）：60-65

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