SIFT分塊特征匹配眼底圖像拼接

高 宇， 徐中宇

(長(zhǎng)春工業(yè)大學(xué) 計(jì)算機(jī)科學(xué)與工程學(xué)院， 吉林 長(zhǎng)春 130012)

0 引 言

關(guān)于眼底圖像拼接方面的研究已經(jīng)發(fā)展成計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)主要分支，并且計(jì)算機(jī)視覺(jué)領(lǐng)域中與之相關(guān)的理論技術(shù)發(fā)展已大致完善。

David Lowe[1-2]于2004年提出尺度不變特征變換算法，由過(guò)程構(gòu)建特點(diǎn)來(lái)描寫子集，準(zhǔn)確穩(wěn)定地提取出特征點(diǎn)，這種算法便是SIFT算法。現(xiàn)今SIFT算法已廣泛應(yīng)用于諸多領(lǐng)域[3-5]，但其獲取的特征點(diǎn)數(shù)量龐大，且其特征描述符維數(shù)過(guò)高，因此SIFT特征匹配存在計(jì)算量過(guò)大、效率不高的問(wèn)題[6-7]，大量時(shí)間都耗費(fèi)在圖像的非重疊區(qū)域計(jì)算上。較為普遍采取的改良方式是通過(guò)降維來(lái)降低算法的工程量[8]，從而達(dá)到提高圖像匹配效率的目的，但是這個(gè)方法不可避免地會(huì)降低算法匹配精度，從而影響到圖像拼接質(zhì)量。但是對(duì)于醫(yī)療檢查眼底疾病和診治疾病中需要無(wú)縫高分辨率的大尺寸圖像，使用這個(gè)方法顯然是不合適的。基于這一問(wèn)題，通過(guò)查找相關(guān)資料與文獻(xiàn)認(rèn)為這一想法具有可行性，因此在原SIFT算法的基礎(chǔ)上提出新的SIFT算法，通過(guò)分塊匹配得出研究成果。

1 眼底圖像拼接系統(tǒng)意義

由固定的相機(jī)鏡頭經(jīng)多角度拍攝視網(wǎng)膜的眼底圖像，通常只有拍攝眼底黃斑區(qū)的角度是正視點(diǎn)的圖像，其他圖像都會(huì)受到拍攝角度偏移的影響,使得拍攝出眼底圖像遺漏信息，無(wú)法獲得完整的眼底信息。在臨床上,醫(yī)生需要從眼底圖像中獲得一些準(zhǔn)確的信息，而圖像拼接技術(shù)正好可以達(dá)到理想效果，將之前所得較小的眼底成像區(qū)域拼接成一幅完整的眼底圖像，通過(guò)這一方式能夠輔助醫(yī)療診斷，具有十分重要的臨床醫(yī)學(xué)價(jià)值[9]。

按照發(fā)展現(xiàn)狀來(lái)看，通過(guò)這種算法對(duì)眼底圖像進(jìn)行拼接還有缺陷，就是匹配時(shí)間長(zhǎng)，并且誤匹配率也較高。面臨這種局面，根據(jù)數(shù)據(jù)結(jié)構(gòu)中存在的分塊算法，文中提出了分塊特征匹配方法，其中心思想是分別將目標(biāo)圖像和待匹配圖像分塊劃分，然后在對(duì)應(yīng)塊之間進(jìn)行特征點(diǎn)匹配，從而將匹配計(jì)算范圍從整幅圖像縮小到一小塊區(qū)域內(nèi)，減少誤匹配率和匹配時(shí)間。

2 眼底圖像拼接系統(tǒng)流程

2.1 眼底圖像預(yù)處理

在現(xiàn)實(shí)應(yīng)用中所拍攝到的照片經(jīng)常受眼底光照不平衡、圖像存儲(chǔ)運(yùn)輸?shù)纫蛩氐母蓴_，使得眼底圖像存在隨機(jī)噪點(diǎn)多、對(duì)比度不夠強(qiáng)的問(wèn)題，所以從眼底圖像中獲取詳細(xì)信息非常困難。因此要對(duì)圖像進(jìn)行一些調(diào)整與局部加強(qiáng)，以便能夠獲得更精準(zhǔn)的圖像拼接效果。

2.1.1 視網(wǎng)膜圖像的增強(qiáng)

圖像增強(qiáng)就是利用數(shù)字圖像處理技術(shù)，通過(guò)強(qiáng)化圖像中需要觀測(cè)和研究的部分，弱化或抑制不需要的部分，使圖像效果更為清晰明了，這種圖像進(jìn)行預(yù)處理是眼底圖像拼接系統(tǒng)中必不可少的步驟。

2.1.2 視網(wǎng)膜圖像的去噪

如果利用低值濾波進(jìn)行去噪，容易導(dǎo)致圖像邊界模糊不清，使得圖像不完整，所以采集圖像過(guò)程中所產(chǎn)生的噪聲可采用中值濾波，保證圖像信息完整度。

2.2 SIFT特征點(diǎn)提取

圖像特征點(diǎn)提取是采用SIFT算法提取每塊圖像的局部特征。

1)檢測(cè)圖像尺度空間的極值，這里需要利用到高斯卷積核來(lái)構(gòu)建實(shí)現(xiàn)圖像的尺度空間，并將該尺度空間P定義為：

P(x,y,z)=I(x,y)G(x,y,z),

(1)

(2)

2)進(jìn)一步精確地定位特征點(diǎn)坐標(biāo)，把圖像按比例分成N塊后，利用式(1)和式(2)即尺度空間函數(shù)的二階泰勒展開式進(jìn)行最小二乘擬合，通過(guò)篩選出擬合曲線的極值來(lái)定位特征點(diǎn)，并且可通過(guò)設(shè)置調(diào)整閾值來(lái)去除對(duì)比度不足的點(diǎn)，從候選點(diǎn)中進(jìn)一步篩選出關(guān)鍵點(diǎn)；

3)特征點(diǎn)方向分配上，篩選出關(guān)鍵點(diǎn)后便需要利用關(guān)鍵點(diǎn)的旋轉(zhuǎn)不變性把坐標(biāo)軸方向的旋轉(zhuǎn)至與其關(guān)鍵點(diǎn)的坐標(biāo)軸方向一致，以便保證該關(guān)鍵點(diǎn)的這一特性；

4)生成特征點(diǎn)的特征描述符。

2.3 特征點(diǎn)匹配

把每個(gè)特征點(diǎn)向量化之后，從參考對(duì)象中選一個(gè)關(guān)鍵點(diǎn)，通過(guò)函數(shù)

計(jì)算出與其他關(guān)鍵點(diǎn)的歐式距離，該值最小的點(diǎn)可與之進(jìn)行匹配，同樣方法再求出其他關(guān)鍵點(diǎn)，最后可以獲得初步結(jié)果。

2.4 RANSAC精匹配

將RANSAC算法與SIFT算法相結(jié)合，對(duì)采用特征點(diǎn)匹配篩選出來(lái)的關(guān)鍵點(diǎn)進(jìn)行二次挑選，這種方式能夠提高特征點(diǎn)匹配的正確率，對(duì)圖像拼接效果的提升具有很大意義。

RANSAC算法步驟主要分為：首先需進(jìn)行多次隨機(jī)采樣，抽樣出的四組且三點(diǎn)不共線的匹配點(diǎn)，再使用樣本數(shù)據(jù)計(jì)算它們的變化矩陣M；然后算出每個(gè)點(diǎn)經(jīng)過(guò)矩陣變化之后與前一個(gè)點(diǎn)的距離，設(shè)置一個(gè)閾值，距離小于這一值的點(diǎn)就作為內(nèi)點(diǎn)；最后選取一個(gè)包含的內(nèi)點(diǎn)是最多的點(diǎn)集，并在這個(gè)內(nèi)點(diǎn)域里面對(duì)變化矩陣M重新估計(jì)，剩余關(guān)鍵點(diǎn)就當(dāng)成是粗匹配過(guò)程誤匹配的結(jié)果，視為無(wú)效點(diǎn)。

那么該如何選取閾值范圍，就需要用到最近鄰算法，計(jì)算出匹配點(diǎn)的距離比率，小于某一閾值時(shí)可將其作為選中的匹配點(diǎn)。這時(shí)候?qū)⒀鄣讏D像拿來(lái)進(jìn)行比對(duì)，比率小于0.4的很少有匹配點(diǎn)，大于0.6的誤匹配率較高。將閾值T取值在0.4～0.6作為最佳實(shí)驗(yàn)的閾值。

2.5 眼底圖像的配準(zhǔn)和融合

在操作中,常用直接平均以及加權(quán)平均等方式對(duì)圖像進(jìn)行融合。融合算法中采用直接平均法具有用時(shí)少的特點(diǎn)，但融合部分會(huì)出現(xiàn)很多拼接的痕跡,導(dǎo)致圖像不清晰；而加權(quán)平均則是在直接平均法的基礎(chǔ)上更進(jìn)一步優(yōu)化，首先把兩幅圖像中重疊的像素篩選出來(lái)，計(jì)算它們的加權(quán)后再拿來(lái)融合拼接。文中采取加權(quán)平均法，在圖像匹配完成以后，計(jì)算出它們的變換矩陣，將圖像坐標(biāo)系選到和矩陣一致，用上述方法對(duì)兩幅圖像進(jìn)行融合，確定圖像的重合區(qū)域，并保留各自獨(dú)立的區(qū)域，最后選取兩圖重合區(qū)域進(jìn)行處理，直到圖像全部完成融合為止。再利用中值濾波法消除光強(qiáng)度的不連續(xù)性，使拼接圖案看起來(lái)更為自然。

3 實(shí)驗(yàn)結(jié)果分析

采用檢測(cè)設(shè)備為Intel Core i3-2120M CPU @ 3.2ghz， 4GRAM，利用驅(qū)動(dòng)器數(shù)據(jù)庫(kù)(The DRIVE database)和凝視數(shù)據(jù)庫(kù)(The STARE database)中的視網(wǎng)膜圖像進(jìn)行仿真實(shí)驗(yàn)，通過(guò)多次取用不同的圖像數(shù)據(jù)組，并且最終對(duì)比改進(jìn)算法前后的結(jié)果，如圖1所示。

表1 兩種算法程序的運(yùn)行結(jié)果

由兩組實(shí)驗(yàn)結(jié)果對(duì)比得出，傳統(tǒng)的SIFT匹配算法需要匹配整個(gè)對(duì)象中所有的特征點(diǎn)。SIFT分塊特征匹配算法是根據(jù)數(shù)據(jù)結(jié)構(gòu)中的分塊算法，分別將目標(biāo)圖像和待匹配圖像分成N塊，然后在對(duì)應(yīng)塊之間進(jìn)行特征匹配。在同一閾值條件下，文中提出的SIFT分塊特征匹配算法對(duì)于眼底圖像拼接效果確實(shí)有一定提升，在運(yùn)算過(guò)程中降低錯(cuò)誤率。

4 結(jié) 語(yǔ)

圖像拼接技術(shù)不斷更新優(yōu)化，隨著醫(yī)療設(shè)備的相關(guān)技術(shù)要求不斷提高，對(duì)于眼科醫(yī)療方面，得到高分辨率的大尺寸眼底圖像很有必要，從眼底圖像拼接入手，利用分塊特征匹配算法，只保留匹配區(qū)域，可以有效避免對(duì)全圖像進(jìn)行搜索匹配，導(dǎo)致運(yùn)算資源的浪費(fèi)，從而節(jié)省運(yùn)行時(shí)間。與原方法相比，算法保持了原SIFT算法的魯棒性，且運(yùn)算效率有明顯改善，具有一定的實(shí)用價(jià)值，為該領(lǐng)域應(yīng)用提供了一種更加切實(shí)有用的改良的圖像拼接技術(shù)。