基于圖像分塊的Harris?SIFT特征匹配算法

摘 要： 應(yīng)用Harris角點和SIFT圖像局部特征定量化數(shù)據(jù)描述的互補(bǔ)優(yōu)勢，提出了圖像分塊Harris?SIFT特征匹配方法。將原圖像分割成子圖像塊，根據(jù)子塊的可變閾值檢測多尺度Harris角點，并對其進(jìn)行迭代精化，使其收斂到真值，然后生成定量化的特征矢量。匹配應(yīng)用雙向最近鄰算法并用RANSAC去除誤匹配。通過仿真驗證，這種方法增強(qiáng)了角點提取的魯棒性，提高了匹配速度和精度。

關(guān)鍵詞： 圖像分塊； Harris?SIFT； 迭代精化； 特征匹配

中圖分類號： TN919?34； TP391 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2013）22?0073?03

0 引 言

在圖像局部區(qū)域提取出的特征如邊緣線、角點等稱為局部特征。其對仿射、旋轉(zhuǎn)、光照等變化具有不變性。將局部特征應(yīng)用于圖像配準(zhǔn)，具有廣泛的應(yīng)用領(lǐng)域，例如圖像拼接、運(yùn)動目標(biāo)檢測、模式識別等。Harris角點作為當(dāng)前效果最好應(yīng)且應(yīng)用最多的角點[1?2]，具有局部特征的若干不變性。利用高斯濾波，Mikolajczyk實現(xiàn)了Harris角點的尺度不變性[3?4]。Lowe于2004年提出完善的SIFT算法[5?6]，為了能夠使特征點的匹配測度更準(zhǔn)確，對其進(jìn)行定量化的描述從而生成特征矢量[5?6]。其作為特征點與匹配的橋梁，實現(xiàn)了圖像的精確匹配。本文先將原圖像分割成子圖像塊，利用分塊閾值避免因圖像灰度不均勻造成的角點漏檢；結(jié)合Harris角點和SIFT定量化數(shù)據(jù)描述，獲得穩(wěn)定的特征矢量，保證了特征匹配的速度、精度和魯棒性。仿真驗證，這種特征匹配方法能夠取得很好的仿真效果。

1 角點檢測

1.1 圖像分塊

圖像分塊是本文在角點檢測前的第一步，目的是為改變整幅圖像角點響應(yīng)單一閾值的影響，在各圖像子塊中設(shè)定分塊閾值，使提取的角點分布均勻合理，充分反應(yīng)圖像整體結(jié)構(gòu)[7]?？梢赃x擇圖像塊大小固定和塊數(shù)固定的方法對圖像進(jìn)行分塊。采用子塊大小固定的方法，可以按照圖像的灰度紋理分布，合理選擇子塊的大小，保證灰度不同的各子塊根據(jù)不同閾值合理提取角點。但是，這種方法容易造成越界分塊。本文用固定塊數(shù)的方法，去除上述的越界分塊[7]。完成圖像分塊后，每一個子圖像塊都有獨自的灰度分布和紋理。在1.2節(jié)中進(jìn)行角點響應(yīng)閾值選擇時，采用最大響應(yīng)值的比例，這樣[i]子塊的閾值定義為[βRimax]。在每一子圖像塊中有不同閾值，可以檢測出各子塊中特征相對顯著的角點，保證了檢測的角點充分反應(yīng)圖像整體結(jié)構(gòu)。

1.2 角點提取

高斯尺度空間是應(yīng)用不同尺度的高斯濾波器對圖像進(jìn)行濾波，獲得相應(yīng)的尺度高斯圖像[3]。

高斯核[4]：

判斷R在角點鄰域內(nèi)是否為極大值并進(jìn)行篩選，提取Harris位置空間角點[3]。式（4），式（5）中[TR]為角點響應(yīng)閾值，本文用自適應(yīng)閾值[TR=βRmax]，[β]為可以設(shè)定的常數(shù)，本文仿真取[β=0.2。]在整幅圖像中，[Rmax]固定，而圖像灰度紋理不同，要使提取的角點分布均勻且合理，必須采用變化的閾值。為此，本文首先對圖像進(jìn)行分塊，則第[i]塊圖像閾值為[TiR=βRimax]，這樣就可以應(yīng)用子塊的閾值。最后，進(jìn)行拉普拉斯響應(yīng)值[4]計算，判斷Harris位置空間角點：

1.3 迭代精化

數(shù)字化的圖像是作為離散數(shù)據(jù)來處理的，這樣在對響應(yīng)R判斷時[Rmax]可能被拒絕，為使提取的角點收斂到其真值，采用迭代的方法進(jìn)行處理，由上文得到初始點集[（x，σI）]，進(jìn)行精化迭代運(yùn)算[4]：

用上式進(jìn)行篩選，拒絕不滿足式（10）的點；最后若[σ（k+1）I≠σ（k）I]，并且[σ（k+1）I≠σ（k）I]，轉(zhuǎn)到（1）。對于數(shù)字化的圖像來說，在不同的尺度上進(jìn)行檢測，可能會得到不同的角點位置。通過迭代精化運(yùn)算，這些不同的位置將逐漸收斂一致。

2 特征矢量及匹配

2.1 角點定量化描述

為了使生成的特征矢量具有旋轉(zhuǎn)不變性，首先要確定角點主方向和輔助方向[8]。計算角點鄰域的梯度幅值和方向。

根據(jù)幅值統(tǒng)計梯度方向的直方圖。在這個局部區(qū)域內(nèi)，距離角點更近的點更能反應(yīng)圖像的結(jié)構(gòu)，因此，在直方圖統(tǒng)計時，對其進(jìn)行高斯加權(quán)，使角點附近的點的幅值和方向有較大比例，消除仿射造成的角點不穩(wěn)定[8]問題。根據(jù)劃分的區(qū)域和方向范圍，生成128維的特征向量[5?6，8]。根據(jù)區(qū)域的不同用高斯函數(shù)加權(quán)處理，保證角點附近的區(qū)域方向具有更大的比重。為增強(qiáng)特征矢量對光照、仿射等變化適應(yīng)性，對其進(jìn)行歸一化。為增強(qiáng)特征矢量的鑒別性[5?6，8]，截斷其中值大于0.2的，重新進(jìn)行歸一化。

2.2 匹配策略

對已有的角點特征矢量，采用雙向匹配策略，以歐式距離作為特征向量的相似性測度，對已生成的兩個角點特征向量進(jìn)行匹配。最后，應(yīng)用RANSAC方法[9?10]去除誤匹配，保證角點特征匹配的精度。

3 實驗結(jié)果與分析

采用256×320實驗圖像，在Intel Core i5，3.1 GHz CPU，4.0 Gb RAM的PC機(jī)上用MATLAB語言程序?qū)崿F(xiàn)本文方法。對分塊閾值在本文方法中對角點檢測的影響進(jìn)行了實驗分析，同時對本文提出的分塊閾值Harris?SIFT與SIFT算法的匹配性能進(jìn)行了仿真比較分析。

3.1 分塊閾值對角點的影響

無分塊閾值的Harris?SIFT算法、本文提出的算法和SIFT算法檢測圖像特征點分別如圖1～圖3所示。

圖1，圖2比較，圖1檢測到的角點較少，分布不均勻，圖2角點均勻合理?？梢缘贸觯尤敕謮K閾值，改變了整幅圖像的單一閾值[Rmax]，增加子圖像塊閾值[Rimax]，使角點檢測更準(zhǔn)確，充分反應(yīng)圖像整體結(jié)構(gòu)。

圖2，3比較，圖2Harris角點均勻合理，充分反應(yīng)圖像結(jié)構(gòu)。圖3特征點隨圖像灰度紋理變化較大，分布不均，且大都不是角點。

3.2 本文算法與SIFT算法性能比較

通過特征匹配和去除誤匹配得到匹配結(jié)果如圖4，比較本文算法與SIFT算法的配準(zhǔn)效果見表1。

由實驗結(jié)果可見，SIFT算法中DOG算子和卷積用時間長。本文算法先檢測多尺度Harris角點，計算量小，提取特征點數(shù)相對較少，減少了描述角點消耗的時間，圖像配準(zhǔn)速度提高了19.2%。加入分塊閾值，使本文提出的角點均勻合理，配準(zhǔn)精度比SIFT算法提高了1.4%。

4 結(jié) 語

經(jīng)過Matlab仿真驗證，分塊閾值改變了圖像角點響應(yīng)單一閾值的影響，使本文算法中的角點檢測在圖像中分布合理，充分反應(yīng)圖像的整體結(jié)構(gòu)。并且本文算法結(jié)合了Harris角點和SIFT對圖像局部結(jié)構(gòu)特征定量化數(shù)據(jù)描述的互補(bǔ)優(yōu)勢，既減少了配準(zhǔn)時間，又提高了配準(zhǔn)的精度。但是本文算法比較SIFT，也沒有解決角點受仿射變化的影響，下一步需要研究Harris角點的仿射不變性。

參考文獻(xiàn)

[1] SCHIMID C， MOHR R， BAUCKHAGE C. Evaluation of interest point detectors [J] International Journal on Computer Vision， 2004， 37（2）： 151?172.

[2] HARRIS C， STEPHENS M. A combined corner and edge detector [C]// Proceedings of 4th Alvey Vision Conference. UK： University of Manchester， 1988： 147?151.

[3] MIKOLAJCZYK K. Scale affine invariant interest point detectors [J]. International Journal on Computer Vision， 2004， 60（1）： 63?86.

[4] LINDEBERG T. Scale?space theory in computer vision [M]. Stockholm， Sweden： Kluwer Aademic Publishers， 1994.

[5] LOWE D G. Distinctive image features from scale?invariant keypoints [J]. International Journal of Computer Vision， 2004， 60（2）： 91?110.

[6] LOWE D G. Object recognition from local scale?invariant features [C]// Proceedings of the International Conference on Computer Vision. Kerkyra； ICCV， 1999， 2： 1150?1157.

[7] 張登榮，劉輔兵，俞樂.基于Harris操作數(shù)的遙感影像自適應(yīng)特征提取方法[J].國土資源遙感，2006（2）：60?63.

[8] LI Can?lin， MA Li?zhuang. A new framework for feature descriptor based on SIFT [J]. Patter Recognition Letters， 2009， 30（1）： 544?557.

[9] YANG Shao?wen， WANG Chieh?Chih， CHANG Chun?hua. RANSAC matching： simultaneous registration and segmentation [C]// 2010 IEEE International Conference on Robotics and Automation. Anchorage， AK： IEEE， 2010： 1905?1912.

[10] 王永明，王貴錦.圖像局部不變性特征與描述[M].北京：國防工業(yè)出版社，2010.