基于紋理特征的網絡多媒體圖像模板匹配方法

周培斌

（山西醫科大學第一醫院，山西太原030001）

網絡多媒體環境中復雜圖像的采集易受網絡環境干擾而產生椒鹽噪聲影響圖像質量，因此需要對這類圖像進行模板匹配[1]。以往多維像素特征分布重構模型的構建利用模板匹配方式，使用這種方法無法提取椒鹽噪聲干擾圖像的紋理特征，存在運算量大、圖像內容不能區分以及匹配率低的問題[2]。

為解決以上問題，提出基于紋理特征的網絡多媒體圖像模板匹配方法。

1 圖像紋理特征分割與提取

使用小波多尺度濾波方法進行椒鹽噪聲干擾圖像特征匹配，首先計算采樣信息長度，計算公式為：

式（1）中，c表示網絡多媒體圖像的邊緣輪廓特征量；x表示椒鹽噪聲干擾圖像輪廓像素集；d(xi,xj)表示多媒體圖像序列；k1、k2分別表示圖像關鍵特征點和像素特征點[3-5]。

依據椒鹽噪聲干擾圖像紋理特征，分割相鄰節點的圖像特征，獲取輪廓線，該輪廓線的計算公式如式（2）所示。

式（2）中，,…,表示受到椒鹽噪聲干擾的圖像像素參數；λj表示離散像素序列；σi表示受到椒鹽噪聲干擾的圖像紋理均值；z表示圖像標準偏差[6-7]。依據該輪廓線，完成圖像紋理特征分割[8]。

以椒鹽噪聲干擾下的圖像為研究對象，使用基于模板匹配的椒鹽噪聲干擾圖像自動分割方法[9]，通過對椒鹽噪聲干擾圖像的邊緣輪廓特征量的初始化，提取圖像特征點。

結合邊緣輪廓特征和椒鹽噪聲干擾圖像紋理特征，可獲取干擾圖像輪廓線，該輪廓線的計算公式如式（3）所示。

式（3）中，W表示椒鹽噪聲干擾圖像輪廓尺寸；η表示圖像紋理特征信息；α表示在坐標系橫軸像素特征強度。

在m×m窗口μi內，獲取特征提取模型如式（4）所示。

公式（4）中，?α表示多分辨干擾圖像像素特征點，?β表示干擾圖像紋理特征；β表示在坐標系縱軸的像素特征強度，G(α,β,σi)表示椒鹽噪聲干擾圖像在網絡多媒體幾何空間中提取出的圖像紋理特征分量[10-12]。

2 基于紋理特征網絡多媒體圖像模板匹配

圖像模板匹配原理如圖1所示。

圖1 圖像模板匹配原理

如圖1所示，通過迭代計算，在全矩陣搜索情況下，獲取相似性度量值矩陣和各值矩陣，確定相似性度量值的最大值和最小值，該位置即為最佳匹配位置[13]。在待匹配圖像滑動策略支持下，分析模板中各個子塊的圖像紋理特征[14-15]。基于紋理信息對模板中的每個子塊進行權值設置，使模板滑入待匹配圖像，模板中的每個子塊滑入待匹配圖像滑動窗口中的每個點。

按照加權系數，將規格化的相關系數組合為加權和，去掉平均值，可以得到一個新的相似性度量矩陣，其中最大值仍然是匹配位置[16]。2×2 的分塊匹配策略如圖2所示。

圖2 2×2 的分塊匹配策略

a11、a12、a21、a22分別代表模板匹配中各個子塊的加權系數，即為基于紋理特征的權值系數。假定這些權值系數已經計算完成，此時各點的相似度測度計算結果如下：

式（5）中，ταβ表示待匹配圖像滑動窗口子塊取均值歸一化系數，由此計算每一點的相似性度量值：

τ(α,β)表示整個模板圖像與待匹配圖像滑動窗口相似程度。

基于上述內容，設計網絡多媒體圖像模板匹配流程，如圖3所示。

圖3 網絡多媒體圖像模板匹配流程

依據圖3所示過程確定檢測點。由于檢測點的選取是不穩定的，每一個像素都具有一定的梯度，所以需要用一個梯度表達式來計算梯度的大小和梯度的方向，以表示該像素。在此基礎上，確定圖像中的檢測點，每個檢測點都包含3 個信息：位置、比例、方向；每個檢測點都具有平移、比例和旋轉不變性。描述符生成如圖4所示。

圖4 描述符生成

如圖4所示，可產生待匹配圖像和模板圖像的特征點。在獲取模板圖像和兩個待匹配圖像的點集后，再對兩幅圖像進行匹配。若模板圖像中的點在匹配圖像中找到了對應點集，就可以認為實現了成功匹配。若找不到相應的點，則表示匹配失敗。通過上述過程，完成特征點集匹配。

3 自適應模板修正

由于網絡多媒體圖像具有動態性，只對一組圖像處理較難，很難保證每一組圖像都具有最佳匹配點，因此，需分析跟蹤誤差。積累誤差越大，跟蹤窗口越偏，最終導致目標丟失。需要注意的是，如果沒有找到最佳匹配點，就會基于舊模板與當前圖像最佳匹配位置的匹配置信度生成新模板，從而獲得更好的跟蹤效果。自適應模板修正流程如圖5所示。

圖5 自適應模板修正流程

依據自適應模板修正流程，計算最佳匹配值，并依據該值確定目標圖像當前最佳匹配位置，得到更新后的模板。根據舊模板的最佳匹配值和當前最佳匹配位置，確定更新后的模板。加權權值可用于衡量不同目標圖像間最佳匹配位置的匹配程度，以此作為衡量當前幀模板的更新依據。當加權權值大于或等于0.8 的情況下仍使用舊模板；當加權權值小于0.8 的情況下更新目標模板，該方法無需更新每幀模板，提高了實時性、節省了計算時間。

4 實 驗

為了驗證所提方法的應用性能，通過對比實驗進行驗證。使用C++語言，在Windows 10 操作系統下，將影像傳入計算機中，并利用NVIDIA 顯卡處理影像，將處理好的圖像顯示在界面上，結合Matlab 進行實驗分析，由此對基于紋理特征的網絡多媒體圖像模板匹配方法研究的合理性展開分析。

4.1 特征點匹配

為了改變特征點分布不均勻的情況，需對重疊區域進行分塊處理，再提取控制點，并將分塊中心加到相關序列之中，獲取如圖6所示的匹配結果。

圖6 特征點匹配

將分塊作為控制中心，可改善無控制點的分布情況，在無控制點分布區域內將所有連接線進行連接，形成匹配信息，由此確定區域格局。

4.2 實驗結果與分析

針對上述匹配的7 個特征點，在無椒鹽噪聲干擾和有椒鹽噪聲干擾兩種情況下，分別使用傳統模板匹配算法和基于紋理特征匹配方法對圖像模板匹配精準度進行對比分析。

4.2.1 無椒鹽噪聲干擾

在無椒鹽噪聲干擾環境下，使用兩種方法分析圖像模板匹配精準度，結果如表1所示。

表1 無椒鹽噪聲干擾下兩種方法匹配精準度對比分析

由表1可知，傳統模板匹配算法的圖像模板匹配精準度在60%左右波動，而基于紋理特征匹配方法的圖像模板匹配精準度始終保持在95%以上，說明在該環境下，所研究方法的圖像模板匹配精準度較高。

4.2.2 有椒鹽噪聲干擾

在該環境下，使用兩種方法分析圖像模板匹配精準度，結果如圖7所示。

由圖7可知，在3 種噪聲密度下，傳統方法的圖像模板匹配精準度較低，始終低于50%，而基于紋理特征匹配方法不會受到噪聲干擾，圖像模板匹配精準度較高，始終高于75%，說明在該環境下，所研究方法的圖像模板匹配精準度較高。

圖7 椒鹽噪聲干擾下兩種方法匹配精準度對比分析

5 結束語

結合紋理特征，匹配網絡多媒體圖像模板，解決了實時處理困難和模板漂移等問題。為減少椒鹽噪聲干擾問題的出現，采用最優匹配值來分析目標圖像和模板圖像之間的匹配情況。盡管已取得了一些進展，但仍然存在許多問題有待解決，尤其是如何提高紋理分析在復雜環境下的精度和魯棒性，未來將針對該部分內容進行重點研究。