一种融合局部与全局信息的距离约束角点匹配算法
开篇：润墨网以专业的文秘视角，为您筛选了一篇一种融合局部与全局信息的距离约束角点匹配算法范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
摘 要:图像匹配技术在众多领域中都有重要应用。针对既有平移又有旋转的情形,提出了基于距离约束的角点匹配方法,首先利用角点值进行匹配点对的粗选,然后利用局部角点间距离及全局角点间距离结合进行匹配点对的选取。实验结果表明,该方法可以实现无误匹配的匹配点对,准确性高,对噪声具有一定鲁棒性,且由于匹配过程中主要利用两点间的距离关系,而不需要进行复杂的运算,所以匹配时间大幅减少,在现实中有一定的实用性。
关键词:特征点提取;角点匹配;旋转不变;距离约束;图像拼接
中图分类号: TP391
文献标志码:A
Corner matching method of constraints of
distance combining local and global information
WU Ensheng, ZHU Minchen
College of Mathematics and Computer Science, Fuzhou University, Fuzhou Fujian 350002, China
)
Abstract: Image matching technology has important applications in many fields. A corner matching method of the constraints of distance was proposed to solve the rotation and translation problem between two images. Firstly the values of corners were utilized to achieve coarse matching election, and then the local and global distance between the corners was combined to select the matching corners. The experimental results show that the methods can achieve accurate matching of no unmatched conners with high accuracy, certain robustness to noise, and as a result of the main use of the distance relationship between two corners without complex calculations in the matching process, so it achieves a substantial reduction in matching time, and also has the practical value.
Key words: console point extraction; corner matching; rotation invariant; distance constrain; image mosaic
0 引言
图像匹配技术是将不同传感器在不同时间和成像条件下对同一景物获取的两幅或多幅图像在空间上进行校准。目前主要有基于区域的方法[1-2]和基于特征的方法[3-4]。基于区域的方法直接利用图像的灰度信息,不适合辐射失真较大和多源图像之间的配准,且计算量较大。而特征匹配对光照具有很好的鲁棒性,匹配精度高,速度快,在视觉导航、目标识别及图像拼接等方面具有十分重要的意义。目前研究的主要方向是基于特征的匹配方法。
基于特征匹配的方法中具有代表性的相关的匹配方法[5]对光强不敏感,一定条件下匹配精度高,但是运算量很大,对图像质量要求高,而且不能处理图像既有平移又有角度旋转。另外有采用3个特征点反复进行空间匹配以及插值的方法[6],但只能处理最多15°旋转。Lowe的SIFT匹配算法[7]有着优良的鲁棒性和准确性,且能得到大量的匹配点对,可以用于大旋转和平移的图像,但由于构造了128维特征进行匹配,匹配速度慢。文献[8]提出的基于旋转不变的角点匹配方法,将灰度相关法引入到旋转的匹配中,能实现较高的匹配率,但抗干扰能力有限,且匹配速度较SIFT方法没有明显改善。文献[9]提出的旋转不变的方法简单可行,匹配速度快,但匹配准确率不够,特别图像存在较多相似局部特征时,匹配容易失败。在匹配过程中,单纯使用局部特征进行匹配,它能够剔除部分误匹配点对(本文将错误匹配点对和角点定位偏差过大的正确匹配点对统称为误匹配点对),但由于局部特征的相似性,使得去除误匹配点对数有限,容易导致算法失败。故匹配算法需要利用全局信息与局部信息结合,才能获得令人满意的效果。
针对以上问题,本文提出的融合局部与全局信息的距离约束角点匹配方法,首先利用角点值进行匹配点对的粗选,然后利用局部角点间距离约束及全局角点间距离约束结合进行匹配点对的筛选,将局部信息与全局信息有机的相结合。本文方法能实现无误匹配的匹配点对,并具有一定的抗干扰性。且由于匹配过程中主要根据点到点的距离,计算简单,不需要进行相关性等复杂的运算,所以匹配速度快,可以满足要求速度快的既有平移又有旋转的拼接等领域的要求。另外本文基于全局距离约束匹配可以作为其他针对平移旋转的特征匹配算法的最后精匹配筛选,它快速准确,能实现匹配点对的无误匹配。例如在LOWE算法之后加入全局距离约束匹配过程。
1 候选点的选取[8]
基于特征点的匹配方法一般经过三个过程:1)特征点提取;2)对特征点进行描述;3)利用特征点描述进行特征匹配。特征点提取结果直接影响着后续特征匹配的过程,选择好的提取算法是实现匹配成功的保证。本文采用Harris[10]进行角点检测,并对两幅待拼接图像使用相同的特征阈值提取角点,特征阈值的选择要使得特征点分布相对均匀,而不至于分布过密或过稀疏,通常需要多次实验取得,本文取5B500。
在理想情况下,假设有一匹配点对(ai,a′r),则它们的角点值R(ai),R(a′r)相等。所以可以利用角点的角点值对特征点集进行粗匹配。但由于在图像获取过程中,经常可能受光线、噪声等因素影响,所以在粗匹配时需要设置一个允许的阈值。使用式(1)筛选候选点对:
|R(ai)-R(a′r)|≤ε(1)
其中Е弄为允许阈值,可根据图像质量和光照等进行适当调节。
г诘玫降暮蜓∑ヅ涞愣灾,参考图像点集A与配准图像点集A′中的角点绝大多数不是一对一的关系,而是多对多的关系。其中匹配点对中点集A的点有三部分:一部分是不在两张图像重叠区域中的点;另一部分是点在重叠区域,但是在A′中不存在相匹配的点;第三部分是可以在A′中找到匹配的点。匹配算法要解决的问题是找到第三部分的点,并找到A′中唯一匹配的点。经过粗匹配后含有数量庞大的误匹配点对,必须进行进一步的筛选。オ
2 基于距离约束的匹配
文献[8]匹配算法第三步利用基于局部距离约束的匹配,能剔除大量的误匹配点对,但由于该步骤将一对一的匹配点对当成候选匹配点对,需设置很小的向量阈值,否则匹配点对大部分是多对多的关系,会导致匹配失败,这样抗噪性能有限,且图像质量要求高。本文采用对向量的各维比较过程设置阈值,而不使用向量之间的欧氏距离,这样更能符合正确匹配点的特征,可以更好地剔除误匹配点对和保留正确的匹配点对。另外,文中第四步全局筛选不能很有效地将误匹配点剔除。文献[11]整体算法适用于图像间存在平移而不旋转的匹配,匹配速度快,该算法中用全局距离约束对候选点对进行筛选可以实现无误匹配点对,但要求前一步候选点对含有大多数的正确匹配点对,且候选点对要求是一对一的关系。由于这些问题使得该算法应用范围大大受限。本文提出的全局距离约束可以用于候选点对含有部分正确匹配点对,且候选点对是多对多的关系,并且能实现匹配点对的无误匹配,这样可以放宽前一步基于局部距离约束的匹配过程的向量约束条件,从而增强整个匹配算法的抗噪性。最后本文将基于局部距离约束与全局距离约束相结合实现匹配。
图片
图2 角点值范围阈值Е弄в肫ヅ涞闶、匹配时间关系
实验中Е弄У娜≈等【鲇诹秸磐枷竦闹柿,光照等因素,从图2可以得出,在一定范围内, Е弄У脑黾踊崾沟米钪盏玫降钠ヅ涞愣栽黾,随之匹配时间会有相应增加, 而匹配率不会发生变化,在增加到一定数量时达到稳定。而Е弄取太小将使大部分准确匹配点对在第一步骤就剔除,结果导致实验失败。在本文对比实验中Е弄全部取6B000。旋转15°的匹配结果如图3,4。
图片
图3 本文算法匹配结果
图片
图4 LOWE算法匹配结果
从实验匹配结果图可以看出,本文算法提取出的匹配点对分布合理,且无误匹配点对。而LOWE方法提取出的匹配点对含有部分的误匹配点对,主要分布在楼房左边,这是由于房间外部局部特征比较相似。另外LOWE提取出数量众多的匹配点对,而本文方法明显数量少。这是由于一方面LOWE方法提取了数量众多的精确度高的角点,另一方面是LOWE方法利用128维特征很好描述了角点特征,当然这也使得算法运算量增大;而本文方法利用Harris角点值和邻域距离约束描述角点特征,描述简单,使得获得的匹配点对数量少,相应的匹配过程时间大幅减少。虽然本文方法提取的匹配点对数量较LOWE方法略少,但在大多数情况下,特别针对大幅图像时,由于算法的高匹配率,提取的匹配点对可以满足需要。
4 结语
基于特征的图像拼接过程中,图像间特征点的准确配对是难点之一。本文解决了存在旋转平移关系的图像间的特征点匹配,并且对噪声具有一定鲁棒性,匹配速度快,具有一定的实用价值。算法首先利用角点值进行匹配点的粗选,然后利用局部角点间距离及全局角点间距离结合进行匹配点对的选取。实验结果表明,该方法可以实现匹配点对的无误匹配。不足之处在于不能像LOWE算法一样得到数量众多的匹配点对,这也是下一步要改进的地方。
另外本文提出的基于全局距离约束匹配过程可以单独作为其他针对平移旋转的特征匹配算法的最后精匹配筛选,它快速准确,能实现匹配点对的无误匹配。
参考文献:[1] HARTLEY R, GUPTA R.Linear pushbroom cameras[C]// 3rd European Conference on Computer Vision. New York: SpringerVerlag,1994:555-566.
[2] 李志刚.边界重叠图像的一种快速拼接算法[J].计算机工程,2000,26(5):37-38.
[3] CHALECHALE A,NAGHDY G,MERTINS A. Sketchbased image matching using angular partitioning systems [J] . IEEE Transactions on Man and Cybernetics, 2005,35(1):28-41.
[4] ZHU Q, WU B, XU Z. Seed point selection method for triangle constrained image matching propagation[J] . IEEE Geoscience and Remote Sensing Letters, 2006, 3(2): 207-211.
[5] FAUGERAS O. Realtime correlationbased stereo: Algorithm, implementations and applications [EB/OL].[2009-05-20]. ftp://ftp.inria.fr/INRIA/publication/publipdf/RR/RR2013.pdf.
[6] DANI P,CHADHURI S. Automated assembling of images: Image montage preparation [J]. Pattern Recognition, 1999, 28(3): 431-445.
[7] LOWE D G. Distinctive image features from scaleinvariant keypoints [J]. International Journal of Computer Vision, 2004,60(2):91-110.
[8] 庄志国, 孙惠军,董继扬,等.基于角点检测的图像匹配算法及其在图像拼接中的应用[J].厦门大学学报,2007,46(4):501-505.
[9] 李海超,张广军.基于旋转不变的角点匹配方法[J].红外与激光工程,2008,37(3):561-564.
[10] HARRIS C G, STEPHEN M.A combined corner and edge detector[EB/OL].[2009-05-20]. www.csse.uwa.edu.au/~pk/Research/MatlabFns/Spatial/Docs/Harris/A_Combined_Corner_and_Edge_Detector.pdf.
[11] 胡明昊,任明武,杨静宇.一种快速实用的特征点匹配算法[J].计算机工程,2004,30(9):31-33.
[12] TORDOFF B J, MURRAY D W.GuidedMLESAC: Faster image transform estimation by using matching priors[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2005,27(10): 1523-1533.