一種新的基于神經(jīng)網(wǎng)絡(luò)的景象匹配算法

李建軍,李 釗,牛 萌,胡禮勇

(1.第二炮兵士官學(xué)校,山東青州262500;2.第二炮兵駐石家莊地區(qū)軍事代表室,河北石家莊050081)

0 引言

景象匹配是飛行器導(dǎo)航和制導(dǎo)中的關(guān)鍵技術(shù)之一,在一飛行器輔助導(dǎo)航、遠程武器或精確制導(dǎo)武器的末制導(dǎo)、圖像目標的搜索與跟蹤等軍事領(lǐng)域具有重要的應(yīng)用價值。目前,人們提出了許多景象匹配區(qū)選取準則和景象匹配算法,但這些算法在應(yīng)用中都遇到了不同程度的難題。尤其是對于實時圖存在旋轉(zhuǎn)變化的匹配問題,傳統(tǒng)的方法匹配精度降低,甚至?xí)霈F(xiàn)誤匹配現(xiàn)象[1-3]。為解決存在角度旋轉(zhuǎn)實時圖像的匹配問題,并且盡可能地提高匹配實時性能,本文提出一種新的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),將實時圖像與基準圖像內(nèi)待匹配區(qū)域的像素按環(huán)形排列,分別作為神經(jīng)網(wǎng)絡(luò)的閾值和輸入,選擇基準圖像內(nèi)與實時圖像相對應(yīng)的各環(huán)差值均較小的區(qū)域中心作為匹配位置。

1 基于神經(jīng)網(wǎng)絡(luò)的景象匹配算法

1.1 BP神經(jīng)網(wǎng)絡(luò)

典型的BP神經(jīng)網(wǎng)絡(luò)為3層網(wǎng)絡(luò)(如圖1所示),包括輸入層、隱含層和輸出層,相鄰層之間結(jié)點通過權(quán)值實現(xiàn)全相連。其學(xué)習(xí)由4個過程組成:輸入層經(jīng)隱含層向輸出層的“正向傳播輸出”過程;網(wǎng)絡(luò)的希望輸出與網(wǎng)絡(luò)實際輸出之差的誤差信號由輸出層經(jīng)隱含層向輸入層逐層修正連接權(quán)的“誤差逆?zhèn)鞑ァ边^程;正向傳播和反向傳播反復(fù)交替進行的網(wǎng)絡(luò)“記憶訓(xùn)練”過程;網(wǎng)絡(luò)趨向收斂的“學(xué)習(xí)收斂”過程[4]。

圖1 3層BP網(wǎng)絡(luò)結(jié)構(gòu)

景象匹配算法是實時圖在基準圖中按一定的準則進行搜索,匹配最好區(qū)域的中心即可認為是目標的中心。由于精確制導(dǎo)武器對圖像處理的實時性要求很高,因此匹配程度衡量的計算量很小才可滿足實時性的要求,利用灰度差的絕對平均值(MAD)衡量2幅圖像的匹配程度就是一種計算量較小的算法。

1.2 平均絕對差算法

設(shè)實時圖Y大小為n×n(n一般為奇數(shù)),那么基準圖(大小為M×N)中同樣大小的基準子圖X與Y的平均絕對差算法(MAD)為[5]:

式中,d為最小處即為匹配點。由上式可見,如果實時圖僅在平面內(nèi)發(fā)生了旋轉(zhuǎn)或是實時圖與基準圖的灰度差異較大,d的值也會隨之增大,不能搜索到正確的匹配點。針對這一缺點,本節(jié)提出一種新的基于像素環(huán)形排列的神經(jīng)網(wǎng)絡(luò)算法。

為降低灰度差異對匹配的影響,匹配前首先要對基準圖和實時圖做去均值處理:

①去除實時圖大小的基準子圖灰度均值,結(jié)果圖為A=X-ˉX,X為實時圖大小的基準子圖原始灰度數(shù)據(jù);X為實時圖大小的基準子圖的原始灰度均值;

②去除實時圖灰度均值,結(jié)果圖為B=Y-ˉY,Y為實時圖的原始灰度數(shù)據(jù);ˉY為實時圖的原始灰度均值。

然后根據(jù)基準圖和實時圖的大小確定基準圖中參與匹配運算的區(qū)域為:

1.3 基于像素環(huán)形排列的神經(jīng)網(wǎng)絡(luò)匹配算法

神經(jīng)網(wǎng)絡(luò)可分為3層:第1層為輸入層,該層的神經(jīng)元即為實時圖的所有像素單元;第2層為隱層,根據(jù)景象匹配的思想,該層神經(jīng)元的激勵函數(shù)可選用式(1)的正態(tài)函數(shù)或式(2)的三角形函數(shù)。隱層第i個神經(jīng)元的激勵函數(shù)記為fi(x):

第3層為輸出層,該層的主要作用為統(tǒng)計圖像匹配的結(jié)果,因此該層的激勵函數(shù)可選正線性函數(shù):

如圖2所示,將實時圖內(nèi)的像素看成是以該幾何中心點為圓心的環(huán)形排列,中心點像素為第1環(huán),向外擴展,第2環(huán)包括8個像素,第3環(huán)包括16個像素……。隱層的神經(jīng)元數(shù)與實時圖的環(huán)數(shù)相同。第i環(huán)的所有像素輸入到隱層中的第i個神經(jīng)元中,經(jīng)該激勵函數(shù)作用后,將所有隱層神經(jīng)元的輸出結(jié)果輸入到輸出層的神經(jīng)元中,所得結(jié)果為該中心點的匹配值。選取基準圖中匹配值最大的點作為與實時圖匹配的匹配位置。圖2給出了實時圖為3×3時的網(wǎng)絡(luò)示意圖,網(wǎng)絡(luò)中共有2環(huán),第1環(huán)的神經(jīng)元輸入到隱層中的第1個神經(jīng)元,第2環(huán)中的所有神經(jīng)元輸入到隱層中的第2個神經(jīng)元。

圖2 基于像素環(huán)形排列的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

假設(shè)網(wǎng)絡(luò)中輸入層共有m環(huán),則隱層中就有m個神經(jīng)元,此時神經(jīng)網(wǎng)絡(luò)的方程可表示為:

式中,zij為輸入層中第i環(huán)的第j個神經(jīng)元的值,即該像素值;uij為實時圖中第i環(huán)的第j個像素值;θi為隱層第i個神經(jīng)元的閾值;xout為神經(jīng)網(wǎng)絡(luò)的輸出,對應(yīng)基準圖中匹配區(qū)域與實時圖的匹配值;yi為隱層第i個神經(jīng)元的輸出。由于不同的環(huán)所具有的像素數(shù)不同,考慮到圖像受到的污染噪聲的分布情況,所以隱層的不同神經(jīng)元的激勵函數(shù)fi(x)的參數(shù)ai的選取可以不同,i越大,則ai可選較大的值。

由上述分析可以看出,本文提出的神經(jīng)網(wǎng)絡(luò)相當于一種權(quán)值只為0或1,激勵函數(shù)選為fi(x)或g(x)的簡化了的多輸入單輸出3層BP神經(jīng)網(wǎng)絡(luò),在各環(huán)像素的累加過程中,對噪聲起到了一定的平均濾波作用,計算量比MAD算法略小,算法對實時圖的平移和旋轉(zhuǎn)運動及與基準圖的不嚴重灰度差異均具有良好的不變性。

2 仿真實驗與結(jié)果分析

實驗用圖基準圖,大小為256×256;實時圖源由基準圖順時針旋轉(zhuǎn)12°加噪聲生成的圖像,模擬實時圖大小為63×63,在實時圖源上隨機截取。從實時圖源中選取6幅63×63大小的模擬實時圖,分別用傳統(tǒng)Nprod算法、MAD算法和本文算法在基準圖中進行全場相關(guān)匹配,計算結(jié)果如表1所示。

表1 不同匹配算法計算性能比較

從表1可以看出,對于實時圖存在較大的角度旋轉(zhuǎn)與噪聲的圖像匹配,傳統(tǒng)Npod算法雖然具有一定的抑制作用,但是匹配結(jié)果與實際匹配位置存在一定的誤差,算法的匹配效果較差,MAD算法的匹配效果最差,在多處位置出現(xiàn)匹配誤差,甚至出現(xiàn)誤匹配;本文算法由于實時圖匹配之前進行了去灰度均值處理,因而對基準圖的不嚴重灰度差異具有良好的抑制作用;該方法設(shè)計的網(wǎng)絡(luò)輸入層具有環(huán)形結(jié)構(gòu),因此該算法對實時圖的平移和旋轉(zhuǎn)運動都具有良好的不變性,從而克服了MAD算法僅對實時圖像平移具有不變性的缺點,因此,在所有匹配位置上都能實現(xiàn)準確匹配,對于旋轉(zhuǎn)圖像匹配具有良好的不變性。在匹配計算所需的時間上,本文算法在基準圖各點進行匹配過程中,實時圖各環(huán)只需要進行一次加法計算,而不需要每次匹配都重新對實時圖各環(huán)再進行加法計算,效率略優(yōu)于MAD算法,速度比傳統(tǒng)Nprod算法提高5倍以上。

3 結(jié)束語

對利用BP神經(jīng)網(wǎng)絡(luò)進行景象匹配的理論、方法進行了研究,介紹了BP神經(jīng)網(wǎng)絡(luò)基本理論,為解決實時圖存在旋轉(zhuǎn)變化的匹配問題,提出一種新的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。將實時圖與對應(yīng)基準圖相應(yīng)區(qū)域內(nèi)的像素按環(huán)形排列,分別作為神經(jīng)網(wǎng)絡(luò)的輸入和閾值,選擇實時圖與對應(yīng)基準圖相應(yīng)區(qū)域的各環(huán)差值均較小的位置作為匹配結(jié)果。實驗表明該方法對于實時圖的平移和旋轉(zhuǎn)均具有良好的不變性,同時,算法計算量比MAD算法略小,提高了景象匹配算法的實時性能。

[1]段輝明,衛(wèi) 東,葛成輝,等.遙感圖像與地理坐標匹配的快速算法[J].中國圖像圖形學(xué)報,2004,9(1):87-92.

[2]雷 琳,蔣詠梅,匡綱要.一種基于圖像分類的遙感圖像配準方法[J].國防科技大學(xué)學(xué)報,2004,26(2):35-40.

[3]MUSSE O,HEITZ F,ARMSPACH J.Topology Preserving Deformable Image Matching Using Constrained Hierachical Parametric Models[J].IEEE Trans.Image Process,2001,10(6):1081-1093.

[4]袁曾任.人工神經(jīng)元網(wǎng)絡(luò)及其應(yīng)用[M].北京:清華大學(xué)出版社,1999.

[5]OLSON C F,HUTTENLOCHER DP.AutomaticTarget Recognition by Matching Oriented Edge Pixels[J].IEEE Transactions on Image Processing,1997,6(1):103-113.