采用圖像增強(qiáng)的圖像特征點(diǎn)匹配算法

黃超

（棗莊學(xué)院 信息科學(xué)與工程學(xué)院，山東 棗莊277160）

圖像特征匹配［1－4］的目的是在同一場(chǎng)景的圖像中找到相應(yīng)的特征，如點(diǎn)特征或線(xiàn)特征［5－6］.由于成像條件的影響，采集圖像的同一區(qū)域，不僅在不同情境的表觀(guān)不同，而且圖像的對(duì)應(yīng)區(qū)域之間存在射影畸變［7－8］.此時(shí)，對(duì)圖像進(jìn)行特征點(diǎn)的提取和匹配，其準(zhǔn)確性會(huì)受到嚴(yán)重影響.針對(duì)此問(wèn)題，可以對(duì)圖像采取前期的預(yù)處理，去除圖像中的無(wú)關(guān)信息，恢復(fù)圖像中的真實(shí)信息，使圖像的信息便于檢測(cè)，從而增強(qiáng)圖像的質(zhì)量.這種預(yù)處理也使特征提取、匹配和識(shí)別的可靠性得到了提高.本文提出了利用直方圖均衡化、基于照明－反射模型的同態(tài)濾波和基于Retinex理論的增強(qiáng)方法對(duì)收集到的圖像進(jìn)行預(yù)處理，再對(duì)預(yù)處理后的圖像應(yīng)用尺度不變特征轉(zhuǎn)換（SIFT）算法［9］，加速健壯特征（SURF）算法［10］和仿射－尺度不變特征轉(zhuǎn)換（ASIFT）［11］算法進(jìn)行圖像特征提取和匹配.

1 圖像增強(qiáng)的預(yù)處理結(jié)果分析

1.1 直方圖均衡化

直方圖均衡化是一個(gè)非線(xiàn)性處理過(guò)程，也是一種使用圖像直方圖進(jìn)行對(duì)比度調(diào)節(jié)的方法，其目的是獲得更開(kāi)闊和更均勻的分布.通過(guò)使用更適應(yīng)人類(lèi)視覺(jué)分析的方法，使較低對(duì)比度的區(qū)域獲得更高的對(duì)比度，從而增強(qiáng)圖像的亮度，該方法適用于圖像呈現(xiàn)出非常緊湊的像素對(duì)比度的情況［12－13］.通過(guò)這種調(diào)節(jié)，圖像像素灰度會(huì)在直方圖上有一個(gè)比度.直方圖均衡化的實(shí)現(xiàn)依賴(lài)于能夠?qū)⒆畛Ｓ玫南袼鼗叶戎捣植歼M(jìn)行有效擴(kuò)展的方案，利用多個(gè)直方圖完成局部對(duì)比度的調(diào)節(jié)而不是完成整體對(duì)比度的調(diào)節(jié)，是自適應(yīng)直方圖均衡化，以實(shí)現(xiàn)圖像局部對(duì)比度的調(diào)節(jié).

圖像直方圖均衡化處理的結(jié)果，如圖1所示.由圖1可知：從處理效果來(lái)看，圖像對(duì)比度明顯得到增強(qiáng)，處理后的圖像灰度分布更均勻，可以獲得滿(mǎn)意的圖像效果.利用圖像的頻率信息，將圖像的高頻部分與低頻部分分離，使圖像在保留較多原始灰度圖像分布的同時(shí)，達(dá)到更有吸引力的平衡.根據(jù)直方圖均衡化算法和調(diào)用Matlab中的Histeq函數(shù)處理，可以看出圖像的效果非常近似.

1.2 基于照明-反射模型的同態(tài)濾波

基于照明－反射模型的同態(tài)濾波原理是通過(guò)濾波函數(shù)估算圖像的低頻或高頻成分，增強(qiáng)圖像局部對(duì)比度，同時(shí)壓縮圖像動(dòng)態(tài)范圍［14］.圖像上照明不均的問(wèn)題得以排除，進(jìn)而對(duì)圖像灰度范圍加以調(diào)整，暗區(qū)域的圖像細(xì)節(jié)得到了增強(qiáng)，圖像亮區(qū)的圖像細(xì)節(jié)也得到了保存，這便是應(yīng)用濾波的目的.

圖1 圖像直方圖均衡化預(yù)處理結(jié)果Fig.1 Image histogram equalization preprocessing results

圖像I（x，y）表達(dá)式為

式中：L（x，y）為照明分量，描述了景物的照明，與景物無(wú)關(guān)，0＜L（x，y）＜∞；R（x，y）為反射分量，包括了目標(biāo)的細(xì)節(jié)，它與照明無(wú)關(guān)，0＜R（x，y）＜1.

同態(tài)濾波的流程為I（x，y）→logI→DFT→H（u，v）→（DFT）－1→exp→O（x，y）.式中：logI為對(duì)I取對(duì)數(shù)；DFT 為對(duì)數(shù)據(jù)作傅里葉變換；H（u，v）為對(duì)數(shù)據(jù)進(jìn)行濾波；（DFT）－1為對(duì)數(shù)據(jù)作反傅里葉變換；exp為對(duì)數(shù)據(jù)作指數(shù)變換；O（x，y）為處理后的圖像數(shù)據(jù).

應(yīng)用圖像增強(qiáng)方法對(duì)圖像進(jìn)行預(yù)處理的結(jié)果，如圖2所示.由圖2可知：同態(tài)濾波器能增加圖像高頻的貢獻(xiàn)，消減圖像低頻的貢獻(xiàn)；同時(shí)，完成動(dòng)態(tài)范圍的壓縮和對(duì)比度的增強(qiáng).顯然，經(jīng)同態(tài)濾波預(yù)處理后，圖像的視覺(jué)效果明顯優(yōu)于原圖像，而且圖像細(xì)節(jié)更清晰.

圖2 圖像同態(tài)濾波的預(yù)處理結(jié)果Fig.2 Preprocessing results of image homomorphism filtering

1.3 基于Retinex理論

由Retinex算法的原理可知：在不同光源或光線(xiàn)下，相同物體的顏色是恒定不變的.圖像I（x，y）被分解為物體的反射圖像R（x，y）和亮度圖像L（x，y）.圖像的內(nèi)在性質(zhì)由R（x，y）決定，圖像像素的動(dòng)態(tài)范圍由L（x，y）決定.物體的反射性質(zhì)需要從圖像I（x，y）中取得.通過(guò)降低亮度圖像對(duì)反射圖像的影響，達(dá)到圖像增強(qiáng)的目的.

為了便于算法的計(jì)算，對(duì)公式進(jìn)行對(duì)數(shù)處理.對(duì)數(shù)處理有2個(gè)優(yōu)點(diǎn)：1）對(duì)數(shù)形式，更靠近于人眼亮度的感知能力；2）可以將復(fù)雜的乘積形式變?yōu)楹?jiǎn)單的加減形式.即logI（x，y）＝log（R（x，y）·L（x，y））＝logR（x，y）＋logL（x，y）.記i（x，y）＝r（x，y）＋l（x，y）.由此可以得到增強(qiáng)模型為

式中：G（x，y）為低通卷積函數(shù)，作用是從輸入圖像中估計(jì)亮度圖像L（x，y）.同時(shí)，對(duì)輸入圖像局部進(jìn)行處理而采用高斯卷積函數(shù)，采用此函數(shù)又能更好地增強(qiáng)圖像.是尺度常量.c的值越小，圖像灰度動(dòng)態(tài)范圍被壓縮的越多；相反，c的值越大，圖像將被銳化的越厲害.λ是常量矩陣，使得，進(jìn)而得到R（x，y），從而得到了增強(qiáng)后的圖像.

Retinex算法實(shí)質(zhì)上是一種基于光照補(bǔ)償?shù)膱D像增強(qiáng)算法，其核心部分是照射分量估計(jì).它能夠?qū)⒃瓐D像中的絕大多數(shù)細(xì)節(jié)信息還原，同時(shí)還避免了由直方圖均衡化算法造成的兩極分化趨勢(shì)，增強(qiáng)后圖像的畫(huà)質(zhì)較為柔和，圖像在視覺(jué)效果上變得更好.Retinex算法不僅能使動(dòng)態(tài)范圍得以壓縮，圖像的邊緣也得到增強(qiáng)，達(dá)到了相互協(xié)調(diào)，同時(shí)還保持了原圖像顏色的恒定性.此外，Retinex算法還克服了多種增強(qiáng)方法的綜合應(yīng)用，導(dǎo)致圖像增強(qiáng)效果產(chǎn)生此消彼長(zhǎng)的不足.

應(yīng)用基于Retinex理論的增強(qiáng)方法處理圖像的結(jié)果，如圖3所示.由圖3可知：圖像的光照得到了補(bǔ)償，增強(qiáng)后的圖像視覺(jué)效果較好.利用算法中光照補(bǔ)償方法，完成了原圖像的反射圖像的逼近.

圖3 圖像Retinex方法預(yù)處理結(jié)果Fig.3 Image Retinex method preprocessing results

2 基于增強(qiáng)圖像的特征匹配

針對(duì)圖像模糊引起圖像質(zhì)量較差的視覺(jué)效果，應(yīng)用文中方法進(jìn)行實(shí)驗(yàn).以A 圖像作為參考圖像，其余的5副圖像作為待匹配圖像，如圖4所示.由圖4可以看出：圖像的視覺(jué)效果從A 圖像到F圖像逐漸變得模糊.

將圖4中的A 圖像分別與B，C，D，E和F圖像配成對(duì)，對(duì)應(yīng)得到的實(shí)驗(yàn)結(jié)果，如表1～5所示.由表1～5可知：圖像經(jīng)直方圖均衡化處理后，再進(jìn)行圖像的特征點(diǎn)提取和匹配時(shí)，得到圖像正確的匹配點(diǎn)數(shù)明顯比未處理前的圖像有所增加，尤其是ASIFT 算法匹配的特征點(diǎn)變化相當(dāng)明顯；其次，SURF算法較SIFT 算法匹配的特征點(diǎn)數(shù)目變化更顯著.經(jīng)過(guò)同態(tài)濾波預(yù)處理的圖像匹配的特征點(diǎn)數(shù)目，與未處理圖像特征點(diǎn)匹配點(diǎn)數(shù)沒(méi)有明顯的變化.

圖4 待匹配的模糊圖像Fig.4 Fuzzy image

表1 模糊圖像A 和B的特征點(diǎn)匹配表Tab.1 Feature points matching table of fuzzy image A and B

表2 模糊圖像A 和C對(duì)的特征點(diǎn)匹配表Tab.2 Feature points matching table of fuzzy image A and C

表3 模糊圖像A 和D 對(duì)的特征點(diǎn)匹配表Tab.3 Feature points matching table of fuzzy image A and D

表4 模糊圖像A 和E對(duì)的特征點(diǎn)匹配表Tab.4 Feature points matching table of fuzzy image A and E

表5 模糊圖像對(duì)A 和F特征點(diǎn)匹配表Tab.5 Feature points matching table of fuzzy image A and F

圖5 模糊圖像特征點(diǎn)的匹配率Fig.5 Matching rate of fuzzy image

模糊圖像SIFT 算法、SURF 算法和ASIFT 算法的匹配率（η），如圖5所示.由圖5 可知：經(jīng)直方圖均衡化處理的圖像，用SURF算法提取的圖像特征點(diǎn)匹配率較高；同態(tài)濾波預(yù)處理圖像的方法，經(jīng)SIFT 算法提取圖像特征點(diǎn)的匹配率較高.

3 結(jié)束語(yǔ)

詳細(xì)研究3種圖像增強(qiáng)的方法，并通過(guò)實(shí)驗(yàn)實(shí)現(xiàn)了3種方法的圖像增強(qiáng)，提高了圖像特征點(diǎn)匹配數(shù)目.經(jīng)過(guò)實(shí)驗(yàn)分析，與未進(jìn)行增強(qiáng)處理的圖像相比，文中方法處理的圖像特征點(diǎn)數(shù)目有較明顯地提高，驗(yàn)證了文中提出的方法是有效的.

［1］HARRIS C，STEPHENS M.A combined corner and edge detector［C］∥Proceedings of the 4th Alvey Vision Conference.Manchester：Springer，1988：147－151.

［2］WANG Xin－jing，ZHANG Lei，LIU Ming，et al.Arista－image search to annotation on billions of web photos［C］∥IEEE Conference on Computer Vision and Pattern Recognition.San Francisco：IEEE Press，2010：2987－2994.

［3］HIRSCHMüLLER H，SCHARSTEIN D.Evaluation of stereo matching costs on images with radiometric differences［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2009，31（9）：1582－1599.

［4］CHENG Liang，GONG Jian－ya，LI Man－chun，et al.3Dbuilding model reconstruction from multi－view aerial imagery and lidar data［J］.Photogramm Eng Remote Sens，2011，77（2）：125－139.

［5］FREEMAN W，ADELSON E.The design and use of steerable filers［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，1991，13（9）：891－960.

［6］GOOL V L，MOONS T，UNGUREANU D.Affine／photometric invariants for planar intensity patterns［C］∥4th European Conference on Computer Vision.Cambridge：Springer，1996：642－651.

［7］SCHAFFALITZKY F，ZISSERMAN A.Multi－view matching for unordered image sets［C］∥7th European Conference on Computer Vision Copenhagen.Copenhagen：Springer，2002：414－431.

［8］BELONGIE S，MALIK J，PUZICHA J.Shape matching and object recognition using shape contexts［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24（4）：509－522.

［9］LOWE D G.Distinctive image features from scale－invariant key points［J］.International Journal of Computer Vision，2004，60（2）：91－110.

［10］BAY H，TUYTELAARS T，GOOL L.SURF：Speeded up robust features［J］.Computer Vision and Image Understanding，2008，110（3）：346－359.

［11］MOREL J，YU Guo－shen.ASIFT：A new framework for fully affine invariant image comparison［J］.SIAM Journal on Imaging Sciences，2009，2（2）：438－469.

［12］SZELISKI R.Computer vision：Algorithms and applications［M］.北京：清華大學(xué)出版社，2012：94－112.

［13］GONZALEZ R C，WOOD R E.Digital image processing［M］.3rd ed.北京：電子工業(yè)出版社，2011：55－80.

［14］梁琳，何衛(wèi)平，雷蕾，等.光照不均圖像增強(qiáng)方法綜述［J］.計(jì)算機(jī)應(yīng)用研究，2010，27（5）：1625－1628.