采用圖像增強的圖像特征點匹配算法

黃超

（棗莊學院 信息科學與工程學院，山東 棗莊277160）

圖像特征匹配［1－4］的目的是在同一場景的圖像中找到相應的特征，如點特征或線特征［5－6］.由于成像條件的影響，采集圖像的同一區域，不僅在不同情境的表觀不同，而且圖像的對應區域之間存在射影畸變［7－8］.此時，對圖像進行特征點的提取和匹配，其準確性會受到嚴重影響.針對此問題，可以對圖像采取前期的預處理，去除圖像中的無關信息，恢復圖像中的真實信息，使圖像的信息便于檢測，從而增強圖像的質量.這種預處理也使特征提取、匹配和識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－反射模型的同態濾波和基于Retinex理論的增強方法對收集到的圖像進行預處理，再對預處理后的圖像應用尺度不變特征轉換（SIFT）算法［9］，加速健壯特征（SURF）算法［10］和仿射－尺度不變特征轉換（ASIFT）［11］算法進行圖像特征提取和匹配.

1 圖像增強的預處理結果分析

1.1 直方圖均衡化

直方圖均衡化是一個非線性處理過程，也是一種使用圖像直方圖進行對比度調節的方法，其目的是獲得更開闊和更均勻的分布.通過使用更適應人類視覺分析的方法，使較低對比度的區域獲得更高的對比度，從而增強圖像的亮度，該方法適用于圖像呈現出非常緊湊的像素對比度的情況［12－13］.通過這種調節，圖像像素灰度會在直方圖上有一個比度.直方圖均衡化的實現依賴于能夠將最常用的像素灰度值分布進行有效擴展的方案，利用多個直方圖完成局部對比度的調節而不是完成整體對比度的調節，是自適應直方圖均衡化，以實現圖像局部對比度的調節.

圖像直方圖均衡化處理的結果，如圖1所示.由圖1可知：從處理效果來看，圖像對比度明顯得到增強，處理后的圖像灰度分布更均勻，可以獲得滿意的圖像效果.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，達到更有吸引力的平衡.根據直方圖均衡化算法和調用Matlab中的Histeq函數處理，可以看出圖像的效果非常近似.

1.2 基于照明-反射模型的同態濾波

基于照明－反射模型的同態濾波原理是通過濾波函數估算圖像的低頻或高頻成分，增強圖像局部對比度，同時壓縮圖像動態范圍［14］.圖像上照明不均的問題得以排除，進而對圖像灰度范圍加以調整，暗區域的圖像細節得到了增強，圖像亮區的圖像細節也得到了保存，這便是應用濾波的目的.

圖1 圖像直方圖均衡化預處理結果Fig.1 Image histogram equalization preprocessing results

圖像I（x，y）表達式為

式中：L（x，y）為照明分量，描述了景物的照明，與景物無關，0＜L（x，y）＜∞；R（x，y）為反射分量，包括了目標的細節，它與照明無關，0＜R（x，y）＜1.

同態濾波的流程為I（x，y）→logI→DFT→H（u，v）→（DFT）－1→exp→O（x，y）.式中：logI為對I取對數；DFT 為對數據作傅里葉變換；H（u，v）為對數據進行濾波；（DFT）－1為對數據作反傅里葉變換；exp為對數據作指數變換；O（x，y）為處理后的圖像數據.

應用圖像增強方法對圖像進行預處理的結果，如圖2所示.由圖2可知：同態濾波器能增加圖像高頻的貢獻，消減圖像低頻的貢獻；同時，完成動態范圍的壓縮和對比度的增強.顯然，經同態濾波預處理后，圖像的視覺效果明顯優于原圖像，而且圖像細節更清晰.

圖2 圖像同態濾波的預處理結果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）.圖像的內在性質由R（x，y）決定，圖像像素的動態范圍由L（x，y）決定.物體的反射性質需要從圖像I（x，y）中取得.通過降低亮度圖像對反射圖像的影響，達到圖像增強的目的.

為了便于算法的計算，對公式進行對數處理.對數處理有2個優點：1）對數形式，更靠近于人眼亮度的感知能力；2）可以將復雜的乘積形式變為簡單的加減形式.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）.由此可以得到增強模型為

式中：G（x，y）為低通卷積函數，作用是從輸入圖像中估計亮度圖像L（x，y）.同時，對輸入圖像局部進行處理而采用高斯卷積函數，采用此函數又能更好地增強圖像.是尺度常量.c的值越小，圖像灰度動態范圍被壓縮的越多；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，進而得到R（x，y），從而得到了增強后的圖像.

Retinex算法實質上是一種基于光照補償的圖像增強算法，其核心部分是照射分量估計.它能夠將原圖像中的絕大多數細節信息還原，同時還避免了由直方圖均衡化算法造成的兩極分化趨勢，增強后圖像的畫質較為柔和，圖像在視覺效果上變得更好.Retinex算法不僅能使動態范圍得以壓縮，圖像的邊緣也得到增強，達到了相互協調，同時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方法的綜合應用，導致圖像增強效果產生此消彼長的不足.

應用基于Retinex理論的增強方法處理圖像的結果，如圖3所示.由圖3可知：圖像的光照得到了補償，增強后的圖像視覺效果較好.利用算法中光照補償方法，完成了原圖像的反射圖像的逼近.

圖3 圖像Retinex方法預處理結果Fig.3 Image Retinex method preprocessing results

2 基于增強圖像的特征匹配

針對圖像模糊引起圖像質量較差的視覺效果，應用文中方法進行實驗.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，對應得到的實驗結果，如表1～5所示.由表1～5可知：圖像經直方圖均衡化處理后，再進行圖像的特征點提取和匹配時，得到圖像正確的匹配點數明顯比未處理前的圖像有所增加，尤其是ASIFT 算法匹配的特征點變化相當明顯；其次，SURF算法較SIFT 算法匹配的特征點數目變化更顯著.經過同態濾波預處理的圖像匹配的特征點數目，與未處理圖像特征點匹配點數沒有明顯的變化.

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對的特征點匹配表Tab.2 Feature points matching table of fuzzy image A and C

表3 模糊圖像A 和D 對的特征點匹配表Tab.3 Feature points matching table of fuzzy image A and D

表4 模糊圖像A 和E對的特征點匹配表Tab.4 Feature points matching table of fuzzy image A and E

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

圖5 模糊圖像特征點的匹配率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：經直方圖均衡化處理的圖像，用SURF算法提取的圖像特征點匹配率較高；同態濾波預處理圖像的方法，經SIFT 算法提取圖像特征點的匹配率較高.

3 結束語

詳細研究3種圖像增強的方法，并通過實驗實現了3種方法的圖像增強，提高了圖像特征點匹配數目.經過實驗分析，與未進行增強處理的圖像相比，文中方法處理的圖像特征點數目有較明顯地提高，驗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：電子工業出版社，2011：55－80.

［14］梁琳，何衛平，雷蕾，等.光照不均圖像增強方法綜述［J］.計算機應用研究，2010，27（5）：1625－1628.