基于共線梯度特征和結構化輸出的異譜圖像匹配算法

方智文

【摘 要】本文提出了一種基于共線梯度特征（collinear gradient-enhanced coding， CGEC）和結構化輸出的異譜圖像匹配算法。首先通過共線梯度特征對異譜圖像進行特征圖像轉換，獲得具有相似結構信息的特征圖；接著，在特征圖上進行關鍵點的提取，以得到較多的同名點；最后，綜合關鍵點的特征向量和關鍵點之間的結構信息，采用優化的方法計算得到最優的轉換關系。實驗結果表明，本文方法更好的獲取了關鍵點的匹配結果。

【關鍵詞】異譜圖像匹配；共線梯度特征；結構化輸出；關鍵點

【Abstract】A multi-spectral image matching algorithm based on collinear gradient-enhanced coding （CGEC） and structure output is proposed. First， the similar structure feature maps are obtained from the multi-spectral images through collinear gradient-enhanced coding. Secondly， the key points are extracted on the structure feature maps in order to get more valid point-pairs. Lastly， combining with the feature vector and structure information， we use the optimization algorithm to obtain the best transformation. The experiment result demonstrates that our method achieves better result.

【Key words】Multi-spectral image matching； Collinear gradient-enhanced coding（CGEC）； Structure output； Key points

圖像匹配是機器視覺領域的關鍵技術之一，被廣泛的用于醫學圖像、遙感圖像、機器人視覺、導航等領域[1-3]。異譜圖像匹配是指針對不同譜段下獲取的兩張或多張圖像，找到圖像間的空間變換，建立圖像間的對應關系。異譜圖像因其局部特征的顯著差異，大大增加了異譜圖像之間的匹配難度。傳統的點匹配方法，如尺度不變特征變換描述子（scale-invariant， SIFT）[4]，高速魯棒描述子（speeded up robust features， SURF）[5]，二值魯棒獨立元素描述子（binary robust independent elementary features， BRIEF）[6]等，均不能很好解決異譜圖像的局部特征差異大的問題。本文采用共線梯度特征和結構化輸出的方法實現異譜圖像對的匹配。

1 生成共線梯度特征圖

文獻[7]提取了共線梯度特征對異譜圖像的結構信息進行描述，有效的提取了異譜圖像之間的相近結構信息。

2 關鍵點提取

文獻[7]在原始異譜圖像上直接提取FAST關鍵點，再進行同名點的匹配。但因異譜圖像在局部特性上的較大差別，導致關鍵點的位置差別較大，如可見光圖像具有豐富的圖像細節，可提取大量的關鍵點，但紅外圖像因熱成像的原理，往往使得多數局部區域細節消失，提出的關鍵點數量非常少。為了解決異譜圖像上提取的同名點對較少的問題，本文采用在共線梯度特征圖上提取FAST關鍵點的方法。因共線梯度特征圖已將異譜圖像投影到相似的結構信息上，因此比直接從原始圖像上能提取更多的同名點對，有利于異譜圖像變換矩陣的正確計算。

3 結構化輸出

4 實驗結果

本文對紅外圖像和可見光圖像的異譜對進行了點匹配實驗，如圖1所示。圖1左則為可見光圖像，右側為紅外圖像，第一行為文獻[7]的點匹配結果圖，第二行為本文的匹配結果圖。從圖1可以看出，本文方法大大增加了同名點的匹配數目。

第一行為文獻[7]的結果，第二行為本文的結果.

5 結論

本文方法基于共線梯度特征生成異譜圖像的特征圖，得到異譜圖像的大結構信息。改善了從原始圖像上提取同名點對少的問題，并通對點與點之間的結構化信息獲取最優化的點對匹配結果，大大提升了異譜圖像的點匹配效果。

【參考文獻】

[1]余時偉，黃廷祝，劉曉云，陳武凡.顯著圖引導下基于偏互信息的醫學圖像配準[J].儀器儀表學報，2013，34（6）：1218-1224.

[2]葛盼盼，陳強，顧一禾.基于Harris角點和SURF特征的遙感圖像匹配算法[J].計算機應用研究，2014，31（7）：2205-2208.

[3]謝文吉，孫曉剛，張亮.基于尺度不變特征變換特征點應用于印刷檢測的快速匹配算法[J].計算機應用，2013，3（S1）：186-189.

[4]D. G. Lowe. Distinctive image features from scale-invariant keypoints[J]. International Journal of Computer Vision， 2004， 60（2）： 91-110.

[5]H. Bay， A. Ess， T. Tuytelaars， et al. Speeded-up robust features（SURF）[J]. Computer Vision and Image Understanding， 2008， 110（3）： 346-359.

[6]M. Calonder， V. Lepetit， C. Strecha， et al. BRIEF： binary robust independent elementary features. Proc. of the European Conference on Computer Vision， 2010： 778-792.

[7]Qin Y， Cao Z， Zhuo W， et al. Robust key point descriptor for multi-spectral image matching[J]. Journal of Systems Engineering and Electronics， 2014， 25（4）： 681.

[8]Hare S， Saffari A， Torr P H S. Efficient online structured output learning for keypoint-based object tracking[C]//Computer Vision and Pattern Recognition （CVPR）， 2012 IEEE Conference on. IEEE， 2012： 1894-1901.

[9]Fischler， M.A. and Bolles， R.C. Random Sample Consensus： A Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography[J]. Communications of the ACM， 1981， 4（6）： 381-395.

[責任編輯：楊玉潔]