基于SIFT算法的水下圖像拼接技術研究

李社蕾 崔聰穎

摘 要：由于水下圖像存在低對比度、偏色等問題，拼接之前需要對水下圖像進行預處理。為了實現兩幅水下圖像的拼接，需要分別提取兩幅水下圖像的特征點，并對所提取的特征點進行精確匹配，然后對拼接圖像進行融合。文中首先對水下圖像進行增強，其次應用SIFT算法提取待拼接圖像的特征點，進行特征點匹配，并在此基礎上利用投票過濾法消除無匹配點，最后基于特征點的圖像配準作圖像融合。實驗結果表明，該方法有效實現了水下圖像的拼接。

關鍵詞：SIFT算法；圖像拼接；圖像配準；圖像融合

中圖分類號：TP391 文獻標識碼：A 文章編號：2095-1302（2018）04-00-03

0 引 言

近年來，圖像拼接技術已成為圖像處理領域的熱門研究課題之一。圖像拼接技術是將具有重疊區域的一系列圖像拼接為一幅具有較寬視角圖像的技術，這種技術將兩幅圖像進行同一場景匹配，找出最終匹配的對應關系，從而獲得寬闊的視角圖像[1-3]。該技術克服了一般成像設備視場受限和廣角鏡頭失真嚴重且價格較貴的弊端，在不改變硬件條件的前提下極大地拓展了人們的視野[2]。因此圖像配準和圖像融合是圖像拼接的兩項關鍵技術。

圖像配準是根據一定的配準策略，確定待拼接圖像之間的變換關系。基于特征點的配準方法簡單、穩健，且匹配效果良好，已成為目前國內外的研究熱點。SIFT（Scale Invariant Feature Transform，SIFT）算法是一種局部特征提取算法，首先在尺度空間尋找極值點，再去除不穩定的邊緣點得到關鍵點，最后提取關鍵點處的特征描述符作為匹配依據。1999年，Lowe等人[4]提出了尺度不變特征變換SIFT算法，該算法是計算機視覺檢測和描述圖像局部特征的一種算法，2004年Lowe對其進行了總結和改進[5]。新的圖像配準會在圖像配準前對圖像增強，使圖像中的特征點變得更加明顯，提高配準的準確性。國內學者也將基于SIFT算法的圖像拼接成功應用到了其他場合， 張朝偉等人[6]將SIFT算法用于監控視頻序列圖像的自動拼接；何孝瑩等人[7]利用SIFT算法實現了無人機影像快速匹配。本文預對水下圖像進行拼接，首先對水下圖像進行預處理，之后進行SIFT算法圖像配準，采用加權平均混合法去除拼接縫隙，最終實現了無縫拼接。

1 水下圖像預處理

為了解決水下圖像存在的低對比度、偏色等問題，對圖1中（a），（b）兩幅圖利用UCM改進算法進行了預處理，處理后的效果如圖2所示。

2 基于SIFT的圖像配準

SIFT算法的實質是在不同尺度空間上查找關鍵點（特征點），并計算關鍵點梯度的大小、方向、尺度等，利用這些信息描述特征點。匹配過程即對比特征點的過程，流程如圖3所示。

（1）生成高斯差分金字塔（DoG金字塔），構建尺度空間[3]

高斯金字塔是構建DoG金字塔的基礎，DoG金字塔是尺度空間構建的基礎，高斯核是唯一可以產生多尺度空間的線性核，于是二維圖像的尺度空間定義為：

高斯差分尺度空間（DoG Scale-Space）利用不同尺度的高斯差分核與圖像卷積生成的公式如下：

（2）DoG空間尺度極值點檢測

為了尋找DoG尺度空間的極值點，將每一個像素點與其二維圖像空間的3×3鄰域內的8個點，上下相鄰兩層圖像的2×9個點作比較，如此可保證檢測到的特征點在尺度空間和二維圖像空間上都是局部極值點[8]。極值點計算方法如圖4所示。

（3）特征點位置確定

為了確定穩定的特征點位置，在獲取極值點之后，還需要將低對比度點和不穩定的邊緣點排除。

對于極值點T，在其相應的函數D（x，y，σ）上進行泰勒展開，得到如下公式[8]：

對上式求導，令其等于零，得到精確位置，如式（5）所示：

把式（5）代入式（4），即在DoG 空間的極值點處D（x）取值，只取前兩項可得：

若，則為特征點。由此便去掉了極值點的低對比度點和不穩定的邊緣點。

（4）穩定關鍵點方向信息

利用關鍵點鄰域像素的梯度方向分布特性為每個關鍵點指定方向參數，使算子具備旋轉不變性。其梯度幅值表述為：

利用式（8）計算以關鍵點為中心的鄰域內所有點的梯度方向，梯度方向的范圍為0～360°，每45°為一個柱，共8個柱，累計落到每個柱內的關鍵點個數，以此生成梯度方向直方圖。Lowe等人[5]指出，直方圖的峰值代表了該特征點處鄰域或梯度的主方向，以此作為該關鍵點的方向。其他達到最大值80%的方向可作為輔助方向。

（5）特征點描述

對特征點的描述是后續實現匹配的關鍵，在計算特征點描述符之前，描述符的坐標和梯度方向應該相對于特征點方向旋轉。Lowe等人[5]以特征點為中心，選取16×16像素鄰域，將該區域劃分為8個4×4子區域。每個關鍵點形成一個4×4×8 =128維的特征向量，通過計算每個子區域中8個方向的方向直方圖來實現，最后進行特征向量歸一化，以減少照明變化的影響。

（6）特征點匹配

進行特征點匹配，首先需計算兩組特征點的128維特征向量的歐式距離，距離越小，則兩組特征點相似程度就越高。根據經驗設定一個閾值，當兩特征向量的歐式距離小于該值時，則判定特征點匹配成功。

3 圖像融合

直接拼接會使圖像中間有一條明顯的拼接縫隙，影響視覺效果，因此有必要對拼接后的圖像進行融合。本文對重疊區域采用加權平均法進行融合，從而實現兩幅水下圖像的無縫拼接。圖像重疊區域中像素點R，G和B各通道分量值的計算方法如式（9）：

其中：d1，d2分別表示該點到兩幅圖像重疊區域左、右邊界的距離；Pixel-L為左側圖像中對應點的值；Pixel-R為右側圖像中對應點的值。

4 實驗結果

為了驗證本文提出的圖像拼接算法的有效性，本實驗的實驗平臺硬件為Intel（R）Core（TM）i3-2100 CPU @ 3.10 GHz，3.09 GHz，軟件為Matlab R2012a。

將預處理后的圖像基于SIFT進行圖像拼接后，圖像特征點的梯度值及梯度方向如圖5所示，兩幅圖像SIFT特征點提取、匹配結果如圖6所示，拼接結果如圖7所示。拼接后的圖像視覺效果良好。

5 結 語

圖像拼接算法在三維重建、視頻監控、水下探測、醫學映像及無人機航拍等方面有著廣泛的應用，因此成為計算機視覺領域的熱門研究方向。本文基于SIFT算法對水下圖像進行拼接，實驗結果表明，圖形經過預處理，使用該方法拼接的水下圖像視覺效果良好，具有一定的應用參考價值。

參考文獻

[1] CAO L J，LV M. An image mosaic method based on sIFT feature matching[J].Advanced materials research，2012，433-440：5420-5424.

[2]楊云濤，馮瑩，曹毓，等.基于SURF的序列圖像快速拼接方法[J].計算機技術與發展，2011，21（3）：6-9.

[3]喬警衛，胡少興.三維重建中特征點提取與匹配算法研究[J].系統仿真學報，2008，20（S1）：400-403.

[4] LOWE D G. Object recongnition from local scale-Invariant features[C]//Proc.of the international conference on computer vision，1999，9：1-8.

[5] LOWE D G. Distinctive image features from scale-Invariant keypoints[J]. International journal of computer vision，2004，60（2）：91：110.

[6]張朝偉，周焰，吳思勵，等.基于SIFT特征匹配的監控圖像自動拼接[J].計算機應用，2008，28（1）：191-194.

[7]何孝瑩，岳建偉，張栩然.基于SIFT算法的無人機影像快速匹配[J].計算機工程，2011，37（7）：216-218，230.

[8]王邦國.基于SIFT特征點精確匹配的圖像拼接技術研究[J].大連大學學報，2015，36（3）：22-26.