基于紋理特征的網(wǎng)絡(luò)多媒體圖像模板匹配方法

周培斌

（山西醫(yī)科大學(xué)第一醫(yī)院，山西太原030001）

網(wǎng)絡(luò)多媒體環(huán)境中復(fù)雜圖像的采集易受網(wǎng)絡(luò)環(huán)境干擾而產(chǎn)生椒鹽噪聲影響圖像質(zhì)量，因此需要對這類圖像進(jìn)行模板匹配[1]。以往多維像素特征分布重構(gòu)模型的構(gòu)建利用模板匹配方式，使用這種方法無法提取椒鹽噪聲干擾圖像的紋理特征，存在運算量大、圖像內(nèi)容不能區(qū)分以及匹配率低的問題[2]。

為解決以上問題，提出基于紋理特征的網(wǎng)絡(luò)多媒體圖像模板匹配方法。

1 圖像紋理特征分割與提取

使用小波多尺度濾波方法進(jìn)行椒鹽噪聲干擾圖像特征匹配，首先計算采樣信息長度，計算公式為：

式（1）中，c表示網(wǎng)絡(luò)多媒體圖像的邊緣輪廓特征量；x表示椒鹽噪聲干擾圖像輪廓像素集；d(xi,xj)表示多媒體圖像序列；k1、k2分別表示圖像關(guān)鍵特征點和像素特征點[3-5]。

依據(jù)椒鹽噪聲干擾圖像紋理特征，分割相鄰節(jié)點的圖像特征，獲取輪廓線，該輪廓線的計算公式如式（2）所示。

式（2）中，,…,表示受到椒鹽噪聲干擾的圖像像素參數(shù)；λj表示離散像素序列；σi表示受到椒鹽噪聲干擾的圖像紋理均值；z表示圖像標(biāo)準(zhǔn)偏差[6-7]。依據(jù)該輪廓線，完成圖像紋理特征分割[8]。

以椒鹽噪聲干擾下的圖像為研究對象，使用基于模板匹配的椒鹽噪聲干擾圖像自動分割方法[9]，通過對椒鹽噪聲干擾圖像的邊緣輪廓特征量的初始化，提取圖像特征點。

結(jié)合邊緣輪廓特征和椒鹽噪聲干擾圖像紋理特征，可獲取干擾圖像輪廓線，該輪廓線的計算公式如式（3）所示。

式（3）中，W表示椒鹽噪聲干擾圖像輪廓尺寸；η表示圖像紋理特征信息；α表示在坐標(biāo)系橫軸像素特征強度。

在m×m窗口μi內(nèi)，獲取特征提取模型如式（4）所示。

公式（4）中，?α表示多分辨干擾圖像像素特征點，?β表示干擾圖像紋理特征；β表示在坐標(biāo)系縱軸的像素特征強度，G(α,β,σi)表示椒鹽噪聲干擾圖像在網(wǎng)絡(luò)多媒體幾何空間中提取出的圖像紋理特征分量[10-12]。

2 基于紋理特征網(wǎng)絡(luò)多媒體圖像模板匹配

圖像模板匹配原理如圖1所示。

圖1 圖像模板匹配原理

如圖1所示，通過迭代計算，在全矩陣搜索情況下，獲取相似性度量值矩陣和各值矩陣，確定相似性度量值的最大值和最小值，該位置即為最佳匹配位置[13]。在待匹配圖像滑動策略支持下，分析模板中各個子塊的圖像紋理特征[14-15]。基于紋理信息對模板中的每個子塊進(jìn)行權(quán)值設(shè)置，使模板滑入待匹配圖像，模板中的每個子塊滑入待匹配圖像滑動窗口中的每個點。

按照加權(quán)系數(shù)，將規(guī)格化的相關(guān)系數(shù)組合為加權(quán)和，去掉平均值，可以得到一個新的相似性度量矩陣，其中最大值仍然是匹配位置[16]。2×2 的分塊匹配策略如圖2所示。

圖2 2×2 的分塊匹配策略

a11、a12、a21、a22分別代表模板匹配中各個子塊的加權(quán)系數(shù)，即為基于紋理特征的權(quán)值系數(shù)。假定這些權(quán)值系數(shù)已經(jīng)計算完成，此時各點的相似度測度計算結(jié)果如下：

式（5）中，ταβ表示待匹配圖像滑動窗口子塊取均值歸一化系數(shù)，由此計算每一點的相似性度量值：

τ(α,β)表示整個模板圖像與待匹配圖像滑動窗口相似程度。

基于上述內(nèi)容，設(shè)計網(wǎng)絡(luò)多媒體圖像模板匹配流程，如圖3所示。

圖3 網(wǎng)絡(luò)多媒體圖像模板匹配流程

依據(jù)圖3所示過程確定檢測點。由于檢測點的選取是不穩(wěn)定的，每一個像素都具有一定的梯度，所以需要用一個梯度表達(dá)式來計算梯度的大小和梯度的方向，以表示該像素。在此基礎(chǔ)上，確定圖像中的檢測點，每個檢測點都包含3 個信息：位置、比例、方向；每個檢測點都具有平移、比例和旋轉(zhuǎn)不變性。描述符生成如圖4所示。

圖4 描述符生成

如圖4所示，可產(chǎn)生待匹配圖像和模板圖像的特征點。在獲取模板圖像和兩個待匹配圖像的點集后，再對兩幅圖像進(jìn)行匹配。若模板圖像中的點在匹配圖像中找到了對應(yīng)點集，就可以認(rèn)為實現(xiàn)了成功匹配。若找不到相應(yīng)的點，則表示匹配失敗。通過上述過程，完成特征點集匹配。

3 自適應(yīng)模板修正

由于網(wǎng)絡(luò)多媒體圖像具有動態(tài)性，只對一組圖像處理較難，很難保證每一組圖像都具有最佳匹配點，因此，需分析跟蹤誤差。積累誤差越大，跟蹤窗口越偏，最終導(dǎo)致目標(biāo)丟失。需要注意的是，如果沒有找到最佳匹配點，就會基于舊模板與當(dāng)前圖像最佳匹配位置的匹配置信度生成新模板，從而獲得更好的跟蹤效果。自適應(yīng)模板修正流程如圖5所示。

圖5 自適應(yīng)模板修正流程

依據(jù)自適應(yīng)模板修正流程，計算最佳匹配值，并依據(jù)該值確定目標(biāo)圖像當(dāng)前最佳匹配位置，得到更新后的模板。根據(jù)舊模板的最佳匹配值和當(dāng)前最佳匹配位置，確定更新后的模板。加權(quán)權(quán)值可用于衡量不同目標(biāo)圖像間最佳匹配位置的匹配程度，以此作為衡量當(dāng)前幀模板的更新依據(jù)。當(dāng)加權(quán)權(quán)值大于或等于0.8 的情況下仍使用舊模板；當(dāng)加權(quán)權(quán)值小于0.8 的情況下更新目標(biāo)模板，該方法無需更新每幀模板，提高了實時性、節(jié)省了計算時間。

4 實 驗

為了驗證所提方法的應(yīng)用性能，通過對比實驗進(jìn)行驗證。使用C++語言，在Windows 10 操作系統(tǒng)下，將影像傳入計算機中，并利用NVIDIA 顯卡處理影像，將處理好的圖像顯示在界面上，結(jié)合Matlab 進(jìn)行實驗分析，由此對基于紋理特征的網(wǎng)絡(luò)多媒體圖像模板匹配方法研究的合理性展開分析。

4.1 特征點匹配

為了改變特征點分布不均勻的情況，需對重疊區(qū)域進(jìn)行分塊處理，再提取控制點，并將分塊中心加到相關(guān)序列之中，獲取如圖6所示的匹配結(jié)果。

圖6 特征點匹配

將分塊作為控制中心，可改善無控制點的分布情況，在無控制點分布區(qū)域內(nèi)將所有連接線進(jìn)行連接，形成匹配信息，由此確定區(qū)域格局。

4.2 實驗結(jié)果與分析

針對上述匹配的7 個特征點，在無椒鹽噪聲干擾和有椒鹽噪聲干擾兩種情況下，分別使用傳統(tǒng)模板匹配算法和基于紋理特征匹配方法對圖像模板匹配精準(zhǔn)度進(jìn)行對比分析。

4.2.1 無椒鹽噪聲干擾

在無椒鹽噪聲干擾環(huán)境下，使用兩種方法分析圖像模板匹配精準(zhǔn)度，結(jié)果如表1所示。

表1 無椒鹽噪聲干擾下兩種方法匹配精準(zhǔn)度對比分析

由表1可知，傳統(tǒng)模板匹配算法的圖像模板匹配精準(zhǔn)度在60%左右波動，而基于紋理特征匹配方法的圖像模板匹配精準(zhǔn)度始終保持在95%以上，說明在該環(huán)境下，所研究方法的圖像模板匹配精準(zhǔn)度較高。

4.2.2 有椒鹽噪聲干擾

在該環(huán)境下，使用兩種方法分析圖像模板匹配精準(zhǔn)度，結(jié)果如圖7所示。

由圖7可知，在3 種噪聲密度下，傳統(tǒng)方法的圖像模板匹配精準(zhǔn)度較低，始終低于50%，而基于紋理特征匹配方法不會受到噪聲干擾，圖像模板匹配精準(zhǔn)度較高，始終高于75%，說明在該環(huán)境下，所研究方法的圖像模板匹配精準(zhǔn)度較高。

圖7 椒鹽噪聲干擾下兩種方法匹配精準(zhǔn)度對比分析

5 結(jié)束語

結(jié)合紋理特征，匹配網(wǎng)絡(luò)多媒體圖像模板，解決了實時處理困難和模板漂移等問題。為減少椒鹽噪聲干擾問題的出現(xiàn)，采用最優(yōu)匹配值來分析目標(biāo)圖像和模板圖像之間的匹配情況。盡管已取得了一些進(jìn)展，但仍然存在許多問題有待解決，尤其是如何提高紋理分析在復(fù)雜環(huán)境下的精度和魯棒性，未來將針對該部分內(nèi)容進(jìn)行重點研究。