国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

一種基于SIFT和改進RANSAC的穩(wěn)健圖像拼接算法

2015-03-16 09:53:37姜小會陳清奎何強欒飛董志強
電腦知識與技術(shù) 2015年1期
關(guān)鍵詞:圖像融合

姜小會 陳清奎 何強 欒飛 董志強

摘要:針對圖像間因存在旋轉(zhuǎn)以及采集圖像時光線強度的差異等現(xiàn)象而導(dǎo)致的拼接效果不理想和拼接速度慢的問題,作者提出了一種基于SIFT和改進RANSAC的穩(wěn)健圖像拼接算法,具體包括SIFT特征提取、圖像配準以及圖像的加權(quán)平均融合等步驟。其中,該文重點研究了圖像配準這一階段,此階段包括圖像的初始匹配和精確配準兩步,實驗證明該拼接算法不僅可以很好的拼接存在平移、旋轉(zhuǎn)、尺度縮放、視角以及光照變化的圖像,而且較之傳統(tǒng)的RANSAC算法,改進的RANSAC算法迭代次數(shù)變少了并且運行時間也減少了,拼接效率得到了明顯的提高。

關(guān)鍵詞:圖像拼接;SIFT算法;圖像配準;改進RANSAC算法;圖像融合

中圖分類號:TP18 文獻標識碼:A 文章編號:1009-3044(2015)01-0127-03

A Steady Image Stitching Algorithm Based on SIFT and Improved RANSAC

JIANG Xiao-hui, CHEN Qing-kui, HE Qiang, LUAN Fei, DONG Zhi-qiang

(School of Mechanical and Electrical Engineering, Shandong Jianzhu University, Jinan 250101, China)

Abstract: Taking into account the problem of poor effect and slow matching in image mosaic caused by phenomena such as the rotation and the differences in light intensity, a steady image stitching algorithm based on SIFT and improved RANSAC is proposed, specifically including SIFT feature extraction, image registration and the weighted average image fusion. Among them, the paper focuses on the image registration at this stage, this phase includes an initial matching and accurate alignment. Experimental results show that the proposed image mosaic method can not only yield good results for images with overlap region that existence translation, rotation, image scaling, image viewing angle and illumination changes, and compared with the original RANSAC algorithm, the improved method has lower computational complexity, less stitching time, and splicing efficiency has been significantly improved.

Key words: image mosaic; SIFT; image registration; RANSAC; image fusion

近年來,計算機視覺已作為重點研究的領(lǐng)域之一,而其中的圖像拼接技術(shù)受到了人們的廣泛關(guān)注。圖像拼接就是將同一場景拍攝到的一組相互關(guān)聯(lián)的圖像序列通過配準與融合,并最終拼接為一幅完整的、寬視角的、分辨率較高的新圖像。

圖像配準[1]作為圖像拼接技術(shù)的關(guān)鍵與核心,它是依據(jù)兩幅圖像重疊區(qū)域的一致性求解出圖像間的幾何變換模型,即將一幅圖像經(jīng)幾何模型變換到另一幅圖像的坐標平面上并將圖像的重疊區(qū)域?qū)省D壳?,基于特征[2]的圖像配準方法是研究的主要趨勢,該方法是通過對特征屬性的直接比較來實現(xiàn)的,即通過兩幅圖像的特征來判斷它們之間的相似程度,該方法不僅計算量較小,而且具有仿射不變性與穩(wěn)定性等優(yōu)點。因此,該文選用特征配準中的SIFT算法來實現(xiàn)特征點的提取與匹配。

在圖像的配準階段,人們常采用RANSAC隨機采樣一致性算法[3]來計算幾何變換矩陣,但是傳統(tǒng)的RANSAC算法因迭代次數(shù)多而導(dǎo)致計算效率低,而且當匹配點對的“內(nèi)點”(正確匹配點對)所占比例較小時,也將會對拼接算法的效率產(chǎn)生直接的影響。針對上述缺點,該文提出了一種改進的RANSAC算法,能快速而精確的估算變換矩陣。首先使用SIFT算法提取出特征點并對特征點對進行初始匹配,然后采用改進的RANSAC算法對初始匹配點對提純,利用提純后的正確匹配點對估算出變換矩陣并進行配準,最后使用加權(quán)平均法[4]對圖像進行融合并最終完成圖像的拼接。

1 特征點提取

SIFT(Scale Invariant Feature transform,尺度不變特征變換)算法[5][6]最早是由David G.Lowe在1999年提出,并于2004年對其總結(jié)并加以完善。SIFT算法提取出的特征不僅對圖像的平移、旋轉(zhuǎn)、尺度縮放具有不變性,而且對圖像所受到的光照、投影與仿射的變化具有一定的魯棒性。

1.1 尺度空間的建立

尺度空間理論是將原始圖像與不同尺度因子的高斯核函數(shù)進行卷積以生成多個層次高斯金字塔,而特征點的檢測就在所生成的高斯金字塔上完成。

對于一幅二維圖像[I(x,y)],在不同尺度下該圖像的尺度空間函數(shù)可以定義為:

[Lx,y,σ=Gx,y,σ*I(x,y)] (1)

其中[Gx,y,σ]為二維高斯核函數(shù)表示為:

[Gx,y,σ=12πσ2e-(x2+y2)2σ2] (2)

式中:[(x,y)]表示圖像I上像素點的位置;*為卷積符號;[σ]為尺度空間因子。

同時,將高斯差分尺度空間表示為:

[Dx,y,σ=Gx,y,kσ-Gx,y,σ*Ix,y=Lx,y,kσ-L(x,y,σ)] (3)

1.2 尺度空間極值點檢測

在高斯差分尺度空間上檢測到局部極值點,待檢測的每個采樣點要與其所有臨近點進行比較,待檢測的特征點總共需要與26個點(其中包括它同尺度的8個相鄰點以及上下相鄰尺度所對應(yīng)的2*9個點)進行比較,這樣可以確保檢測到的點在尺度空間與二維圖像空間都是極值點。

1.3 精確定位局部極值點

精確定位極值點包括去除低對比度的特征點和不穩(wěn)定的邊緣響應(yīng)點。我們可以將尺度空間圖像看作一個曲面,根據(jù)特征點周圍的像素點的梯度分布狀況,通過擬合三維二次函數(shù)來精確確定特征點的尺度和位置,以使特征點達到亞像素級精度。

1.4 生成特征向量描述符

通過式(4)和(5)計算以特征點為中心半徑為R的鄰域內(nèi)的每個點的梯度模值[mx,y]及方向[θx,y]:

[mx,y=(Lx+1,y-Lx-1,y)2+(Lx,y+1-Lx,y-1)2] (4)

[ θx,y=tan-1(Lx,y+1-Lx,y-1Lx+1,y-Lx-1,y)] (5)

以特征點為中心的領(lǐng)域窗口內(nèi)進行采樣,并利用梯度方向直方圖統(tǒng)計出特征點鄰域內(nèi)的梯度方向。在梯度方向直方圖中,極值表示該特征點鄰域內(nèi)的梯度方向,將方向直方圖中的最大值作為該特征點的主方向,并將大于直方圖最大值的80%的極值保留下來作為該特征點的輔方向。當每個特征點的尺度、位置及方向確定后,以特征點為中心取16[×]16的矩形窗口區(qū)域,此區(qū)域中一個特征點由4[×]4個種子點組成,且每個種子點有8個梯度方向向量,即,每個特征點可以用一個4[×]4[×]8=128維的特征向量來精確的描述。

2 圖像配準

2.1 圖像間幾何變換關(guān)系

由于同一場景不同視角的兩幅圖像間具有一一對應(yīng)的幾何關(guān)系,因此要將一幅圖像變換到另一幅圖像的坐標平面之中可以通過一個幾何變換模型實現(xiàn)。假設(shè)基準圖像和配準圖像上的對應(yīng)點分別為[M(x,y)]和[M'(x,y)],那么它們之間的對應(yīng)關(guān)系可以用8參數(shù)的投影變換模型(用齊次坐標表示)來描述,即:

[x'iy'i1=Hxiyi1=h1h4h7h2h5h8h3h61xiyi1] (6)

式中:[(x'i,y'i,1)]和[(xi,yi,1)]分別為[M'(x,y)] 和[M(x,y)]上第i個點的齊次坐標表示;這里的變換矩陣H有8個自由度,理論上只需4對特征點就可以估算出變換矩陣H,通過解線性方程組可得到變換矩陣H的各個參數(shù),即可將配準圖像上的各個點歸一化到基準圖像坐標系中,并采用最近鄰特征點歐氏距離與次近鄰特征點歐氏距離的比值對特征點對進行初始匹配。

2.2 改進的RANSAC算法

匹配特征點對中存在的不準確的匹配點,會對圖像間幾何變換模型的求解結(jié)有很大的果影響,為了提高配準的速度和準確度,該文采用改進的RANSAC算法去除所存在的不準確匹配點。具體步驟為:

1) 獲取總的匹配特征點對數(shù)目M,根據(jù)公式[N=log (1-pn)log [1-(1-a)m]]確定隨機采樣次數(shù)N,其中[pn]=0.95,m=4,a為數(shù)據(jù)錯誤率。

2) 在M組匹配點對中,利用分塊技術(shù)隨機抽取6個不同的塊并在這6塊中隨機選取6個特征點對,將其作為一個樣本[Qi(Qi1,Qi2,Qi3,Qi4,Qi5,Qi6)] 。

3) 在樣本[Qi]中隨機抽取4對特征點對,并用線性方程組求出臨時的變換矩陣[Hi]([Hi1,Hi2,Hi3,Hi4,Hi5,Hi6,Hi7,Hi8,1])。

4) 檢測另外2對特征點對是否都為初始變換矩陣H內(nèi)點集中的點,計算[di2(x,y)=d2(HQ,Q')] (i=1,2,3,4,5,6)。若這2對特征點都滿足[di2

5) 將[Hi]視為候選變換矩陣,計算其他的(M-6) 對特征點對到變換矩陣[Hi]距離,找到并記錄下內(nèi)點集[Si]中的所有內(nèi)點的數(shù)目c以及變換矩陣[Hi]。

6) 判斷c是否大于C=(1-a)M。若條件成立,則用[Si]重新計算變換矩陣[Hi],否則,返回第2步。

7) 經(jīng)過N次迭代隨機抽樣后,使用最大內(nèi)點集S計算最佳變換矩陣H([H1,H2,H3,H4,H5,H6,H7,H8,]1),結(jié)束算法。

在隨機采樣的過程當中可能會出現(xiàn)隨機選取的6個特征點距離很近的現(xiàn)象,這將導(dǎo)致求解出的變換模型既不穩(wěn)定也不準確,為此,該文引入了平均分塊這一技術(shù)[7]。具體過程如下:首先記錄所有特征點中橫坐標和縱坐標的最大值與最小值,再將所有特征點所在的區(qū)域均勻的分為6*6塊。第二,在目標圖像所分得的6*6塊中隨機抽取6個不同的塊;第三,在隨機抽取的6個塊中每塊隨機選取一個點并在參考圖像中找到與之相對應(yīng)的匹配點,就得到了6對分布較為均勻的特征點對。因此,用這樣6對分布比較均勻的特征點計算出來的變換矩陣H相對會更穩(wěn)定和準確。

3 實驗結(jié)果與分析

為了使所提出的基于特征點的圖像拼接算法得到有效的驗證,該文采用普通的數(shù)碼相機拍攝來自不同視角的兩幅圖像。實驗平臺為:Intel Core i3、3.30GHz、內(nèi)存2GB、win7操作系統(tǒng)、MATLAB R2012b編程。

本文選用分辨率大小為640*480的2幅實驗室內(nèi)的圖像進行圖像的拼接如圖2所示,使用MATLAB R2012b編程軟件作10次拼接測試,實驗流程如圖1所示,最終拼接圖像如圖4所示。

(a)SIFT特征提取與匹配 (b)改進RANSAC提純

通過測試計算出這兩幅圖像的關(guān)鍵特征點數(shù)、匹配點對數(shù)及平均拼接時間,待拼接圖像1和圖像2的關(guān)鍵特征點個數(shù)分別為1146和1306個,初始匹配特征點對為548對,RANSAC提純后的匹配點對為505對,改進RANSAC提純的匹配點對為483對,改進前后的平均拼接時間分別為4.13809s和3.17006s。

實驗結(jié)果表明:采用預(yù)檢測即改進的RANSAC算法有效去除了粗匹配點對中所存在的誤匹配點,并提高了正確匹配點對的概率,使得該算法的迭代次數(shù)減少。因此采用改進的RANSAC算法在減少圖像拼接所用時間的同時提高了拼接的速度,不僅拼接效率得到了提高而且拼接效果也較好。

4 結(jié)束語

本文研究了一種基于SIFT和改進RANSAC的穩(wěn)健圖像拼接算法。該算法首先使用SIFT算法提取出待拼接圖像的特征點;然后將提取出的特征點進行特征匹配,其中使用了改進的 RANSAC算法提純特征點對;最后采用簡單的加權(quán)平均法進行圖像融合以得到最終的拼接圖像。SIFT算法保證了所要提取特征點位置的精確性及匹配的準確性,改進的RANSAC算法保證了所求取的變換矩陣的穩(wěn)健性,加權(quán)平均融合法保證了圖像重疊區(qū)域的平滑過渡,實現(xiàn)了圖像的無縫拼接。實驗證明運用本文方法進行圖像拼接可以達到較好的效果。

參考文獻:

[1] 張琳,褚龍現(xiàn).基于全局拼接的航拍圖像拼接算法研究[J].計算機仿真,2012(04):282-285+300.

[2] 阮芹,彭剛,李瑞等.基于特征點的圖像配準與拼接技術(shù)研究[J].計算機與數(shù)字工程,2011,39(2):141-144,183.

[3] Fischler M, Bolles R. Random sample consensus: A paradigm for model fitting with application to image analysis and automated cartography[J]. Communications of the ACM, 1981(24): 381-395.

[4] 郝飛,陳文藝.基于特征點匹配的圖像拼接方法[J]. 西安郵電學(xué)院學(xué)報,2012,01:87-91.

[5] Lowe D G. Distinctive image features from scale-invariant key points. International Journal of Computer Vision, 2004, 60(2): pp91-110.

[6] Lowe D G. Object recognition from local scale invariant features[C]//Proceeding of the Seventh International Conference on Computer Vision. Washington, DC:IEEE Computer Society, 1999:1150.

[7] 周定富,何明一,楊青,等.一種基于特征點的穩(wěn)健無縫圖像拼接算法[J].測控技術(shù),2009,28(6):32-36.

猜你喜歡
圖像融合
基于區(qū)域匹配度的拉普拉斯金字塔圖像融合算法
基于小波變換的多模態(tài)醫(yī)學(xué)圖像的融合方法
PCA與小波變換的ECT圖像融合方法
灰色關(guān)聯(lián)度在紅外與微光圖像融合質(zhì)量評價中的應(yīng)用研究
林火安防預(yù)警與應(yīng)急處理系統(tǒng)設(shè)計
基于Matlab的遙感圖像IHS小波融合算法的并行化設(shè)計
科技視界(2016年11期)2016-05-23 08:13:35
Contourlet變換系數(shù)加權(quán)的醫(yī)學(xué)圖像融合
科技視界(2015年30期)2015-10-22 10:32:37
一種新的IHS圖像多次融合的方法
農(nóng)業(yè)物聯(lián)網(wǎng)雙光譜熱成像圖像融合模型設(shè)計
基于壓縮感知的圖像融合方法
荥经县| 山东| 嘉荫县| 蒙阴县| 万荣县| 仁怀市| 启东市| 永平县| 赞皇县| 盐源县| 南开区| 万载县| 郸城县| 岳阳县| 榆中县| 平凉市| 越西县| 镇远县| 玉林市| 济源市| 昌邑市| 伊春市| 天祝| 喜德县| 将乐县| 宝鸡市| 婺源县| 呼图壁县| 武宣县| 敖汉旗| 红安县| 朝阳市| 修文县| 怀仁县| 隆昌县| 曲周县| 萝北县| 鸡东县| 镇沅| 迭部县| 民丰县|