陸曉燕

1.引言

圖像配準指的是對描述同一對象或場景的兩幅或多幅圖像進行匹配、變換的過程。通過對各種圖像數(shù)據(jù)的綜合提取有用信息的圖像分析技術而言，圖像配準是關鍵的步驟[1]。圖像配準技術在衛(wèi)星遙感圖像處理、醫(yī)學診斷輔助、計算機視覺等領域都有著廣泛的應用。

圖像配準算法中基于特征點圖像匹配算法一直處于重要的地位，該類算法針對產(chǎn)生尺度，亮度，視角，光照變化的圖片匹配效果優(yōu)于其他匹配算法。SIFT（Scale Invariant Feature Transfom）算法[2]和基于SIFT改進的算法如SURF（speeded up robust features）、GLOH（gradient location-orientation histogram）和PCA-SIFT在基于特征點的圖像匹配算法中被廣泛使用。但是這類算法主要是依賴高斯模糊構建線性的尺度空間，容易在過濾噪聲的同時也模糊了圖像從而使得圖像細節(jié)特征的局部準確性和區(qū)分性降低。為解決這一問題，Alcantarilla 提出了一種新的特征檢測算法 KAZE算法[3]，該算法利用一個非線性擴散濾波器來構造尺度空間，由于各項異性擴散濾波性質能夠保留了圖像邊緣和細節(jié)信息。雖然KAZE算法能夠保留圖像細節(jié)信息避免邊緣模糊，但是非線性尺度空間構建耗時太長特征檢測的速度接近SIFT，所以2013年9月 Pablo F.發(fā)布了加速版KAZE算法，稱為AKAZE[4]。

AKAZE算法采用的差分二進制描述符，雖然大幅度縮短了特征描述的時間，但是該描述符的穩(wěn)定性不如SIFT描述符，同時該算法的特征描述的魯棒性、穩(wěn)健性也不如SIFT描述。在對于影像場合質量及處理精度要求較高的時候AKAZE算法匹配效果較差，為了提高AKAZE算法的性能提出了用采用基于壓縮感知的SIFT描述符替代AKAZE算法原有的M-LDB描述符策略，改進后AKAZE算法在配準速度和精度優(yōu)于其他配準算法。具體圖像配準流程如下圖1所示：

2.改進的AKAZE圖像配準算法

AKAZE圖像配準算法主要步驟有四步：1）通過非線性濾波函數(shù)和快速顯式擴散 FED算法構造非線性尺度空間；2）利用不同尺度歸一化的Hessian矩陣尋找局部極值點；3）計算特征點主方向，然后用M-LDB算法計算二值特征描述符；4）利用Hamming距離作為特征匹配的相似性度量，對特征點進行度量和配準。改進的AKAZE算法在第一步和第二步不變的基礎上對第三步、第四步進行改進。

改進的AKAZE算法在關鍵點描述向量生成階段，用SIFT特征描述符代替二進制描述符，再利用壓縮感知矩陣對替代后的關鍵點SIFT特征向量的提取做出簡化和改進，用稀疏特征向量作為關鍵點特征描述向量，將高維梯度導數(shù)向量降為低維稀疏特征向量。該算法不僅保持了非線性尺度空間的優(yōu)點同時結合了尺度不變特征變換關鍵點檢測的穩(wěn)定性、魯棒性，而且能有效降低特征描述向量的計算復雜度，減少特征向量的維數(shù)，提高特征提取的有效性和配準速度。下面是對改進的AKAZE算法進行描述。

3.實驗結果與分析

實驗平臺為Windows 7操作系統(tǒng)，CPU2.8 GHz， 2G內存的個人電腦，編程環(huán)境VS2013。本節(jié)將通過實驗來驗證改進的AKAZE算法的性能并給出改進的AKAZE算法與其他匹配算法之間的性能對比。將改進的AKAZE算法和AKAZE算法分別用于實際應用中包含復雜背景結構的內容圖像配準。

通過表3-1算法性能對比可以看出：改進的AKAZE算法雖然在匹配時間高于AKAZE算法但是相比于SIFT算法提高3倍，同時改進后的算法的正確率遠高于其它配準算法。說明改進的算法更加實用對配準精度較高工程場合，具有實踐意義。

參考文獻：

[1]G. Arman， Development and status of image matching in photogrammetry， Photogramm. Rec. 27 （137） （2012） 36-57.

[2]D G.LOWE， "Distinctive Image Features from Scale-Invariant-Keypoints."International Journal of Computer Vision. 60.2（2004）91-110.

[3]P.F. Alcantarilla， A. Bartoli， A.J. Davison， KAZE features， Eur. Conf. on Comput. Vision （ECCV）， Fiorenze， Italy， October 2012.

[4]P.F. Alcantarilla， J. Nuevo， Adrien Bartoli， Fast Explicit Diffusion for Accelerated Features in Nonlinear Scale Spaces， British Machine Vision Conference （BMVC）， Bristol， UK， 2013.