趙柏山 張 楠

（沈陽工業(yè)大學信息科學與工程學院 沈陽 110870）

1 引言

圖像匹配是指通過提取圖像中比較顯著的點形成數(shù)據(jù)信息，然后與其他圖像的信息進行比對從而找到兩幅或多幅圖像的相關性。目前，在各領域中廣泛使用基于互信息的圖像配準，且出現(xiàn)了較多的優(yōu)化算法［1］。在圖像匹配方法中基于特征點的方法更受歡迎，因其在圖像旋轉(zhuǎn)和光照變化等方面的匹配性能更好。基于特征的影像匹配算法主要是提取圖像的局部不變特征，如點特征、線特征等。其中，基于點特征的影像匹配算法以其穩(wěn)定高效的優(yōu)點而受到研究者的青睞?；邳c特征的影像匹配算法由特征點提取、特征點描述以及特征點匹配三個步驟組成。

2 AKAZE算法

傳統(tǒng)的特征匹配算法［2～5］，因利用高斯濾波來消除噪聲，會導致圖像邊界模糊和細節(jié)丟失［6］。為了解決這個問題，KAZE算法［7］采用基于非線性尺度空間的方法，即加性算子分裂（AOS）［8］算法來構(gòu)造尺度空間，在非線性尺度空間完成特征點的檢測。但該算法實現(xiàn)復雜，因此，提出了AKAZE算法［9～11］，該算法在匹配精度和運算復雜度上都較KAZE算法有所優(yōu)化。盡管如此，仍提高得不夠理想。故此提出一種改進算法，利用FAST算法的高效提取對AKAZE算法的特征提取部分進行改善，使得算法在匹配速度及一些變換圖像的魯棒性方面［12～13］有進一步的提高。通過實驗結(jié)果表明新算法的配準效果良好。

3改進的AKAZE算法

AKAZE算法雖然利用了二進制描述符，但由于特征點檢測部分是用非線性濾波來構(gòu)造尺度空間，因此匹配速度較慢。為提高匹配速度，現(xiàn)將ORB特征點檢測與AKAZE算法的M-LDB描述符相結(jié)合，來實現(xiàn)圖像特征匹配。

3.1 特征點檢測

特征點檢測部分使用改進的FAST算法［14］，即拿一個點跟它周圍的點比較，如果它和周圍大部分的點都不一樣就可以認為它是一個特征點。

首先定義一個閾值t，然后計算周圍像素點與中心像素點的灰度差的絕對值，如果16個像素點中有N個點的絕對值大于等于t，則判定該檢測點為特征點。為加快判定過程，先計算序號為1，5，9，13這4個像素點，其中至少有3個滿足條件才進一步判斷其它的像素點，否則丟棄P點。判定公式如下：

其中，I表示灰度值，N一般取9或者12。使用FAST算法找到的特征點如圖1。

圖1 FAST算法找到的特征點

為了彌補FAST算法的方向敏感性問題，ORB算法采用oFAST算法，即給FAST特征添加上方向信息。特征點方向的確定是在特征點鄰域內(nèi)找到特征點到質(zhì)心的矢量方向以此方向來定義特征點的方向，鄰域矩的公式可表示為

其中，S表示待測特征點的鄰域，I表示灰度值。鄰域的質(zhì)心坐標可為

其中，m00，m01和m10分別為式（3）中p、q取值為0或1時的值。此時，可得到特征點的方向為

3.2 特征點描述與匹配

改進算法的特征點描述與匹配使用的是AKAZE算法的M-LDB［15］描述法。以任意給出的某圖像為例，M-LDB描述符是根據(jù)特征點主方向，將LDB所劃分的網(wǎng)格單元做相應旋轉(zhuǎn)使其旋轉(zhuǎn)到主方向上，然后計算每個網(wǎng)格的平均強度和梯度，各公式如下：

式中，m為網(wǎng)格i的總數(shù)，Iavg（i）為各網(wǎng)格單元的平均強度，dx（i）和dy（i）分別為網(wǎng)格i區(qū)域的x和y方向的梯度。然后，LDB分別比較成對網(wǎng)格單元之間的平均強度和梯度，根據(jù)比較結(jié)果，相應地設為0或者1。其公式如下：

對M-LDB算子生成的結(jié)果進行漢明距離匹配，生成匹配結(jié)果。用RANSAC［16～17］算法對匹配結(jié)果進行篩選，得到準確率較高的匹配圖像。

4 實驗與分析

4.1 實驗設計

對不同模糊程度圖像（blurbikes）、不同程度的JPEG壓縮圖像（JPEGubc）、不同光照強度圖像（light.Leuven）、不同旋轉(zhuǎn)角度的圖像（viewpoint.graf）分別選取四張圖片組成實驗數(shù)據(jù)，通過第一張圖片與其后的三張圖片匹配得出匹配結(jié)果，把它們定義為第1～3組，對比它們的匹配時間與正確率。其中匹配時間是通過取30次匹配時間的平均值得出的，匹配正確率是取30次匹配正確率的平均值得出的。

實驗中，所用的電腦為Windows7系統(tǒng)，64位的操作系統(tǒng)，并使用Visual Stdio 2017進行實驗。

4.2 各變化條件下圖像匹配結(jié)果及分析

不同模糊程度的圖像如圖2所示，將后三幅圖片分別與第一幅圖進行匹配，記錄不同算法所用的匹配時間及正確率。圖2（a）與圖2（d）在改進算法下的匹配結(jié)果如圖3。

圖2 不同模糊程度的圖像

圖3 改進算法的匹配結(jié)果

不同模糊程度的圖像的匹配時間與正確率的對比情況見表1（表中單位為百分比和微秒（ms））。

表1 不同模糊程度圖像匹配時間與正確率

從表1可以看出，對于不同模糊程度的圖像在匹配速度方面，本算法比AKAZE算法的匹配速度快了近4倍；在匹配準確率方面，比ORB算法準確率高，比AKAZE算法略低。

對原圖片進行不同程度的JPEG壓縮后如圖4所示與原圖像圖4（a）進行匹配，改進算法的匹配結(jié)果如圖5。匹配時間與正確率對比情況見表2。

圖4 不同程度的JPEG壓縮圖像

圖5 改進算法的匹配結(jié)果

表2 不同JPEG壓縮圖像的匹配時間與正確率

從表2可以看出，在不同程度的壓縮圖像在匹配速度方面，本算法比AKAZE的匹配速度平均快了兩倍多；在匹配準確率方面，本算法比ORB算法和AKAZE算法都要高。

不同光照強度圖像如圖6所示，圖6（a）與圖6（d）在改進算法下的匹配結(jié)果如圖7。相應的匹配時間與匹配正確率對比情況見表3。

圖6 不同光照強度圖像

圖7 改進算法的匹配結(jié)果

表3 不同光照強度圖像的匹配時間與正確率

從表3可以看出，在不同光照強度時，匹配速度方面，本算法比AKAZE算法快了近五倍；在匹配正確率方面，本算法在光照強度變化較小時，比ORB算法和AKAZE算法都高，但是在光照較暗時，正確率還有待提高。

不同旋轉(zhuǎn)角度的圖像如圖8，圖8（a）與圖8（d）在改進算法下的匹配結(jié)果如圖9。匹配的時間與正確率對比情況見表4。

圖8 不同選轉(zhuǎn)角度圖像

圖9 改進算法的匹配結(jié)果

表4 不同旋轉(zhuǎn)角度圖像的匹配時間與正確率

從表4可以看出，在圖像的旋轉(zhuǎn)角度變化中，在匹配速度方面，本算法比AKAZE算法快了五倍多；在匹配正確率方面，本算法在角度變化較小時，比ORB算法和AKAZE算法都高，但是在角度變化較大時，比ORB算法高比，AKAZE算法低，正確率還有待提高。

5 結(jié)語

文中提出的改進算法是將ORB算法與AKAZE算法相結(jié)合，采用ORB的FAST角點檢測，提高了特征點檢測速度。采用AKAZE的特征點描述部分保留了其魯棒性強的特點，匹配時使用漢明距離，速度比歐式距離快。由此可見，兩者結(jié)合后，算法的匹配速度比AKAZE算法提高很多。在不同JPEG壓縮的圖像、不同的光照強度圖像匹配中，改進后的算法的匹配精度也比ORB算法與AKAZE算法更高。目前還存在著在不同模糊程度、不同旋轉(zhuǎn)角度時匹配精度較AKAZE算法差的問題，對此如何解決，也將成為后續(xù)研究的重點。