圖像配準(zhǔn)中的特征分類和評價

趙夫群 咸陽師范學(xué)院 陜西咸陽 712000

?

圖像配準(zhǔn)中的特征分類和評價

趙夫群 咸陽師范學(xué)院 陜西咸陽 712000

【文章摘要】

圖像配準(zhǔn)一直是圖像處理領(lǐng)域的一個研究熱點。針對基于特征的圖像配準(zhǔn)，本文首先對常見的點特征、線段特征、曲線與輪廓特征、封閉區(qū)域特征、矩不變特征和混合特征等進行了分析，并給出了一些具體的應(yīng)用實例；然后提出了特征的幾個評價標(biāo)準(zhǔn)，即重復(fù)率、顯著性、數(shù)量性、準(zhǔn)確性和高效性。圖像配準(zhǔn)技術(shù)日趨成熟，今后其理論發(fā)展會更加完善，應(yīng)用前景更加廣闊。

【關(guān)鍵詞】

圖像配準(zhǔn)；角點；輪廓特征；重復(fù)率

0　引言

圖像配準(zhǔn)就是將同一場景（或物體）在不同時刻或視角下，經(jīng)由相同或者不同成像設(shè)備得到的，位于不同坐標(biāo)系下的圖像變換到同一坐標(biāo)系的過程。目前，基于特征的圖像配準(zhǔn)的應(yīng)用范圍較廣，研究較多。該配準(zhǔn)方法主要包含以下幾個步驟：特征選擇與提取、特征匹配、幾何變換模型的選取與參變量的估計、圖像重新采樣與變換等。這些共同特征主要包括點特征、線段特征、曲線與輪廓特征、封閉區(qū)域特征、矩不變特征和混合特征等。與其它方法相比，基于特征的圖像配準(zhǔn)方法具有計算復(fù)雜度低、魯棒性強、能夠適用于部分存在復(fù)雜幾何變形圖像之間的配準(zhǔn)等優(yōu)點。

1　幾種常用的圖像配準(zhǔn)特征

由于圖像中的特征豐富多樣，因此產(chǎn)生了多種基于不同特征的配準(zhǔn)方法，其中經(jīng)常使用的特征有：點、線、邊緣、輪廓、閉合區(qū)域、矩不變量、重心等。下面我們對這些特征做一些簡要的介紹。

1.1點特征

點特征是圖像的一種重要的局部特征之一，其主要采用的是圖像中的邊緣點、直線的交點、角點、高曲率的點以及極值點等。比較經(jīng)典的特征點提取算法主要有Harris 角點檢測算法、SUSAN 算法和DoG 算法等。

在基于點特征的圖像配準(zhǔn)方法中，Zhang，H.等將ICP策略引入到圖像配準(zhǔn)算法中，通過優(yōu)化兩對特征點集間的距離函數(shù)，最終實現(xiàn)特征點集間的匹配。王青松等提出了一種改進的Harris特征點提取算法，并將其應(yīng)用于紋理頻繁影響區(qū)的特征提取。劉冬秋等提出了一種改進的ICP算法，并將其應(yīng)用到雕像數(shù)據(jù)的精確配準(zhǔn)中。

1.2線段特征

直線段也是圖像中的一個顯著特征。在文獻［3-4］中，作者成功地利用圖像中提取直線段，實現(xiàn)了圖像間的配準(zhǔn)。

1.3曲線與輪廓特征

很多時候，場景圖像中都包含有豐富的曲線和輪廓信息，曲線和輪廓相對于其它特征來說對噪聲和光線變化的魯棒性都較高，從匹配曲線和輪廓中計算幾何變換參變量的值也比較容易，因此基于曲線和輪廓的圖像配準(zhǔn)方法在圖像配準(zhǔn)領(lǐng)域內(nèi)被廣泛使用。

近年來，隨著圖像分割、特征檢測等技術(shù)的發(fā)展，曲線和輪廓檢測技術(shù)已逐漸成熟。目前曲線和輪廓的檢測算法包括：Canny邊緣提取算子、拉普拉斯一高斯算子（LoG）、基于一階或二階差分的曲線檢測算法、區(qū)域增長、圖像分割方法。Govindu等采用輪廓上點的切線斜率來表示物體輪廓，通過比較輪廓邊緣的分布確定變換參數(shù)。Li，H.andManjunath等通過物體的輪廓實現(xiàn)了圖像的配準(zhǔn)。郭寶云等在常用的多特征提取方法的基礎(chǔ)上提出了一種附加約束條件的零件輪廓線的多特征提取方法。

1.4封閉區(qū)域特征

Goshtasby等人最早應(yīng)用分割區(qū)域方法來配準(zhǔn)圖像，他們實現(xiàn)配準(zhǔn)的控制點是封閉區(qū)域的重心。何芳芳等［提出了一種基于圖像區(qū)域特征的模糊熵差景像匹配新算法。李建更等提出了一種通過提取參考區(qū)域光照陰影及其輪廓幾何特征的方法，解決了探測器在行星表面精確著陸的問題。

1.5矩不變量特征

矩不變量是從這些區(qū)域中計算出的具有對平移、旋轉(zhuǎn)和縮放不變性的描述子。根據(jù)不同階的矩，可以組合出具有不同不變性的各種矩不變量。胡大可等提出了基于矩不變量的二位圖像序列動態(tài)特征抽取方法，實現(xiàn)了用計算機自動識別人體關(guān)節(jié)點的目標(biāo)。黃義仿等提出了一種基于小波分析和矩不變量的量化特征提取新方法，解決了旋轉(zhuǎn)機械智能診斷中缺少量化特征值的問題。

1.6混合特征

通常，在很多圖像中往往是同時包含有多種可以利用的特征，利用幾種特征的組合，可以有效彌補單一特征的缺點并充分利用它們的長處。結(jié)合相似度量函數(shù)，圖像的灰度信息可以準(zhǔn)確無誤地驗證曲線匹配的正確性，從而提高基于特征的圖像匹配的魯棒性和穩(wěn)定性。Johnson等提出利用特征點和灰度值信息結(jié)合進行圖像配準(zhǔn)的方法。Mista等提出利用特征點和曲線結(jié)合的方法來實現(xiàn)圖像配準(zhǔn)。

2　特征的評價標(biāo)準(zhǔn)

基于特征的圖像配準(zhǔn)的關(guān)鍵在于特征的選取，選取特征的好壞也直接決定著圖像配準(zhǔn)的成敗。通過對眾多特征檢測算法的總結(jié)發(fā)現(xiàn)，一種好的特征應(yīng)該具備以下性質(zhì)：

（1）重復(fù)率：重復(fù)率是指在不同條件下拍攝的同一目標(biāo)或者場景的多幅圖像中，能夠同時被檢測到的特征占全部檢測出特征的比率。重復(fù)率越高，圖像配準(zhǔn)的魯棒性和穩(wěn)定性越高，反之魯棒性和穩(wěn)定性就越差。

（2）顯著性：也叫獨特性，是指所選擇的配準(zhǔn)特征在基準(zhǔn)圖像和浮動準(zhǔn)圖像中應(yīng)該都是顯著的對象，易于檢測，并且有穩(wěn)定可靠的提取算法。

（3）數(shù)量性：特征點的數(shù)量應(yīng)該是豐富的，這樣有利于根據(jù)不同的應(yīng)用環(huán)境對所需的特征點數(shù)量進行調(diào)整，而且特征點的分布應(yīng)該能夠反映圖像的內(nèi)容，從而能夠從它們的對應(yīng)關(guān)系中有效地估算出所選幾何變換模型的參數(shù)。

（4）準(zhǔn)確性：檢測到的特征點應(yīng)該在位置、尺度等方面具有較高的準(zhǔn)確性，不同圖像對應(yīng)特征點之間的位置偏差不能太大，這直接關(guān)系到利用這些特征計算出的幾何變換模型參變量的值的正確性及圖像配準(zhǔn)所能達到的精度。

（5）高效性：一幅圖像的特征數(shù)目可能很多，所以更加需要一個高效的描述符，即描述符特征向量的維數(shù)應(yīng)盡可能低，而描述符要有顯著的可區(qū)分性，特征點檢測的時間不能太長，遙盡量滿足實時性的要求。

3　總結(jié)

針對基于特征的圖像配準(zhǔn)方法，本文主要綜述了點特征、線段特征、曲線與輪廓特征、封閉區(qū)域特征、矩不變特征以及混合特征等幾種主要特征，對于一些其他的特征還有待進一步的研究和探討。而且，隨著某些具體應(yīng)用對各種性能指標(biāo)要求的不斷提高，對圖像配準(zhǔn)技術(shù)也提出了新的要求，例如，如何提高圖像配準(zhǔn)的精度，如何改善圖像配準(zhǔn)算法的運算效率、穩(wěn)定性、魯棒性和可靠性等。有些問題雖然已經(jīng)有了較多的解決方案，但仍需進一步的發(fā)展完善。

【作者簡介】

趙夫群，女，漢族，生于1982.8，籍貫山東臨沂，咸陽師范學(xué)院講師，西北大學(xué)在讀博士，研究方向：三維模型安全技術(shù)。