基于紅外圖像特征匹配的圖像處理系統(tǒng)*

，，

(浙江清華長(zhǎng)三角研究院 先進(jìn)制造技術(shù)研究所，嘉興 314000)

引 言

圖像匹配算法是目標(biāo)識(shí)別和人工智能的關(guān)鍵技術(shù)之一。近年來(lái)，隨著此技術(shù)在各領(lǐng)域的應(yīng)用需求不斷增加，其已成為眾多學(xué)者的重點(diǎn)研究對(duì)象。

根據(jù)匹配基本原理[1]，圖像匹配可分為三類(lèi)[2]：基于灰度相關(guān)的圖像匹配[3]、基于特征的圖像匹配[4-6]和基于解釋的圖像匹配。基于灰度相關(guān)的匹配方法需要選取一定大小的窗口灰度陣列，一旦進(jìn)入信息貧乏區(qū)域，匹配失敗在所難免?；诮忉尩膱D像匹配需要建立圖片自動(dòng)判讀的專(zhuān)家系統(tǒng)，不僅要有非常大的數(shù)據(jù)庫(kù)支持，而且計(jì)算量龐大，相關(guān)的研究至今也尚未取得突破性的進(jìn)展。而基于特征的匹配通過(guò)提取圖片的一些特征后，再采用算法進(jìn)行匹配。這樣既避免了采用死板的固定灰度陣列，也降低了計(jì)算量，具有靈活性強(qiáng)、準(zhǔn)確性高等優(yōu)點(diǎn)。

本文以TI公司的TMS320C6000系列DSP(Digital Signal Processor)為核心，組建紅外圖像匹配系統(tǒng)。利用DSP計(jì)算速度快的特點(diǎn)，系統(tǒng)在匹配算法運(yùn)行前加入圖像預(yù)處理過(guò)程，減少了干擾影響，優(yōu)化了匹配效果。

1 系統(tǒng)構(gòu)成

1.1 系統(tǒng)描述

紅外圖像匹配系統(tǒng)前端配備的是國(guó)內(nèi)公司自主研發(fā)的波長(zhǎng)范圍為8～14 μm的中紅外波段熱源檢測(cè)器，輸出14位有效數(shù)據(jù)。核心處理器采用TMS320DM648型號(hào)DSP，該款DSP許多特性可為在處理圖像信號(hào)時(shí)提供很大的便捷性。最后，紅外灰度圖片經(jīng)偽彩色算法著色后在液晶屏顯示，并輸出匹配結(jié)果。

1.2 系統(tǒng)硬件構(gòu)成

紅外圖像匹配系統(tǒng)的硬件主要由三部分組成，分別是電源模塊、DSP模塊和FPGA模塊。電源模塊負(fù)責(zé)電路板所有設(shè)備的供電，除了電路板上的芯片，還包括外部設(shè)備接口處的供電。DSP模塊負(fù)責(zé)數(shù)據(jù)處理，包括圖像處理算法、通信數(shù)據(jù)處理等，是系統(tǒng)的核心。FPGA模塊主要負(fù)責(zé)多種接口的轉(zhuǎn)換、接口協(xié)議的實(shí)現(xiàn)等功能。系統(tǒng)中紅外圖片數(shù)據(jù)的輸入輸出都需要經(jīng)過(guò)FPGA解碼和編碼。系統(tǒng)硬件結(jié)構(gòu)如圖1所示。

圖1 系統(tǒng)硬件結(jié)構(gòu)圖

1.3 系統(tǒng)算法構(gòu)成

1.3.1 圖像預(yù)處理

紅外傳感器輸出圖像的尺寸為640×480，為了提高運(yùn)算效率，縮短匹配時(shí)間，需要將原始圖片尺寸縮小。但如果一味追求運(yùn)算速度而把圖片尺寸縮得過(guò)小，則會(huì)導(dǎo)致圖片特征信息丟失，反而不利于正確匹配。因此權(quán)衡之后，選擇圖片的長(zhǎng)寬分別縮小為原來(lái)的四分之一比較合適。其中，縮放算法采用近鄰取樣插值算法。

紅外檢測(cè)設(shè)備在運(yùn)用于大型電廠或者變電場(chǎng)所時(shí)，由于室內(nèi)室外有些檢測(cè)位置的背景較為復(fù)雜，存在一些不可忽略的干擾因素，因此本文采用最大類(lèi)間方差算法[7-8]去除背景干擾。

1.3.2 圖像特征提取

圖像特征提取分兩步進(jìn)行：第一步提取邊緣信息，第二步提取圖像共生矩陣。

紅外圖像輸入DSP時(shí)即為灰度數(shù)據(jù)，故可直接采用Sobel算法[9]進(jìn)行邊緣提取。利用水平和垂直Sobel算子分別與圖像作卷積運(yùn)算：

(1)

其中D為圖像數(shù)據(jù)矩陣，Gx為提取水平方向邊緣的圖片數(shù)據(jù)，Gy為提取垂直方向邊緣的圖片數(shù)據(jù)。圖像的邊緣強(qiáng)度為：

(2)

由于不同的圖像邊緣信息差異較大，G的取值范圍變化也會(huì)很大，不利于后續(xù)圖像特征提取，故將其歸一化后，再映射到8位圖像灰度值區(qū)間：

(3)

其中Gmin和Gmax分別是G的最小值和最大值。

灰度共生矩陣[10]是一種常用的紋理特征分析方法，它對(duì)圖像每?jī)蓚€(gè)像素灰度級(jí)聯(lián)合分布進(jìn)行統(tǒng)計(jì)，能很好地體現(xiàn)紋理灰度級(jí)相關(guān)性的規(guī)律。灰度共生矩陣被定義為從灰度級(jí)i的點(diǎn)離開(kāi)某個(gè)固定位置關(guān)系D=(Dx,Dy)達(dá)到灰度為j的概率。灰度共生矩陣用PD(i,j)(i,j=0,1,2,…,L-1)表示。其中L表示圖像灰度級(jí)，i、j分別表示兩個(gè)像素的灰度。共生矩陣生成的方向一般為0°、45°、90°、135°四個(gè)方向。由于紅外圖像信息偏少，為了增加匹配算法的魯棒性，本文采用上述的全部4個(gè)方向的共生矩陣作為圖像的特征向量。

P=[P0(i,j),P45(i,j),P90(i,j),P135(i,j)]

(i,j=0,1,2,…,L-1)

(4)

考慮DSP在處理中讀寫(xiě)數(shù)據(jù)的速度問(wèn)題，將式(4)轉(zhuǎn)換為一維數(shù)組，則特征向量可表述為：

P(i)(i=0,1,2,…,4×L2-1)

(5)

1.3.3 圖像匹配算法

圖像的匹配過(guò)程實(shí)則是圖像特征向量的匹配。本文采用曼哈頓距離算法[11]衡量未知圖的特征向量PX(i)(i=0,1,2,…,4×L2-1)和圖庫(kù)的特征向量PR(i)(i=0,1,2,…,4×L2-1)的匹配程度，如式(6)所示：

(6)

由于不同圖片提取的特征向量數(shù)值差異較大，在多個(gè)樣本參與匹配時(shí)不利于獲得正確的匹配結(jié)果。因此對(duì)傳統(tǒng)曼哈頓距離算法作了改進(jìn)，加入權(quán)重系數(shù)W，使不同的特征向量處于同一數(shù)量級(jí)。

(7)

在實(shí)際處理中，以圖庫(kù)圖片的特征向量來(lái)計(jì)算權(quán)重系數(shù)，然后通過(guò)改進(jìn)的曼哈頓距離計(jì)算公式得到圖庫(kù)圖片與未知圖片之間的一個(gè)匹配值，數(shù)值最小對(duì)應(yīng)的圖庫(kù)圖片則被判定為匹配結(jié)果。其中，改進(jìn)后的距離稱(chēng)為加權(quán)距離，如式(8)所示：

(8)

由于采用全部4個(gè)方向(0°,45°,90°,135°)的共生矩陣作為圖像的特征向量，故理論上灰度共生矩陣的總和Ptotal與圖像像素尺寸大小(m×n)的關(guān)系如式(9)所示：

Ptotal=(m-1)·n+m·(n-1)

+(m-1)·(n-1)+(m-1)·(n-1)

(9)

本文圖像通過(guò)尺寸調(diào)整后像素均為160×120，所以Ptotal=75 962。

由于預(yù)處理時(shí)去除了背景，所以實(shí)際參與灰度共生矩陣計(jì)算的有效像素有所減少，導(dǎo)致實(shí)際灰度共生矩陣總和也相應(yīng)減小，則圖像去除背景后的灰度共生矩陣有效占比率(L)為：

(10)

調(diào)整后的距離方程如式(11)所示，稱(chēng)其為有效距離。

DL=L·dW(PX,PR)

(11)

2 實(shí)驗(yàn)結(jié)果與分析

為了對(duì)所建系統(tǒng)的實(shí)時(shí)性、準(zhǔn)確性和穩(wěn)定性有效地評(píng)估，本文設(shè)計(jì)了4組匹配實(shí)驗(yàn)，每一組匹配實(shí)驗(yàn)的次數(shù)為30次，分別統(tǒng)計(jì)每組的消耗時(shí)間和匹配成功率，其中時(shí)間是通過(guò)高精度示波器檢測(cè)硬件I/O高低狀態(tài)變換測(cè)得，如表1所列。

表1 匹配不同圖庫(kù)的時(shí)間和成功率

實(shí)驗(yàn)中，雖然隨著圖庫(kù)圖片數(shù)量增加，匹配消耗的時(shí)間也增加，但增加的幅度比較小，而且匹配所耗時(shí)間整體都是遠(yuǎn)遠(yuǎn)小于紅外圖片更新時(shí)間40 ms(每秒25幀)。匹配的準(zhǔn)確率與圖庫(kù)圖片有一定關(guān)系，如果圖庫(kù)中存在特征比較接近的圖片，則系統(tǒng)可能會(huì)匹配錯(cuò)誤。整體上，系統(tǒng)的匹配效率、準(zhǔn)確率等方面符合要求。

結(jié) 語(yǔ)

趙飛(碩士研究生)，主要研究方向?yàn)閳D像識(shí)別。