橋梁病害圖像配準(zhǔn)算法研究

武旭娟

(遼寧省交通規(guī)劃設(shè)計(jì)院有限責(zé)任公司公路養(yǎng)護(hù)技術(shù)研發(fā)中心 沈陽(yáng)市 110111)

1 概述

橋梁在經(jīng)過(guò)長(zhǎng)時(shí)間的服役之后，會(huì)產(chǎn)生很多病害，其中一些病害會(huì)對(duì)橋梁長(zhǎng)期運(yùn)行產(chǎn)生致命的影響，所以需要定期對(duì)橋梁進(jìn)行檢測(cè)。橋梁病害比如長(zhǎng)度比較長(zhǎng)的裂縫，單個(gè)相機(jī)的視野并不能看到完整的病害信息，所以需要對(duì)單個(gè)相機(jī)采集到的圖像進(jìn)行拼接，去除圖像中的重疊區(qū)域，形成一幅完整的、視角更大的全景圖，使圖像能夠更加全面、直觀地顯示橋梁情況。

當(dāng)今社會(huì)，科學(xué)技術(shù)的發(fā)展日新月異，圖像配準(zhǔn)技術(shù)作為數(shù)字圖像處理的一部分已成為圖像信息處理、模式識(shí)別領(lǐng)域中的一項(xiàng)非常重要的技術(shù)，并在立體視覺(jué)、航空攝影測(cè)量、資源分析、醫(yī)學(xué)圖像配準(zhǔn)、光學(xué)和雷達(dá)跟蹤、檢測(cè)等領(lǐng)域得到了廣泛的應(yīng)用[1]。

圖像配準(zhǔn)是計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)經(jīng)典問(wèn)題，因此現(xiàn)有的圖像配準(zhǔn)方法有很多。從選擇的配準(zhǔn)基元和配準(zhǔn)方式的不同出發(fā)，常用的圖像配準(zhǔn)算法大體有：基于區(qū)域的配準(zhǔn)算法[2]、基于特征的配準(zhǔn)算法[3]和基于相位的配準(zhǔn)算法[4]?；趨^(qū)域的配準(zhǔn)算法直接對(duì)圖像像素進(jìn)行配準(zhǔn)，配準(zhǔn)結(jié)果不受特征檢測(cè)精度的影響，可得到比較好的定位精度，但是該方法對(duì)光照條件、對(duì)比度的變化和圖像的旋轉(zhuǎn)比較敏感，而且當(dāng)兩幅圖像相關(guān)像素鄰域內(nèi)存在遮擋和有重復(fù)的紋理特征時(shí)，會(huì)引起匹配的混淆，從而得到錯(cuò)誤的匹配結(jié)果，再加上配準(zhǔn)基元的數(shù)目很多會(huì)使得計(jì)算量很大，處理速度慢，并且容易受到噪聲干擾，魯棒性差。相位配準(zhǔn)法有相位相關(guān)法和相位差頻率法。由于配準(zhǔn)基元是相位，本身就是信號(hào)的結(jié)構(gòu)信息，對(duì)圖像的高頻噪聲有很好的抑制作用，但存在相位奇點(diǎn)和相位卷繞，隨著視差范圍的增大，其精度下降。然而基于特征的配準(zhǔn)算法利用圖像中的拐點(diǎn)、直線、圓弧、自由曲線和邊緣的朝向等幾何特征信息，配準(zhǔn)速度快，精度高，對(duì)光照變化、噪聲等不敏感，解決了測(cè)量環(huán)境變換這一因素帶來(lái)的問(wèn)題，所以選擇基于特征的配準(zhǔn)方法。

2 基于特征點(diǎn)的配準(zhǔn)方法

基于特征點(diǎn)的圖像匹準(zhǔn)算法，需要先在基準(zhǔn)圖像中選擇特征區(qū)域，應(yīng)用角點(diǎn)檢測(cè)算法提取角點(diǎn)，通過(guò)從檢測(cè)出的角點(diǎn)中選擇其中三個(gè)點(diǎn)作為特征點(diǎn)，然后在待配準(zhǔn)圖像中找到與之相匹配的特征點(diǎn)，根據(jù)這三對(duì)特征點(diǎn)的坐標(biāo)構(gòu)成的矩陣計(jì)算出從基準(zhǔn)圖像到待配準(zhǔn)圖像的仿射變換矩陣，最后對(duì)待配準(zhǔn)圖像運(yùn)用仿射變換得到定位后的結(jié)果圖像。整個(gè)流程如圖1所示。

圖1 匹配流程

考慮獲取特征的便捷性，通常以閉合區(qū)域、物體邊緣、輪廓、線的交叉點(diǎn)和角點(diǎn)等作為特征。為了便于進(jìn)一步處理，常用控制點(diǎn)(CPs)(質(zhì)心、端點(diǎn)、突出點(diǎn))來(lái)表征這些特征。在理想的情況下，好的檢測(cè)算法不管圖像出現(xiàn)何種畸變，都應(yīng)具有在兩幅圖像中檢測(cè)出相同特征的能力。由于選擇的控制點(diǎn)的精度、數(shù)量以及它們?cè)趫D像上分布情況會(huì)影響幾何校正和配準(zhǔn)的精度，所以控制點(diǎn)一般應(yīng)選擇較為明確、穩(wěn)定，并且在參考圖像和待配準(zhǔn)圖像上容易辨認(rèn)、目標(biāo)較小的突出特征點(diǎn)；控制點(diǎn)需分布均勻，否則在控制點(diǎn)較為密集的區(qū)域內(nèi)匹配的準(zhǔn)確度較好，而在控制點(diǎn)分布稀疏的地方，配準(zhǔn)的精確度就差，而且需注意控制點(diǎn)的數(shù)量要適當(dāng)，控制點(diǎn)過(guò)多計(jì)算機(jī)處理的時(shí)間加長(zhǎng)，控制點(diǎn)過(guò)少不利于精確配準(zhǔn)。

特征選取之后，需要建立參考圖像與待配準(zhǔn)圖像特征之間的對(duì)應(yīng)關(guān)系，按上述流程圖來(lái)進(jìn)行。

3 基于特征點(diǎn)匹配算法的實(shí)現(xiàn)

圖像采集過(guò)程中由于受到光照、拍攝時(shí)間、拍攝角度等的不同，兩幅圖像重疊區(qū)域中的同一個(gè)點(diǎn)拍攝效果可能并不完全一樣。特征點(diǎn)匹配就是把兩幅重合圖像中提取出的特征點(diǎn)匹配起來(lái)，找到正確的匹配點(diǎn)對(duì)。每一個(gè)匹配點(diǎn)對(duì)中的兩個(gè)點(diǎn)雖然是來(lái)自兩幅圖像，但是他們對(duì)應(yīng)的卻是圖像中的同一個(gè)點(diǎn)。特征點(diǎn)匹配采用knnMatch算法，這是一種蠻力匹配，基本原理是將待匹配圖片的SURF特征與目標(biāo)圖片中的全部SURF特征一對(duì)n的全量遍歷，找出相似度最高的前2個(gè)點(diǎn)。

為了排除因?yàn)閳D像遮擋或背景混亂而產(chǎn)生的無(wú)匹配關(guān)系的關(guān)鍵點(diǎn)，Lowe提出了比較最近鄰距離與次近鄰距離的匹配方式：取一幅圖像中的一個(gè)SURF關(guān)鍵點(diǎn)，并找出其與另一幅圖像中歐式距離最近的前兩個(gè)關(guān)鍵點(diǎn)，在這兩個(gè)關(guān)鍵點(diǎn)中，如果最近的距離除以次近的距離得到的比率少于某個(gè)閾值T，則接受這一對(duì)匹配點(diǎn)。

應(yīng)用halcon中的proj_match_points_ransac(Image1,Image2：：Rows1，Cols1,Rows2,Cols2,GrayMatchMethod,MaskSize,RowMove,ColMove,RowTolerance,ColTolerance,Rotation,MatchThreshold,EstimationMethod,DistanceThreshold,RandSeed：：HomMat2D,Points1,Points2) 算子來(lái)實(shí)現(xiàn)特征點(diǎn)的正確匹配。halcon中，函數(shù)參數(shù)包括四部分：圖像數(shù)據(jù)輸入、圖像數(shù)據(jù)輸出、控制輸入和控制輸出，每一個(gè)函數(shù)并不一定都包括這四部分。此算法中，沒(méi)有圖像數(shù)據(jù)輸出，其中[Image1,Image2]代表左右兩幅圖像，[Rows1,Cols1,Rows2,Cols2,]為左右兩幅圖像中提取的特征點(diǎn)的橫縱坐標(biāo)。

整個(gè)匹配過(guò)程分兩步：首先，確定兩幅圖像中特征點(diǎn)周圍掩模窗口的灰度相關(guān)性，特征點(diǎn)之間的初始匹配由兩幅圖像窗口的相似性來(lái)生成。然后應(yīng)用RANSAC算法確定極限約束下的對(duì)應(yīng)關(guān)系。掩模窗口為MaskSize×MaskSize，灰度相似性度量方法(GrayMatchMethod)有三種，且最簡(jiǎn)單的計(jì)算相似度量的方法是SAD(sum of absolute gray value difference)和SSD(sum of squared gray value difference)，這兩種相似測(cè)量方法的運(yùn)算速度非?？?。不幸的是，這兩個(gè)方法有一個(gè)缺點(diǎn)，就是光照變化對(duì)算法影響比較大。而在本試驗(yàn)中，由于兩個(gè)相機(jī)的視角不同，光線是有變化的，所以選擇使用歸一化互相關(guān)方法(NCC-normalied cross-correlation)計(jì)算相似度量。使用歸一化互相關(guān)系數(shù)的優(yōu)點(diǎn)就是線性的光照變化不會(huì)導(dǎo)致該系數(shù)發(fā)生變化，這個(gè)不變性是通過(guò)直接減去平均灰度值消除加法對(duì)圖像的影響，用灰度值的標(biāo)準(zhǔn)方差消除乘法對(duì)圖像的影響，然而此方法計(jì)算過(guò)程比較耗時(shí)。

為了提高算法的速度，搜索區(qū)域可以限制，這就需要標(biāo)定得到的平移與旋轉(zhuǎn)參數(shù)，即[RowMove,ColMove,Rotation]，最重要的便是旋轉(zhuǎn)參數(shù)，此參數(shù)的精確性關(guān)系到匹配的準(zhǔn)確度。

參數(shù)EstimationMethod表示根據(jù)攝像機(jī)之間的位置來(lái)選擇應(yīng)用那種方法，如果攝像機(jī)之間既有平移又有旋轉(zhuǎn)，則設(shè)置為“normalized_dlt”或者“gold_standard”；如果攝像機(jī)之間只有平移，則設(shè)置為“trans_normalized_dlt”或“trans_gold_standard”。

參數(shù)error是控制輸出參數(shù)，是對(duì)整個(gè)匹配過(guò)程中精度的一個(gè)評(píng)價(jià)，是點(diǎn)到核線的平均歐式距離，用像素值來(lái)表示。

[Points1,Points2]也是控制輸出參數(shù)，是應(yīng)用此算法匹配成功的特征點(diǎn)。

整個(gè)匹配過(guò)程流程圖如圖2所示。

圖2 配準(zhǔn)流程圖

4 實(shí)驗(yàn)過(guò)程及分析

由于橋梁病害識(shí)別系統(tǒng)采集到的圖像像素尺寸較大，特征點(diǎn)較多，在尋找特征點(diǎn)時(shí)耗時(shí)久，為了提高拼接效率，先對(duì)感興趣區(qū)域進(jìn)行提取。為了盡可能多地獲得重疊區(qū)域，選取一定的感興趣區(qū)域進(jìn)行特征點(diǎn)提取。

圖3 原圖

圖4 感興趣區(qū)域提取

特征點(diǎn)匹配結(jié)果如圖5所示，為了清晰展示匹配結(jié)果，圖5所展示的是部分區(qū)域放大圖像。可以看出，由于消除了大部分不合格的特征點(diǎn)，能夠得到比較精準(zhǔn)的匹配效果。

圖5 配準(zhǔn)結(jié)果

通過(guò)上述過(guò)程可以得到兩幅待拼接圖像的匹配點(diǎn)集，根據(jù)匹配點(diǎn)集對(duì)圖像進(jìn)行配準(zhǔn)，即將兩張圖像轉(zhuǎn)換到同一坐標(biāo)下，并通過(guò)兩個(gè)匹配點(diǎn)集求得變換矩陣，找出特征點(diǎn)之間的映射關(guān)系。由于系統(tǒng)采集到的橋梁圖像尺寸較大，拼接多幅圖像對(duì)硬件要求高、耗時(shí)長(zhǎng)，為了加快計(jì)算速度，本算法采用縮略圖進(jìn)行拼接，拼接圖像長(zhǎng)、寬各縮小到原圖的1/16。根據(jù)匹配點(diǎn)集計(jì)算出拼接圖像區(qū)域大小，用變換矩陣對(duì)右圖進(jìn)行仿射變換，并對(duì)左圖進(jìn)行拷貝。仿射變換結(jié)果如圖6所示，拼接結(jié)果如圖7所示。

圖6 仿射變換結(jié)果

圖7 拼接結(jié)果

從圖7可以看出，拼接效果并不自然，造成這一問(wèn)題的主要原因是兩幅圖像的光照條件不同，色調(diào)也不相同，因此使用加權(quán)融合來(lái)降低這一影響，即在重疊部分由前一幅圖像慢慢過(guò)渡到第二幅圖像，將圖像的重疊區(qū)域的像素值按一定的權(quán)值相加合成新的圖像，融合效果如圖8所示。

圖8 圖像融合結(jié)果

多幅圖像拼接結(jié)果如圖9所示。

5 結(jié)束語(yǔ)

對(duì)單反相機(jī)采集的圖像，應(yīng)用基于特征點(diǎn)的配準(zhǔn)方法，實(shí)現(xiàn)了圖像的拼接。經(jīng)過(guò)多次實(shí)驗(yàn)驗(yàn)證，此配準(zhǔn)方法切實(shí)可行，改善了單個(gè)相機(jī)不能拍攝大視場(chǎng)圖像、不能完整查看病害信息的情況。

圖9 多幅圖像拼接結(jié)果