基于對(duì)比度Harris的快速魯棒圖像配準(zhǔn)算法

吳一全， 謝芬

(1.南京航空航天大學(xué) 電子信息工程學(xué)院，江蘇，南京 211106;2.中國(guó)地質(zhì)科學(xué)院 礦產(chǎn)資源研究所國(guó)土資源部成礦作用與資源評(píng)價(jià)重點(diǎn)實(shí)驗(yàn)室，北京 100037;3.成都理工大學(xué) 國(guó)土資源部地學(xué)空間信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，四川，成都 610059;4.蘭州大學(xué) 甘肅省西部礦產(chǎn)資源重點(diǎn)實(shí)驗(yàn)室，甘肅，蘭州 730000)

圖像配準(zhǔn)是在不同條件下對(duì)同一對(duì)象獲得的兩幅圖像校準(zhǔn)的過(guò)程，這兩幅圖像可能取自不同的時(shí)間，源于不同的拍攝角度或不同條件的組合等[1-5]. 它被運(yùn)用在遙感圖像拼接、醫(yī)學(xué)影像融合、運(yùn)動(dòng)估計(jì)等領(lǐng)域. 圖像配準(zhǔn)算法主要可分為基于區(qū)域的配準(zhǔn)和基于特征的配準(zhǔn). 基于點(diǎn)特征的圖像配準(zhǔn)算法[6-8]因其計(jì)算速度較快、魯棒性較強(qiáng)而受到關(guān)注. 其中基于Harris配準(zhǔn)算法定位較為準(zhǔn)確、計(jì)算速度也快、算法易于實(shí)現(xiàn)，但其有兩個(gè)主要缺陷：① 不具有尺度不變性；② 需要事先根據(jù)經(jīng)驗(yàn)設(shè)定角點(diǎn)檢測(cè)的閾值，較大的閾值會(huì)使得角點(diǎn)數(shù)目檢測(cè)得過(guò)少；較小的閾值則檢測(cè)過(guò)多的角點(diǎn)，運(yùn)算量很大，對(duì)后續(xù)圖像配準(zhǔn)造成不利影響. 為了解決基于Harris配準(zhǔn)算法的尺度敏感問(wèn)題，許佳佳[9]通過(guò)尺度不變特征變換(scale invariant feature transform, SIFT)描述Harris算法獲得的角點(diǎn)進(jìn)行配準(zhǔn). 該算法建立高斯尺度空間，使提取的角點(diǎn)具有尺度不變性，再使用Forsnter算法對(duì)角點(diǎn)進(jìn)行精定位，但算法原理較為復(fù)雜. 高飛等[10]則提出了基于Harris-Laplace和信息熵的配準(zhǔn)算法(entropy Harris)，然而該算法需要確定分塊圖像的信息熵，計(jì)算量較大，且每層圖像角點(diǎn)檢測(cè)的全局閾值和局部閾值都需要根據(jù)其所在尺度角點(diǎn)響應(yīng)的局部極大值計(jì)算，這使運(yùn)算量進(jìn)一步增加. 另一方面，為了解決基于Harris配準(zhǔn)算法的閾值自適應(yīng)問(wèn)題，現(xiàn)有的研究主要采取兩條途徑：提取圖像顯著性區(qū)域作為候選檢測(cè)區(qū)域[11-12]；或根據(jù)區(qū)域顯著性的不同自適應(yīng)確定角點(diǎn)檢測(cè)的閾值[13-15]. 李小昌等[11]計(jì)算分塊區(qū)域的熵值，組成熵值矩陣，然后使用K-means算法根據(jù)熵值將熵矩陣分為3類，去掉熵值最小的一類，直接在顯著性區(qū)域檢測(cè)角點(diǎn)，但計(jì)算每塊區(qū)域的熵值會(huì)耗費(fèi)大量時(shí)間. 吳鵬等[12]首先使用區(qū)域檢測(cè)算法構(gòu)建圖像的顯著圖，提取顯著性區(qū)域作為候選檢測(cè)區(qū)域，然后采用Harris算法檢測(cè)角點(diǎn)，可進(jìn)一步提高基于Harris配準(zhǔn)算法的速度，但配準(zhǔn)的精度有待提高. 何郴日等[13]使用譜殘差理論確定每塊區(qū)域的顯著性，自適應(yīng)地確定角點(diǎn)檢測(cè)的閾值，但是譜殘差計(jì)算復(fù)雜性較高. 周志艷等[14]提出了一種基于標(biāo)準(zhǔn)差Harris的配準(zhǔn)算法(Std Harris)，依據(jù)圖像像素灰度值的均值及標(biāo)準(zhǔn)差對(duì)其歸一化，自適應(yīng)地確定角點(diǎn)檢測(cè)的閾值，但缺乏尺度不變性. 張見(jiàn)雙等[15]提出了基于局部標(biāo)準(zhǔn)差Harris的配準(zhǔn)算法(local Std Harris)，使得提取的角點(diǎn)分布均勻，但其配準(zhǔn)的精度有待提高，對(duì)不同類圖像配準(zhǔn)結(jié)果差異較大，自適應(yīng)程度較低.

鑒于上述不足，本文則提出了一種基于對(duì)比度Harris的快速魯棒圖像配準(zhǔn)算法. 首先，將圖像分為3×3個(gè)不重疊的塊，依據(jù)中心像素與其鄰域像素灰度值的差異計(jì)算每塊圖像的對(duì)比度，自適應(yīng)地確定其角點(diǎn)檢測(cè)的閾值，并通過(guò)“灰度相似性”刪除偽角點(diǎn)；然后，使用Harris算法于建立的尺度空間上檢測(cè)角點(diǎn)；接著，通過(guò)改進(jìn)的歸一化互相關(guān)(normalized cross correlation, NCC)對(duì)提取的角點(diǎn)粗配準(zhǔn)；為了進(jìn)一步加快剔除誤配點(diǎn)的速度，先通過(guò)幾何約束(斜率和距離約束)剔除一部分顯著的誤配點(diǎn)，再采用隨機(jī)抽樣一致性(random sample consensus, RANSAC)對(duì)剩余的點(diǎn)對(duì)進(jìn)行精配準(zhǔn)；最后，將本文算法與基于Harris的配準(zhǔn)算法(Harris)、基于Harris-Laplace和信息熵的配準(zhǔn)算法(entropy Harris)、基于標(biāo)準(zhǔn)差Harris的配準(zhǔn)算法(Std Harris)以及基于局部標(biāo)準(zhǔn)差Harris的配準(zhǔn)算法(local Std Harris)進(jìn)行比較，驗(yàn)證本文算法的優(yōu)越性.

1 基于對(duì)比度Harris的自適應(yīng)角點(diǎn)檢測(cè)算法

針對(duì)傳統(tǒng)Harris算法對(duì)尺度敏感且需事先根據(jù)經(jīng)驗(yàn)設(shè)定角點(diǎn)檢測(cè)閾值的缺點(diǎn)，現(xiàn)提出一種基于對(duì)比度Harris的自適應(yīng)角點(diǎn)檢測(cè)算法. 首先，將圖像分成若干塊，計(jì)算每塊的對(duì)比度，自適應(yīng)地確定其角點(diǎn)檢測(cè)的閾值；然后，依據(jù)“灰度相似性”，預(yù)先剔除偽角點(diǎn)；最后，構(gòu)建尺度空間,并通過(guò)Harris算法提取角點(diǎn). 算法流程圖如圖1所示.

1.1 自適應(yīng)確定閾值及預(yù)先剔除偽角點(diǎn)

在對(duì)圖像分塊之后，按照中心像素與其鄰域像素灰度值的差異計(jì)算每塊圖像的對(duì)比度，它表示該塊圖像的顯著性. 根據(jù)計(jì)算所得每塊圖像對(duì)比度的不同即可自適應(yīng)地確定角點(diǎn)檢測(cè)的閾值. 對(duì)比度較小的區(qū)域設(shè)置較小的閾值才能檢測(cè)到角點(diǎn)，而對(duì)比度較大的區(qū)域設(shè)置較大的閾值才不至于使檢測(cè)的角點(diǎn)出現(xiàn)聚簇現(xiàn)象. 通過(guò)對(duì)比度自適應(yīng)地確定塊圖像角點(diǎn)檢測(cè)的閾值，可使得提取的角點(diǎn)數(shù)量適中，分布均勻. 文獻(xiàn)[15]使用局部標(biāo)準(zhǔn)差自適應(yīng)確定角點(diǎn)檢測(cè)的閾值，使得檢測(cè)的角點(diǎn)分布均勻，計(jì)算速度較快，但也存在不足之處：① 在塊圖像中采用同一像素均值計(jì)算標(biāo)準(zhǔn)差，如果塊圖像的像素灰度變化明顯，會(huì)使計(jì)算出的局部標(biāo)準(zhǔn)差存在較大偏差；② 沒(méi)有考慮圖像的不同特性，僅根據(jù)經(jīng)驗(yàn)選取統(tǒng)一的閾值參數(shù). 對(duì)于特性不同的兩類圖像，會(huì)使在一類圖像中檢測(cè)到的角點(diǎn)分布均勻，而在另一類圖像中檢測(cè)不到角點(diǎn)或者出現(xiàn)角點(diǎn)聚簇現(xiàn)象. 現(xiàn)針對(duì)文獻(xiàn)[15]方法的不足進(jìn)行改進(jìn).

自適應(yīng)閾值確定步驟如下.

Step 1 計(jì)算每塊圖像的對(duì)比度D.

(-1≤Δx≤1, -1≤Δy≤1).

(1)

式中：I(x,y)和I(x+Δx,y+Δy)分別為中心像素灰度值和其鄰域像素灰度值；h和w分別為塊圖像的高度和寬度.

Step 2 對(duì)塊圖像的對(duì)比度進(jìn)行歸一化.

(2)

Step 3 根據(jù)歸一化對(duì)比度設(shè)置閾值.

(3)

式中:0≤D≤1/2、1/2

為了減少后續(xù)角點(diǎn)檢測(cè)時(shí)間，引入“灰度相似性”[16]，預(yù)先剔除部分偽角點(diǎn). 將中心像素與其8鄰域像素的灰度值I(x,y)和I(x+Δx,y+Δy)之差的絕對(duì)值，與預(yù)先給定的閾值T進(jìn)行比較，若小于閾值即判定為相似點(diǎn). 再依據(jù)中心像素鄰域相似點(diǎn)的數(shù)目確定該中心像素點(diǎn)是否為角點(diǎn).

(4)

(-1≤Δx≤1,-1≤Δy≤1且Δx≠0,Δy≠0).

式中，

d(x+Δx,y+Δy)=

(5)

當(dāng)2≤N(x,y)≤6，此像素點(diǎn)為候選角點(diǎn).

1.2 尺度空間中Harris角點(diǎn)檢測(cè)算法

通過(guò)建立高斯尺度空間，使提取的角點(diǎn)具有尺度不變性. 文獻(xiàn)[17]指出建立多層尺度空間耗費(fèi)大量時(shí)間，本文結(jié)合其方法構(gòu)建不同尺度的4層圖像. 具體步驟如下.

Step 1 構(gòu)建圖像高斯尺度空間.

(6)

式中：“?”為卷積符號(hào)；I(x,y)為中心像素灰度值;G(x,y,sσn)為尺度因子sσn的高斯核;I(x,y,sσn)為與尺度因子sσn對(duì)應(yīng)的尺度空間圖像，s一般取0.7，σn=εσn-1，n=1,2,3，ε∈[0.6,1.2].

Step 2 計(jì)算角點(diǎn)響應(yīng)函數(shù)(corner response function, CRF).

根據(jù)傳統(tǒng)Harris算法的響應(yīng)函數(shù)，得到尺度空間Harris算法的響應(yīng)函數(shù).

傳統(tǒng)Harris算法通過(guò)計(jì)算窗口沿著不同方向平移后圖像的灰度變化，尋找角點(diǎn)響應(yīng)的局部極值來(lái)確定角點(diǎn). 設(shè)中心像素(x,y)小窗口的平移量是(Δx,Δy)，其灰度值的變化c(x,y,Δx,Δy)為

c(x,y,Δx,Δy)=

∑wx,y[I(x+Δx,y+Δy)-I(x,y)]2=

(7)

式中:I(x,y)為圖像像素灰度值；wx,y為加權(quán)函數(shù)；式(7)近似為

(8)

式中：Ix(x,y)和Iy(x,y)分別為I(x,y)在x方向和y方向的偏導(dǎo)數(shù). 加入尺度空間后，將式(9)重新定義為

M(x,y)=(sσn)2G(x,y,σn)×

(10)

式中：Ix(x,y,sσn)和Iy(x,y,sσn)分別為I(x,y,sσn)在x方向和y方向的偏導(dǎo)數(shù).

根據(jù)式(11)計(jì)算角點(diǎn)響應(yīng)CRF,

CRF=det(M)-α(trace(M))2.

(11)

式中:det(M)為矩陣的行列式；trace(M)為矩陣的跡;α∈[0.04,0.06].

Step 3 在中心像素周圍鄰域內(nèi)，計(jì)算其響應(yīng)在局部的最大值；然后根據(jù)式(3)確定閾值Th，當(dāng)局部的最大值比閾值大，將此中心像素點(diǎn)確定為候選角點(diǎn)；最后在尺度空間下，比較候選角點(diǎn)和其在相鄰兩尺度的局部響應(yīng)，若候選角點(diǎn)的局部響應(yīng)大，則為待配準(zhǔn)角點(diǎn)，否則舍棄.

2 基于幾何約束剔除顯著的誤配點(diǎn)

首先將原始圖像減去其經(jīng)過(guò)平滑濾波后的圖像，補(bǔ)償每幅圖像的亮度差異，同時(shí)可以使得相關(guān)性運(yùn)算速度加快，然后再根據(jù)改進(jìn)的NCC[18]粗配準(zhǔn)提取的角點(diǎn).

INCC=

(12)

使用改進(jìn)NCC粗配準(zhǔn)后仍然會(huì)出現(xiàn)較多的誤配點(diǎn)對(duì)，如果接著采用RANSAC[19]剔除誤配點(diǎn)對(duì)，迭代次數(shù)較多，計(jì)算復(fù)雜度較大，也會(huì)嚴(yán)重影響配準(zhǔn)正確率. 為此，在粗配準(zhǔn)后首先依據(jù)幾何約束去除掉一部分明顯的誤配點(diǎn)對(duì)后，再通過(guò)RANSAC算法精配準(zhǔn)，減少參與RANSAC算法運(yùn)算的數(shù)據(jù)量，提高其運(yùn)行的速度及配準(zhǔn)正確率.

幾何約束(斜率和距離約束)具體步驟如下.

使用改進(jìn)NCC配準(zhǔn)后獲得的Np對(duì)粗配準(zhǔn)點(diǎn)對(duì)為

A={al=(pi,qj)},

i=1,2,…,m1;j=1,2,…,m2.

式中:al為基準(zhǔn)圖像及待配準(zhǔn)圖像第l組配準(zhǔn)點(diǎn)對(duì);l=1,2,…,Np；pi(xpi,ypi)、qj(xqj,yqj)分別為基準(zhǔn)圖像、待配準(zhǔn)圖像的配準(zhǔn)點(diǎn)；xpi、ypi分別為pi的橫、縱坐標(biāo);xqj、yqj分別為qj的橫、縱坐標(biāo)；m1和m2分別為粗配準(zhǔn)后兩幅圖像的角點(diǎn)數(shù).

Step 1 計(jì)算第l組配準(zhǔn)點(diǎn)對(duì)斜率的大小.

(13)

式中|·|表示絕對(duì)值，l=1,2,…,Np.

Step 2 利用K-means將斜率大小分為3類，刪除其中數(shù)量最少的一類.

Step 3 通過(guò)斜率約束后，計(jì)算基準(zhǔn)圖像、待配準(zhǔn)圖像配準(zhǔn)點(diǎn)間的距離.

設(shè)經(jīng)過(guò)斜率約束刪選后的配準(zhǔn)點(diǎn)對(duì)為

第lc組基準(zhǔn)圖像、待配準(zhǔn)圖像配準(zhǔn)點(diǎn)間的距離為

(14)

Step 4 使用K-means將上述計(jì)算的距離分為3類，刪除數(shù)量最少的一類.

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文提出的基于對(duì)比度Harris的快速魯棒圖像配準(zhǔn)算法的優(yōu)越性，進(jìn)行了大量的實(shí)驗(yàn). 首先給出基于對(duì)比度Harris的自適應(yīng)角點(diǎn)檢測(cè)算法的實(shí)驗(yàn)結(jié)果，并與Local Std Harris[15]進(jìn)行比較；然后使用斯坦福大學(xué)提供的仿射協(xié)變特征數(shù)據(jù)集(affine covariant feature database)進(jìn)行圖像配準(zhǔn)實(shí)驗(yàn). 該數(shù)據(jù)集包括JPEG壓縮(800×640)、圖像模糊(1 000×700)、視角變化(1 000×700)、光照變化(900×600)、尺度變化(765×512)和旋轉(zhuǎn)變化(800×640)等6種情況. 每種情況都有6幅變化程度不同的圖像. 將本文算法與Harris、 Entropy Harris[10]、Std Harris[14]以及Local Std Harris[15]等4種同類配準(zhǔn)算法進(jìn)行對(duì)比實(shí)驗(yàn). 實(shí)驗(yàn)環(huán)境：CPU為Intel Core i5-3210M 2.5 GHz，4G內(nèi)存，64位Win10操作系統(tǒng)，Matlab R2016b.

為了體現(xiàn)本文提出的基于對(duì)比度Harris的自適應(yīng)角點(diǎn)檢測(cè)算法可以自適應(yīng)地確定角點(diǎn)檢測(cè)的閾值且使得提取的角點(diǎn)分布均勻，以3組礦產(chǎn)遙感圖像為例加以說(shuō)明. 圖2(a)～(c)為文獻(xiàn)[15]算法的檢測(cè)結(jié)果，圖2(d)～(f)為本文基于對(duì)比度Harris的自適應(yīng)角點(diǎn)檢測(cè)算法檢測(cè)的結(jié)果. 文獻(xiàn)[15]算法使用相同的閾值參數(shù)k檢測(cè)上述3組圖像的角點(diǎn)，而本文算法隨著圖像的不同自適應(yīng)地確定閾值參數(shù)k. 由圖2可看出，本文算法在不同類圖像上檢測(cè)的角點(diǎn)都分布均勻，而文獻(xiàn)[15]算法對(duì)第1組圖像檢測(cè)的角點(diǎn)分布均勻，但對(duì)另外兩組圖像檢測(cè)的角點(diǎn)僅分布在局部區(qū)域. 原因就在于，本文提出的算法使用尺度空間下角點(diǎn)的局部最大響應(yīng)值作為閾值參數(shù)，而基于局部標(biāo)準(zhǔn)差 Harris角點(diǎn)檢測(cè)算法使用固定的經(jīng)驗(yàn)值作為閾值參數(shù). 因此，本文算法自適應(yīng)程度更高，檢測(cè)效果更好.

下面針對(duì)斯坦福大學(xué)提供的仿射協(xié)變特征數(shù)據(jù)集中的6種情況進(jìn)行圖像配準(zhǔn)實(shí)驗(yàn)和性能評(píng)價(jià). 以配準(zhǔn)正確率及運(yùn)行時(shí)間為評(píng)價(jià)指標(biāo)，驗(yàn)證本文提出的基于對(duì)比度Harris的快速魯棒圖像配準(zhǔn)算法的優(yōu)越性. 配準(zhǔn)正確率R定義為

R=NR/NT.

(15)

式中:NT為粗配準(zhǔn)點(diǎn)對(duì)數(shù)；NR為使用幾何約束、RANSAC算法精配準(zhǔn)后的點(diǎn)對(duì)數(shù).

JPEG壓縮、模糊、視角、光照、尺度和旋轉(zhuǎn)變化圖像與基準(zhǔn)圖像配準(zhǔn)的正確率和算法運(yùn)行時(shí)間列于表1～表7中. 表1是針對(duì)不同JPEG壓縮程度圖像與同一視場(chǎng)基準(zhǔn)圖像采用5種算法配準(zhǔn)的正確率及運(yùn)行時(shí)間對(duì)比結(jié)果. 由數(shù)據(jù)集中Jpeg壓縮圖像類可以看出，隨著壓縮程度逐漸加大，圖像的顏色逐漸變暗，并有明顯的像素斑塊出現(xiàn). 由表1可知，對(duì)JPEG壓縮圖像，5種配準(zhǔn)算法魯棒性都很好，且本文提出的算法所需運(yùn)行時(shí)間最短.

表1 不同JPEG壓縮程度圖像與基準(zhǔn)圖像配準(zhǔn)的正確率及運(yùn)行時(shí)間

注：1～5表示JPEG壓縮程度

表2 不同程度模糊圖像(I)與基準(zhǔn)圖像配準(zhǔn)的正確率及運(yùn)行時(shí)間

注：1～5表示模糊(Ⅰ)程度

表3 不同程度模糊圖像(II)與基準(zhǔn)圖像配準(zhǔn)的正確率及運(yùn)行時(shí)間

注：1～5表示模糊(Ⅱ)程度

表4 不同視角變化圖像與基準(zhǔn)圖像配準(zhǔn)的正確率及運(yùn)行時(shí)間

注：1～5表示視角變化程度；“—”表示不能進(jìn)行配準(zhǔn)

表5 不同光照變化圖像與基準(zhǔn)圖像配準(zhǔn)的正確率及運(yùn)行時(shí)間

注：1～5表示光照變化程度

表6 不同旋轉(zhuǎn)變化圖像與基準(zhǔn)圖像配準(zhǔn)的正確率及運(yùn)行時(shí)間

注：1～5表示旋轉(zhuǎn)變化程度

表7 不同尺度變化圖像與基準(zhǔn)圖像配準(zhǔn)的正確率及運(yùn)行時(shí)間

注：1～5表示尺度變化程度

表2和表3是針對(duì)不同程度模糊圖像與同一視場(chǎng)基準(zhǔn)圖像采用5種算法配準(zhǔn)的正確率及運(yùn)行時(shí)間對(duì)比結(jié)果. 可以看出，Harris、 Entropy Harris、Std Harris以及Local Std Harris在圖像模糊增大到一定程度時(shí)不能很好地配準(zhǔn)，配準(zhǔn)的正確率很低，而本文算法配準(zhǔn)正確率雖然也會(huì)隨著模糊程度增加而下降，但是仍然保持在相對(duì)較高的水平，且本文提出的算法運(yùn)行時(shí)間相對(duì)其他4種同類算法具有明顯優(yōu)勢(shì).

表4是針對(duì)不同視角拍攝的同一視場(chǎng)圖像采用5種算法配準(zhǔn)的正確率及運(yùn)行時(shí)間對(duì)比結(jié)果. 對(duì)于多視角圖像進(jìn)行配準(zhǔn)需要檢測(cè)局部視角不變的角點(diǎn)，本文建立尺度空間，在每層尺度圖像上提取角點(diǎn)，并選取相鄰尺度間局部響應(yīng)的最大點(diǎn)作為候選角點(diǎn)，對(duì)于視角變化具有一定的魯棒性. 可以看出Entropy Harris和本文算法對(duì)于視角變化的圖像配準(zhǔn)正確率較高，其他3種算法配準(zhǔn)正確率很低，甚至不能配準(zhǔn); 同時(shí)，本文算法的運(yùn)行時(shí)間非常短.

表5是針對(duì)不同光照拍攝的同一視場(chǎng)圖像采用5種算法配準(zhǔn)的正確率及運(yùn)行時(shí)間對(duì)比結(jié)果. 可以看出，基于Harris的配準(zhǔn)算法配準(zhǔn)的正確率較低，其他4種算法對(duì)光照變化都有很好的魯棒性. 光照變化可以建模為：像素灰度值I(x,y) 變換為aI(x,y)+b，后4種算法在計(jì)算過(guò)程中為了克服光照變化都對(duì)圖像塊像素灰度值進(jìn)行了歸一化，因此配準(zhǔn)的正確率很高，而基于Harris的配準(zhǔn)算法沒(méi)有進(jìn)行歸一化，所以配準(zhǔn)的正確率較低. 本文提出的算法和Local Std Harris運(yùn)行時(shí)間較短.

表6是針對(duì)不同旋轉(zhuǎn)角度的同一視場(chǎng)圖像采用5種算法配準(zhǔn)的正確率及運(yùn)行時(shí)間對(duì)比結(jié)果. 圖像旋轉(zhuǎn)的角度分別為：5°,10°,30°,60°,90°. 可得出，各算法配準(zhǔn)的正確率隨著旋轉(zhuǎn)角度的不斷加大都在逐漸減小.

表7是針對(duì)不同尺度的同一視場(chǎng)圖像采用5種算法配準(zhǔn)的正確率及運(yùn)行時(shí)間對(duì)比結(jié)果. Harris、Std Harris以及Local Std Harris沒(méi)有建立尺度空間，提取的角點(diǎn)不具有尺度不變性，因此，當(dāng)對(duì)存在尺度變化的圖像進(jìn)行配準(zhǔn)時(shí)，正確率較低，甚至不能進(jìn)行配準(zhǔn). Entropy Harris以及本文算法都是在尺度空間上檢測(cè)角點(diǎn)，匹配的正確率較高，而且本文提出的算法整體運(yùn)行時(shí)間最短.

由表1～表7可以看出，對(duì)于JPEG壓縮、模糊、視角、光照、旋轉(zhuǎn)及尺度變化圖像，本文提出的算法整體配準(zhǔn)正確率較高，運(yùn)行時(shí)間較短，有明顯優(yōu)勢(shì). 其主要原因就是本文算法可以大幅減少配準(zhǔn)的角點(diǎn)對(duì)數(shù)，角點(diǎn)數(shù)目減少比例平均可以達(dá)到50.98%，大大縮短了配準(zhǔn)時(shí)間，而且本文提出的算法在尺度空間檢測(cè)角點(diǎn)，魯棒性較強(qiáng).

4 結(jié) 論

本文提出了一種基于對(duì)比度Harris的快速魯棒圖像配準(zhǔn)算法. 首先將圖像分成若干塊，依據(jù)對(duì)比度自適應(yīng)地確定其角點(diǎn)檢測(cè)的閾值，并通過(guò)“灰度相似性”剔除偽角點(diǎn)；建立高斯尺度空間，使Harris算法提取的角點(diǎn)具有尺度不變性；通過(guò)改進(jìn)的NCC算法對(duì)角點(diǎn)粗配準(zhǔn)，并采用幾何約束(斜率和距離約束)和RANSAC算法對(duì)粗配準(zhǔn)后的角點(diǎn)精配準(zhǔn). 大量實(shí)驗(yàn)結(jié)果表明，與Harris、Entropy Harris、Std Harris以及Local Std Harris相比，本文算法對(duì)于JPEG壓縮、模糊、視角、光照及尺度變化圖像具有較好的魯棒性，配準(zhǔn)正確率更高，自適應(yīng)程度更強(qiáng)，而且可以大幅減少圖像配準(zhǔn)的時(shí)間.