基于快速稳健特征最大子矩阵的光谱图像配准方法 下载: 973次
1 引言
多通道光谱成像设备在采集数据过程中,需要更换滤光片来调整成像通道参数。更换滤光片会造成多光谱相机位置的偏移,导致成像的多通道光谱图像之间产生几何畸变和偏移,并对后续的光谱图像像元分析产生影响。因此,必须对多通道光谱图像进行配准预处理校正。
配准方法主要有基于区域的配准和基于特征的配准[1]。由于基于特征的配准方法计算量相对较小、稳健性强,对图像偏移和旋转等变化有较好的适应能力,已逐渐成为图像配准的主流方向[2-3]。图像配准的关键在于寻找一种较好的特征点提取算法,目前常见的特征点提取方法有角点(Harris)特征、最小吸收核同值区(SUSAN)特征、尺度不变特征变换(SIFT)、快速稳健特征(SURF)等提取方法[4-7]。Bay等[8]提出的SURF相对于Harris与SUSAN特征具有尺度、旋转不变特性,在SIFT的基础上简化了图像金字塔分解的操作,对图像的卷积作近似处理,在特征点定位环节引入积分图的概念,使求解Hessian矩阵的计算量大大降低,运算时间低于基于SIFT特征方法的1/3[9]。
多通道光谱相机成像为灰度图像,各通道反映不同波段的光谱特性,图像灰度值变化比较明显。相比于SIFT方法,SURF方法能够更好地反映光谱图像的特性,在亮度变化较大的情况下可以较好地提取特征点[10]。但是使用SURF方法配准后的多通道光谱图像中存在边界区域像素值为零的无效区域,该区域会给后续基于多通道图像的光谱反射率重建和高精度复制带来计算误差。针对上述问题,本文提出了一种基于SURF融合最大子矩阵(MSM)的多通道光谱图像配准方法。利用SURF对多通道光谱图像进行初步配准,再提出最大子矩阵算法检测图像有效区域的最大内接矩形(MER),利用最大内接矩形分割初步配准结果中的有效信息区域,最大化地保留了有效区域。
2 特征提取与透视变换
2.1 特征提取
SURF算法对SIFT算法进行了改进,尺度不变性相对于Harris较好,时间复杂度相对SIFT较低,并且对图像亮度变化稳健性较强。SURF算法包括两个主要部分:特征点检测定位和生成特征点描述算子。
1) 特征点检测与定位。Hessian矩阵
式中:
式中:
为简化计算,SURF算法以盒子滤波器近似替代二阶高斯滤波器。在保证性能的同时,又提高了速度。以9 pixel×9 pixel盒子滤波器为例,取尺度
假设图像与上述盒子滤波器卷积后得到的Hessian矩阵中参数分别为
式中:
2) 生成特征点描述算子。为了保证特征点的旋转不变性,需要为特征点赋予一个主方向,这是生成特征点描述算子的第一步。方法是在以该特征点为中心、6倍尺度为半径的圆形区域内,计算各点的
图 1. 盒子滤波器。(a) x方向;(b) y方向;(c) xy方向
Fig. 1. Box filter. (a) x-scale; (b) y-scale; (c) xy-scale
式中:
生成特征点描述算子的第二步是为特征点建立特征描述符。在获得特征点主方向后,以该主方向为
2.2 特征点匹配
特征描述算子生成后,利用原图像与目标图像的特征描述算子进行相似度匹配。由于对比度相同的特征点对应的Hessian矩阵迹为同号,不同对比度对应的为异号,因此首先使用Hessian矩阵迹进行特征点的初步匹配,选择同号特征对,然后采用欧式距离匹配法对选择的同号特征对进行相似度判断,找到目标图像与源图像中待匹配特征点的一一对应关系。假设(
式中:
计算目标图像与源图像上所有待匹配特征点的欧式距离,选出最小欧式距离
2.3 特征点筛选
通过初步匹配得到的特征点中还存在大量错误的匹配点,为了保证透视变换模型的计算精度,应尽量消除错误匹配点,保证图像配准的质量和效果,选用随机采样一致性算法(RANSAC)对特征点进行筛选。RANSAC是目前广泛采用的一种剔除错误匹配点的算法,由Fischler和Bolles于1981年最先提出[12]。使用RANSAC算法的基本流程如下:
1) 随机从初步匹配集
2) 计算
3) 重复上述步骤,当计算得到新的模型时,比较其统计误差
4) 输出最大内点集
取4组特征点对是由于本文选用几何变换模型为透视变换模型,模型中有8个未知数,至少需要8组线性方程求解,一组特征点对可以列出两个方程,因此选择4组特征点对。将阈值设置为
2.4 透视变换
根据匹配点转换源图像与目标图像间的坐标关系,即两幅图像之间的透视变换矩阵
式中:
式中:(
3 多通道光谱图像配准方法
3.1 基于SURF算法的光谱图像配准
使用SURF提取与透视变换对多通道光谱图像进行配准,先任取一个通道的光谱图像作为目标图像,依次计算其他通道光谱图像到目标图像的变换矩阵
式中:(
图 2. 多通道光谱原图和SURF配准后的图像。(a)目标图像与待配准多通道光谱图像;(b)目标图像与SURF配准后的多通道光谱图像
Fig. 2. Multi-channel spectral original image and image after SURF registration. (a) Target image and multi-channel spectral image to be registered; (b) target image and multi-channel spectral image after SURF registration
从
3.2 最大内接矩形检测
处理不规则边界主要是为了解决目标对象的最大内接矩形[15]问题。在获取目标物体最小外接矩形后,在最小外接矩形内查找该物体的最大内接矩形,获取最大内接矩形面积。目前,常用的获取最大内接矩形的方法有遍历法和中心扩散法[15]。
1) 遍历法。给出一个坐标点,计算以该点为右上角并且所有点都位于目标物体内的所有矩形面积,比较矩形面积,得到以该点为右上角的最大矩形面积。对目标物体内每一点均调用上述方法,即可求得目标物体最大内接矩形。
2) 中心扩散法。计算最小外接矩形中心点
式中:
在区间(
在实际使用中,遍历法具有很强的稳健性,但是算法复杂度较高,不适合大面积目标物体检测,中心扩散法算法复杂度较低,但是对不规则的物体边缘十分敏感,且检测准确性较低。
3.3 基于MSM-SURF的多通道光谱图像配准
针对SURF初步配准和现有最大内接矩形检测方法存在的问题,提出了将SURF提取与MSM相融合的MSM-SURF算法,用于实现多通道光谱图像配准。MSM-SURF算法框图如
将SURF初步配准后的
式中:
从
针对遍历方法和中心扩散方法求解中的问题,本文提出了MSM方法进行最大内接矩形检测,采用最大子矩阵方法的思路如下。
在给定矩阵中,假设矩阵元素只包含0与1,找出其中不包含任何0元素的所有子矩阵,计算所有子矩阵面积,其中面积最大的子矩阵即为最大子矩阵。算法框图如
主要包含以下步骤:
1) 将矩阵
2) 创建矩阵
3) 创建数组
(1) 当
(2) 若
(3) 比较
4) 按行遍历矩阵
计算得到的最大子矩阵如
使用最大子矩阵对SURF初步配准后的每个通道的光谱图像
图 7. MSM-SURF配准后的多通道光谱图像。(a) 580 nm;(b) 620 nm;(c) 715 nm
Fig. 7. Multichannel spectral images after MSM-SURF registration. (a) 580 nm; (b) 620 nm; (c) 715 nm
综上所述,MSM-SURF算法首先使用SURF提取与投影变换对多通道光谱图像进行初配准,再针对初步配准后的图像边缘像素值为0的无效区域,使用最大子矩阵MSM进行分割,在截取每个通道光谱图像的无效区域的同时,能够最大化地保留有效区域的信息。
4 实验结果及分析
4.1 实验数据
本实验方案采用两组壁画共6个通道的光谱图像作为实验数据。采集系统包括海洋光学公司的SpectroCam VIS型号电荷耦合器件(CCD)多光谱相机(500万像素)、6个窄带干涉滤光片和CIE(Commission Internationale de L'Eclairage)标准A照明光源。实验采用Matlab仿真,平台为Intel i5-2400 3.1 GHz 四核处理器、4G内存。采集得到每组壁画在6个不同波段通道下的光谱图像如
图 8. 壁画的6通道多光谱图像。(a)壁画A;(b)壁画B
Fig. 8. 6-channel multi-spectral images of murals. (a) Mural A; (b) mural B
4.2 评价标准
为了测试算法的配准性能,从配准精度、特征点匹配准确率、有效区域像素点占比率以及运算时间效率4个方面对两种算法进行客观评价[15-16]。
1) 配准精度
式中:(
2) 特征点匹配准确率
式中:
3) 有效区域像素点占比率
式中:
4.3 实验结果分析
将SURF与不同的内接矩形检测方法融合。对壁画A和B的数据分别采用遍历SURF(T-SURF)、中心扩散SURF(CD-SURF)和MSM-SURF算法进行配准对比。3种方法对初步配准后叠加矩阵的检测结果如
图 9. 3种内接矩形检测方法的检测结果。(a) T-SURF;(b) CD-SURF;(c) MSM-SURF
Fig. 9. Test results with three inscribed rectangle detection methods. (a) T-SURF; (b) CD-SURF; (c) MSM-SURF
从
对上述检测结果进行量化分析,得到最终配准后的配准精度
表 1. T-SURF、CD-SURF和MSM-SURF算法的配准结果对比
Table 1. Registration result comparison among T-SURF, CD-SURF and MSM-SURF algorithms
|
从
5 结论
针对多通道光谱图像的特点,提出了一种SURF与最大子矩阵融合的MSM-SURF算法来改进现有匹配和内接矩形检测方法的缺陷。并对采集的实际壁画的多通道光谱图像数据进行了实验。实验结果表明,MSM-SURF算法能有效地将SURF与最大子矩阵检测相结合,解决了SURF配准出现无效边缘区域的问题,同时能够将有效区域信息最大化地保留,对于多通道光谱图像的配准具有较好的实际应用意义。
[1] 冯亦东, 孙跃. 基于SURF特征提取和FLANN搜索的图像匹配算法[J]. 图学学报, 2015, 36(4): 650-654.
[2] 景军锋, 谢佳, 李鹏飞. 基于SURB结合随机抽样一致算法在鞋面匹配中的应用[J]. 激光与光电子学进展, 2018, 55(1): 011005.
[3] 任克强, 胡梦云. 基于改进SURF算子的彩色图像配准算法[J]. 电子测量与仪器学报, 2016, 30(5): 748-756.
[4] Harris CJ. A combined corner and edge detector[C]∥Proceedings of the 4 th Alvey Vision Conference, Alvey, UK, 31 August-2 September 1988. [S. l. : s. n.] , 1988: 147- 151.
[7] 靳京京, 卢文龙, 郭小庭, 等. 基于SURF和RANSAC算法的同步相移干涉图位置配准方法[J]. 光学学报, 2017, 37(10): 1012002.
[8] BayH, Tuytelaars T, van Gool L. SURF: Speeded up robust features[C]∥Leonardis A, Bischof H, Pinz A. European Conference on Computer Vision. Berlin, Heidelberg: Springer, 2006, 3951: 404- 417.
[9] 尧思远, 王晓明, 左帅. 基于SURF的特征点快速匹配算法[J]. 激光与红外, 2014, 44(3): 347-350.
[10] 仝如强, 黄玉清, 田瑞娟. SURF算法及其对运动目标的检测跟踪效果[J]. 西南科技大学学报, 2011, 26(3): 63-67.
[11] 赵毅力, 徐丹, 潘志庚. 基于SURF特征点的图像配准系统[J]. 计算机应用, 2011, 31(s1): 73-75.
[13] 刘川熙, 赵汝进, 刘恩海, 等. 基于RANSAC的SIFT匹配阈值自适应估计[J]. 计算机科学, 2017, 44(s1): 157-160.
[14] 徐鑫, 孙韶媛, 沙钰杰, 等. 一种基于改进RANSAC的红外图像拼接方法[J]. 激光与光电子学进展, 2014, 51(11): 111001.
[15] 谢新华, 梁栋, 张香倩, 等. 基于图像处理的目标物体最大内接矩形面积的检测[J]. 科学技术与工程, 2015, 15(17): 193-197, 217.
[16] 张志斌, 赵帅领, 罗锡文, 等. 基于SURF算法的绿色作物特征提取与图像匹配方法[J]. 农业工程学报, 2015, 31(14): 172-178.
Article Outline
刘加林, 王慧琴, 王可, 吴萌, 赵丽娟, 张小红. 基于快速稳健特征最大子矩阵的光谱图像配准方法[J]. 激光与光电子学进展, 2019, 56(6): 063002. Jialin Liu, Huiqin Wang, Ke Wang, Meng Wu, Lijuan Zhao, Xiaohong Zhang. Spectral Image Registration Method Based on SURF Maximum Submatrix[J]. Laser & Optoelectronics Progress, 2019, 56(6): 063002.