基于区域蛙跳搜索与轮廓匹配的显微图像拼接 下载: 866次
1 引言
高分辨率、宽视场的工业图像对于缺陷检测、毛刺预警、劈裂诊断等非常重要,但受工业镜头传感器的限制,存在视场与分辨率之间矛盾难以平衡的问题。
为了满足焦距和分辨率的双重要求,通常采用机载工业相机对某一区域以不同视角、一定重叠率进行连续采集,然后将采集的图像序列利用图像拼接算法生成高分辨率、宽视场的整张图像。传统的图像拼接算法包括图像配准和图像融合两部分,其中高效精确的配准算法对图像拼接至关重要,图像拼接算法可依据配准方法分为基于区域的方法(如模板匹配算法)和基于特征的方法两类。基于特征点匹配的拼接算法是目前研究的热点之一。仇国庆等[1]提出的基于自适应阈值的Harris角点检测改进拼接算法,具有较高的稳健性和可靠性,但可能产生伪角点,难以满足精确定位要求。许佳佳等[2]和徐鑫等[3]提出的Harris与尺度不变特征变换(SIFT)算子相结合的图像配准方法,对图像尺度变换和缩放具有较好的稳健性,但由于其计算复度较高,难以满足实际工程的实时性。黄琼丹等[4]提出的基于相位一致性特征点的匹配方法与Levenberg-Marquardt (LM )优化理论方法相结合的拼接算法,具有较高的准确度,但易受匹配点间距的影响。封靖波等[5]提出的利用两张图像的列梯度最大点寻找两条曲线最匹配区域的图像拼接方法,简化了匹配策略,但特征匹配精度不足。上述拼接算法已在诸多领域得到广泛应用,但是在工业显微图像应用领域具有很大的局限性,其中特征描述统计类方法存在复杂度高和时效性差等缺点;另外,受机械振动、离焦模糊等因素的影响,上述算法会使拼接后的图像产生几何畸变,进而干扰后续图像缺陷的定位和测量结果。
针对上述问题,本文提出基于区域蛙跳搜索(RFL)的轮廓最优匹配算法,通过寻找图像轮廓线索感知相似度(CATS)和均方误差距离(MSED)实现图像拼接。该方法简化匹配策略并减小计算量,具有较高的拼接精度和稳定性,以保证拼接的质量和速度,可用于特征稀少的图像,以及工业显微图像等机器视觉领域的图像拼接。
2 图像轮廓曲线距离
针对连续采集且有重叠区域的前后两张图像,引入两种指标衡量其轮廓曲线的相似距离,用于图像的精确匹配。其中, CATS是基于轮廓曲线形状的距离,而MSED是基于轮廓曲线点的距离,两者分别用于计算图像轮廓曲线间的相似度和曲线离散距离。
2.1 轮廓线索感知相似度量
给定空间阈值
式中:
在空间衰减函数中,参数
根据数据点的空间和序列信息,可以计算关于参考轮廓数据点的分数。对于数据点,有多种方法可以评估该点和参考轮廓之间的线索,常用方法是通过容忍一些序列顺序上的偏移,将该数据点映射到参考轮廓上最近的点,即将数据点与参考轮廓中线索性最强的点对齐。为此,定义数据点相对于参考轮廓曲线的线索评分,给定数据点
在线索评分的定义中,将序列参数
2.2 MSED
在连续曲线中,给定轮廓曲线的函数
1) 从
2) 当
3) 设第
4) 求Δ
5)
6) 对于不同图像的轮廓曲线,
设定轮廓曲线相似观测窗口的尺度为
设轮廓匹配阈值为
3 区域蛙跳搜索算法
3.1 算法原理
区域蛙跳算法模拟了青蛙群体(解)在池塘(解空间)中跳跃觅食的行为。利用蛙鸣分贝越大,对同伴吸引力越强这一现象,通过青蛙个体在决策域范围内寻找鸣叫分贝最高的邻居来实现寻优的目的。
在觅食过程中,每只青蛙作为群体之间交流的载体,发出特定频率的鸣叫,以此方式与其他青蛙实现信息传递和思想交流。借鉴萤火虫优化算法[7]中群体交流的思想,对其进行改进及简化。蛙鸣声音分贝大小取决于其决策区域内0<
群体中每只蛙都包含其所属区域的目标函数,利用其周围不同邻居传递的信息,进行蛙跳搜索,每次搜索和跳跃迭代行为结束后进行一次信息交流,该过程一直重复演进,并持续到收敛条件为止。
3.2 算法流程
蛙跳算法主要包括蛙群的初始分布、鸣叫分贝的更新、青蛙的跳跃和决策域的更新四个阶段。
初始化青蛙群体分布。参数初始化,设定基蛙种子数
决策域半径及邻居集合。设置决策域半径
鸣叫分贝更新。更新邻居集合
最优邻居选择和信息交流。最优邻居
蛙跳策略。青蛙是否跳跃到新的解空间取决于蛙跳激活值。当
更新当前位置分贝:
决策域更新:
判断收敛条件。当蛙跳步长
4 轮廓曲线拼接算法
4.1 拼接算法流程
基于区域蛙跳搜索的轮廓最优匹配算法(RFL-CSA),寻找图像中最优的匹配轮廓线,并依据此变换作为图像匹配的最终结果,实现图像拼接。由于工业显微系统下的图像通常为灰度图像,且金属材质表面可用特征稀少,为避免陷入SIFT和加速稳健特征(SURF)算法中特征点匹配失败的困境,RFL-CSA算法将零件的边缘作为可用信息,提取图像的轮廓曲线,用于图像匹配。其中,提取轮廓曲线的方法包括高斯中值滤波、形态学操作、canny边缘检测等步骤,从连续采集的图像中分别提取轮廓。在初始重叠区间内,计算其轮廓曲线的相似度函数,在此解空间内利用区域蛙跳算法寻优,求解相似度最高的轮廓匹配,使轮廓曲线完全吻合,达到精准的图像拼接效果。基于区域蛙跳搜索的图像拼接算法流程图如
图 5. 基于区域蛙跳的图像拼接算法流程图
Fig. 5. Flowchart of regional frog leaping based image stitching algorithm
图 6. 图像轮廓线的匹配。(a)初始位置;(b)调整后的位置
Fig. 6. Matching of image contour curves. (a) Initial position; (b) adjusted position
两张连续采集图像
首先计算轮廓曲线
图 7. RFL-CSA图像拼接算法流程
Fig. 7. Flowchart of regional frog leaping based contour stitching algorithm
图 8. 图像拼接结果。(a)原始图像;(b)拼接图像
Fig. 8. Results of image stitching. (a) Original images; (b) stitched image
根据所得最优拼接线
4.2 轮廓线拼接算法的优化改进
1) 相似距离衡量指标
RFL-CSA是一种基于区域蛙跳的图像拼接算法,其中的相似距离可以采用多种衡量指标:当RFL-CSA算法采用CATS作为相似距离的衡量指标时,称为RFL-CSA算法;当RFL-CSA算法采用MSED作为相似距离的衡量指标时,称为RFL-MSED算法。在计算轮廓曲线之间的相似距离时,分别采用基于点的距离MSED和基于形状的距离CATS两种方法作对比,即在RFL-CSA图像拼接算法的基础上分别形成了RFL-MSED和RFL-CSA两种拼接算法。另外,RFL-CATS8、RFL-MSED41、RFL-MSED42、RFL-MSED8具体的搜索方式略有差异,其不同之处在于蛙跳搜索邻居集合的设置。其中,RFL-MSED41和RFL-MSED42的初始子数
2) 蛙跳搜索方式
在设置区域蛙跳算法决策域内的邻居集合中采用三种方式,寻找最优邻居。
在初始化青蛙群体分布时,基蛙种子数
此外,当种子数
5 实验结果和讨论
本文实验硬件条件为Intel(R) Core(TM) i5-6500 CPU @3.20 GHz,8 G RAM。
显微图像采集装置由目镜、物镜、摄像机和光源组成,整个显微系统决定了显微检测系统图像的分辨率。为了增加显微图像的可用特征和边缘信息,使用双光源的打光方式进行采集,上光源采用环形光,底光源采用平行光。采用Carl Zeiss显微物镜,摄像机采用Basler工业相机。实验使用的图像数据为动力电池分切刀具金属零件显微图像。
5.1 参数设置
最小决策半径
图 9. RFL-CATS算法收敛曲线及搜索轨迹坐标。(a)收敛曲线;(b)搜索轨迹坐标
Fig. 9. Convergence curves and search trajectory coordinates of RFL-CATS algorithm. (a) Convergence curves; (b) search trajectory coordinates
图 10. RFL-MSED算法的收敛曲线及搜索轨迹坐标。(a)收敛曲线;(b)搜索轨迹坐标
Fig. 10. Convergence curves and search trajectory coordinates of RFL-MSED algorithm. (a) Convergence curves; (b) search trajectory coordinates
5.2 算法有效性测试
为了检验本文算法的有效性,分别采用不同邻域种子
为了进一步对比RFL-CATS算法与RFL-MSED算法在搜索精度、速度等优化性能上的差异,将RFL-CATS算法达到收敛时的
5.3 算法的效率测试
为了进一步对本文算法的效率进行测试,对几种拼接算法进行对比测试实验。分别为RFL-CATS和RFL-MSED两个算法指定收敛精度,通过600次实验比较
指定迭代次数上限为50,即经过50次迭代均未能达到指定精度,认为算法匹配失败。数值实验结果如
另外,由
表 1. 拼接算法比较
Table 1. Comparison of different image stitching algorithms
|
6 结论
基于轮廓线离散距离和区域蛙跳寻优算法,建立了一种图像最优拼接线的搜索算法,用于机器视觉场景下显微图像的拼接。在图像轮廓线离散距离衡量准则、决策域邻居集合选择等方面进行优化,不仅提高了拼接速度,还提高了精准拼接精度,能够保证拼接目标的完整性、去除重叠区域,同时简化的匹配策略减小了算法的计算量,增强了算法的时效性。实验数据表明,区域蛙跳搜索轮廓匹配算法有效提高了求解效率和质量,具有较好的优化性能和实用性。
[1] 仇国庆, 冯汉青, 蒋天跃, 等. 一种改进的Harris角点图像拼接算法[J]. 计算机科学, 2012, 39(11): 264-266, 297.
[2] 许佳佳. 结合Harris与SIFT算子的图像快速配准算法[J]. 中国光学, 2015, 8(4): 574-581.
[3] 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.
[4] 黄琼丹, 邱跃洪, 田小平. 基于特征点及优化理论的图像自动拼接方法[J]. 光子学报, 2009, 38(8): 2139-2143.
[5] 封靖波, 苏志勋, 刘秀平. 一种基于相似曲线的全景图自动拼接算法[J]. 计算机学报, 2003, 26(11): 1604-1608.
[7] 欧阳喆, 周永权. 自适应步长萤火虫优化算法[J]. 计算机应用, 2011, 31(7): 1804-1807.
[8] 李尊, 申小萌, 苗同军. 对比度阈值自适应的SIFT图像拼接算法[J]. 红外技术, 2017, 39(10): 946-950.
[9] 夏岩, 刘智, 王俊然. 图像拼接中SURF配准算法的研究[J]. 长春理工大学学报(自然科学版), 2017, 40(2): 98-101.
Article Outline
颜振翔, 王寒迎, 石齐双, 莫艳红, 杨辉华. 基于区域蛙跳搜索与轮廓匹配的显微图像拼接[J]. 激光与光电子学进展, 2019, 56(15): 151002. Zhenxiang Yan, Hanying Wang, Qishuang Shi, Yanhong Mo, Huihua Yang. Microscopic Image Stitching Based on Regional Frog Leaping Search Algorithm and Image Contour Matching[J]. Laser & Optoelectronics Progress, 2019, 56(15): 151002.