基于载物台运动信息的显微图像拼接算法研究【增强内容出版】
1 引言
光学显微镜由于其特殊的作用广泛应用于工业检测、科学研究和医学分析等领域,但传统光学显微镜视场受限于放大倍率,在高放大倍率下只能观察到样本的部分内容,这给使用者带来许多不便。通过图像拼接技术可将同一显微切片的图像合成具备较宽视野和较高分辨率的图像,从而解决显微镜视场受限于放大倍率的问题。显微图像通常存在大量复杂且相似的微观结构,对配准算法鲁棒性要求较高。随着显微相机成像分辨率的提高,基于特征的拼接方法提取到大量特征进行匹配,计算量极大,因此,研究高效的显微图像拼接算法具有重要意义。
基于特征的拼接方法是图像拼接应用最广泛的方法之一,特征包括图像中角点、线、轮廓、封闭区域等[1]。其中,以加速稳健特征(SURF)算法[2]为基础,设计出了多种满足不同应用场景的拼接算法,如赵立杰等[3]针对活性污泥显微图像表征信息有限等问题,提出通过特征检测的方式获取距离矩阵,再采用Floyd算法优化拼接路径实现多图拼接。贾仁庆等[4]为了解决荧光图像和明场图像位置不匹配的问题,提出通过SURF算法采集图像特征后,利用粒子群优化算法对图像进行配准,有效提高浮游植物鉴定的精度。张寅等[5]为了解决遥感图像检测目标小等难题,提出了先通过特征检测算法建立高低层级特征融合结构,利用特征融合模块增强小目标的特征信息,从而实现小目标检测。Liu等[6]针对无序显微图像拼接耗时长的问题,提出通过特征检测建立基于合并排序的图像拼接模型,在不遍历所有图像的情况下,直接对匹配后的图像进行拼接。
显微图像存在大量相似结构是造成特征点匹配效率低的主要原因,为了避开特征点的检测,部分学者提出选择线特征作为检测对象[7]进行图像配准、通过模板匹配进行初始运动估计再应用光流法进一步匹配[8]、边缘检测结合线性搜索法配准图像[9-10]等方法拼接显微图像。同时,通过深度学习方式[11-12]进行图像拼接,需要大量数据和高性能图形处理器(GPU)训练数据模型。因此,显微设备无法完美地部署深度学习算法。开源图像处理软件OpenPano、AutoStitch、ImageJ提供了图像拼接功能插件[13],这为学者们所提的拼接算法提供比较对象。
上述改进的拼接算法和图像拼接系统中,图像采集与处理独立,图像拼接是后处理过程。当图像分辨率较高时,难以实现快速配准,因此,拼接时间和效果成为了衡量拼接算法的标准。本文提出一种适用于显微镜应用场景下基于载物台运动信息的图像拼接算法。以配备电动载物台的光学显微镜作为实验平台,通过载物台运动信息改进特征匹配算法。以特征丰富且微观结构相似的脊髓横切片、双子叶植物茎切片和特征稀疏的植物花粉作为实验对象,通过显微镜采集不同重叠区域的图像进行拼接,该实验结果优于AutoStitch软件拼接的结果。
2 相关工作
2.1 载物台运动信息与成像间的关系
显微镜载物台XYZ轴分别通过丝杆与步进电机组合控制,XY轴控制载物台水平和竖直平面方向的移动,Z轴控制聚焦工作,如
显微镜的视场大小与CCD相机靶面尺寸和放大倍率有着密切关系,视场大小F可表示为
式中:
式中:
载物台需要丝杆与步进电机搭配完成移动,载物台移动距离与成像间的关系
式中:
2.2 显微图像结构相似度
显微图像存在大量相似结构是造成特征点对误匹配的主要原因之一。SURF算法对显微图像特征检测后每个特征点用64维描述子表示,相似结构造成特征点间描述子区别不大,在特征点匹配环节极易误匹配,从而影响单应性矩阵求解的准确性。暴力匹配(BF)算法通过一对多的方式计算描述子最近欧氏距离,得到最近欧氏距离的特征点后再反向交叉匹配,若仍然匹配到相同特征点则判定为匹配对,在特征点相似的情况下极易造成误匹配。快速最近邻搜索(Flann)算法利用了k-d树或k-means树算法来对特征进行聚类建模搜索到最近邻与次临近的特征点,描述子相似的情况下也容易造成误匹配。由此可知,显微图像结构的相似度影响着特征匹配的效率,用特征点间的欧氏距离表示结构相似度,欧氏距离越小特征点间越相似,具体可表示为
式中:
式中:
2.3 预测拼接模型
特征点的提取和匹配是基于特征拼接算法的关键一步,其精度直接影响单应性矩阵的准确性,特征点匹配是拼接过程中耗时最长的过程,优化特征点匹配环节是提高拼接效率的关键。
提出一种基于载物台运动信息预测匹配点的拼接算法。通过SURF算法在相邻两张图像重叠区域中提取特征点,图像的重叠区域大小由丝杆旋转圈数决定。通过载物台运动的方向及距离预测待匹配点的位置,筛选出以预测位置为中心固定区域内最小欧氏距离的特征点,将其作为实际匹配点,减少了预测区域外相似特征点的影响。利用载物台运动信息计算匹配特征点对的斜率粗筛选误匹配特征点对,用随机抽样一致性(RANSAC)[14]算法对匹配模型进行优化并计算单应性矩阵。最后,通过单应性矩阵变换图像完成拼接。
预测拼接模型如
2.3.1 特征检测
采用SURF算法对图像重叠区域进行特征检测与描述,SURF算法通过使用积分图像来计算Hessian矩阵的行列式,从而检测图像中的关键点,并使用Haar小波响应来计算关键点的描述子。与尺度不变特征转换(SIFT)算法相比,SURF算法具有更快的计算速度和更好的尺度不变性能[15]。
2.3.2 改进特征匹配
图像间的重叠区域由载物台预设运动轨迹和机械定位误差决定,如
式中:
式中:
式中:MIN(·)为距离最小值函数。
由于显微镜电动载物的精密结构,其在运动过程中误差范围可控。因此,
2.3.3 斜率粗筛选和RANSAC精匹配
当预测区域内存在多个相似的特征点时,通过预测匹配点的方法计算得到的特征点对仍存在误匹配的情况。为了提高匹配的准确性,引入特征点对斜率粗筛选和RANSAC精匹配的机制。通过载物台运动信息计算出特征点对在同一坐标内的斜率,粗筛选出与载物台运动趋势不同的斜率。同时,准确匹配的特征点对斜率大致相同,计算出斜率分布曲线,将斜率出现次数较低的特征点对剔除如
式中:
RANSAC算法从粗筛选后的数据集中随机选取4对不共线的特征点对,计算出单应性矩阵,并用该矩阵对数据进行变换。通过计算变换后的点和对应真实点之间的误差,判断每个特征点是否为内点。根据内点的数量和误差等因素,评估单应性矩阵的质量,再决定继续迭代和停止迭代的时刻。最终,选择内点数量最多的特征点对计算最终的单应性矩阵,从而实现特征点精确匹配[14]。
2.4 图像配准
待配准图像通过单应性矩阵变换后,以参考图像为背景,在参考图像坐标系中插入变换后的待配准图像,根据插入位置和尺寸进行拼接。设待配准图像
式中:
以参考图像为中心,待配准图像有4种拼接方式。拼接方向决定了参考图像与待配准图像间的相对位置,如
当stitching direction为1和3时,需移动配准图像
式中:
2.5 改进图像融合
在显微图像拼接过程中,图像之间的不连续性、曝光不同等因素可能导致拼接缝隙的出现,而加权平均融合算法可以在保持拼接效果的同时尽可能地减少这些缝隙。此外,该算法还能够在融合速度和质量之间找到一个平衡点,可以兼顾融合效果和融合时间。加权平均融合算法通过为重叠区域的像素值分配一定的权重来计算两张图像的像素值。在图像重叠部分,权重会渐变,这种方法简单而有效,可以产生更平滑的拼接图像。如
式中:
式中:
图 8. 图像融合。(a)两张图像融合;(b)多张图融合
Fig. 8. Image fusion. (a) Fusion of two images; (b) fusion of multiple images
当进行多图拼接时,配准图像
式中:
且满足
式中:
利用角度表示像素点,从而通过三角函数权重渐变的特性实现重叠区域边缘平滑过度,有效地提高图像融合的质量。
2.6 多图拼接
在显微图像多图拼接模式中,预设载物台运动轨迹为“弓”字形,如
由于显微图像间仅存在平移关系,无旋转与尺度变换关系,在多图拼接模式中,采用帧到帧的拼接模式。stitching direction为2时的算法流程如
式中:
同理,当stitching direction为1时,
式中:
当stitching direction为3时,分为两种情况,当载物台从左向右运动再向上运动时,
式中:
当stitching direction为4时,分为两种情况,当载物台从左向右运动再向下运动时,
式中:
3 分析与讨论
显微图像拼接系统在Windows 10操作系统下,使用OpenCV 4.4.0作为开发环境,Visual Studio 2017作为编程平台。PC配置为Intel(R)Xeon(R)CPU E5-1630 v3处理器,3.70 GHz主频,16 GB内存,Quadro K2200 4GB NVIDIA显卡,ST1000DM003希捷机械硬盘。通过对分辨率为1600×1200的200组脊髓横切片、木本双子叶植物茎横切片以及特征稀疏的植物花粉显微图像进行拼接,与BF和Flann匹配算法比较性能,以及多图拼接结果与AutoStitch软件拼接结果相比较。
3.1 显微图像结构相似度评价指标
以特征点间的相似性作为显微图像结构相似度的评价指标。通过计算图像中某个特征点与其余特征点的欧氏距离来衡量相似度,当欧氏距离小于阈值时,判定为相似特征点。如
表 1. 不同类型图像结构相似性
Table 1. Structural similarity of different types of images
|
图 11. 图像结构相似性。(a)脊髓切片;(b)双子叶切片;(c)自然场景
Fig. 11. Similarity of image structure. (a) Spinal cord; (b) dicotyledons; (c) natural scene
3.2 匹配点预测坐标及实际匹配坐标
图 12. 不同重叠区域预测坐标与实际坐标。(a)20%图像重叠区域;(b)30%图像重叠区域
Fig. 12. Predicted and actual coordinates of different overlapping areas. (a) 20% image overlap area; (b) 30% image overlap area
表 2. 不同重叠区域匹配点预测坐标与实际坐标
Table 2. Predicted and actual coordinates of matching points in different overlapping areas
|
3.3 所提算法与BF、Flann匹配算法性能比较
选取200组不同类别、大小为1600×1200的显微图像进行实验,分别比较所提匹配算法与BF和Flann匹配算法的性能。以匹配率和匹配耗时作为衡量标准,列出其中3组实验结果如
表 3. 不同匹配算法性能比较
Table 3. Performance comparison of different matching algorithms
|
图 13. 不同匹配算法性能比较实验结果。(a)BF初匹配;(b)Flann初匹配;(c)所提算法初匹配;(d)BF优秀匹配;(e)Flann优秀匹配;(f)所提算法优秀匹配
Fig. 13. Experimental results of performance comparison of different matching algorithms. (a) BF first match; (b) Flann first match; (c) proposed algorithm first match; (d) BF good match; (e) Flann good match; (f) proposed algorithm good match
3.4 图像拼接与融合
显微镜采集图像时因曝光率不同,会造成拼接图像的亮度不一致如
图 14. 融合图像。(a)融合图像前;(b)融合图像后
Fig. 14. Fusion images. (a) Before fusing image; (b) after fusing image
实验对比两组放大倍率不同的显微图像分别采取AutoStitch开源软件拼接和所提预测拼接的效果。如
图 15. 3×3图像拼接。(a)拼接原图像;(b)AutoStitch拼接;(c)所提算法拼接
Fig. 15. 3×3 images stitching. (a) Stitched original images; (b) AutoStitch stitching; (c) proposed method stitching
图 16. 4×5图像拼接。(a)AutoStitch拼接;(b)所提算法拼接
Fig. 16. 4×5 images stitching. (a) AutoStitch stitching; (b) proposed method stitching
表 4. 多图拼接
Table 4. Multi-image stitching
|
如
图 17. 显微图像拼接系统。(a)电控载物台;(b)(c)实时拼接图像部分过程
Fig. 17. Microscopic image stitching system. (a) Motorized stage; (b) (c) part of the process of stitching images in real time
4 结论
针对显微图像存在大量相似结构引起匹配效率不高,以及传统显微图像拼接系统中图像采集和拼接互相独立,抗干扰性不强等问题,提出了一种结合载物台运动信息的显微图像预测拼接算法。充分利用高精度电动载物台运动信息预测待匹配特征点位置,降低因显微图像相似结构造成的误匹配影响。利用匹配特征点对的斜率快速粗筛选误匹配点对,减少RANSAC算法精匹配迭代次数。最后,通过改进的加权平均融合消除多图拼接缝隙平滑图像。实验对比结果表明:所提算法降低了显微图像特征点误匹配率,有效利用载物台运动信息加速了显微图像拼接过程。当显微图像分辨率为1600×1200且特征丰富时,系统的拼接速度达到2 frame·s-1,这为进一步研究显微镜实时拼接算法提供依据。
[1] 赵馨雨, 屈盛官, 吕继亮, 等. 基于缝合线驱动图像拼接的表面粗糙度测量方法研究[J]. 中国激光, 2022, 49(9): 0904001.
[2] Zhou J, Jin W, Wang M J, et al. Fast and accurate normal estimation for point clouds via patch stitching[J]. Computer-Aided Design, 2022, 142: 103121.
[3] 赵立杰, 张桂硕, 邹世达, 等. 基于Floyd算法的活性污泥显微图像的多图像拼接[J]. 激光与光电子学进展, 2022, 59(22): 2210005.
[4] 贾仁庆, 殷高方, 赵南京, 等. 浮游藻类细胞显微明场图像与荧光同步测量图像配准方法研究[J]. 中国激光, 2022, 49(24): 2407202.
[5] 张寅, 朱桂熠, 施天俊, 等. 基于特征融合与注意力的遥感图像小目标检测[J]. 光学学报, 2022, 42(24): 2415001.
[6] Liu W, Zhang K H, Zhang Y, et al. Utilization of merge-sorting method to improve stitching efficiency in multi-scene image stitching[J]. Applied Sciences, 2023, 13(5): 2791.
[7] Li Z B, Yin Y. IC microscopic image stitching based on improved line matching[J]. Journal of Physics: Conference Series, 2020, 1607(1): 012069.
[8] 陈庆, 周海洋, 余飞鸿. 基于改进光流法的显微图像拼接算法研究[J]. 激光与光电子学进展, 2021, 58(24): 2410001.
[9] 柴政, 刘任任, 梁光明. 基于机械扫描与改进SURF的显微图像拼接算法[J]. 计算机技术与发展, 2019, 29(11): 97-101.
Chai Z, Liu R R, Liang G M. Microscopic image stitching algorithm based on mechanical scanning and improved SURF[J]. Computer Technology and Development, 2019, 29(11): 97-101.
[10] Seo J H, Yang S, Kang M S, et al. Automated stitching of microscope images of fluorescence in cells with minimal overlap[J]. Micron, 2019, 126: 102718.
[11] Nie L, Lin C Y, Liao K, et al. Unsupervised deep image stitching: reconstructing stitched features to images[J]. IEEE Transactions on Image Processing, 2021, 30: 6184-6197.
[12] 刘磊, 李元祥, 倪润生, 等. 基于卷积与图神经网络的合成孔径雷达与可见光图像配准[J]. 光学学报, 2022, 42(24): 2410002.
[13] SitanggangI S, AkbarA, RulaningtyasR, et al. Automatic system for stitching microscopic images using OpenPano[C]. AIP Conference Proceedings, 2020, 2314(1): 040014.
[14] WangX F, WangB T, DingZ L, et al. Research on feature matching based on improved RANSAC algorithm[M]∥LiuH H, YinZ Q, LiuL Q, et al. Intelligent robotics and applications. Lecture notes in computer science. Cham: Springer, 2022, 13457: 477-484.
[15] Bay H, Ess A, Tuytelaars T, et al. Speeded-up robust features (SURF)[J]. Computer Vision and Image Understanding, 2008, 110(3): 346-359.
Article Outline
黄家广, 玉振明, 彭国晋, 甘辉, 吕美妮. 基于载物台运动信息的显微图像拼接算法研究[J]. 激光与光电子学进展, 2024, 61(8): 0837012. Jiaguang Huang, Zhenming Yu, Guojin Peng, Hui Gan, Lü Meini. Microscopic Image Stitching Algorithm Based on Stage Motion Information[J]. Laser & Optoelectronics Progress, 2024, 61(8): 0837012.