基于角点检测图像配准的一种新算法

基于角点的配准算法

第32卷第4期

2002年8月中 国 科 学 技 术 大 学 学 报JOURNALOFUNIVERSITYOFSCIENCEANDTECHNOLOGYOFCHINAVol.32,No.4Aug.2002文章编号:0253 2778(2002)04 0455 07

基于角点检测图像配准的一种新算法

周 鹏,谭 勇,徐守时

(中国科学技术大学电子工程与信息科学系,合肥230027)

摘要:提出了一种新的基于角点检测的图像配准方法,其核心思想是采用一种快速的基于图像灰度的角点检测新算法,通过沿圆弧曲线扫描获取角点信息,然后根据这些角点信息建立图像间角点的对应关系,并由此得到初配准参数,最后通过迭代过程以提高配准的精度.理论分析和实验结果表明,该算法对图像间的旋转角度没有限制,配准精度高而且计算量较小.

关键词:角点检测;图像配准;USAN;旋转不变性

中图分类号:TP751.1 文献标识码:A

0 引言

图像配准是遥感图像处理、目标识别、图像重建、机器人视觉等领域中的关键技术之一.目前它的一个主要研究方向是基于图像特征点(例如角点、边缘点)的配准,因此图像特征点的检测至关重要.对于角点检测,主要分为两类方法:基于图像边缘的方法[1,2]和基于图像灰度的方法[3,4].基于图像边缘的方法往往需要对图像边缘进行编码,这在很大程度上依赖于图像的分割和边缘提取,而这两种操作本身就具有相当大的难度和计算量,况且一旦待检测目标局部发生变化(例如被部分遮挡),则很可能导致图像分割和边缘提取操作的失败,所以这种方法的适用范围很小.而基于图像灰度的方法则避开了上述这些缺陷,它考虑的是像素点邻域的灰度变化,而不是整个目标的边缘轮廓.这类方法主要通过计算点的曲率及梯度来检测角点,目前此类方法已经取得了很大的进展,Harris等人提出的一种角点检测方法[3]被公认为是较好的方法,但它的计算相对复杂.

目前很多图像配准技术[5,6],只适用于图像间存在小角度旋转(大约为0~5 )的情况.如何在图像间存在大角度旋转的情况下进行配准还值得深入研究.论文在USAN模型,即同值分割吸收核(univaluesegmentassimilatingnucleus)模型基础上提出了一种新的角点检测方法,通过沿圆弧曲线扫描得到角点的夹角及边缘方向信息,然后利用这些信息对图像进行配准.从原理上分析,此方法对于图像间旋转角度的范围没有限制.

论文首先介绍角点的检测模型及角点的提取,随后介绍如何建立图像间角点的对应关系,然后介绍在此基础上所进行的图像配准过程,最后分析了实验结果并进行了总结. 收稿日期:2001 06 20.

基于角点的配准算法

456 中国科学技术大学学报 第32卷1 角点检测模型及角点提取

考虑图像中任意一个像素点和以它为中心的一个圆形区域内,在没有纹理的情况下,可以认为存在一个密集区域,它的内部像素点有相似的灰度值,这样的区域被定义为USAN.图1给出了三种USAN形态表述,对应于待处理像素点在USAN区域内(a)、边缘(b)和拐角(c)三种情况.为了准确地获得夹角信息,不考虑多条边过中心点等其它情况.

角点提取的目标是检测出图1(c)中的中心点O(角点),并同时得到该角点的夹角及边缘方向.为此,我们沿以待检测像素点为中心的圆弧进行扫描,找出灰度强烈变化的点作为圆弧曲线与角点边缘的交点,以此交点与中心点的连线方向为角点的候选边缘方向.为了抑制图像局部细节轻微变化所造成的干扰,在算法中定义了一个局部平均函数g:

g(i,j)=f(k,l)Nm (i, j,M)g(1)

其中: (i,j,Mg)表示以(i,j)为中心半径为Mg的圆形区域;f(i,j)为像素点(i,j)的灰度值;Nm表示圆形区域中像素点的个数

.

(a) (b) (c)

图1 USAN的三种形态表述

Fig.1 Threeshapesof

USAN

图2 半径为1、2的离散圆弧(C1,C2)

Fig.2 Discretecirclesofdiameter1and2(C1,C2)

图2是算法中定义的一种离散域中的近似圆弧曲线.设定一个半径Rn,选取一个起始点(如:i1=i,j1=j+Rn),然后按顺时针方向依次编号,得到一系列像素点集:

CRn={(i1,j1),(i2,j2), ,(il,jl)}

然后依次计算以下的序列值:f(i1,j1)-g(i,j), ,f(il,jl)-g(i,j),f(i1,j1)-g(i,j)

统计以上差值的符号变化次数Nc,同时当符号变化时记录变化点位置(假设边缘点灰,c=2,

基于角点的配准算法

第4期 基于角点检测图像配准的一种新算法 457 线与角点边缘的交点,记为(ia,ja)和(ib,jb).判断(ia,ja),(i,j),(ib,jb)三点的夹角(不大于180 )是否在某一范围内(如45 ~135 ),若是,将该点作为候选角点,并记录此夹角大小,否则当作干扰点去除.同时按顺时针方向取夹角的起始边,例如图一(c)中的OA边,并将此边的方向作为该候选角点的边缘方向.对于Nc不为2的点不予考虑.

通过以上步骤找出的点不全是角点,还包括一些离直线很近的点以及一些离角点很近的点,这可以反映为图一中的(a)、(b)两种情况.文献[4]中通过定义一个权重函数W来滤除错误角点,实验结果表明此方法对角点的定位不够精确,不适合计算角点的边缘方向.为此,我们利用角点的一种自身特性,即通过角点的任意方向的直线在角点处的灰度变化都很大,引进了一个角点响应函数:

22CR(i,j)=min((f(ik,jk)-f(i,j))+(f(ik ,jk )-f(i,j)))Ci(2)

其中Ci是圆弧扫描曲线,k和k 是在Ci中关于中心点(i,j)对称的点对,如图2所示.

下面具体分析图1所示三种情况下的角点响应函数的取值情况:

(a)中心点在区域内:这时存在过中心点的直线的两个端点k和k 都落在USAN的情况,所以响应函数CR很小.

(b)中心点在一条边缘上:这时至少有一个点对k和k (边缘上)都落在USAN中,所以响应函数CR也会很小.

(c)中心点是一个角点:这种情况下,不存在k和k 都落在USAN中的情形,所以响应函数CR会比较大.

由此得出结论,只要选取适当的阈值就可以通过角点响应函数滤除错误的角点.

在图像中,真正的角点只占全体图像点很小的一部分.为了提高算法的执行速度,第一步,先采用半径Rc=1的圆弧(C1)对图像点计算角点响应函数CR,通过CR阈值的选取来控制候选点的个数.第二步,只对那些具有较大CR值的点计算局部平均函数g,统计出符号变化次数Nc,这样可省去很多的无用计算.一般情况下,CR的阈值选取与图像的对比度有关,对比度越大,阈值越高.在实际计算时,可以先对各个点的CR值进行降序排列,再通过取序列中第L个值作为阈值的参考估计,例如当图像大小为100 100像素时,L可取值为

20.实际上,第一步和第二步操作分别是建立在低尺度和高尺度上的角点检测,它们有一定的互补性.第一步集中于小范围,定位较为精确,但对一些噪声干扰点较敏感,而第二步相对在较大范围扫描,可较好地滤除干扰点.

应当指出,上述算法也使得位于真正角点邻域的一些点被作为角点同时检测出来,为此,算法中还要作如下处理:每求出一个角点,其周围一定范围的邻域就不再检测角点,其邻域的大小可用参数控制.这样做的结果也可使角点分布较为均匀.角点的选择由其CR值决定,按CR值的大小依次提取.对于一些复杂图像,如果检测出的角点个数较多,则可以设一个参数用于控制角点的总个数,或相应提高CR值的门限.

最后说明的是,本算法对角点具有一定的旋转不变性,即使两幅图像f 与f有一个旋转角度,由于采用的是近似圆弧边界,所以算出的局部平 …… 此处隐藏：7475字，全部文档内容请下载后查看。喜欢就下载吧 ……