影像配準(zhǔn)算法分析概述目錄TOC\o"1-3"\h\u16422影像配準(zhǔn)算法分析概述 1118151.1引言 1190351.2尺度空間的極值檢測(cè) 2263741.2.1尺度空間 244481.2.2高斯金字塔的構(gòu)建 2216841.2.3DOG高斯差分尺度空間的生成 3146591.2.4局部極值檢測(cè) 4242921.3關(guān)鍵點(diǎn)的精確定位 559571.4關(guān)鍵點(diǎn)方向分配 5186311.5關(guān)鍵點(diǎn)的描述 624827參考文獻(xiàn) 71.1引言本此引水隧洞圖像拼接實(shí)驗(yàn)采用的的是SIFT算子特征點(diǎn)檢測(cè)方法，SIFT算子是一種基于計(jì)算機(jī)視的算法用來尋找圖像中的極值點(diǎn)。具體的來說，它是在所構(gòu)建的尺度空間金字塔中尋找極值點(diǎn)，并提取出圖像中不隨圖像的位置、光照、尺度等變化的特征點(diǎn)。具體的SIFT算法實(shí)現(xiàn)特征匹配主要有以下三個(gè)流程：（1）提取關(guān)鍵特征點(diǎn)：關(guān)鍵點(diǎn)是一些相較于其他點(diǎn)比較突出的，并且不會(huì)因外界的各種因素的變化的點(diǎn)。（2）定位關(guān)鍵點(diǎn)并確定特征方向：在空間尺度上找出來的關(guān)鍵點(diǎn)并不是真正的極值點(diǎn)，我們根據(jù)找出的這些關(guān)鍵點(diǎn)擬合出連續(xù)的的曲線尋找出真正的空間極值點(diǎn)。同時(shí)還要為每一個(gè)關(guān)鍵點(diǎn)分配方向和梯度，使關(guān)鍵點(diǎn)在后面的變換中具有不變性。（3）通過各關(guān)鍵點(diǎn)的特征向量，尋找出兩張圖像間的若干對(duì)同名點(diǎn)，建立起圖像間的對(duì)應(yīng)關(guān)系，進(jìn)行圖像變換和融合。該算法有以下的特點(diǎn)：（1）SIFT特征對(duì)外界因素的變化不敏感，具有較好的穩(wěn)定性。（2）該算法具有良好的唯一性，可以在特征信息中實(shí)現(xiàn)正確的配準(zhǔn)，匹配的偏差率較小。（3）多量性，是指SIFT算法所提取出來的信息量多，不會(huì)因?yàn)樗崛〕龅男畔⑦^少而完成不了圖像匹配。（4）計(jì)算快速性，經(jīng)過改良之后的SIFT算法可以在大量的特征點(diǎn)中快速實(shí)現(xiàn)配準(zhǔn)工作。下面將從四個(gè)方面詳細(xì)地介紹SIFT算子：1.2尺度空間的極值檢測(cè)1.2.1尺度空間尺度空間的思想是：在進(jìn)行圖像的特征點(diǎn)提取的時(shí)候，對(duì)圖像采用一系列連續(xù)變化的尺度處理，并在這些尺度下搜索出圖像中不隨外界因素變化的特征信息。平時(shí)生活中，我們?nèi)搜廴タ匆粡堈掌瑫r(shí)，隨著觀察距離的不斷增加，肉眼看到的細(xì)節(jié)逐漸變少，漸漸地只能看到圖像的輪廓信息。那么如果使用計(jì)算機(jī)像人眼一樣去觀察一張圖像時(shí)，在不同的距離下，對(duì)應(yīng)于計(jì)算機(jī)視覺中的不同尺度下，圖像的細(xì)節(jié)和模糊程度是不一樣的。計(jì)算機(jī)視覺要模擬出圖像距離人眼逐漸變小的時(shí)視網(wǎng)膜所呈現(xiàn)的畫面，大尺度對(duì)應(yīng)圖像越模糊，小尺度對(duì)應(yīng)圖像細(xì)節(jié)東西越多，并且在這些尺度中找出不隨尺度變化的關(guān)鍵特征點(diǎn)。高斯金字塔讓原始圖像保存最多的細(xì)節(jié)特征，然后再使用高斯濾波對(duì)原圖像進(jìn)行一系列的處理，得到逐漸模糊的圖像，以此來表示在大尺度情況下的圖像信息。這里的尺度指的是高斯函數(shù)當(dāng)中的σ值，一張圖像與不同σ值的二維高斯函數(shù)卷積后得到很多張高斯圖像，即不同程度模糊的圖像，這就好比你用人眼從不同距離去觀測(cè)那張照片。所有不同尺度下的圖像，構(gòu)成單個(gè)原始圖像的尺度空間。一幅在方差為σ的二維高斯函數(shù)G（x，y，σ）的處理下，采用不同大小的方差σ，得到不同尺度下圖像的尺度空間，可由式1.1得到：（1.1）1.2.2高斯金字塔的構(gòu)建尺度空間在圖像處理上通過高斯金字塔表現(xiàn)出來，高斯金字塔的構(gòu)建需要分為兩個(gè)步驟來實(shí)現(xiàn)：高斯平滑和降采樣處理。根據(jù)降采樣率的不一樣，從而會(huì)得到一系列大小不一的圖像。所謂的對(duì)圖像進(jìn)行降采樣其實(shí)是指圖像的像素點(diǎn)會(huì)減少，圖像尺寸會(huì)縮小。圖1.1高斯金字塔圖像的金字塔模型是指同一張圖像通過一系列降采樣和高斯處理，得到一些列不同分辨率和不同尺寸的圖像，金字塔最底層為原圖像，圖像內(nèi)容信息保留最多，尺寸最大，分辨率最高，越往金字塔頂端走，圖像分辨率變小，尺寸也變小。建立高斯金字塔具體的操作步驟是：先將原圖像進(jìn)行降采樣，得到了不同分辨率下的圖像；再對(duì)每層圖像進(jìn)行高斯卷積，這樣一來，原本的圖像金字塔每層只有一張圖像，經(jīng)過高斯卷積之后，每層又增加了多張相同采樣率下不同模糊程度的照片，這樣便得到了圖像的金字塔。如圖1.1所示。1.2.3DOG高斯差分尺度空間的生成為了更好得尋找圖像的特征點(diǎn)，要對(duì)高斯金字塔作進(jìn)一步優(yōu)化，這樣高斯差分金字塔產(chǎn)生了。如圖1.2所示為高斯金字塔得到高斯差分尺度空間的示意圖。其具體的生成步驟為：在1.2.2生成的高斯金字塔的基礎(chǔ)上，將高斯金字塔每組中的相鄰層數(shù)的圖像進(jìn)行相減，得到的圖像重新構(gòu)造的金字塔即為高斯差分尺度空間。圖1.2高斯差分尺度空間1.2.4局部極值檢測(cè)建立了高斯差分金字塔之后，下一步便是在高斯差分尺度空間中搜索尋找出極值點(diǎn)。具體的實(shí)現(xiàn)方法為類似于地毯式搜索，假設(shè)尺度空間中的某一個(gè)像素點(diǎn)，以該像素點(diǎn)為中心與同一層上相鄰的8個(gè)像素點(diǎn)進(jìn)行比較，除此之外還要同與該層相鄰的上下兩層中相鄰的18個(gè)像素點(diǎn)進(jìn)行比較，如果該像素點(diǎn)的的值都比在空間尺度中鄰近點(diǎn)像素點(diǎn)值大（或小），這個(gè)像素點(diǎn)便確定為一個(gè)局部關(guān)鍵點(diǎn)。在高斯差分尺度空間中搜索關(guān)鍵點(diǎn)過程具體為：以每組圖像的第二層為起始點(diǎn)，以第二層所選該像素點(diǎn)為當(dāng)前層，對(duì)第二層的中的圖像中每個(gè)點(diǎn)搜索周圍8個(gè)像素點(diǎn)的大小，然后搜索該組圖像的第一層和第三層各9各像素點(diǎn)。第二層搜索完后，再以第三層作為當(dāng)前層，第二層和第四層分別作為當(dāng)前層的上下倆層進(jìn)行搜索極值點(diǎn)。后面搜索過程按照上面所述進(jìn)行操作。如下圖1.3所示為極值檢測(cè)示意圖。圖1.3局部極值檢測(cè)示意圖1.3關(guān)鍵點(diǎn)的精確定位通過1.2.4在高斯差分金字塔中找出的關(guān)鍵點(diǎn)，并不是真正意義上的極值點(diǎn)，因?yàn)槲覀冋业降牡牡臉O值點(diǎn)是屬于離散空間上的點(diǎn)，是在經(jīng)過了不斷降采樣的離散空間中得到，所以我們需要用到一條曲線來進(jìn)行擬合進(jìn)而確定真正的極值點(diǎn)。通過擬合函數(shù)將采樣點(diǎn)擬合成曲面，便會(huì)發(fā)現(xiàn)有些關(guān)鍵點(diǎn)并非是連續(xù)空間真正的極值點(diǎn)。通過已經(jīng)搜索出來的這些極值點(diǎn)擬合曲面，從而能尋找出真正極值點(diǎn)，使圖像拼接后期的配準(zhǔn)更加地穩(wěn)定。如下圖1.4所示即為高斯尺度空間中真正的極值點(diǎn)。圖1.4關(guān)鍵點(diǎn)定位1.4關(guān)鍵點(diǎn)方向分配在精確定位連續(xù)空間的極值點(diǎn)后，我們要為這些檢測(cè)出來的空間極值點(diǎn)確定一個(gè)基準(zhǔn)方向，使描述極值點(diǎn)的參數(shù)對(duì)圖像旋轉(zhuǎn)具有不變性，增加匹配的穩(wěn)定性。在實(shí)際的計(jì)算過程中，我們要以極值點(diǎn)為中心的某一鄰域內(nèi)進(jìn)行采樣，采集其鄰域內(nèi)的像素點(diǎn)的方向和梯度。其梯度的大小和方向如式1.2和1.3所示：（1.2）（1.3）本次算法采用梯度直方圖統(tǒng)計(jì)法，使用直方圖統(tǒng)計(jì)鄰域內(nèi)像素的梯度和方向。具體的：直方圖的橫坐標(biāo)為梯度的方向角，取45度為一個(gè)單位，那么橫軸一共就有8個(gè)刻度；直方圖的縱坐標(biāo)表示的各個(gè)方向的梯度累加值。取梯度的幅值累加值最大的所對(duì)應(yīng)的方向?yàn)樵撽P(guān)鍵點(diǎn)的主方向，同時(shí)為了增加匹配的穩(wěn)定性，取超過主方向累加值80%的方向?yàn)檩o助方向。圖像梯度梯度累加值圖像梯度梯度累加值1.5梯度方向累加值1.5關(guān)鍵點(diǎn)的描述前面已經(jīng)確定了關(guān)鍵點(diǎn)的位置、尺度和方向信息，下面就要通過一個(gè)參數(shù)（描述符）將這些信息整合到一起，目的是讓這些關(guān)鍵點(diǎn)不會(huì)因?yàn)槟骋灰蛩馗淖兌l(fā)生變化，比如旋轉(zhuǎn)、尺度、視角變化等等，具有較好的穩(wěn)定性。特征描述子圖像梯度特征描述子圖像梯度圖1.7關(guān)鍵點(diǎn)描述生成關(guān)鍵點(diǎn)描述子的具體的做法為：以關(guān)鍵點(diǎn)為中心，取一個(gè)n×n維的窗口，假設(shè)取8×8大小的窗口，如上圖1.6所示，左圖中的中心點(diǎn)表示當(dāng)前所選關(guān)鍵點(diǎn)所在的位置，每個(gè)小格代表關(guān)鍵點(diǎn)附近鄰域內(nèi)所在尺度空間的一個(gè)像素。把8×8的區(qū)域分為4塊，分別計(jì)算每一塊的梯度方向和累計(jì)值大小，每塊形成一個(gè)種子，一共4個(gè)種子點(diǎn)形成1個(gè)描述子描所選述關(guān)鍵點(diǎn)的信息。上面便是形成關(guān)鍵點(diǎn)描述子的一般過程。這些特征描述子的建立,使得特征點(diǎn)更加穩(wěn)定，增強(qiáng)關(guān)鍵點(diǎn)的空間不變性，在后面的匹配工作中出錯(cuò)率會(huì)降低，同時(shí)也增強(qiáng)了算法對(duì)外界干擾的能力。參考文獻(xiàn)[1]劉駿.基于SIFT特征的圖像拼接算法應(yīng)用研究[J].電子工業(yè)專用設(shè)備,2021,50(1):30-31.[2]張海芹,張銀鳳,王浩.基于SIFT算法的多源影像匹配方法研究[J].經(jīng)緯天地,2020(3):5-9.[3]金廣.基于特征點(diǎn)的側(cè)掃聲吶圖像拼接技術(shù)研究[D].黑龍江:哈爾濱工程大學(xué),2015.DOI:10.7666/d.D750396.[4]邢園園.側(cè)掃聲吶圖像拼接技術(shù)[D].中國(guó)科學(xué)院大學(xué),2018.[5]焦俊俊.側(cè)掃聲吶圖像預(yù)處理與拼接技術(shù)研究[D].遼寧:大連海事大學(xué),2019.[6]側(cè)掃聲納圖像處理系統(tǒng)[Z].哈爾濱工程大學(xué).2009.[7]李芹.基于特征提取的圖像拼接方法[J].現(xiàn)代計(jì)算機(jī),2020(9):69-72.DOI:10.3969/j.issn.1007-1421.2020.09.016.[8]于勝舉.基于特征匹配的圖像拼接系統(tǒng)的實(shí)現(xiàn)[D].湖北:華中科技大學(xué),2019.[9]沈鵬.基于SIFT特征圖像拼接的全景顯示技術(shù)研究[D].四川:電子科技大學(xué),2018.[10]陳靚婷.基于特征點(diǎn)的圖像拼接算法的研究[D].湖南:湖南師范大學(xué),2017.[11]項(xiàng)立明.淺析基于特征的圖像拼接法[J].科技創(chuàng)新導(dǎo)報(bào),2011(26):106-106.DOI:10.3969/j.issn.1674-098X.2011.26.082.[12]佘果.基于SIFT特征的圖像拼接技術(shù)的研究[D].廣西:廣西師范大學(xué),2016.DOI:10.7666/d.Y3080759.[13]姜小會(huì).基于特征點(diǎn)的圖像拼接技術(shù)研究[D].山東:山東建筑大學(xué),2015.DOI:10.7666/d.Y2782929.[14]張曦.基于特征點(diǎn)的圖像拼接APP的設(shè)計(jì)與實(shí)現(xiàn)[D].湖南:湖南師范大學(xué),2016.DOI:10.7666/d.Y3013460.[15]徐聰聰.基于SURF特征的水下圖像拼接技術(shù)研究[D].山東:中國(guó)海洋大學(xué),2015.[16]穆柯楠.基于特征點(diǎn)的圖像拼接關(guān)鍵技術(shù)研究[D].陜西:長(zhǎng)安大學(xué),2014.