基于块信息的异模图像配准算法

张 巍，高 翔，张秀彬

0 引言

随着不同类型图像传感器的出现，异模图像配准问题日益成为一项极富挑战性的研究工作，因为无论是在气象、地理、安保和军工国防等领域它都占据着十分重要的技术地位，因此该项技术研究已经成为当前热门的研究课题。图像配准是根据一些相似性度量决定图像间的变换参数，将在几何、光谱和空间分辨率等方面存在一定差异的图像变换到统一坐标系下，在像素层上得到最优化匹配的过程[1-6]。通过图像配准可以将不同传感器获得的图像信息综合利用，达到对目标有一个更全面、清晰、准确的理解和认识的目的。

红外图像和可见光图像作为两种最为常见的图像被广泛地应用在计算机视觉、自动控制、机器人、目标识别、反恐安检、军事等领域。在国民生活的许多方面发挥着重大的作用。

2007年，文献[7]利用Hough变换实现了建筑物的红外与可见光图像配准，但该方法只适用于旋转、平移变换，显然难以推广至更为广泛的应用领域。文献[8、9]提出了一种基于描述的模糊特征匹配算法的遥感中红外与可见光图像的配准。由于尚未抓住红外成像的频谱特性，该算法实际上仅能适用于灰度存在较大差别的同类光源作用下的两幅图像的匹配。文献[10]采用基于仿射模型的小波变换对红外与可见光图像进行配准。虽然该算法配准精度较高，但是由于其运算时间较长，因此难以适用于目标快速跟踪等场合下的异模配准技术要求。本文针对现有技术的不足，提出一种基于图像块信息的配准算法。

1 块信息的定义

对于不同时刻同处一个地理位置的相同目标，可能会因受光条件的变化而造成生成图像的本质差异。比如：某一目标白天生成可见光图像，而在夜晚只能通过红外图像传感器获取红外成像。前者灰度变化较小而后者因温度变化引起的灰度剧烈变化，针对这种完全不属于同一性质光源成像的目标如何实现两幅或多幅图像之间的配准问题显然是一件较为困难的技术工作。

块信息，是目标图像灰度变化幅度在某一阈值内所有点的集合。块信息不仅含有图像位置信息，还含有图像的灰度变化信息。块信息是针对红外图像和可见光图像灰度映射畸变造成配准困难而提出的一种信息处理方法。

2 块信息的提取方法

区域增长法是图像块信息提取的首选方法。区域增长法的基本思想是通过一个初始的种子，将种子周围具有相似性质（主要为灰度幅值）的像素归并到种子所在的像素区域。

从图像某点所提取出的块信息个数被称之为块值T。区域增长算法中与种子点作比较的差值为阈值c。所谓区域增长法，在欲分割图像中选择一个“种子”，该种子的初始像素为p、增长阈值为c。种子所在的像素坐标被称之为“种子点”。从种子点出发，进行该种子点邻域（一般为8邻域）搜索，当搜索点的灰度值和种子点的灰度值 p的差小于预先设定的阈值c时，将搜索点与种子标记在同一域内，并作标记。如此往复，向四周扩散直至找不到符合阈值的像素为止[11]。

使用区域增长法对图像进行处理的效果，如图1～图4所示：

图1 可见光原图

图2 c=5 时的区域增长图

图3 c=10 时的区域增长图

图4 c=30 时的区域增长图

其中，图1为可见光成像原图，图1中白色框中央为所选种子点，图2～4为c取不同值的区域增长，白色为增长部分。从图中可看出阈值c的选取对块信息的识别有很大的影响。

3 相似性度量函数

对于两幅图像所提取出的块信息，可以利用基于最大化对齐度的方法来进行相似性度量[12]，也可以利用两个块信息的重合度来进行度量。

块信息的重合度（Contact Ratio）定义：参考图像I1的某一块信息中所有点的集合为A，浮动图像I2的某一块信息中所有点的集合为B，其相似性度量参数CR为公式（1）（2）

其中，B1和B2为参考图像I1和浮动图像I2所提取出的一对对应块信息，W为B1和B2的交集，且w为集合W中元素的数量，b1和b2分别为B1和B2中元素的数量。

4 基于块信息的配准步骤

配准共分六个步骤，具体如下：

（1）分别设定等候配准的红外成像与可见光成像的初始值，读入参考图像I1和浮动图像I2，并进行存储；

（2）通过区域增长法对图像I1进行块信息计算，根据决定的块值T选出局部块信息并取得其中的极大值n个点，记录位置 (x1,y1)… (xT,yT)和块信息B1,B2…BT；

（3）在浮动图像I2的点 (x1,y1)… (xT,yT)处，根据区域增长法得到块信息；

（4）对块信息B1,B2…BT和进行基于重合度的相似性度量，若已经达到最大值，则停止计算，若未达到最大值，进入步骤（5）；

（5）根据搜索策略对图像I2进行图像变换；

（6）返回步骤（3），继续进行运算。

5 配准的结果与分析

选用阈值为30，参考图像，如图5所示：

图5 参考图像

红外浮动图像实施配准，如图6所示：

图6 红外浮动图像

图5系160×160的可见光图像，虽然图6所示待配准图像与图1在X方向上有10个像素的位移，但是通过上述区域增长法后能够获得准确的配准结果，如图7～图9所示：

图7 基于最大互信息的配准结果

图8 T=1时块信息配准结果

图9 T=3时块信息配准结果

其中，图7为基于最大互信息的方法的配准结果，图8为T=1时块信息配准结果，图9为T=3时块信息配准结果。实验过程的配准参数，如表1所示：

表1 块信息配准参数表

本文中称参考图像和浮动图像达到配准后同一位置灰度映射（包括灰度值相对应或灰度变化趋势相同）相同的点为积极点，其提供的信息为积极信息，而灰度映射不同的点为消极点，其提供的信息为消极信息。

对于图像配准中的相似性度量，其受到积极信息和消极信息的共同作用，积极信息与消极信息的比重越大达到同样配准精度所需像素点越少，在像素数量相同时，积极点在图像中比例越高则图像配准的精度越高。所以，如何增加图像中积极点的比重，或是增加配准对象中积极点的比重成为了图像配准的研究方向。

互信息作为信息论中的基本概念之一，用来对两个随机变量的统计相关性进行测度。理论上，浮动图像和参考图像达到最佳匹配时，两幅图像的互信息为最大值。最大互信息法适合于对任何模式下的图像进行测度，适合应用于红外与可见光等多光谱图像的匹配是一种具代表性的传统方法。

从图6～8和表1可以看出，对于基于最大互信息的配准方法，每个像素（无论是积极点还是消极点）对图像的贡献是相同的，但是在配准异模图像的过程中由于异模图像成像的机理不同，图像灰度的映射关系并不明显，会出现积极点的比例下降而消极点的比例上升，导致积极信息被消极信息所掩盖，导致基于最大互信息方法应用在异模配准上的精度不高，这点从异模图像配准中可以看出。而对于本文提出的基于块信息的配准方法，因为本身所考虑的便是图像积极信息（块信息），这样就避免了积极信息被过多消极信息所掩盖，使得图像特征更为突出，使得目标图像的特征得以配准，同时又降低了因成像机理不同而引起的图像特征畸变，增加了配准的精度。从配准结果可知根据本文提出的方法所得图像与理论值之间的误差在一个像素以内，误差百分比分别为0.38%，0.63%，均在1%以内，基本上达到了亚像素的级别，相较于最大互信息法两个像素的误差有了很大提高。

对于基于块信息的异模图像配准，块值T和阈值c是影响配准精度的重要参数。从结果中可以看出：块值越多，配准的精度越高。但是块信息个数过多的话同时也会影响配准速度。块值的选取是在配准精度和配准速度上的一个权衡，本文推荐使用3个块信息进行配准，同时兼顾配准精度和配准速度。而对于阈值，则需要根据灰度直方图中灰度的分布来选取。

6 结论

本文从图像特征的角度提出了一种新的图像特征：块信息。根据块信息可以判定图像某些区域间是否存在对应关系而不需要这些区域的灰度之间有线性的相关，因而块信息适用于异模图像的配准，尤其是红外和可见光图像的配准。实验结果表明基于块信息的异模配准算法具有较强的抗噪性，并且配准精度可以达到亚像素级别。作者认为值得对此进行更深入的研究，本文提出的方法可以在计算机视觉、自动控制、机器人、目标识别、反恐安检、军事等领域得到应用。

[1]ZitováB, Flusser J. Image registration methods: a survey[J]. Image and Vision Computing, 2003, 21(11):977-1000

[2]倪国强,刘琼. 多源图像配准技术分析与展望[J].光电工程, 2004, 31(9): 1-6

[3]王忆锋,张海联,李灿文等. 多传感器数据融合中的配准技术[J].红外与激光工程, 1998, 27(1): 38-41

[4]钮永胜,倪国强. 多传感器图像自动配准技术研究[J].光学技术,1999,(1):16-18

[5]刘松涛,杨绍清. 图像配准技术性能评估及实现概况[J].电光与控制,2007,14(3):73-78,83

[6]宋振环,唐伶俐,李传荣等. 遥感图像配准技术研究最新进展[J].科技报,2007,25(12):53-58

[7]Istenic R, Heric D, Ribaric S, et al. Thermal and visual image registration in hough parameter space[C].In:The 14thInternational Conference on System, Signal and Image Processing, and 6thEURASIP Conference Focused on Speech and Image Processing, Multimedia Communications and Services, 2007,106-109

[8]Li Tie-Jun, Chen Zhe ,Wang Ren-Xiang. Fuzzy feature matching between infrared image and optical image[J].In: Proceedings of the SPIE, 2001, (4602): 260-265

[9]Huang Xi-Shan, Chen Zhe. A wavelet-based multi-sensor image registration algorithm[C]. In: The 6thInternational Conference on Signal Processing,2002, (1): 773-776

[10]曾文锋. 红外与可见光图像融合中的快速配准方法[J].红外与激光工程, 2002, 31(2): 158-160

[11]秦襄培,郑贤中. MATLAB图像处理宝典[M].电子工业出版社，2011，252-255

[12]余萍,崔少飞,葛永新等. 基于对齐度的电力设备红外与可见光的图像配准[J].激光与红外, 2008, 38(7):737-740

[13]门蓬涛,张秀彬,张峰等. 图像特征识别方法研究[J].微计算机信息(测控仪表自动化), 2004, (5):103-105[14]吴炯,张秀彬,张峰等. 数字图像中边缘算法的实验研究[J].微计算机信息(测控仪表自动化),2004,(5):106-107

[15]陈显毅. 图像配准技术及其 MATLAB编程实现[M].电子工业出版社,2009,5-10.

[16]张秀彬,应俊豪. 视感智能检测[M].北京:科学出版社,2009. 62-67.

[17]Li Tie-Jun, Chen Zhe ,Wang Ren-Xiang. Fuzzy feature matching between infrared image and optical image[J]. In: Proceedings of the SPIE, 2001, (4602):260-265