基于共线梯度特征和结构化输出的异谱图像匹配算法

方智文

【摘 要】本文提出了一种基于共线梯度特征（collinear gradient-enhanced coding， CGEC）和结构化输出的异谱图像匹配算法。首先通过共线梯度特征对异谱图像进行特征图像转换，获得具有相似结构信息的特征图；接着，在特征图上进行关键点的提取，以得到较多的同名点；最后，综合关键点的特征向量和关键点之间的结构信息，采用优化的方法计算得到最优的转换关系。实验结果表明，本文方法更好的获取了关键点的匹配结果。

【关键词】异谱图像匹配；共线梯度特征；结构化输出；关键点

【Abstract】A multi-spectral image matching algorithm based on collinear gradient-enhanced coding （CGEC） and structure output is proposed. First， the similar structure feature maps are obtained from the multi-spectral images through collinear gradient-enhanced coding. Secondly， the key points are extracted on the structure feature maps in order to get more valid point-pairs. Lastly， combining with the feature vector and structure information， we use the optimization algorithm to obtain the best transformation. The experiment result demonstrates that our method achieves better result.

【Key words】Multi-spectral image matching； Collinear gradient-enhanced coding（CGEC）； Structure output； Key points

图像匹配是机器视觉领域的关键技术之一，被广泛的用于医学图像、遥感图像、机器人视觉、导航等领域[1-3]。异谱图像匹配是指针对不同谱段下获取的两张或多张图像，找到图像间的空间变换，建立图像间的对应关系。异谱图像因其局部特征的显著差异，大大增加了异谱图像之间的匹配难度。传统的点匹配方法，如尺度不变特征变换描述子（scale-invariant， SIFT）[4]，高速鲁棒描述子（speeded up robust features， SURF）[5]，二值鲁棒独立元素描述子（binary robust independent elementary features， BRIEF）[6]等，均不能很好解决异谱图像的局部特征差异大的问题。本文采用共线梯度特征和结构化输出的方法实现异谱图像对的匹配。

1 生成共线梯度特征图

文献[7]提取了共线梯度特征对异谱图像的结构信息进行描述，有效的提取了异谱图像之间的相近结构信息。

2 关键点提取

文献[7]在原始异谱图像上直接提取FAST关键点，再进行同名点的匹配。但因异谱图像在局部特性上的较大差别，导致关键点的位置差别较大，如可见光图像具有丰富的图像细节，可提取大量的关键点，但红外图像因热成像的原理，往往使得多数局部区域细节消失，提出的关键点数量非常少。为了解决异谱图像上提取的同名点对较少的问题，本文采用在共线梯度特征图上提取FAST关键点的方法。因共线梯度特征图已将异谱图像投影到相似的结构信息上，因此比直接从原始图像上能提取更多的同名点对，有利于异谱图像变换矩阵的正确计算。

3 结构化输出

4 实验结果

本文对红外图像和可见光图像的异谱对进行了点匹配实验，如图1所示。图1左则为可见光图像，右侧为红外图像，第一行为文献[7]的点匹配结果图，第二行为本文的匹配结果图。从图1可以看出，本文方法大大增加了同名点的匹配数目。

第一行为文献[7]的结果，第二行为本文的结果.

5 结论

本文方法基于共线梯度特征生成异谱图像的特征图，得到异谱图像的大结构信息。改善了从原始图像上提取同名点对少的问题，并通对点与点之间的结构化信息获取最优化的点对匹配结果，大大提升了异谱图像的点匹配效果。

【参考文献】

[1]余时伟，黄廷祝，刘晓云，陈武凡.显著图引导下基于偏互信息的医学图像配准[J].仪器仪表学报，2013，34（6）：1218-1224.

[2]葛盼盼，陈强，顾一禾.基于Harris角点和SURF特征的遥感图像匹配算法[J].计算机应用研究，2014，31（7）：2205-2208.

[3]谢文吉，孙晓刚，张亮.基于尺度不变特征变换特征点应用于印刷检测的快速匹配算法[J].计算机应用，2013，3（S1）：186-189.

[4]D. G. Lowe. Distinctive image features from scale-invariant keypoints[J]. International Journal of Computer Vision， 2004， 60（2）： 91-110.

[5]H. Bay， A. Ess， T. Tuytelaars， et al. Speeded-up robust features（SURF）[J]. Computer Vision and Image Understanding， 2008， 110（3）： 346-359.

[6]M. Calonder， V. Lepetit， C. Strecha， et al. BRIEF： binary robust independent elementary features. Proc. of the European Conference on Computer Vision， 2010： 778-792.

[7]Qin Y， Cao Z， Zhuo W， et al. Robust key point descriptor for multi-spectral image matching[J]. Journal of Systems Engineering and Electronics， 2014， 25（4）： 681.

[8]Hare S， Saffari A， Torr P H S. Efficient online structured output learning for keypoint-based object tracking[C]//Computer Vision and Pattern Recognition （CVPR）， 2012 IEEE Conference on. IEEE， 2012： 1894-1901.

[9]Fischler， M.A. and Bolles， R.C. Random Sample Consensus： A Paradigm for Model Fitting with Applications to Image Analysis and Automated Cartography[J]. Communications of the ACM， 1981， 4（6）： 381-395.

[责任编辑：杨玉洁]