基于SIFT算法的水下图像拼接技术研究

李社蕾 崔聪颖

摘 要：由于水下图像存在低对比度、偏色等问题，拼接之前需要对水下图像进行预处理。为了实现两幅水下图像的拼接，需要分别提取两幅水下图像的特征点，并对所提取的特征点进行精确匹配，然后对拼接图像进行融合。文中首先对水下图像进行增强，其次应用SIFT算法提取待拼接图像的特征点，进行特征点匹配，并在此基础上利用投票过滤法消除无匹配点，最后基于特征点的图像配准作图像融合。实验结果表明，该方法有效实现了水下图像的拼接。

关键词：SIFT算法；图像拼接；图像配准；图像融合

中图分类号：TP391 文献标识码：A 文章编号：2095-1302（2018）04-00-03

0 引 言

近年来，图像拼接技术已成为图像处理领域的热门研究课题之一。图像拼接技术是将具有重叠区域的一系列图像拼接为一幅具有较宽视角图像的技术，这种技术将两幅图像进行同一场景匹配，找出最终匹配的对应关系，从而获得宽阔的视角图像[1-3]。该技术克服了一般成像设备视场受限和广角镜头失真严重且价格较贵的弊端，在不改变硬件条件的前提下极大地拓展了人们的视野[2]。因此图像配准和图像融合是图像拼接的两项关键技术。

图像配准是根据一定的配准策略，确定待拼接图像之间的变换关系。基于特征点的配准方法简单、稳健，且匹配效果良好，已成为目前国内外的研究热点。SIFT（Scale Invariant Feature Transform，SIFT）算法是一种局部特征提取算法，首先在尺度空间寻找极值点，再去除不稳定的边缘点得到关键点，最后提取关键点处的特征描述符作为匹配依据。1999年，Lowe等人[4]提出了尺度不变特征变换SIFT算法，该算法是计算机视觉检测和描述图像局部特征的一种算法，2004年Lowe对其进行了总结和改进[5]。新的图像配准会在图像配准前对图像增强，使图像中的特征点变得更加明显，提高配准的准确性。国内学者也将基于SIFT算法的图像拼接成功应用到了其他场合， 张朝伟等人[6]将SIFT算法用于监控视频序列图像的自动拼接；何孝莹等人[7]利用SIFT算法实现了无人机影像快速匹配。本文预对水下图像进行拼接，首先对水下图像进行预处理，之后进行SIFT算法图像配准，采用加权平均混合法去除拼接缝隙，最终实现了无缝拼接。

1 水下图像预处理

为了解决水下图像存在的低对比度、偏色等问题，对图1中（a），（b）两幅图利用UCM改进算法进行了预处理，处理后的效果如图2所示。

2 基于SIFT的图像配准

SIFT算法的实质是在不同尺度空间上查找关键点（特征点），并计算关键点梯度的大小、方向、尺度等，利用这些信息描述特征点。匹配过程即对比特征点的过程，流程如图3所示。

（1）生成高斯差分金字塔（DoG金字塔），构建尺度空间[3]

高斯金字塔是构建DoG金字塔的基础，DoG金字塔是尺度空间构建的基础，高斯核是唯一可以产生多尺度空间的线性核，于是二维图像的尺度空间定义为：

高斯差分尺度空间（DoG Scale-Space）利用不同尺度的高斯差分核与图像卷积生成的公式如下：

（2）DoG空间尺度极值点检测

为了寻找DoG尺度空间的极值点，将每一个像素点与其二维图像空间的3×3邻域内的8个点，上下相邻两层图像的2×9个点作比较，如此可保证检测到的特征点在尺度空间和二维图像空间上都是局部极值点[8]。极值点计算方法如图4所示。

（3）特征点位置确定

为了确定稳定的特征点位置，在获取极值点之后，还需要将低对比度点和不稳定的边缘点排除。

对于极值点T，在其相应的函数D（x，y，σ）上进行泰勒展开，得到如下公式[8]：

对上式求导，令其等于零，得到精确位置，如式（5）所示：

把式（5）代入式（4），即在DoG 空间的极值点处D（x）取值，只取前两项可得：

若，则为特征点。由此便去掉了极值点的低对比度点和不稳定的边缘点。

（4）稳定关键点方向信息

利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数，使算子具备旋转不变性。其梯度幅值表述为：

利用式（8）计算以关键点为中心的邻域内所有点的梯度方向，梯度方向的范围为0～360°，每45°为一个柱，共8个柱，累计落到每个柱内的关键点个数，以此生成梯度方向直方图。Lowe等人[5]指出，直方图的峰值代表了该特征点处邻域或梯度的主方向，以此作为该关键点的方向。其他达到最大值80%的方向可作为辅助方向。

（5）特征点描述

对特征点的描述是后续实现匹配的关键，在计算特征点描述符之前，描述符的坐标和梯度方向应该相对于特征点方向旋转。Lowe等人[5]以特征点为中心，选取16×16像素邻域，将该区域划分为8个4×4子区域。每个关键点形成一个4×4×8 =128维的特征向量，通过计算每个子区域中8个方向的方向直方图来实现，最后进行特征向量归一化，以减少照明变化的影响。

（6）特征点匹配

进行特征点匹配，首先需计算两组特征点的128维特征向量的欧式距离，距离越小，则两组特征点相似程度就越高。根据经验设定一个阈值，当两特征向量的欧式距离小于该值时，则判定特征点匹配成功。

3 图像融合

直接拼接会使图像中间有一条明显的拼接缝隙，影响视觉效果，因此有必要对拼接后的图像进行融合。本文对重叠区域采用加权平均法进行融合，从而实现两幅水下图像的无缝拼接。图像重叠区域中像素点R，G和B各通道分量值的計算方法如式（9）：

其中：d1，d2分别表示该点到两幅图像重叠区域左、右边界的距离；Pixel-L为左侧图像中对应点的值；Pixel-R为右侧图像中对应点的值。

4 实验结果

为了验证本文提出的图像拼接算法的有效性，本实验的实验平台硬件为Intel（R）Core（TM）i3-2100 CPU @ 3.10 GHz，3.09 GHz，软件为Matlab R2012a。

将预处理后的图像基于SIFT进行图像拼接后，图像特征点的梯度值及梯度方向如图5所示，两幅图像SIFT特征点提取、匹配结果如圖6所示，拼接结果如图7所示。拼接后的图像视觉效果良好。

5 结 语

图像拼接算法在三维重建、视频监控、水下探测、医学映像及无人机航拍等方面有着广泛的应用，因此成为计算机视觉领域的热门研究方向。本文基于SIFT算法对水下图像进行拼接，实验结果表明，图形经过预处理，使用该方法拼接的水下图像视觉效果良好，具有一定的应用参考价值。

参考文献

[1] CAO L J，LV M. An image mosaic method based on sIFT feature matching[J].Advanced materials research，2012，433-440：5420-5424.

[2]杨云涛，冯莹，曹毓，等.基于SURF的序列图像快速拼接方法[J].计算机技术与发展，2011，21（3）：6-9.

[3]乔警卫，胡少兴.三维重建中特征点提取与匹配算法研究[J].系统仿真学报，2008，20（S1）：400-403.

[4] LOWE D G. Object recongnition from local scale-Invariant features[C]//Proc.of the international conference on computer vision，1999，9：1-8.

[5] LOWE D G. Distinctive image features from scale-Invariant keypoints[J]. International journal of computer vision，2004，60（2）：91：110.

[6]张朝伟，周焰，吴思励，等.基于SIFT特征匹配的监控图像自动拼接[J].计算机应用，2008，28（1）：191-194.

[7]何孝莹，岳建伟，张栩然.基于SIFT算法的无人机影像快速匹配[J].计算机工程，2011，37（7）：216-218，230.

[8]王邦国.基于SIFT特征点精确匹配的图像拼接技术研究[J].大连大学学报，2015，36（3）：22-26.