基于曲率尺度空间的角点检测图像匹配算法分析-AET-电子技术应用

基于曲率尺度空间的角点检测图像匹配算法分析

2016年电子技术应用第12期

任立胜，王立中

内蒙古农业大学职业技术学院，内蒙古包头014109

摘要： 计算机技术的发展下，优化提升图像匹配算法，可以提升图像检测精度。基于曲率尺度空间的角点检测图技术，优化设计图像匹配算法，基于曲率尺度空间的角点检测算法进行图像特征点的提取，归一化处理特征点，有助于提高图像匹配精度。利用该算法最终实现图像匹配需求，验证了算法的有效性，改进了图像匹配中特征点过度分离的弊端，提高了图像匹配检测的整体精度约10.0%。该算法发挥了积极应用价值，值得在实践应用中推广。

关键词： 角点检测曲率尺度空间图像匹配

中图分类号： TN27
文献标识码： A
DOI：10.16157/j.issn.0258-7998.2016.12.029
中文引用格式： 任立胜，王立中. 基于曲率尺度空间的角点检测图像匹配算法分析[J].电子技术应用，2016，42(12)：112-114，118.
英文引用格式： Ren Lisheng，Wang Lizhong. Analysis of image matching algorithm for corner detection based on curvature scale space[J].Application of Electronic Technique，2016，42(12)：112-114，118.

Analysis of image matching algorithm for corner detection based on curvature scale space

Ren Lisheng，Wang Lizhong

Vocational and Technical Collage of Inner Mongolia Agricultural University，Baotou 014109，China

Abstract： With the development of computer technology, optimizing the image matching algorithm can enhance the accuracy of the image detection, this paper optimizes the design of image matching algorithm based on the curvature scale space of corner detection technology, and extracts the feature of image and normalize feature point based on curvature scale space image feature point. It′s helpful to improve the accuracy of image matching. The results demonstrate that it finally reaches the requirements of image matching by using the algorithm，verifying the effectiveness of the algorithm, improving the defect of over separation of feature points in image matching and enhancing the accuracy of image matching detection by 10.0%. The algorithm has a positive application value, it is worthy of promoting in practical application.

Key words : corner detection；curvature scale space；image matching

0 引言

针对我国的计算机信息技术中，图像匹配算法存在图像特征过度分离的问题，研究优化当前的图像匹配算法，不仅有助于精确匹配图像中的特征点，也可提升图像检测率。本文将介绍基于曲率尺度空间的角点检测图像匹配算法，分析其原理及相关算法优化方法。该角点检测图像匹配算法已在实践中得到了应用验证。

1 角点检测与图像匹配概念

1.1 角点检测的概念

在图像匹配检测过程中，图像角点也被称作兴趣点，也就是在图像的像素点中，其相较于图像邻域各个方向中的灰度变化量大，或者是大于阈值的点^[1]。掌握图像的轮廓特征很有必要，因为找到图像特征就可以掌握图像中物体的形状。角点不仅包含图像中的二维结构信息，同时，在处理图像匹配中，也可以应用角点检测技术，实现对图像匹配的处理^[2，3]。角点所代表的局部结构关系信息，不会因为视角的不同而改变图像轮廓上曲率的局部极大点作为角点^[4]。而对于角点检测的原理，则是在给定的模板以及图像中，找出图像所有区域中的相关性与相似性的点^[5]。实现角点检测，最大的应用优点就是，具有图像旋转不变性，不会因为图像旋转形态而改变检测精度，也不易受到外界光照条件的影响，提升应用价值。

1.2 图像匹配

在计算机的图像匹配算法之中，在两幅图像匹配以及多幅图像匹配过程之中，通过图像匹配算法，就识别出在图像中存在的同名点，并进行图像匹配^[6，7]。在图像匹配中，当实时图像大于基准图像时，图像的匹配过程则是基于实时图像寻找基准图像目标的过程。例如在地图系统的图像匹配中，基准图像比实时图像大，如图1所示。

图像匹配时，可以根据图像的颜色、纹理以及形状等^[8]提取图像中的高层次特征，并建立不同匹配图像之间对应的匹配关系。基准图像与实时图像之间的关系中，应用高斯白噪声表示d_x(x，y)，d_x(x，y)、d_y(x，y)表示图像特征点在X和Y方向位置的偏差，其关系如下：

2 基于曲率尺度空间的角点检测算法

2.1 角点检测Harris算法

角点检测Harris算法改进了Moravec方法的自相关矩阵^[9]，可以在图像的检测匹配窗口中，通过高斯函数加权导数，有效避免图像中特征点离散与偏移情况的发生，取代对图像处理中的简单求和算法，优化算法精度。图2是Harris角点检测算法的示意图。

在该算法之中，可以根据角点检测图像窗口的平移，分析图像[u，v]位置的灰度变化：

基于该方法的角点检测图像匹配中，若是匹配图像的尺寸发生变化，则算法对此产生的变化比较敏感，如图3所示，左图中是图像匹配中的边缘信息，右图是在缩小图片后匹配得出的角点信息。

2.2 SIFT方法

基于不变量技术和尺度空间的图像局部特征描述算子，即尺度不变特征变换，可以建立高斯差分（DOG）尺度空间，得出高斯核函数为：

以(x，y)表示图像平面中的坐标，σ是尺度参数。令I(x，y)表示一张图像，则图像的尺度空间可以表示为：

在图像匹配中，高斯差分函数会强烈响应，在计算极值点位置中，可以计算Hessian矩阵获得图片匹配精度。

2.3 CSS算法

定义 CSS角点：边缘轮廓上的曲率极大值点。细节尺度上(Fine Scale)，定位性好，噪声多；粗糙尺度上(Coarse Sclae)，定位性差，噪声少。将曲线用弧长参数u表达为：

在最高的尺度上计算边缘轮廓的曲率绝对值，并选择局部极大值点作为角点候选点，满足：

（1）大于阈值t（去除圆形角和噪声）；

（2）至少两倍于两侧相邻的某个曲率极小值点。

跟踪角点到最低（细）的尺度上以获得更好的位置精度，对于在高尺度上检测到的极大值点，在其低一级尺度的邻域搜索极大值点；如此，向更低的尺度进行跟踪，直到最低的尺度。

还可以将多个尺度下的特征融合在一起，随着尺度的增大，轮廓噪声被逐步减弱，从而曲率积逐步变小，曲率极大值对应的点可逐渐锐化，通过阈值化即可得到角点^[10-11]。但是，在小尺度下的一些角点可能随着尺度的增大，曲率变得很小，从而曲率积也很小，这类角点就可能将被作为假角点滤除。

3 曲率尺度空间下优化设计角点检测图像匹配算法

3.1 特征点提取

在角点检测的图像匹配算法中，由于实际图像中的噪声高、对比度低，可以采用基于曲率尺度空间下的角点检测CSS算法，提取图像的边缘信息，以保留较多的图像特征信息；再对边缘长度进行判断，剔除长度较短的边缘^[12]。可以利用ＣＳＳ算法中的边缘检测方法，通过检测算子从原始需匹配图像之中提取出图像的边缘，然后从匹配边缘图像中填充图像边缘轮廓中的缺口，并寻找出在图像匹配交叉点中的角点信息。在最高尺度上计算曲率并确定角点的候选点（绝对曲率的极大值点）；能够在图像匹配大尺度下来计算曲率，从而选择一个绝对曲率大的候选角点，并跟踪这个角点的小尺度信息，以提高角点检测图像匹配定位的精度。部分算法实现的代码如下所示：

clear; close all;

im=imread('al.tiff','tif');

[ydim, xdim] = size(im);

im=im(3:xdim-2, 3:ydim-2);

imagesc(im); colormap gray; axis off; axis equal;

prefilt=[0.223755 0.552490 0.223755];

derivfilt = [-0.453014 0 0.45301];

blur=[1 6 15 20 15 6 1];

blur=blur / sum(blur);

imblurr=conv2( conv2( im, blur', 'same' ), blur, 'same' );

fx=conv2( conv2( im, prefilt', 'same' ), derivfilt, 'same' );

fy=conv2( conv2( im, derivfilt', 'same' ), prefilt, 'same' );

figure;

imagesc(imblurr); colormap gray; axis off; axis equal;

figure;

imagesc(fx); colormap gray; axis off; axis equal;

figure;

imagesc(fy); colormap gray; axis off; axis equal;

BW=edge(im,'canny');

figure;

imagesc(BW); colormap gray; axis off; axis equal;

3.2 生成特征向量

基于曲率尺度空间的角点检测图像匹配算法可以对互相连接的图像以及互相遮挡图像中的多候选特征区域，分离处理这些图像特征点信息，并且也可以有效避免应用分离算法加大对整幅图像匹配的计算开销，保证图像匹配时间符合实际需求，同时降低计算开销。提高图像匹配算法中角点检测构造中应用描述符的鲁棒性，确保图像的描述符保持旋转不变性，可以先确定该描述符的主方向，保证图像匹配中特征点向量可以保持旋转不变的特性，这样在图像旋转之后，可以依据图像的特征向量，而不会发生图像位置变化导致图像匹配精度降低的情况出现。如果图像匹配中，图像的特征描述符已经具有了很好的抗图像旋转匹配检测计算能力，则没有必要为图像的特征点分配一个主方向，也可以省去针对旋转图像匹配的转化，大大降低角点检测中图像匹配算法的计算复杂度，有效减少该算法的运行时间。主要是在圆到定点距离中，依据其定长点集合构造特征向量，依据圆的旋转不变性，改进图像匹配算法，用改进的特征向量描述符方法生成图像匹配算法的特征向量。

3.3 图像特征的匹配

在基于曲率尺度空间的角点检测图像匹配算法中，生产两幅待检测匹配图像的特征点以及特征向量之后，就可以将特征向量作为判定两幅图像特征点相似性的度量。同时，在曲率尺度空间的角点检测算法中，可基于匹配图像形状上下文特征点，确保特征点描述中包括有效的图像邻域边缘信息，有助于提升图像匹配精度。

4 算法的仿真应用

4.1 仿真基础

本文设计并优化基于曲率尺度空间的角点检测图像匹配算法，通过对提取的边缘长度进行判断，并通过仿真实验，分析检验该算法的应用有效性。采用PC作为算法仿真的硬件平台，CPU为2.8 GHz，内存为1.99 GB；同时，应用Windows XP操作系统作为仿真的软件平台，基于MATLAB2010b软件进行算法应用仿真。

4.2 仿真参数设置

仿真基于曲率尺度空间的角点检测图像匹配算法的过程中，主要对900幅路标图像进行检测匹配。设置图像匹配中特征点区域的特征矢量阈值为：

VSth={80 [260，20 000] [0.8，1.3] 16}

而在角点检测图像匹配中，对于多个互连图像的特征点区域，其特征矢量阈值为：

VMth={80 [512，25 000] {[1.4，2.3]，[2.6，3.2]} 16}

4.3 仿真结果

基于本算法的应用仿真中，采用TP表示图像真正数，也就是图像匹配检测结果中正确图像信息的数量；FN是图像的假负数，也就是没有被检测出的图像信息数；FP是图像的标志假正数，就是那些不需要被检测匹配的图像被匹配检测出的数量；R则是正确的检测率，也就是正确实现图像匹配数量占总数的百分率；FPPF是每幅匹配图像的平均假正率；TA是平均处理每幅图像的时间。其检测结果如表1所示。