基于角点检测的图像配准技术研究---毕业论文

基于角点检测的图像配准技术研究---毕业论文内容摘要：

ation System based on Corner Detector ............................. 48 System Description ............................................................................... 48 System Appearance............................................................................... 49 Summary of this Chapter............................................................................. 50 Chapter 5 Summary ............................................................................................ 52 References................................................................................................................ 53 Acknowledgements............................................................................................... 55 厦门大学软件学院毕业设计论文 1 第一章 绪论 论文背景及意义 图像配准技术最早在美国七十年代从事的飞行器辅助导航系统、武器投射系统的末制导以及寻地等应用研究中提出，并且得到军方的大力支持与赞助。 经过长达二十多年的研究，最终成功地应用于潘兴 II式中程导弹及战斧式巡航导弹上，使其弹着点平均圆半径误差不超过十几米，从而大大提高了导弹的命中率。 八十年代后，随着科学技术的发展，在很多不同领域都有大量图像配准技术的研究，如遥感图像处理、模式识别、自动导航、医学诊断、计算机视觉等。 各个领域的图像配准技术都是针对各自具体的应用背景，并结合实际情况度身定制的 特定技术。 但是不同领域的配准技术之间在理论方法上又具有很大的相似性，在某一领域的配准技术很容易移植到其他相关领域。 图像处理是对图像信息进行加工处理，以满足人的视觉，心理和实际应用得要求。 图像配准是图像处理的一个基本问题。 用于将不同时间、不同传感器、不同视角及不同拍摄条件下获取的两幅或多幅图像进行匹配，其最终目的在于建立两幅图像之间的对应关系，确定一幅图像与另一幅图像的几何变换关系式，用以纠正图像的形变。 图像配准来源于多个领域的很多实际问题，如不同图像传感器获得的信息融合；不同时间、条件下获得图像的差异检测 ；成像系统和物体场景变化情况下获得的图像的三维信息获取；图像中的模式或目标识别等等。 图像配准的应用领域概括起来主要有以下几个方面： (1) 医学图像分析：肿瘤检测、白内障检测、 CT、 MRI、 PET 图像结构信息融合、数字剪影血管造影术 (DSA)等； (2) 遥感数据分析：分类、定位和识别多谱段的场景信息、自然资源监控、核生长监控、市区增长监控等； (3) 模式识别：目标物运动跟踪、序列图像分析、特征识别、签名检测等； (4) 计算机视觉：目标定位、自动质量检测等。 图像配准技术在很多领域有着广泛的应用，因此 ，近年来，它已成为图像处理技术研究的重点之一。 基于角点检测的图像配准技术研究 2 基于特征点的图像配准是图像配准的一项重要的技术。 特征点是用来表征领域局部特性的位置度量，用来作为具有一定特征的局部区域位置的标识。 [4]特征点分为两种类型：狭义特征点和广义特征点。 狭义特征点是针对点本身来定义的，狭义特征点的位置本身具有常规的属性意义。 而广义特征点可以是某个特征区域的中心，中心或特征区域的任一对应位置。 角点属于狭义特征点，是特征点的重要组成部分，它简单可以说是各方向灰度变化较大的点。 因此研究基于角点 检测的图像配准具有重大的意义。 本文研 究内容 本文主要研究基于角点的图像配准，首先对图像配准基本的相关理论做出相关的介绍，如图像配准的分类，数学模型等。 其次介绍了 6 种比较典型的角点提取算法： Moravec 算子， Harris 算子， Forstner 算子， SUSAN 算子， Trajkovic 算子及 FAST 算法，对其原理进行分析。 然后对图像配准流程中的重要步骤详细的分析，包括：预处理，提取角点，角点匹配，坐标变换，重采样等，并实现基于角点的图像配准系统。 最后对全文做总结，概括意义，并探讨今后的研究方向。 本文组织结构 本论文的各章内容安排如下： 第一章 本文选题的背景，意义以及对 将 图像配准进行 研究的内容。 第二章 图像配准的理论基础包括应用定义和基本的变换模型。 第三章 本文的重点， 对 Moravec 算子， Forstner 算子， SUSAN 算子， Trajkovic算子及 FAST 算子六种角点提取算子进行 简单分析 ， 对 Harris 算子详细分析， 用测试图像对算子做了测试分析。 第四章 本文的重点，对图像配准中的每个关键步骤进行分析研究包括角点匹配，重采样，计算变换模型，实现基于角点的图像配准系统。 第五章 总结，对全文总结，概括意义，今后研究发展的方 向。 厦门大学软件学院毕业设计论文 3 第二章 图像配准的背景知识与技术介绍 本章主要介绍配准技术的相关背景知识与理论基础，包括图像配准的定义与分类、配准模型以及图像变换技术。 图像配准的定义和分类 图像配准可定义 [1]为两相邻图像之间的空间变换和灰度变换，即先将一图像象素的坐标 X=(x， y)映射到一个新坐标系中的某一坐标 X=(x’， y’)再对其象素进行重采样。 图像配准要求相邻图像之间有一部分在逻辑上是相同的，即相邻的图像有一部分反映了同一目标区域，这一点是实现图像配准的基本条件。 如果确定了相邻图像代表同一场景目标的所有像素之间的坐标关 系，采用相应的处理算法，即可实现图像配准 [1]。 假定两幅待配准图像 I1(x， y)和 I2(x， y)我们称其中之一如 I1(x， y)为参考图像，另一个 I2(x， y)为待配准图像。 则图像配准的数学模型可表示为 [3]： I2(x， y) =g(I1(f(x， y))) () 在这里， f 是一个二维空间的坐标变换，而 g 是一个一维的灰度变换。 寻找最佳的空间或几何变换参数是匹配问题的关键。 它常常被表示为两个参数变量的单值函数 fx， fy： I2(x， y) = I1(fx (x， y), fy (x， y)) () 本质上，图像配准需要分析各待配准图像上的几何畸变，然后采用一种几何变换将图像归化到统一的坐标系统中。 图像配准的一般做法是，首先在参考图上选取以某一目标点为中心的图像子块，并称它为图像配准的目标窗口，然后让目标窗口在待配准图上有秩序地移动 (或者在待配准图上定位目标窗口，让目标窗口在参考图上有秩序地移动 )，每移到一个位置，把目标窗口与待配准图的对应部分(称为配准窗口或被搜索窗口 )进行相关比较，直到找 到配准位置为止。 如果在配准窗口范围内，同一目标的两幅图像完全相同，那么完成图像配准并不困难。 然而，实际上图像配准中所遇到的同一目标的两幅图像常常是在不同条件下获得的，如不同的成像时间、不同的成像位置、甚至不同的成像系统等，再加上成像中各种噪声的影响，使同一目标的两幅图像不可能完全相同，只能做基于角点检测的图像配准技术研究 4 到某种程度的相似，因此图像配准是一个相当复杂的技术过程 [2]。 根据 Brown 的总结 [3]，图像配准可以看成是下面几种要素的结合 ： 特征空间 ： 定义特征集用于实现匹配，特征集是从参考图像和待配准图像中提取出来的。 搜索空 间 ： 在特征集之间建立对应关系的可能的变换的集合。 搜索策略 ： 用于选择可以计算的变换模型以使匹配在处理过程中逐步达到精度要求。 近似性度量标准 ： 评估对从搜索空间中获得的一个给定的变换所定义的输入数据与参考数据之间的匹配程度。 研究和讨论图像配准算法时，通常会从以上 4 个方面进行考虑。 根据 Brown[3]的总结，在几个主要应用领域如计算机视觉及模式识别、医学图像分析、遥感数据处理，图像配准可以粗略地归为四类： （ 1） 多模态配 准： 同一场景上由不同传感方式获得的图像间的配准。 多模态配准的典型应用主要是多传感器图像的 信息融合。 多模态配准通常需要建立传感模型和变换模型；由于灰度属性或对比度可能有很大的差异，有时需要灰度的预配准；利用物体形状和一些基准标志可以简化问题。 主要应用在医学图像领域如CT， MRI， PET， SPECT 图像结构信息融合以及遥感图像领域，多电磁波段图像信息融合，如微波、雷达、可视的或多谱段的等。 （ 2） 模板配准：指在图像中为参考模板样式寻找最佳匹配。 其应用包括在图像中识别和定位模板样式，例如地图、物体、目标物等。 模板配准通常基于模式，预先选定特征，已知物体属性，高等级特征匹配。 其应用主要在遥感数据处理，定位和识别定义好的或已知特征的场景，如飞机场、高速路、车站、停车场等。 （ 3） 观察点配准：对从不同观察点获得的图像进行配准。 典型应用是深度或形状重建。 观察点配准 的特征：变形多为透视变换；常应用视觉几何和表面属性等的假设条件。 主要应用：计算机视觉，从视角差异中构建三维深度和形状信息；目标物运动跟踪；序列图像分析。 （ 4） 时间序列配准：对同一场景上不同时间或不同条件下获得的图像的配准。 典型应用包括检测和监视变化。 时间序列配准需要容忍图像中部分内容的差异和形变对配准造成的影响；有时需要建立传感噪声和视点变换的模 型。 应用包括医厦门大学软件学院毕业设计论文 5 学图像处理，如数字减影血管造影 (DSA)、注射造影剂前后的图像配准、肿瘤检测、白内障检测；遥感数据处理，如自然资源监控、核生长监控、市区增长检测。 图像配准模型 假设两幅图像 f: Ωf →Q f和 g Ωg →Q g 其中 Ωf和 Ωg 是图像 f 和 g 的定义域， Qf和 Qg 是它们的值域。 不失一般性，假定图像 f 为参考图像，则图像 f 和 g 之间的配准就变成了 g 经过空间变换和灰度变换与 f 匹配的过程。 S 和 I 分别表示图像的空间变换和灰度变换， g’表示图像 g 经过变换后的图像 ： g39。 (q)=I(g(S(p， aS))， aI) （ ） 上式中 p∈ Ωg， q∈ Ωf且 q=S(p, aS)， aS和 aI，分别表示空间变换和灰度变换的参数集合。 记 a 为图像变换中所有参数组成的集合，即 a= aS U aI，设向量 g’和 f 为 g’(q) = (g’(q) : q∈ Ωf)T （ ） f’(q) = (f’(q) : f∈ Ωf)T （ ） 则它们之间的相似度函数 Θ可以表示为 ： Θ(a)= Γ(g’， f) 其中 Γ(.,.)表示两图像之间的相似性度量 (如距离度量 )。 一般地，空间变换和灰度变换是非线性变换。 综上所述，图像 f 和 g 的配准问题就是对图像 g 做空间变换和灰度变换，得 到图像 g’，使得变换后的图像 g，和图像 f 之间的相似度准则 Θ达到最大或最小。 通过空间变换，把待配准图像的空间坐标变换到参考图像的坐标平面 :通过灰度变换，对空间变换后的待配准图像的灰度值进行重新赋值，即重采样。 图像变换 图像配准需要寻找一种坐标变换模型，建立从一幅图像坐 标（ x， y）与另一幅图像坐标（ x’， y’）之间的变换关系。 人们常用变换模型有刚体变换，仿射变换，投影变换和非线性变换 [4]，它们所适应的变换如表 21： 表 21： 图像变换模型与变换之间的关系 基于角点检测的图像配准技术研究 6 反转 旋转 平移 缩放 投影 扭曲 刚体变换 √ √ √ 仿射变换 √ √ √ √ 投影变换 √ √ √ √ √ 非线性变换 √ √ √ √ √ √ 刚体变换 如果一幅图像中 两点间的距离经变换到另一幅图像中后仍然保持不变，则这种变换称为刚体变换（ Rigid Transform）。 刚体变换只局限于平移，旋转和翻转（镜像）。 在二维空间中，点（ x， y）经过刚体变换到点（ x’， y’）的变换公式为： 39。 c os s i n39。 s i n c osxyxxy m ytt                 （ ） 其。