圖像匹配方法總結

       圖像匹配是圖像處理領域常見的基礎問題, 是在變換空間中尋找一種或多種變換, 使來自不同時間、不同傳感器或不同視角的同一場景的兩幅或多幅圖像在空間上一致。由于拍攝時間、角度、環境的變化、多種傳感器的使用和傳感器本身的缺陷, 使拍攝的圖像不僅受噪聲的影響, 而且存在嚴重的灰度失真和幾何畸變。在這種條件下, 匹配算法如何達到精度高、匹配正確率高、速度快、魯棒性和抗干擾性強以及并行實現成為人們追求的目標。 

根據匹配算法的基本思想可將圖像匹配方法分成兩大類，即基于區域的匹配方法和基于特征的匹配方法。兩類方法相比而言，基于特征的匹配方法有計算量小，魯棒性好，對圖像形變不敏感等優點，所以基于特征的匹配方法是目前研究的熱點。基于特征的圖像匹配方法主要包括三步：特征提取、特征描述和特征匹配。 

 

一、特征提取方法 

圖像匹配過程中，首先要根據給定的匹配任務和參與匹配圖像的數據特性來決定使用何種特征進行匹配。所選取的特征必須要顯著，并且易于提取，在參考圖像和待配準圖像上都要有足夠多的分布，另外，所選擇的特征必須易于進行后續的匹配。在圖像配準中常用的特征有特征點，如拐點、角點；特征線，如邊緣曲線、直線段；特征面，如小面元、閉合區域等。 

 

1、 Harris算法 

基本思想：它是一種基于信號的點特征提取算子。這種算子受信號處理中自相關函數的啟發，給出與自相關函數相聯系的矩陣M。M陣的特征值是自相關函數的一階曲率，如果兩個曲率值都高，則認為該點是特征點。 

實驗結果：Harris算子計算量小，能在一定程度上抗尺度變化，當存在較大尺度縮放時穩定性較差。并且該算子對旋轉，噪聲敏感。 

                  2、 SUSAN算法 

基本思想：它用圓形模板在圖像上移動，若模板內像素的灰度與模板中心像素灰度的差值小于一定閾值，則認為該點與核具有相同的灰度，由滿足這樣條件的像素組成的局部區域稱為“USAN”。根據USAN的尺寸、質心和二階矩，可檢測邊緣、角點等特征。 

實驗結果：SUSAN算子可提取圖像邊緣和圖像特征點，對明顯角點提取的能力較強，較適合提取圖像邊緣上的拐點。SUSAN算子提取的特征點抗圖像旋轉、噪聲影響的效果較好。    

3、 Harris-Laplace算法 

基本思想：該算法首先使用尺度Harris角點算子在尺度空間中的每一幅二維圖像中檢測特征點，尺度維上獲得選擇大于某一閡值的局部極值作為候選角點，然后再驗證這些點是否在Laplacian算子局部極大值。如果是，則確定為特征點，并將獲得極大值的點所在的尺度作為特征尺度。 

實驗結果：對Harris算法的改進，使其具有更好的尺度不變性。該算法可提取圖像特征點，也叫特征區域，如圖所示每個圓域稱為特征區域，圓域的中心稱為特征點。  

    

二、圖像匹配方法 

圖像匹配的任務就是尋找同一場景的兩幅或多幅圖像中像素點之間的對應關系。我們研究的圖像匹配方法主要是基于圖像特征的方法，主要包括特征提取、特征描述和特征匹配三步。SIFT方法是目前效果較好的經典匹配方法，在我們的研究過程中，均是采用SIFT方法作為基準來評價我們提出的算法的。 

 

1、經典SIFT方法 

基本思想：建立高斯差分尺度空間DoG，在DoG空間中檢測出極值點作為特征點，然后用梯度方向直方圖對提取出特征點進行描述，最后利用歐式距離作為度量對兩幅圖像中的特征點進行匹配。 

實驗結果：SIFT算法具有平移、尺度縮放、旋轉不變性，同時對光照變化、仿射及投影變換也有一定不變性。 

 

2、 多視角圖像匹配方法 

不同視角圖像的匹配問題是圖像匹配的一個難點。針對這個難點，我們提出了兩種圖像匹配方法。一種方法是結合全局信息（global context）的SIFT特征匹配算法，我們稱之為SIFT+GC方法。首先用SIFT方法在尺度空間檢測出特征點, 然后構建結合局部信息（SIFT 向量）和全局信息（邊緣信息）的特征描述向量。另一種方法是采用SIFT描述子和HarrisLBPs描述子加權結合的方法對提取出的特征點進行匹配，我們稱之為SIFT&HL方法。首先提取特征點所在鄰域的harris角點圖；然后在這個角點圖上求出各角點的LBP向量，轉變成十進制數；最后將各角點十進制數組成一個一維向量，這個向量就作為該特征點的描述子, 該描述子具有尺度不變、旋轉不變和亮度不變的特性, 將SIFT描述子與HarrisLBPs（HL）按照加權平均的方法進行匹配。 

這兩種方法都對尺度、旋轉、亮度變化，特別是存在視角變化（仿射變化）的圖像匹配效果很好，優于經典的SIFT方法。 

 

3、多曝光圖像匹配方法 

多曝光圖像匹配是針對于待匹配圖像對中存在較大的光照變化提出的。我們在經典SIFT算法的基礎上，通過建立亮度變化空間的全新概念，亮度變化空間是指把輸入的原始圖像，包括參考圖像和待匹配圖像分別采用對比度拉伸函數進行亮度變換，得到兩組不同亮度對比度的系列亮度變換圖像，形成相應的兩個亮度變換空間的圖像。在亮度變化空間上結合SIFT提出的方法在每個亮度層上分別提取出尺度不變的特征點。這樣經過亮度變換的兩組圖像就很容易找到同一空間上的對應的特征點，再對特征點進行特征描述，從而實現了多曝光匹配。 

實驗結果表明，該方法特別適用于存在劇烈光照變化的圖像匹配問題，優于經典的sift方法。 

 

4、乳腺鉬靶圖像配準方法 

圖像配準是在不同時間、不同視角或采用不同的傳感器得到的兩幅或多幅圖像在空間幾何位置上的對應的過程。目前，圖像配準在醫學影像學中的運用備受各國研究人員的關注。因為從病人的單幅結果圖像對病人病情的檢測是非常困難的事，即便是一個有經驗的放射科醫生。 

乳腺鉬靶圖像配準在乳腺癌自動檢測中起著關鍵的作用。圖像配準方法能更好的輔助醫生對不同體位或不同時間的兩幅或多幅乳腺圖像分析對比。我們提出了一種基于SIFT（尺度不變特征變換）和GTM（圖變換）算法相結合的鉬靶圖像配準方法。首先，通過SIFT算法提取參考圖像和待配準圖像中的特征點，匹配兩幅圖像并得到兩幅圖像的特征點對；再通過GTM算法去除SIFT算法得到的錯誤匹配；然后采用基于點對的TPS插值算法對待配準圖像進行空間變換，最后得到配準圖像。 

實驗中我們采用歸一化相關系數和誤差平方和對配準結果進行分析，結果表明我們提出的方法優于SIFT方法。