opencv图像配准_好文推荐：基于轮廓的侧扫声呐图像配准

声学探测是高效、精确地调查水体和海床状况最好的方式，甚至常常是唯一可行的手段^[1]。在众多声学设备中，侧扫声呐(side-scan sonar，SSS)系统因为低廉的价格，以及可以高效地获取高分辨率海底地貌图像等优点，在海洋科学、海洋工程、水下搜救与目标识别等领域得到了广泛的应用^[2]。但由于作业模式及其成像机理的原因，侧扫声呐图像存在局部畸变和位置偏差，按照地理编码结果将不同条带拼接到一起时，存在共视目标错位的问题，不利于地貌信息的准确表达。

针对侧扫声呐图像的配准，许多学者为此作了相关研究。文献[3]提出基于SURF的共视目标分段配准方法，并通过小波变换实现图像融合，该方法顾及局部畸变图像特点，配准后共视目标一致性较好。文献[4]研究了顾及畸变的侧扫声呐条带图像镶嵌方法，提出了分块提取特征思想以及基于薄板样条的局部弹性配准方法，取得了很好的效果。文献[5]研究了基于ORB(oriented brief)算法和KAZE算法的侧扫声呐配准方法，但在配准的过程中未顾及图像局部畸变不一致的特点，当侧扫声呐采用拖曳作业模式或海底线提取不准确时，该方法拼接效果难以保证。文献[6]提出了针对侧扫声呐图像的分层特征匹配算法及基于非线性尺度空间的特征匹配算法，提高了特征点的匹配率。文献[7—8]研究了基于SURF的侧扫声呐图像配准，但同样未顾及不同区域图像变形程度不一致的问题。通过以上分析可以看出，现有关于侧扫声呐拼接的研究大都是先提取特征点，然后再进行特征匹配，最后以某种准则进行图像的融合。但是，侧扫声呐图像存在噪声大、整体细节特征分量少的特点，大量稳定的特征点不易获取，这给配准带了困难。近年来，图像分割领域发展很快，出现了大量优秀的算法，这给侧扫声呐图像的结构化分析带了可能。侧扫声呐图像配准的最终目的就是保证相同目标拼接后轮廓一致，为此，本文提出一种基于目标轮廓的配准方法，期望能对现有配准方法进行补充。

1 配准方法

本文所提出的声呐图像配准方法核心是轮廓点配准及图像弹性变换模型的建立，下面分别对其详细介绍。

1.1 基于形状上下文轮廓配准

在对图像进行分割后，可以很容易地获取不同分割区域的轮廓P={ p₁, p₂, …, p_n}，其中，p_i∈R²，为轮廓点在图像上的坐标，n为轮廓上的点数。图像配准的目的是找到两幅图像上像素的对应关系，对于图像上的两个轮廓来说就是找到它们边界点的对应关系。边界点的特征描述越丰富、越具有代表性，则在匹配时越不容易发生误匹配。环境上下文(shape context，SC)是一种可以描述丰富特征的描述子，能够表达出周围点相对某一点的分布情况，具有很强的分辨能力，对于各种变形、异常值等具有很强的稳健性，因此，很适合非刚性变换的点位匹配^[9]。

对于轮廓上的任意一点p_i(如图 1所示)，以点p_i为圆心的5个同心圆和过该点的6条直径将以半径为r的范围内的区域分割成了60个区域，其中的一个区域如图 1中区域A(即式(1)中的bin(k))所示，通过统计落入每个区域除去p_i以外轮廓点的个数，得到p_i周围点位的分布直方图h_i，作为该点的SC描述。为了使SC具有尺度不变性，通常选择所有轮廓点之间的平均距离作为r值。实际计算过程中，圆的个数及直径的个数可调整，每个圆的半径r_c满足条件log(r_c)=c/log(r)(c=1, 2, …, C，C为圆的个数)。