基于 ＯＲＢ与 ＲＡＮＳＡＣ融合改进的图像配准

以下是参考文献

1.引言

        ＳＩＦＴ、 ＳＵＲＦ 等 斑 点 配 准 算法 需 要 构 建 复 杂 的 金 字 塔 特征 检 测尺度 空 间 ， 生成高 维 的 特征 描述 向量 ， 其 计 算 过程复 杂 ， 计 算 时间 长 ；

        传统 ＯＲＢ 、ＢＲＩＥＦ等 二 进 制特征匹配算法在尺度性及旋转性上都存在一定的不足；传统 ＲＡＮＳＡＣ算法稳定性低，图像变换矩阵计算精度低等。因此对图像配准拼接精度限制较大。

        针对 上 述 问 题 ， 本文 提出 一种 基 于 ＯＲＢ 和 ＲＡＮＳＡＣ融 合 改 进 的二 进 制 图 像 配 准 算 法

2.ORB特征匹配算法原理

２．１ 特征点检测（FAST）

        在图像 上 选 取 一点 定 义 为 Ｐ， 并 选 取 Ｐ 周 围 ｎ × ｎ 像 素范 围 作为 邻 域 范围，在邻域内以 Ｐ 点为中心画圆，半径为３，圆周所经过的像素为判定像素，按顺时针分别记录为１～１６，比较 Ｐ点与１６个像素灰度值大小，若有 Ｎ（Ｎ 可选９，１２等值）个连续大于或小于Ｐ 的像素，则将 Ｐ点标定为候选特征点。为了加快特征角点的提取速度，首先检测１，９，５，１３四个位置上的灰度值，若设置 Ｎ＝９（１６个圆周点中至少９个点符合判定条件），以上４个点至少３个满足判定条件（１），认定该点Ｐ 为图像特征点。 否则弃掉。

        为了解决临近特征点太多，采用非极大值抑制，即采用特征点与邻域的像素点进行差值绝对值求和，然后对比一个区域里内的最大值。

2.2 特征点尺度

       采用ＳＩＦＴ 算法尺度金字塔模型提取特征点尺度信息。图像降采样然后跟不同尺度的高斯卷积核进行卷积，构成尺度空间，有不同层，每个层有不同组。然后在每一个尺度中重复2.1的特征点检测步骤。

2.3特征点方向

        通过矩 方法 计 算 以特征 点 中 心 ， 以ｒ 为 搜 索 半 径 的 图像 邻 域 范 围 内 的 灰 度 质 心 ， 特征点 到 灰 度 质 心 形成 一 个 向量 ＯＣ ， 该 向量的方 向记 为 特征 点的 特征 方向 。

2.4描述特征点（描述点为二进制特征：0和1）

（ １ ） 为 了减少 图像 噪 声 点的影 像 ， 首 先 进行高 斯滤 波处理

（ ２ ） 设 置 邻 域 窗 口 ， 以特征 点 Ｐ 为 中 心 ，Ｓ为半径，邻域范围为Ｓ×Ｓ 的窗口。在窗口内采用高斯随机取样模式取 Ｎ对随机点（图４），比较每一对随机点的像素灰度值大小，进行如下二进制赋值

方向即与特征点确定的方向一致。

3.算法改进

3.1尺度空间改进

构 建 ｎ 层 ｏｃｔａｖｅ 层 ， 将 初 始 图像 放 大 ４ ／ ３ 倍 作为第一 层 ｏｃｔａｖｅ ， 记 Ｏ １ ， 第二 层 ｏｃｔａｖｅ 层 为 第 一层 的 ３ ／ ４ 下 采 样 ， 记 为 Ｏ ２ ， 一 次 类 推 ， 第 ｎ 层 为 第ｎ －１ 层 的 ３ ／ ４ 下 采 样 ， 记 Ｏ ｎ ， 并 且 每 一 层 都 进 行不同程 度 的 高斯 模 糊 处理 ， 模 糊 程 度 依次 增加。

在 简 化 的 尺度 空 间 结 构中 检 测 图像特征 点精 确 位置 和 尺度 ， 特征 点的 所 在 层 及 上下 层 通过一 维 一 次 插 值 的方法 插 值 拟 合 特征 点的精确 尺 度 位 置 ， 通 过 二 维 二 次 插 值 的 形 式 拟合 特征 点 所 在尺度 层 中 的精 确 坐 标 位置 。 本文简 化 的 尺度 空 间 在 保 证 点 位 提 取 精 度 的前 提下， 提高 了 特征 点 检 测 的 效 率 ， 节 省 图像 配 准 所需时 间 。

３．１．２ 检索具有尺度性的图像特征点

采用Ｈａｒｒｉｓ算法，式中：（ｕ，ｖ）是窗口的偏移量，（ｘ，ｙ）是窗口内所对应的像素坐标位置，ｗ（ｘ，ｙ）为检测窗口函数， Ｉ（ｘ＋ｕ，ｙ＋ｖ）为平移后的图像灰度图像，Ｉ（ｘ， ｙ）为图像灰度。

Ｈａｒｒｉｓ 需 遍 历 整 幅图像 ， 每 个 像 素 都 计 算 一个响 应值并进行比较 ， 耗 时长 ， 本文 进行 以下 改进：（ １ ） 首 先 进行 一 次图像 预 检 测 ， 剔 除 像 素 灰 度变化 较 不 明 显 的点 位 ， 留 下 像 素 灰 度值 变 化较大的、可能存在特征角点的像素位置；（２）然后对保留下 的 像 素 位 置 计 算 其 Ｈａｒｒｉｓ 响 应 值，通 过Ｈａｒｒｉｓ判定条件选取精确的特征角点位置。

3.2 计算特征点主方向

在 圆 形 邻 域 窗 口 内计 算 特征 点的 梯 度 方向统计 直 方 图 ， 计 算每 一 个 邻 域内 每 个 像 素 点的 梯 度方向和梯 度 幅 值 ， 计 算 出 的 梯 度 方向是一 个 范 围 在０°～ ３６０° 的 角 度值 ， 按 １０° 为 一 个 区 划 分 为 ３６ 个区， 将 方向 分 布 统 计 成 直 方图。直方图中最高柱体为主方向范围区，通过直方图最高柱体两侧柱体拟合精确主方向位置。

4.改进的RANSAC算法

针对需要全局计算，计算量大，并且正确的数据对要大于错误的数据对；

（1）分成一个个小模块

（ ２ ） 按 顺序 把 分 块 编 号 １ ～ ｃ ， 剔 除 没 有点 位分布 的 块 ， 统 计 结果为 Ｐ 集 合 。

（ ３ ） 从 Ｐ 集 合 中 随 机 选 取 ４ 块 区 域 ， 在 每 一块区 域 中 随 机 选 择 一 组 特征 点 对 ， 记 为 ｐ 集 合

（ ｐ １ ， ｐ ２ ， ｐ ３ ， ｐ ４ ）， 并 估 计 初 始 变 换 模 型 Ｈ ０ 。

（ ４ ） 在 图像 特征 点对 集 Ｓ （ 除 去 已 经 选 中 的 ｐ１ ， ｐ ２ ， ｐ ３ ， ｐ ４ ） 中 随 机 选 取 三 组 点对 ， 记 为 ａ 集 合 （ａ １ ， ａ ２ ， ａ ３ ）。

（ ５ ） 判 定 ａ 集 合 中 点 对 是 否 满 足 变 换 模 型 Ｈ０ 。 若 ａ 中 有 ２ 组 或 以 上 点对 满足 Ｈ ０ ， 则 将此 Ｈ０ 作为 候 选 变 换 模 型 ， 判断 特征 点对 集 Ｓ 中 剩 余 所有点对是 否 符 合 Ｈ ０ ， 若 符 合则 将 判断 点对 记 为局 内 点对 ， 不 符 合则 移 除 此 点对 ； 若 满足 点对 数 低于 ２ 组 ， 删 除 此 Ｈ ０ ， 并 重复 步 骤