摘   要： 提出了新的基于特征點的高速圖像匹配算法。該算法把角點特征和灰度值特征結(jié)合起來，定義了一種基于Harris角點的灰度值特征，并充分利用角點灰度值以及角點周邊灰度值和位置信息，然后依據(jù)這些信息進行匹配。實驗結(jié)果表明，該算法不僅速度快，而且對灰度值分布不均圖像和含噪圖像的匹配同樣適用。
關(guān)鍵詞： 圖像匹配；特征點；灰度值；Harris角點；噪聲

    圖像配準(zhǔn)[1](Image Registration)是指同一個目標(biāo)的兩幅或兩幅以上的圖像在空間位置的對準(zhǔn)。圖像配準(zhǔn)的過程稱為圖像匹配(Image Match)。圖像配準(zhǔn)應(yīng)用十分廣泛，例如航空航天技術(shù)、圖像鑲嵌與融合、地理信息系統(tǒng)、醫(yī)學(xué)圖像分析、虛擬現(xiàn)實和機器人視覺等領(lǐng)域。國內(nèi)外很多學(xué)者在圖像匹配方面做過很多研究，但是尚未有一種普遍適用的方法可以解決各類圖像匹配問題，大多數(shù)方法都是針對實際應(yīng)用中遇到的問題而提出的。常見的圖像匹配方法依據(jù)其匹配方法的不同[2-4]可以分為基于灰度[5]、基于特征[6]和基于理解[7]3種。基于灰度的圖像匹配方法具有精度高的優(yōu)點，但是也存在如下缺點：對圖像的灰度變化較敏感，尤其是非線性變化的光照變化，將大大降低算法的性能；計算的復(fù)雜度高；對目標(biāo)的旋轉(zhuǎn)、形變以及遮擋比較敏感。基于特征的圖像匹配方法可以克服基于灰度的圖像配準(zhǔn)方法的缺點，圖像的特征點要比圖像的像素點少得多，因此可以大大減少匹配過程中的計算量；特征點的提取過程可以減少噪聲的影響，對灰度變化、圖像形變以及遮擋等都有較好的適應(yīng)能力。基于理解的圖像匹配技術(shù)尚在起步階段，還沒有顯著進步。本文算法結(jié)合了基于灰度的圖像匹配方法和基于特征的圖像匹配方法，首先利用Harris角點檢測算法找到角點，然后在已找到的角點基礎(chǔ)上定義新的特征點，并以此特征點作為匹配依據(jù)進行匹配。實驗表明，該算法不僅速度快，而且對灰度值分布不均圖像和含噪圖像的匹配同樣適用。
1 傳統(tǒng)模板圖像匹配算法
    傳統(tǒng)的基于灰度的模板圖像匹配技術(shù)[8]是將模板T在搜索圖像S上移動，在模板覆蓋下的那塊搜索圖稱為子圖Si,j，i,j為這塊子圖的左上角像素點在S圖像中的坐標(biāo)，稱為參考點，其中1<i<L-N+1，1<j<K-M+1。比較T和Si,j，若兩者相同，則參考點坐標(biāo)（i,j）所在的位置就是模板圖像在搜索圖像S中的位置。模板匹配算法示意圖如圖1所示。

2 基于Harris角點的快速匹配算法
2.1 Harris角點檢測
    Harris角點檢測算法由HARRIS C和STEPHENS M于1988年在參考文獻[9]中提出,是對參考文獻[10]中Moravec角點檢測算子的擴展。Moravec角點檢測算法的主要缺點是不能準(zhǔn)確找出全部角點，沒有對圖像進行降噪處理，因此其響應(yīng)對噪聲敏感，尤其是對邊緣響應(yīng)很敏感。Harris算法受信號處理中自相關(guān)函數(shù)的啟發(fā)，給出了與自相關(guān)函數(shù)聯(lián)系的矩陣M。M陣的特征值是自相關(guān)函數(shù)的一階曲率，如果在圖像中某點的行列曲率值都高，則認為該點是特征點。Harris算法的表達式為：

2.2 基于Harris角點的圖像特征點
     為實現(xiàn)快速和精確的圖像匹配，本文在圖像Harris角點的基礎(chǔ)上定義了新的特征點，并以此特征點作為匹配依據(jù)。
     在說明算法之前，先給出如下定義。
    定義1  一階特征點：在所有檢測到的Harris角點中，角點的灰度值在與其八鄰域的灰度值的和中所占的比例最大的點。
    當(dāng)檢測到相同的一階特征點，即兩個像素點都是一階特征點，但是在圖像中所處的位置不同，那么類似可以定義二階特征點，即考慮一階特征點領(lǐng)域內(nèi)24個點，然后再以二階特征點作為匹配依據(jù)，其他各階特征點可類似定義。
　　以基于Harris角點為基礎(chǔ)的灰度值特征點作為匹配依據(jù)，減少了計算量的同時利用了灰度值的精確性。特征點的選取方式?jīng)Q定了其對噪聲不敏感，對灰度分布不均勻的匹配問題同樣適用。
    算法的步驟如下：
    (1)用Harris角點檢測算法對模板圖像T進行檢測，找到角點；
    (2)在檢測到的Harris角點中找到一階特征點，若存在多個一階特征點,則尋找更高階的特征點。不對參考圖像S做角點檢測是因為參考圖像通常較大，消耗較多時間；
    (3)在參考圖像S中找到所有灰度值與一階特征點灰度值相同的點，并且計算其灰度值與八鄰域灰度值和的比例與一階特征點是否相同，若相同,則該點所在的位置即為模板圖像上的特征點在參考圖像上的位置。
    本文找到的模板圖像上的點和參考圖像上對應(yīng)的點并不是傳統(tǒng)模板圖像左上角的點，但經(jīng)過簡單換算即可知道左上角點的位置以及待配準(zhǔn)圖像在參考圖像中的位置。
    圖2所示為該方法的具體流程。

3 實驗結(jié)果分析
     為了驗證本文匹配算法的有效性，分別使用了一組參考圖像和相應(yīng)模板圖像進行了實驗。實驗環(huán)境為:Intel（R）Core(TM) i3 M370 2.40 GHz CPU，2 GB DDR3內(nèi)存，Windows 7 旗艦版，MATLAB 7.7.0。圖3為模板圖和參考圖匹配結(jié)果,其中參考圖像是256×256的lena圖，模板圖像大小為67×67。模板圖左上角像素點在參考圖中坐標(biāo)為(60,70),匹配的特征點對坐標(biāo)分別為(2,36)和(61,105)。

     為了說明本文算法速度上的優(yōu)越性，將本文算法分別與傳統(tǒng)模板匹配算法、序貫相似性檢測算法[11](SSDA)進行了比較,共進行了100次匹配，實驗結(jié)果如表1所示。

     本文在經(jīng)Harris角點檢測處理過的圖像的基礎(chǔ)上，定義了一種灰度值特征，并以此灰度值特征作為匹配依據(jù)。實驗證明，與傳統(tǒng)模板算法和SSDA算法相比，本文算法在保留精確性的同時具有更快的速度，并且對含有噪聲的圖像也能很好地找到匹配點。本文算法也有一定的局限性，當(dāng)模板圖像角點特征不明確時,可能由于檢測不到角點而導(dǎo)致方法失效。
參考文獻
[1] 趙小川. 現(xiàn)代數(shù)字圖像處理技術(shù)提高及應(yīng)用案例詳解(MATLAB版)[M].北京:北京航空航天大學(xué)出版社，2012.
[2] RADKE R J，ANDRA S，AL-KOFAHI O，et a1． Image change detection algorithms：a systematic survey[J]． IEEE  Transactions on Image Processing，2005，14(3)：294-307．
[3] 陳景航，楊宜民．一種基于Harr小波的快速模板匹配算法[J]．計算機工程，2005,31（22）:169-171.
[4] ZITOVA B，F(xiàn)LUSSER J．Image registration methods：a survey[J]． Image and Vision Computing，2003，21(11)：977-1000．
[5] THORNTON J，SAVVIDOS M． A bayesian approach to deformed pattern matching of iris image[J]． IEEE Pattern Analysis Machine Intelligence，2007，29(4)：596-606．
[6] JAIN A K，CHEN Yi． Pores and ridges： high-resolution  fingerprint match using level3 features[J]． IEEE Pattern Analysis Machine Intelligence，2007，29(1)：15-27．
[7] KOLMOGOROV V．Graph based algorithms for scene re．construction from two or more views[D]． New York: The Graduate School of Cornell University，2004．
[8] STEFANO L D，MATTOCCIA S．ZNCC-based template matching using bounded partial correlation[J]．Pattern Recognition Letters，2005(26)：2129-2134．
[9] HARRIS C， STEPHENS M． A combined corner and edge detector[C]. Proceedings of the 4th Alvey Vision Conference，1988：147-151．
[10] MORAVER H P． Towards automatic visual obstacle avoidance[C]． Proceedings of International Joint Conference  on Artificial Intelligence，1977：584-590．
[11] BARNEA D I，SILVERMA N H F． A class of algorithms  for digital image registration[J]．IEEE Thansations on Computer， 1972，C-21(2)：179-186.