0 引言

　　異源圖像處理算法主要是以匹配與融合為研究方向，其中基于圖像不變特征與邊緣輪廓特征的處理算法大量涌現。WANG W H等[1]人利用Sobel算子對圖像進行分割，然后通過對閉區域中心點的統計組合，形成線段特征。張翔等[2]提出了一種應用改進Sobel算子和圖像數學形態學的方法進行目標邊緣的提取。侯學智等[3]提出了用圖像形態學的梯度、細化和修剪算法來提取邊緣輪廓。LOWE D G等[4]利用關鍵點鄰域內的梯度直方圖，建立歸一化的128維向量作為該點的描述。Ke Yan等[5]利用主成分分析方法建立對關鍵點的尺度不變特征描述。Yu Xiangyu等[6]提出的多源圖像配準方法也是基于異源圖像的共有特征——邊緣輪廓特征。國內外學者通過對這些特征的研究與整合，繼續基于邊緣輪廓特征的不變性進行了深入研究：如周鋒飛等[7]提出了一種利用Canny算子提取兩種圖像的邊緣，并計算圖像邊緣特征點間連線的角度相似性的算法。李壯等[8]提出一種基于梯度徑向夾角金字塔直方圖的圖像全局特征描述方法。

　　本文首先通過設置灰度處理器[9]及空域濾波算法中的Robinson Guard濾波器[10]來去除圖像背景中的噪聲，再利用Canny邊緣特征提取目標的主要輪廓，并通過二值形態學[11]中腐蝕與膨脹算法對邊緣輪廓進行細化填充，采用改進的圓形模板匹配[12]的方法提取邊緣上的特征點，通過對這些特征點的統計與組合，形成不同的三角形區域，計算這些三角形區域的角度及邊長特性，實現對異源圖像共有特征的有效提取。

1 圖像預處理

　　1.1 灰度處理器設置

　　設置過濾器的閾值為K，當兩幅圖像的灰度值分別大于等于或小于K時，將其灰度值設為255和0，可以有效去除部分明顯的無關信息。

　　1.2 空域濾波算法

　　使用空域濾波算法中的Robinson Guard濾波器對異源圖像中的雜波進行抑制，該濾波器是一種非線性非參數型濾波器，其窗口為5的濾波模板如圖1所示。該濾波器具有保護帶，可以在濾除雜波的同時盡可能地保護目標信息的完整性，其濾波準則：

　　X=min(Zi)-X，X≤min(Zi)

　　0，min(Zi)<X<max(Zi)

　　X-max(Zi)，X≥max(Zi)(1)

2 特征點提取及幾何不變特征

　　利用Canny算子提取已處理過的圖像目標邊緣，通過二值形態學中腐蝕與膨脹的基本方法對邊緣進行細化填充。使用圓形模板匹配的方法在圖像的邊緣上選取特征點，特征點主要選取以下類別：具備一定幾何形狀的目標的頂點以及非直線邊緣中曲率變化較大的點。

　　2.1 二值形態學基本運算

　　該算法通過對開和閉運算的組合，使提取出的Canny邊緣圖像變得清晰連續。

　　(1)腐蝕：集合A被集合B腐蝕，表示為A⊙B，其定義為：

　　其中A為輸入圖像，B為結構元素，(B)X={c|c=b+x，b∈B}表示將集合B平移到點X。A⊙B是將B平移到X但仍包含在A內的所有點X組成。腐蝕運算具有收縮輸入圖像的作用，表示對圖像內部作濾波處理。

　　(2)膨脹：集合A被集合B膨脹，表示為A?堠B，其定義為：

　　其中{w|w=-b，b∈B}，這是B的相對于它自身原點的映像，并且是由x對映像進行位移為基礎的。A被B膨脹的結果是能保證和A至少有一個元素是重疊的所有位移x的集合，表示對圖像外部作濾波處理。

　　(3)開運算和閉運算

　　利用B對A作開運算，用A。B表示，其定義為:

　　形態開運算一般使對象的輪廓變得光滑，斷開狹窄的間斷和消除細小的突出物。

　　利用B對A作閉運算，用A.B表示，其定義為：

　　閉運算同樣使輪廓線更為光滑，但它通常彌補狹窄的間斷和長細的鴻溝，消除小的孔洞，并填補輪廓線中的斷裂。

　　2.2 圓形模板匹配

　　采用圓形模板匹配的方法來尋找邊緣上的特征點，可以同時對這多種邊緣進行處理。由于異源圖像在比例和角度上出現差異，在大的非閉合區域中，從邊緣的兩端選定端點P1與P2后，自左向右、自下向上使用圓形模板進行特征點選取，P1P2為第一個圓形模板的直徑。當匹配出第一個特征點A1時，則使用P1 A1為第二個圓形模板的直徑，以此類推，直到第N個圓形模板；在閉合區域，只是第一個圓形模板的直徑選擇是閉合區域中距離最遠的兩個點。

　　上述圓形模板直徑如式(6)及圖2、圖3所示。

　　R1=P1 P2，R2=P1 A1，R3=A1 A2…(6)

　　由于異源圖像成像機理不同，因此有一些邊緣細節不會同時存在，所以特征點必須在檢測出來的邊緣上，對于直線邊緣直接選擇端點作為特征點；并且使用圓形模板匹配時，該特征點所在的邊緣曲線必須有且僅有一條穿過圓形模板區域。

　　2.3 特征點篩選

　　匹配出的兩組特征點集合A=An(i，j)(n=0，1，2…N)和B=Bm(i，j)(m=0，1，2…M)分別為可見光圖像與紅外圖像上取得的特征點集合。這些特征點在排序時要遵循以下規則：使用斜率為1的直線為標準線，以圖像的左下頂點為起點、右上頂點為終點，特征點依次越過標準線的順序就是特征點的編號順序，當有2個或以上個點恰巧同時越過標準線時，這些點按從上到下的原則依次排序。按照同樣的規則來對特征點排序，避免了兩幅圖像上的特征點出現混亂排序。特征點與相鄰兩點組成的夾角如圖4所示。

　　使用圓形模板匹配的方法，降低了特征點出現錯誤的概率。為了進一步提高精度，引入特征點匹配度f(A，B)對已經提取出的兩組特征點集合進行處理。

　　其中：

　　算法中選取兩組集合中點數少的一組作為基準組，如果數目相同則A組為基準組，同時用人工參與的方式保證兩組中第一個特征點都無錯誤。式(7)中為特征點與相鄰的兩個特征點之間的夾角，式(8)中d1為A組特征點集合中第n個點與第n-1個點的距離，d2為第n個點與第n+1個點距離，d3為第n-1個點與第n+1個點的距離；式(9)h1為B組特征點集合中第m個點與第m-1個點的距離，h2為第m個點與第m+1個點距離，h3為第m-1點與第m+1點的距離(其中n=2，3，4…N-1；m=2，3，4…M-1)。算法通過對夾角的相似性對比排除錯誤的特征點，f(A，B)越小則說明這兩點的相似性越高。通過仿真實驗，當f(A，B)在1.5°以內就可以判定特征點需要保留，超過則去除。同時，在匹配時采用循環匹配的原則，去除錯誤特征點后重新驗證下一個點是否匹配，盡最大可能降低誤差。

　　2.4 幾何不變特征提取

　　本算法利用三角形的幾何不變特性來提取異源圖像的共有特征。通過對取得的特征點集合A和B進行篩選，得出最新的一組集合。通過對特征點的篩選可以簡化構建幾何不變三角形區域的步驟。依據選取的特征點集合，編號1、2、3的3個點組成第1個三角形，編號2、3、4的3個點組成第2個三角形，即編號n-1、n、n+1的3個點組成第n-1個三角形。最終得到兩個三角形區域集合C=Ck(k=1，2…N)和D=Dk(k=1，2…M)分別代表可見光與紅外圖像中三角形區域集合。

　　集合C中第1個三角形是由A1、A2、A3構建，集合D中第1個三角形是由B1、B2、B3構建，假設兩個三角形的邊長分別為L1、L2、L3和H1、H2、H3，面積分別為S1和S。判定三角形區域為異源圖像共有特征的標準是：

　　如果W的值小于一個設定的閾值(如0.1)，則判定兩個三角形為共有特征。

　　3 仿真實驗

　　該組試驗的原始圖像是1 024×1 024大小，如圖5所示，實驗對該組可見光與紅外異源圖像進行了直方圖分析，通過多個灰度處理器處理及空域濾波算法中的Robinson Guard濾波器，濾去背景圖像中的干擾機噪聲，再進行Canny邊緣的提取。然后經過多次點二值形態學中腐蝕與膨脹的混合運算，對邊緣進行細化整合，形成比較鮮明的邊緣圖像。

　　采用圓形模板匹配，分別可以得到兩組點特征A=An(i，j)(n=0，1，2…N)和B=Bm(i，j)(m=0，1，2…M)，其中N=63，M=61，即可見光圖像檢測出了63個點，紅外圖像檢測出了61個特征點。由式(7)中匹配度計算得出，共有的匹配特征點共計24個。共得到22個共有三角形區域特征，匹配出來的三角形區域圖如圖6所示。

　　按式(10)對22個三角形區域的邊長進行計算，共計算出22個數據，其中有21個數據結果在設定閾值以下，符合要求。因篇幅有限，選取其中10個數據，得到數據如圖7所示。

　　其中第3組數據超出設定閾值，去掉相關三角形區域，共得到21組幾何不變特征區域。

4 結論

　　本文針對異源圖像當中有關特征提取的問題，提出了一種基于邊緣幾何不變特征的提取算法。通過分析灰度的分布信息設定灰度處理對一部分無關背景進行分離，在此基礎上使用Robinson Guard濾波器對噪聲進行處理，使用Canny算子提取特征邊緣，并通過腐蝕與膨脹的組合運算得到完整清晰的邊緣圖像。采用圓型模板匹配法并通過三角形幾何不變特征的構建，對整個邊緣上的特征點進行處理，最終在兩幅圖像上得到共有的幾何不變特征。

　　參考文獻

　　[1] WANG W H，CHEN Y C.Image registration by control pointspairing using the invariant properties of line segments[J].Pattern Recognition L etters，1997，18(3)：269-281.

　　[2] 張翔，劉媚潔，陳立偉.基于數學形態學的邊緣提取方法[J].電子科技大學學報，2002，31(5)：490-492.

　　[3] 侯學智，楊平，趙云松.CCD圖像的輪廓特征點提取算法[J].電子科技大學學報，2004，33(4)：446-448.

　　[4] LOWE D G.Distinctive image features from scale-invariant keypoints[J].International Journal of Computer Vision，2004，60(2)：91-110.

　　[5] Ke Yan，SUKTHANKAR R.PCA-SIFT：A more distinctive representation for local image descriptors[C].CVPR，2004：506-513.

　　[6] Yu Xiangyu，Guo Lihua.Image registration by contour matching using tangent angle histogram[C].IEEE Congress onImage and Signal Processing(S7695-3119)，2008：746-749.

　　[7] 周鋒飛，陳衛東，李良福.一種基于Canny邊緣的紅外與可見光圖像配準算法[J].應用光學，2009，30(4)：605-609.

　　[8] 李壯，雷志輝，于起峰.基于梯度徑向夾角直方圖的異源圖像匹配[J].測繪學報，2011，40(3)：318-325.

　　[9] 陳潔，付冬梅，劉燕.基于輪廓特征的紅外與可見光圖像配準方法研究[J].紅外，2009，30(12)：1-5.

　　[10] HILLIARD C I.Selection of a clutter rejection algorithm for real-time target detection from an airborne platform[J].the SPIE Proceedings of Signal and Data  Processing of Small Targets，2000，4048(1)：74-84.

　　[11] GONZALEZ R C，WOODS R E.數字圖像處理[M].阮秋琦，譯.北京：電子工業出版社，2003.

　　[12] 黃廉真，吳曉軍，康文雄.一種新的高速圓形匹配算法[J].哈爾濱工業大學學報，2012，44(7)：87-91.