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(xiàn)。WANG W H等[1]人利用Sobel算子對(duì)圖像進(jìn)行分割，然后通過對(duì)閉區(qū)域中心點(diǎn)的統(tǒng)計(jì)組合，形成線段特征。張翔等[2]提出了一種應(yīng)用改進(jìn)Sobel算子和圖像數(shù)學(xué)形態(tài)學(xué)的方法進(jìn)行目標(biāo)邊緣的提取。侯學(xué)智等[3]提出了用圖像形態(tài)學(xué)的梯度、細(xì)化和修剪算法來提取邊緣輪廓。LOWE D G等[4]利用關(guān)鍵點(diǎn)鄰域內(nèi)的梯度直方圖，建立歸一化的128維向量作為該點(diǎn)的描述。Ke Yan等[5]利用主成分分析方法建立對(duì)關(guān)鍵點(diǎn)的尺度不變特征描述。Yu Xiangyu等[6]提出的多源圖像配準(zhǔn)方法也是基于異源圖像的共有特征——邊緣輪廓特征。國內(nèi)外學(xué)者通過對(duì)這些特征的研究與整合，繼續(xù)基于邊緣輪廓特征的不變性進(jìn)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(jì)算圖像邊緣特征點(diǎn)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(shè)置灰度處理器[9]及空域?yàn)V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(biāo)的主要輪廓，并通過二值形態(tài)學(xué)[11]中腐蝕與膨脹算法對(duì)邊緣輪廓進(jìn)行細(xì)化填充，采用改進(jìn)的圓形模板匹配[12]的方法提取邊緣上的特征點(diǎn)，通過對(duì)這些特征點(diǎn)的統(tǒng)計(jì)與組合，形成不同的三角形區(qū)域，計(jì)算這些三角形區(qū)域的角度及邊長特性，實(shí)現(xiàn)對(duì)異源圖像共有特征的有效提取。

1 圖像預(yù)處理

　　1.1 灰度處理器設(shè)置

　　設(shè)置過濾器的閾值為K，當(dāng)兩幅圖像的灰度值分別大于等于或小于K時(shí)，將其灰度值設(shè)為255和0，可以有效去除部分明顯的無關(guān)信息。

　　1.2 空域?yàn)V波算法

　　使用空域?yàn)V波算法中的Robinson Guard濾波器對(duì)異源圖像中的雜波進(jìn)行抑制，該濾波器是一種非線性非參數(shù)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(hù)帶，可以在濾除雜波的同時(shí)盡可能地保護(hù)目標(biāo)信息的完整性，其濾波準(zhǔn)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(diǎn)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(biāo)邊緣，通過二值形態(tài)學(xué)中腐蝕與膨脹的基本方法對(duì)邊緣進(jìn)行細(xì)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(diǎn)，特征點(diǎn)主要選取以下類別：具備一定幾何形狀的目標(biāo)的頂點(diǎn)以及非直線邊緣中曲率變化較大的點(diǎn)。

　　2.1 二值形態(tài)學(xué)基本運(yùn)算

　　該算法通過對(duì)開和閉運(yùn)算的組合，使提取出的Canny邊緣圖像變得清晰連續(xù)。

　　(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(jié)構(gòu)元素，(B)X={c|c=b+x，b∈B}表示將集合B平移到點(diǎn)X。A⊙B是將B平移到X但仍包含在A內(nèi)的所有點(diǎn)X組成。腐蝕運(yùn)算具有收縮輸入圖像的作用，表示對(duì)圖像內(nèi)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(duì)于它自身原點(diǎn)的映像，并且是由x對(duì)映像進(jìn)行位移為基礎(chǔ)的。A被B膨脹的結(jié)果是能保證和A至少有一個(gè)元素是重疊的所有位移x的集合，表示對(duì)圖像外部作濾波處理。

　　(3)開運(yùn)算和閉運(yùn)算

　　利用B對(duì)A作開運(yùn)算，用A。B表示，其定義為:

　　形態(tài)開運(yùn)算一般使對(duì)象的輪廓變得光滑，斷開狹窄的間斷和消除細(xì)小的突出物。

　　利用B對(duì)A作閉運(yùn)算，用A.B表示，其定義為：

　　閉運(yùn)算同樣使輪廓線更為光滑，但它通常彌補(bǔ)狹窄的間斷和長細(xì)的鴻溝，消除小的孔洞，并填補(bǔ)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(diǎn)，可以同時(shí)對(duì)這多種邊緣進(jìn)行處理。由于異源圖像在比例和角度上出現(xiàn)差異，在大的非閉合區(qū)域中，從邊緣的兩端選定端點(diǎn)P1與P2后，自左向右、自下向上使用圓形模板進(jìn)行特征點(diǎn)選取，P1P2為第一個(gè)圓形模板的直徑。當(dāng)匹配出第一個(gè)特征點(diǎn)A1時(shí)，則使用P1 A1為第二個(gè)圓形模板的直徑，以此類推，直到第N個(gè)圓形模板；在閉合區(qū)域，只是第一個(gè)圓形模板的直徑選擇是閉合區(qū)域中距離最遠(yuǎn)的兩個(gè)點(diǎn)。

　　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(jī)理不同，因此有一些邊緣細(xì)節(jié)不會(huì)同時(shí)存在，所以特征點(diǎn)必須在檢測出來的邊緣上，對(duì)于直線邊緣直接選擇端點(diǎn)作為特征點(diǎn)；并且使用圓形模板匹配時(shí)，該特征點(diǎn)所在的邊緣曲線必須有且僅有一條穿過圓形模板區(qū)域。

　　2.3 特征點(diǎn)篩選

　　匹配出的兩組特征點(diǎn)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(diǎn)集合。這些特征點(diǎn)在排序時(shí)要遵循以下規(guī)則：使用斜率為1的直線為標(biāo)準(zhǔn)線，以圖像的左下頂點(diǎn)為起點(diǎn)、右上頂點(diǎn)為終點(diǎn)，特征點(diǎn)依次越過標(biāo)準(zhǔn)線的順序就是特征點(diǎn)的編號(hào)順序，當(dāng)有2個(gè)或以上個(gè)點(diǎn)恰巧同時(shí)越過標(biāo)準(zhǔn)線時(shí)，這些點(diǎn)按從上到下的原則依次排序。按照同樣的規(guī)則來對(duì)特征點(diǎn)排序，避免了兩幅圖像上的特征點(diǎn)出現(xiàn)混亂排序。特征點(diǎn)與相鄰兩點(diǎn)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(diǎn)出現(xiàn)錯(cuò)誤的概率。為了進(jìn)一步提高精度，引入特征點(diǎn)匹配度f(A，B)對(duì)已經(jīng)提取出的兩組特征點(diǎn)集合進(jìn)行處理。

　　其中：

　　算法中選取兩組集合中點(diǎn)數(shù)少的一組作為基準(zhǔn)組，如果數(shù)目相同則A組為基準(zhǔn)組，同時(shí)用人工參與的方式保證兩組中第一個(gè)特征點(diǎn)都無錯(cuò)誤。式(7)中為特征點(diǎn)與相鄰的兩個(gè)特征點(diǎn)之間的夾角，式(8)中d1為A組特征點(diǎn)集合中第n個(gè)點(diǎn)與第n-1個(gè)點(diǎn)的距離，d2為第n個(gè)點(diǎn)與第n+1個(gè)點(diǎn)距離，d3為第n-1個(gè)點(diǎn)與第n+1個(gè)點(diǎn)的距離；式(9)h1為B組特征點(diǎn)集合中第m個(gè)點(diǎn)與第m-1個(gè)點(diǎn)的距離，h2為第m個(gè)點(diǎn)與第m+1個(gè)點(diǎn)距離，h3為第m-1點(diǎn)與第m+1點(diǎn)的距離(其中n=2，3，4…N-1；m=2，3，4…M-1)。算法通過對(duì)夾角的相似性對(duì)比排除錯(cuò)誤的特征點(diǎn)，f(A，B)越小則說明這兩點(diǎn)的相似性越高。通過仿真實(shí)驗(yàn)，當(dāng)f(A，B)在1.5°以內(nèi)就可以判定特征點(diǎn)需要保留，超過則去除。同時(shí)，在匹配時(shí)采用循環(huán)匹配的原則，去除錯(cuò)誤特征點(diǎn)后重新驗(yàn)證下一個(gè)點(diǎn)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(duì)取得的特征點(diǎn)集合A和B進(jìn)行篩選，得出最新的一組集合。通過對(duì)特征點(diǎn)的篩選可以簡化構(gòu)建幾何不變?nèi)切螀^(qū)域的步驟。依據(jù)選取的特征點(diǎn)集合，編號(hào)1、2、3的3個(gè)點(diǎn)組成第1個(gè)三角形，編號(hào)2、3、4的3個(gè)點(diǎn)組成第2個(gè)三角形，即編號(hào)n-1、n、n+1的3個(gè)點(diǎn)組成第n-1個(gè)三角形。最終得到兩個(gè)三角形區(qū)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(qū)域集合。

　　集合C中第1個(gè)三角形是由A1、A2、A3構(gòu)建，集合D中第1個(gè)三角形是由B1、B2、B3構(gòu)建，假設(shè)兩個(gè)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(qū)域?yàn)楫愒磮D像共有特征的標(biāo)準(zhǔn)是：

　　如果W的值小于一個(gè)設(shè)定的閾值(如0.1)，則判定兩個(gè)三角形為共有特征。

　　3 仿真實(shí)驗(yàn)

　　該組試驗(yàn)的原始圖像是1 024×1 024大小，如圖5所示，實(shí)驗(yàn)對(duì)該組可見光與紅外異源圖像進(jìn)行了直方圖分析，通過多個(gè)灰度處理器處理及空域?yàn)V波算法中的Robinson Guard濾波器，濾去背景圖像中的干擾機(jī)噪聲，再進(jìn)行Canny邊緣的提取。然后經(jīng)過多次點(diǎn)二值形態(tài)學(xué)中腐蝕與膨脹的混合運(yùn)算，對(duì)邊緣進(jìn)行細(xì)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(diǎn)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(gè)點(diǎn)，紅外圖像檢測出了61個(gè)特征點(diǎn)。由式(7)中匹配度計(jì)算得出，共有的匹配特征點(diǎn)共計(jì)24個(gè)。共得到22個(gè)共有三角形區(qū)域特征，匹配出來的三角形區(qū)域圖如圖6所示。

　　按式(10)對(duì)22個(gè)三角形區(qū)域的邊長進(jìn)行計(jì)算，共計(jì)算出22個(gè)數(shù)據(jù)，其中有21個(gè)數(shù)據(jù)結(jié)果在設(shè)定閾值以下，符合要求。因篇幅有限，選取其中10個(gè)數(shù)據(jù)，得到數(shù)據(jù)如圖7所示。

　　其中第3組數(shù)據(jù)超出設(shè)定閾值，去掉相關(guān)三角形區(qū)域，共得到21組幾何不變特征區(qū)域。

4 結(jié)論

　　本文針對(duì)異源圖像當(dāng)中有關(guān)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(shè)定灰度處理對(duì)一部分無關(guān)背景進(jìn)行分離，在此基礎(chǔ)上使用Robinson Guard濾波器對(duì)噪聲進(jìn)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(yùn)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(gòu)建，對(duì)整個(gè)邊緣上的特征點(diǎn)進(jìn)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(xiàn)

　　[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(shù)學(xué)形態(tài)學(xué)的邊緣提取方法[J].電子科技大學(xué)學(xué)報(bào)，2002，31(5)：490-492.

　　[3] 侯學(xué)智，楊平，趙云松.CCD圖像的輪廓特征點(diǎn)提取算法[J].電子科技大學(xué)學(xué)報(bào)，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(wèi)東，李良福.一種基于Canny邊緣的紅外與可見光圖像配準(zhǔn)算法[J].應(yīng)用光學(xué)，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(xué)報(bào)，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(zhǔn)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(shù)字圖像處理[M].阮秋琦，譯.北京：電子工業(yè)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(yè)大學(xué)學(xué)報(bào)，2012，44(7)：87-91.