﻿ 基于特征矢量的不同分辨率图像匹配方法 A Feature-Vector Based Multi-Resolution Image Matching Method

Journal of Image and Signal Processing
Vol.06 No.03(2017), Article ID:21489,13 pages
10.12677/JISP.2017.63018

A Feature-Vector Based Multi-Resolution Image Matching Method

Chao Liu*, Feng Qian, Wensong Liu

The 28th Research Institute of China Electronics Technology Group Corporation, Nanjing Jiangsu

Received: Jul. 7th, 2017; accepted: Jul. 23rd, 2017; published: Jul. 26th, 2017

ABSTRACT

Aiming at the matching problem of images with different or unknown resolutions, a feature-vector based matching method for multi-resolution images was proposed. Firstly, by comparing the key-point feature-vectors of object image with reference image, a point which satisfies matching rules can be taken as the same key-point of the two images, and then they can be matched by the geometry relation of multiple key-points. By a matching test for images with different resolutions, it can be concluded that the proposed method shows better performance for images with key- points which differ from each other obviously.

Keywords:Resolution, Feature-Vector, Image Matching

1. 引言

2. 相关工作

2.1. SUSAN角点检测

SUSAN角点检测方法是一种利用图像灰度信息进行角点检测的方法。该方法首先建立一个圆形模板，其中心点称为核点，把图像上落在模板内且与核点相同或相似的像素所构成的区域称为核值相似区(USAN)。如图1所示，SUSAN算子将圆形模板在整幅图像中移动，若模板内图像某点的灰度值与模板核点像素灰度值的差小于某个阈值，则认为两点是同值的。USAN区域包含了图像在该模板局部区域的

Figure 1. Diagram of SUSAN operator

USAN区域面积的计算公式如下：

(1)

(2)

(3)

(4)

(5)

2.3. 几何关系相似性

(6)

3. 建立特征矢量

Figure 2. Diagram of radon transformation

Figure 3. Diagram of geometric similarity

3.1. 可测量角点及角点类型定义

3.2. 角点可测度判定

1) 针对准则1，以角点为中心作一个半径为的圆，圆上某一点为起始点，逆时针遍历灰度至起始点，记录圆周上灰度较大幅度稳定变化的次数，如果发生零次或一次跳变，则认为角点不满足准则1，该点为角度非可测角点；如果大于等于2次跳变，则该点可能为角度可测性角点，如图4所示。

2) 针对准则2，只需将(1)中的圆半径设置为合适的值，即可保证角点的两条边界都足够长。

3) 针对准则3，将(2)中的圆半径三等分，得到半径。分别以为半径作圆，记录每个圆上灰度发生跳变的点：，则这些点与角点构成直线与水平方向的夹角。如果有任意两角度差近似相等，则表明该斜率对应的直线是角点的某一边。

Figure 4. Diagram of detectable Corner

3.3. 角点边缘直线的提取

3.4. 角度提取

(7)

Figure 5. An image with two lines

3.5. 匹配算法实现流程

1) 对输入的模板图像和待匹配图像分别进行SUSAN角点检测，检测的角点总数分别为，初始化

2) 对SUSAN检测结果图扫描，扫描到一个角点，以该角点为中心，获取仅包含一个角点的子领域图像区域；

3) 将该角点进行角点角度可测量判定，如果满足可测量条件，转至(4)，否则转至(8)；

4) 将该角点进行角点类型判定，对符合判定准则的X型和Y型角点，建立该点的特征矢量 (或)，转至(8)；对符合V型判定准则的角点，建立特征矢量并转至(5)；

6) 进行非极大值抑制后提取附件的所有峰值点，排序选取最大的两个峰值点；

7) 利用角点夹角计算公式得出夹角等于，将夹角值作为矢量因子填入该点的特征矢量

Figure 6. Image of line with Radon transformation

Figure 7. Angle mapping from to

8) 判断是否小于，若小于累加1，返回(2)，否则继续；

9) 从模板图像的特征矢量组中任选三点构建平面三角形

10) 从待匹配图像的特征矢量组中任选三点构建平面三角形

11) 按式(6)计算的几何关系相似性，若满足转至(12)，否则转至(10)；

12) 输出模板图像与待匹配图像的像素分辨率比例关系，并定位模板图像。

4. 实验结果与分析

a) 待匹配图像：图8 (分辨率72 dpi，614 × 389像素)；

b) 参考图像：图9 (分辨率72 dpi，344 × 346像素)、图10 (分辨率36 dpi，307 × 194像素)、图11 (分辨率24 dpi，205 × 129像素)、图12 (分辨率18 dpi，154 × 97像素)、图13 (分辨率9 dpi，77 × 49像素)。

Figure 8. (72 dpi, 614 × 389)

Figure 9. (72 dpi, 344 × 346)

Figure 10. (36 dpi, 307 × 194)

Figure 11. (24 dpi, 205 × 129)

Figure 12. (18 dpi, 154 × 97)

Figure 13. (9 dpi, 77 × 49)

Figure 14. (72 dpi, 614 × 389)

Figure 15. (72 dpi, 344 × 346)

Figure 16. (36 dpi, 307 × 194)

Figure 17. (24 dpi, 205 × 129)

Figure 18. (18 dpi, 154 × 97)

Figure 19. (9 dpi, 77 × 49)

Figure 20. Results of Hausdorff based image matching

5. 结论

A Feature-Vector Based Multi-Resolution Image Matching Method[J]. 图像与信号处理, 2017, 06(03): 147-159. http://dx.doi.org/10.12677/JISP.2017.63018

1. 1. 章为川, 孔祥楠, 宋文. 图像的角点检测研究综述[J]. 电子学报, 2015, 43(11): 2315-2321.

2. 2. Zuniga, O.A. and Haralick, R. (1983) Corner Detection Using the Facet Model. IEEE CVPR, 18, 30-37.

3. 3. Smith, S.M. and Brady, M. (1997) A New Approach to Low Level Image Processing. International Journal of Computer Vision, 23, 45-78. https://doi.org/10.1023/A:1007963824710

4. 4. Rosten, E. and Porter, R. (2010) A Machine Learning Approach to Corner Detection. IEEE Transactions on Pattern Analysis and Machine Intelligence, 32, 105-117. https://doi.org/10.1109/TPAMI.2008.275

5. 5. Klanderman, G.A., Huttenlocher, D.P. and Rucklidge, W.J. (1993) Comparing Images Using the Hausdorff Distance. IEEE Transactions on Pattern Analysis and Machine Intelligence, 15, 850-863.

6. 6. Lowe, D.G. (2004) Distinctive Image Features from Scale-Invariant Keypoints. International Journal of Computer Vision, 60, 91-110. https://doi.org/10.1023/B:VISI.0000029664.99615.94

7. 7. 陈至坤, 潘晓娣, 王福斌, 等. 基于Radon变换的图像轮廓提取方法研究[J]. 传感器与微系统, 2010, 29(2): 63-68.

8. 8. 马婧, 徐守时, 陈克. 基于Radon变换的图像角点角度提取算法[J]. 光电工程, 2009, 36(2): 126-131.