[發明專利]一種前掃聲納圖像拼接方法

無效

• 申請號: 201210066218.8
• 申請日: 2012-03-14
• 公開（公告）號: CN102622732A
• 公開（公告）日: 2012-08-01
• 發明（設計）人: 徐元玉;謝少榮;金文俊;段莉;張秋菊;葉周浩;羅均
• 申請（專利權）人: 上海大學
• 主分類號: G06T5/00
• 分類號: G06T5/00;G06T5/50;G06T7/00
• 代理公司: 上海上大專利事務所(普通合伙) 31205
• 代理人: 何文欣

1.一種前掃聲納圖像拼接方法，其特征在于操作步驟如下：

（1）聲納圖像輸入；

（2）特征點檢測和描述：通過SURF算法實現待匹配聲納圖像與參考聲納圖像之間的特征點檢測和描述：首先對圖像進行積分處理，這樣可以大幅減少運算量，然后運用近似的Hessian矩陣檢測特征點，實現了特征點的檢測；利用特征點某個小鄰域內的灰度分布信息，使用一階Haar小波在x、y兩個方向的響應作為構建特征向量的基礎，實現特征點的描述；

（3）特征點匹配：利用計算特征向量間歐式距離的方法來實現參考圖像與待匹配圖像之間的特征點匹配：當兩幅圖像的SURF特征向量生成后，采用特征向量間歐式距離作為兩幅圖像中特征點的相似性判定度量；首先取參考圖像中的某個特征點并在待匹配中找出與該點歐式距離最近和次近的兩個特征點，如果最近距離與次近距離的比例小于60%，則認為最近的這一對特征點為對應的匹配點對；遍歷參考圖像中的特征點，找出所有潛在的匹配點對；

（4）變換模型估計：通過兩幅圖像之間的特征點匹配關系，估計兩幅圖像之間的幾何變換模型：采用628個分布均勻的匹配點對，通過直接線性變換算法求取變換矩陣的最小二乘解，實現對單應矩陣H的估計；?????

（5）坐標映射和圖像插值：通過單應矩陣H把待匹配圖像中的每一點映射到參考圖像中，并對圖像進行插值處理：在完成幾何變換模型的估計之后，利用得到的單應矩陣H把待匹配圖像中的每一點映射到參考圖像的坐標系中去；運用雙線性插值方法處理圖像，對那些映射后沒有落到整數網格上的點進行取整處理；

（6）圖像配準：選擇第一幀聲納圖像作為參考圖像，第二幀聲納圖像作為待匹配圖像，對第一幀和第二幀聲納圖像進行步驟（2）～（5）的配準處理；然后每次將前一次得到的配準圖像作為參考圖像，與下一幀聲納圖像進行配準，直至完成整個聲納圖像序列的配準工作，實現所有待匹配聲納圖像之間的配準；????

（7）圖像融合：通過灰度拉伸調整配準后聲納圖像的亮度，運用一種邊界保持的加權平滑算法實現聲納圖像的融合：采用了圖像灰度拉伸的方法來改善圖像的對比度，將不同幀圖像的亮度調整一致，增強圖像的分辨率；然后運用一種邊界保持的加權平滑算法來實現配準后圖像的融合；至此，就完成了所有前掃聲納圖像的拼接。

2.根據權利要求1所述的前掃聲納圖像拼接方法，其特征在于，所述步驟（2）中的特征點檢測和描述具體步驟是：

①?特征點檢測：首先對聲納圖像進行積分處理，積分圖像可以大幅提高框狀卷積濾波器的計算效率，大幅減少了運算量；對于積分圖像中某點????????????????????????????????????????????????，，可得：

??????????????????????????????(1)

其中，表示原始圖像中，原點和點形成的矩形區域里面所有像素值之和；，分別表示點的坐標值；，表示坐標系中點的位置；表示在坐標系中點的像素值；一旦將一幅圖像轉換成積分圖像的形式，在積分圖像中計算一個矩形區域內的灰度之和就可以用3個加減運算來解決，，與矩形的面積無關；其中，表示積分圖像中一個矩形區域內的灰度值和；表示原點和矩形區域右下點形成的矩形區域里面所有像素值之和；表示原點和矩形區域右上點形成的矩形區域里面所有像素值之和；表示原點和矩形區域左下點形成的矩形區域里面所有像素值之和；表示原點和矩形區域左上形成的矩形區域里面所有像素值之和；

SURF算法中，特征點檢測是基于Hessian矩陣的，它依靠Hessian矩陣行列式的局部最大值定位特征點位置；對于圖像I中某點，在點的尺度上的Hessian矩陣定義為:

???????????????????(2)

其中，表示點；表示尺度空間，通常取；圖像I在點處與二階高斯偏導的卷積，?、具有相似的含義；在此直接用框狀濾波器去近似高斯的二階偏導；用這種近似后的卷積模板處理積分圖像的好處顯而易見，因為這種模板均由簡單的矩形構成，運算量獨立于模板的尺寸，大大的提高了運算效率；將近似模板與圖像卷積的結果用、、表示，用他們代替、、得到近似Hessian矩陣，其行列式為：

?????????????????????(3)

其中，是個權重系數，實際應用中取0.9就可以了；、、分別表示在、、方向上離散化和裁切不正的高斯二階偏導數；、、表示在、、方向上高斯二階偏導數的近似；按照上式中所示的近似Hessian矩陣行列式的計算方法，對圖像中每一點求取響應并記錄下來就得到了在尺度上的響應圖；

取,表示近似模板的尺度，用初始尺度的近似模板對圖像做卷積得到的是尺度空間的第一層，接下來的層依次通過尺寸逐漸增大的模板與原始圖像做卷積來獲得；為了保證模板尺寸的奇數性和其中心像素的存在，相鄰模板的尺寸總是相差偶數個像素；每4個模板為一階Octave，第1階中，相鄰的模板尺寸相差6個像素，第2階中相差12個像素，第3階中相差24個像素，以此類推，每一階的第一個模板尺寸是上一階的第二個模板的尺寸，如下表；因為特征點的數量在尺度的方向上退化很快，所以一般情況下取4個Octave就足夠；

前4階中16個模板的尺寸

Octave19152127Octave215273951Octave327517599Octave45199147195

若一個模板的尺寸是，則該模板所對應的尺度為；依次用不同尺度的模板對原始圖像做卷積，在卷積過程中用公式(3)計算在每一點的響應，把這些響應記錄下來，就得到了由不同尺度；對應的響應圖，從而構成了3維尺度空間；

在3維尺度空間中，在每個的局部區域里，進行非最大值抑制；只有比臨近的26個點的響應值都大的點才被選為特征點；然后利用3維2次函數擬合方法對特征點精確定位；使特征點具有亞像素和亞尺度級的精度；至此我們已經得到特征點的位置、尺度信息；

②特征點描述：首先確定特征點的方向特征，然后構建描述子向量；為使特征點描述算子具有旋轉不變的性能，首先要賦予每一個特征點方向特征；以某個特征點為圓心，為該特征點對應的尺度，以為半徑的圓形鄰域里，用尺寸為的Haar小波模板對圖像進行處理，求x、y兩個方向的Haar小波響應；在Haar小波的模板中，用左側模板計算x方向的響應，右側模板計算y方向的響應，黑色表示-1，白色表示+1；用Haar小波濾波器對圓形鄰域進行處理后，就得到了該鄰域內每個點基于SURF的圖像匹配與拼接技術研究對應的x、y方向的響應，然后用以特征點為中心的高斯函數()對這些響應進行加權；用一個圓心角為扇形以特征點為中心環繞一周，計算該扇形處于每個角度時，所包括的圖像點的Haar小波響應之和；由于每一點都有x、y兩個方向的響應，因此扇形區域中所有點的響應之和構成一個矢量；把扇形區域環繞一周所形成的矢量都記錄來，取長度最大的矢量，其方向即為該特征點所對應的方向；

為了構建描述子向量，首先要確定一個以特征點為中心的正方形鄰域；該鄰域的邊長為20S，S為該特征點對應的尺度，把上一節中所確定的特征點方向作為該鄰域的y軸方向；把該正方形區域分成?個子塊區域，在每一個子塊區域中用Haar小波濾波器進行處理(該處的Haar小波模板尺寸為)；我們用表示水平方向的Haar小波響應，用表示豎直方向的Haar小波響應；這里的水平和豎直是相對特征點方向來說的；在構建描述子向量之前，對于所有的、都要用一個以特征點為中心的高斯函數加權，該高斯函數的a=3.3S；在每個子區域中，實際的計算是個網格；另外需要指出的是，在程序實現的過程中直接使用Haar小波濾波器直接對原始圖像進行處理，然后對所得響應進行插值處理，從而得到相對于特征點方向的、；在每個子塊區域中對、、、求和，從而得到一個4維向量；把個子塊區域的向量連接起來就得到了一個64維的向量，此向量就是描述該特征點的描述子特征向量。