謝永勝，余正生

（杭州電子科技大學圖形圖像研究所，浙江杭州310018）

0 引 言

圖像配準和圖像融合是圖像拼接［1］的兩個關鍵技術，圖像配準是圖像融合的基礎，而且圖像配準算法的計算量一般非常大，因此圖像拼接技術的發(fā)展很大程度上取決于圖像配準技術的創(chuàng)新。圖像配準在數(shù)字圖像領域已經(jīng)有很多研究成果。這一問題涉及到點對點的匹配，特征的提取等等方面。概述了圖像配準技術的基本理論以及主要方法如文獻2，綜述了隨后10年的圖像配準領域的相關方法如文獻3。配準在圖像處理里應該屬于一種比較基礎的技術，在某些特定的領域有著非常重要廣泛的應用：比如計算機視覺處理［4］，醫(yī)學圖像處理［5］以及衛(wèi)星遙感領域［6］等等。正因為如此重要，無論其配準速度或配準準確率都在不斷地進行著改進?；诨叶鹊姆椒ū容^常用，但純粹基于灰度的拼接方法適應性差，特別對于待配準圖像的缺損方面要求很高。序列相似性檢測算法目前已有多種改進，改進后的算法大大提高了運算速度，但由于速度的改進往往會帶來準確性的降低，而本文的改進主要在于在淘汰非匹配點時對準確性要求方面效果更佳，主要目的還是針對算法在保證高配準精度條件下的對速度方面進行改進。

1 圖像配準

基于圖像灰度相關的常用匹配方法為模板匹配，即一種對待匹配的象元以一定大小窗口的灰度陣列按某種或幾種相似性度量順次進行搜索匹配的方法。見的相似性度量有以下幾種：

1.1 基于兩幅圖像灰度的平方差之和

計算模板和搜索子圖對應灰度值之差的平方公式和：

該方法稱差和法，其中S，T分別代表圖像各個象素的灰度值，m，n代表各個象素的坐標，其值最小者所對應的位置（i，j）為最佳匹配位置，記錄其值。

1.2 序列相似度檢測

其基本思想是：如果窗口內(nèi)所有點被檢驗完之前該誤差過早地達到預定的門限值，便認為該窗位置不是匹配點，無須繼續(xù)檢驗窗內(nèi)的剩余點，停止本次運算，而轉(zhuǎn)向計算下一窗口位置，直到找到匹配點為止，記錄其值，從而省去大量的在非匹配位置處的無用運算量。

1.3 互相關檢測

互相關檢測的思想是用到了概率和數(shù)理統(tǒng)計中相關系數(shù)的思想：

相關系數(shù)是0-1之間的一個數(shù)，其值越接近1說明量圖像越相似，所以，值最大者為最佳匹配點，同樣記錄其值（即等于 1），R（i，j）越大，模板與子圖 S（i，j）就越相似，（i，j）也就是要搜索的匹配點，同樣記錄其值。

2 圖像拼接

確定匹配點后，要確定整幅象素的值，如圖1所示。假設S點在矩形A中的坐標為（Asx，AT），圖像左下角為坐標原點。在矩形B中的坐標為（Bsx，BT），AH、AWidth分別為矩形A的高度和寬度，BH、BWidth分別為矩形B的高度和寬度，則拼接后的圖像的高度和寬度為CH、Cwidth。部分流程如圖2所示。

圖1 拼接實例圖

圖2 拼接流程圖

3 算法改進

基于圖像灰度方法雖然精確度較高，但是相應的計算量也很大，實時性不高，并且受灰度圖像損傷程度影響較大，為了增加系統(tǒng)的實時性，適應性，減少運行時間，改進的基本思想有：（1）修改算法，提高運行速度；（2）多CPU線程并行編程技術；（3）引入仿射機制。

3.1 修改算法，提高程序運行速度

對序列相似性檢測作進一步的改進，這本身是一種快速圖像匹配算法，但由于其閥值的單一性，所以可針對其閥值進行算法修改。首先是定義誤差，閥值增值為Add，閥值的取值空間設定為Value［Min-Num…MaxNum］，設置訪問變量B［（M-N+1）（M-N+1）］為True，算法從W=Value［MinNum］開始循環(huán)，在子圖中隨即選取象素點，計算它同T中對應點的誤差Error，然后把這點的差值同其他點對的差值累加起來，當累加P次直到誤差超過Value［MinNum］則停止累加，并記下累加次數(shù)P。記下各累加次數(shù)點，找出W=Value［MinNum］這輪循環(huán)中累加次數(shù)最大點的值Max。淘汰W=Value［MinNum］這輪循環(huán)中累加次數(shù)點小于T的點，即將其B［］值設為False。通過對T的不同取值，分別進行50次配準（選取的兩幅圖像大小分別為256×56，35×44經(jīng)過選取多幅圖像進行測試也有類似的結(jié)論），來查看正確的配準次數(shù)，如表1所示：

表1 配準正確率比較

3.2 利用多CPU線程并行編程技術

提出了把多線程技術應用于圖像配準，并且已經(jīng)在平臺下用VC++6.0加以實現(xiàn)，而硬件條件是采用英特爾酷睿2雙核處理器，在一定程度上提高計算機資源的利用率，降低系統(tǒng)運行時間。在模板匹配的過程中，模板在待匹配圖像上一個象素一個象素的進行遍歷匹配，可以認為各象素間的匹配是沒有任何關系的，基于此，提出將待匹配圖像分為上下兩個部分，創(chuàng)建兩個線程，分別將兩個部分在不同的線程中進行遍歷匹配。主線程必須等待輔助線程都完成后，然后將各個輔助線程得出的誤差進行相加，這樣可以得這趟循環(huán)總的誤差，然后用前述算法進行處理。最后綜合兩個線程的遍歷結(jié)果，再通過主線程找出最佳匹配點。

3.3 引入仿射機制，用最小二乘法進行擬合

一旦將共同區(qū)域確定下來之后，那就需要通過仿射變換公式將映射參數(shù)計算出來。2D空間中，變換公式為：

引入最小二乘法，用多個配準點找出最優(yōu)參數(shù)解。假設W為A，B兩圖中特征點組成的矩陣，X′，Y′分別為B圖中特征點的X，Y坐標組成的矩陣。所以有：

那么就是所求的最優(yōu)仿射參數(shù)解。由于式4中有逆矩陣的存在，這樣計算結(jié)果會出現(xiàn)小數(shù)，所以對于結(jié)果圖像的處理上的象素可能不在整數(shù)點上，就需要通過插值法進行彌補，而采用三次卷積法比較理想。

4 實驗分析

因為本文中圖像的拼接所耗費的時間主要花費在配準上面，用上述提出的改進算法，首先對大量圖像進行配準實驗，主要是針對已有的幾種配準算法進行時間上的比較。拼接前的兩幅圖像如圖3所示，拼接后的兩幅圖像如圖4所示。各種算法拼接速度的比較如表2所示。

圖3 拼接前的兩幅圖像

圖4 拼接后的結(jié)果圖像

表2 各種算法實現(xiàn)時間的比較

5 結(jié)束語

文中討論的拼接算法具有實時響應速度快，特別是引入多CPU的線程同步技術，大大加快了拼接速度。但是由于要考慮到準確性方面，每次淘汰非匹配點的時候還是會有很多點需要在以后的循環(huán)當中進行重復的匹配，實驗算法速度改進的空間還是很大的。

［1］ 王俊杰，劉家茂.圖像拼接技術［J］.計算機科學，2003，30（6）：141-144.

［2］ Brown LG.A survey of image registration techniques［J］.ACM Computing Surveys，1992，24（4）：325-367.

［3］ Zitoa B，F(xiàn)lusser.I Image resist ration methods a Survey［J］.Image and Vision Computing，2003，21（11）：977-1 000.

［4］ Huang X，Paragios N，Metaxas D.Shape registration in implicit spaces using information theory and free form deformations［J］.IEEE Trans Pattern Anal Mach Intell，2006，28（8）：1 303-1 318.

［5］ 陳靈娜，盛利元，陳俊熹.CT圖像配準算法的研究與實現(xiàn)［J］.醫(yī)療設備信息，2004，19（8）：4-5.

［6］ Bentoutou Y，Table N，kpalma K，et al.An automatic image registration for applications in remote sensing［J］.IEEE Trans Geosci Remote Sens，2005，43（9）：2 127-2 137.