顧宮,沈疆海 (長江大學(xué)計算機科學(xué)學(xué)院，湖北 荊州 434023)

在石油和地質(zhì)工作領(lǐng)域，對巖心圖像的觀察與分析是了解地層特征和礦物特征的重要途徑之一。巖心圖像的獲取主要通過掃描得到，掃描方式主要有2種[1]：一種是從巖心正面拍照，得到巖心柱體180°范圍的圖像，稱為正面平掃圖像；另外一種是巖心全周掃描圖像，這種圖像是環(huán)繞巖心一周掃描得到的。進行巖心全周掃描圖像時，由于相機視域限制，單次采集無法獲取整段完整巖心圖像。在分析分段采集的巖心圖像時，會造成地質(zhì)資料不連續(xù)的現(xiàn)象，因此，對采集巖心圖像進行拼接是一個亟需解決的問題。

如果簡單地對圖像進行復(fù)制粘貼，雖然人為幾乎看不出來差異，但是精確度不夠高，花費時間長，也不利于后期處理[2]。因此，需要使用圖像拼接算法對圖像匹配。目前，圖像的匹配的算法主要有3類：基于變換域、灰度信息和圖像原始特征。尺度不變特征變換(Scale Invariant Feature Transform, SIFT)算法屬于圖像原始特征類，它具有尺度不變性，能夠適應(yīng)旋轉(zhuǎn)角度、圖像亮度、拍攝視角的變化，但是復(fù)雜度高、耗時長。通過SIFT對圖像進行拼接，花費的時間大約是加速穩(wěn)健特征(Speeded Up Robust Features, SURF)算法的3倍[3]。但是SURF算法求主方向太過于依賴局部區(qū)域像素的梯度方向，可能使得找到的主方向不準(zhǔn)確。后面的特征點向量提取以及匹配都嚴重依賴于主方向，即使小的偏差角度也可以造成特征匹配的不精確，從而導(dǎo)致匹配不成功。為此，筆者基于SURF算法對巖心圖像進行特征提取，然后利用隨機抽樣一致(Random Sample Consensus,RANSAC)算法[4]對巖心圖像特征點去噪，結(jié)合歐氏距離與特征點向量篩選最優(yōu)特征點，實現(xiàn)巖心圖像快速、高精度拼接。

1 算法步驟

圖1 算法步驟

該算法的具體步驟如圖1所示：首先輸入2張待匹配的巖心圖像，通過SURF算法對輸入的2幅圖像進行特征點提取，然后利用RANSCA算法對提取到的特征點進行降噪，得到最終的特征點；接下來通過歐氏距離與特征點向量結(jié)合的方法對巖心圖像進行匹配。

1.1 圖像的獲取

圖像的采集平臺是德國Basler工業(yè)相機，型號為L304k-Basler L300。巖心圖像高分辨率采集儀如圖2所示，PC機配置為Win7，Visual Stdio2010，Matlab 7.0，Opencv 3.0。

圖2 巖心圖像高分辨率采集儀

圖像的采集具體步驟如下：

1)將巖心放在一個水平的轉(zhuǎn)動軸上，然后通過固定相機高度，轉(zhuǎn)動軸帶動巖心轉(zhuǎn)動，相機對巖心進行全周掃描，采集巖心圖像。

2)在相機對巖心圖像進行一次全周掃描之后，通過單片機控制，將相機水平移動一段距離，再次對巖心進行全周掃描。

3)重復(fù)步驟2，直到巖心被采集結(jié)束。

該采集設(shè)備是專用的巖心圖像高分辨率采集儀，這種儀器能較好地保證采集到的圖像穩(wěn)定，減少了噪聲，降低了重影、鬼影出現(xiàn)的概率[5]，為后期的圖像拼接、圖像融合降低了難度。

1.2 圖像特征點的提取與匹配

1.2.1SURF算法提取特征點

SURF是在SIFT的基礎(chǔ)上產(chǎn)生的。SIFT檢測到的特征描述算子是128維，使用SIFT算法對圖像的處理計算量大、時間長，算法的計算速度較慢[6]。相對于SIFT，SURF檢測到的特征描述算子是64維，大大加快了特征點匹配速度。筆者使用的SURF算法提取特征點。

1.2.2RANSAC算法去噪

使用SURF方法檢測2幅巖心圖像的特征點，會出現(xiàn)誤匹配點對，為了最大程度地剔除這些誤匹配點對，需要使用RANSAC算法。結(jié)合RANSAC算法對巖心圖像進行匹配，可以排除誤匹配點對，使得待拼接的2幅巖心圖像能精確匹配。

1.2.3圖像的匹配和拼接

1)縮小的特征點的匹配范圍 在巖心圖像采集的過程中，相機是水平移動的，根據(jù)極線幾何約束理論[7]，前后 2 幅圖像的匹配點位置只存在橫向偏差，其縱向坐標(biāo)不會出現(xiàn)偏差，所以在尋找特征點的時候只需要在橫向?qū)ふ姨卣鼽c。筆者通過設(shè)置單片機，在相機采集一周巖心圖像后，根據(jù)相機視野的大小，將相機水平移動一定距離。通過多次試驗得出，在保證拼接速度與拼接精確度的綜合情況下，使用此采集儀得到的2張巖心圖像，每行選擇距離邊界30個像素點，進行局部特征點提取，這相對于整幅圖像進行匹配，既減少了特征點的匹配數(shù)，又節(jié)省了時間。

2) 結(jié)合歐氏距離與特征點向量實現(xiàn)巖心圖像匹配 相對于自然場景圖像的拼接，文檔圖像拼接精度的要求較高。文獻[8,9]的拼接方法主要針對平臺式掃描儀獲取的文檔圖像。由于光照比較均勻，并且圖像的特征點是按照簇的方式分布，所以可以用歐氏距離來表示圖像的幾何關(guān)系，容易得到較高的精度。如果采集巖心圖像時，只是相機水平移動，而傳送帶沒有轉(zhuǎn)動，那么匹配的特征點之間的歐氏距離是一個穩(wěn)定值，可以單獨用歐氏距離相等的特征點作為匹配點。但是當(dāng)巖心圖像在采集時傳送帶發(fā)生了旋轉(zhuǎn)，就不能單獨使用歐氏距離來實現(xiàn)特征點的匹配。因此，筆者提出歐氏距離與特征點向量相結(jié)合的方法來實現(xiàn)特征點的匹配。通過SURF算法對巖心圖像進行特征點提取，得到巖心圖像每個特征點都是64維向量。具體步驟如下：

圖3 巖心圖像平移模型

①將提取特征點之后的左邊巖心圖像平移和原圖像拼接，即原先巖心圖像最下面復(fù)制一個圖像，模型如圖3所示。

②選取左右2幅巖心圖像特征點向量:

(1)

(2)

式中，Xi、Xj為64維特征點向量的單位向量；ai、bj為特征點向量Xi、Xj對應(yīng)的模。

③計算ei、ej這2個特征點向量的歐氏距離以及2個特征點向量的差值：

(3)

V(ei,ej)=|ei-ej|

(4)

式中，D為2個特征點向量的歐氏距離；V為2個特征點向量的差值。

④計算S=m*D(ei,ej)+n*V(ei,ej)實現(xiàn)對左右2個待拼接的巖心圖像特征點精確匹配。此處的m、n是大于零的常數(shù)，且m

2 圖像的拼接結(jié)果

采集到的2幅巖心圖像如圖4所示。

圖4 拼接前的2幅圖像

使用SURF算法提取特征點，對得到的特征點進行RANSAC算法去噪，得到有效的特征點，再通過縮小的特征點的匹配范圍，結(jié)合歐氏距離與特征點向量實現(xiàn)巖心圖像匹配。圖5顯示的2點之間的連線就是2幅圖像對應(yīng)特征點形成的線段。同一方向上的2條線段長度相等，不同方向的2條線段長度不等。

圖5 2幅待匹配圖像的特征點

將2幅圖像進行拼接，最終拼接完成的圖像如圖6所示。

圖6 最終拼接完成的圖像

3 分析

筆者進行了10次試驗，每次選取不同的巖心圖像，表1記錄了10幅拼接圖像使用不同的方法花費的時間，表2記錄了10幅拼接圖像使用不同的方法檢測出來的特征點(注：寬高的單位均是像素(pixel),時間的單位均是ms)。

表1 10幅拼接圖像消耗的時間

表2 10幅拼接圖像檢測出來的特征點

由表1和表2可知：

1)使用SIFT方法花費的時間大約是SURF方法花費時間的3倍，而且筆者使用的方法實現(xiàn)圖像拼接所花費的時間優(yōu)于單純的使用SURF方法。

2)當(dāng)左右2幅巖心圖像重疊較少時，使用筆者的方法與單純的使用SURF方法檢測出的特征點數(shù)相差不大；但是當(dāng)左右2幅巖心圖像重疊較多時，使用筆者的方法檢測特征點數(shù)要少于SURF方法，減少了特征點匹配的數(shù)量，這樣就使得巖心圖像的拼接速度加快，提高了效率。

3)在解決高分辨率巖心圖像拼接時，筆者的方法在算法效率及精度上優(yōu)于經(jīng)典的SURF算法，并能夠滿足實際需求。保證拼接速度與拼接精確度的綜合情況下，使用采集儀掃描的得到的巖心圖像，每行選擇距離邊界30個像素點對左右2張圖像進行局部特征點提取。

4 結(jié)語

為了解決巖心圖像的拼接問題，筆者基于SURF算法對巖心圖像進行特征提取，然后利用RANSAC算法對巖心圖像特征點去噪。橫向上進行30個像素點的特征點提取，通過減少特征點，降低了圖像數(shù)據(jù)輸入，從而增加了匹配速度。進而結(jié)合歐氏距離與特征點向量對特征點進一步篩選定位，增加了匹配的準(zhǔn)確度。目前筆者所述的方法已經(jīng)實現(xiàn)商用，完成了長巖心圖像的自動采集和自動拼接，取得了良好的應(yīng)用效果。

[參考文獻]

[1]聶昕，鄒長春，肖昆，等.汶川地震斷裂帶科學(xué)鉆探 WFSD-1孔成像測井巖心空間歸位[J].地球物理學(xué)進展, 2012, 27(1): 75～82.

[2] Bravo M J, Farid H. Diagnostic features are prominent in object representations[J]. Journal of Vision，2011, 11(11): 865.

[3] 王丹，卿粼波，滕奇志，等.基于SURF-球面模型的巖心圖像拼接[J].科學(xué)技術(shù)與工程, 2014, 14(36): 218～221.

[4] 孫瀕，高俊強，許蘇蘇，等. 基于SURF算法和改進RANSAC算法的無人機影像匹配[J].測繪工程，2017， 26(11): 55～64.

[5] 谷雨，周陽，任剛，等.結(jié)合最佳縫合線和多分辨率融合的圖像拼接[J].中國圖像圖形學(xué)報,2017,22(6): 842～851.

[6] 齊冰潔，劉金國，張博研，等. 高分辨率遙感圖像SIFT和SURF算法匹配性能研究[J].中國光學(xué)，2017， 10(3): 331～338.

[7] Marr D. Vision: A Computational Investigation into The Human Representation and Processing of Visual Information[M]. San Francisco: Freeman W H，1982.

[8] Isgro F, Pilo M.A fast and robust image registration method based on an early consensus paradigm[J]. Pattern Recognition Letters，2004, 25(8): 943～954.

[9] Nagabhushan P. Sliding window based approach for document image mosaicking[J]. Image Vision Computing，2006, 24(1): 94～100.