張 玲，吳發(fā)輝

（武夷學(xué)院信息技術(shù)與實驗室管理中心，福建武夷山 354300）

0 引言

隨著復(fù)雜背景光照映射圖像采集和信息處理技術(shù)的發(fā)展，需要構(gòu)建優(yōu)化的復(fù)雜背景光照映射圖像采集和信息處理模型，結(jié)合自適應(yīng)的數(shù)字成像技術(shù)，提高復(fù)雜背景光照映射圖像的成像識別能力，采用優(yōu)化的角點定位和特征分析技術(shù)，結(jié)合成像環(huán)境的光照信息分析和環(huán)境信息分析，構(gòu)建復(fù)雜背景光照映射圖像多尺度Harris特征點檢測模型，提高圖像識別的抗干擾能力。研究相關(guān)的復(fù)雜背景光照映射圖像多尺度Harris特征點檢測方法，在提高圖像的信息識別能力方面具有重要意義［1］。

對復(fù)雜背景光照映射圖像多尺度Harris特征點檢測是建立在對圖像的散射性特征分析基礎(chǔ)上，結(jié)合對復(fù)雜背景光照映射圖像多尺度Harris特征點檢測和邊緣輪廓特征分析，通過多尺度空間匹配濾波檢測，實現(xiàn)復(fù)雜背景光照映射圖像多尺度Harris特征點檢測。傳統(tǒng)方法中，對復(fù)雜背景光照映射圖像多尺度Harris特征點檢測方法主要有聯(lián)合32維特征向量的復(fù)雜背景光照映射圖像多尺度Harris特征點檢測識別方法［2］，基于sobel邊緣檢測的復(fù)雜背景光照映射圖像多尺度Harris特征點檢測方法等［3］，構(gòu)建圖像的邊緣匹配分析模型，通過模糊度匹配，對篩選角點進(jìn)行非極大值抑制，實現(xiàn)復(fù)雜背景光照映射圖像多尺度Harris特征點檢測。但傳統(tǒng)方法進(jìn)行圖像特征點檢測的信息識別能力不好，對此，本文提出一種基于特征點模糊邊緣濾波的復(fù)雜背景光照映射圖像多尺度Harris特征點檢測算法。采用多尺度Retinex算法構(gòu)建復(fù)雜背景光照映射圖像的邊緣輪廓特征檢測模型，首先采用模糊度統(tǒng)計參數(shù)跟蹤識別方法，建立復(fù)雜背景光照映射圖像多尺度Harris角點分布區(qū)域的匹配濾波檢測模型，然后采用分組特征映射和模板匹配技術(shù)，實現(xiàn)對復(fù)雜背景光照映射圖像多尺度Harris角點分布區(qū)域增強(qiáng)和多尺度Harris特征點檢測。最后進(jìn)行仿真測試分析，展示了本文方法在提高復(fù)雜背景圖像的多尺度Harris特征點檢測能力方面的優(yōu)越性能。

1 復(fù)雜背景光照映射圖像特征分析

1.1 復(fù)雜背景光照映射圖像采集

為了實現(xiàn)基于特征點模糊邊緣濾波的復(fù)雜背景光照映射圖像多尺度Harris特征點檢測，結(jié)合對復(fù)雜背景光照映射圖像多尺度Harris角點分布區(qū)域的子空間特征分布，采用紋理稀疏性融合的方法，構(gòu)建復(fù)雜背景光照映射圖像多尺度Harris角點分布區(qū)域濾波檢測分析模型，通過縱向掃描和斜向掃描相結(jié)合的方式進(jìn)行圖像采集［4］，得到復(fù)雜背景光照映射圖像多尺度Harris角點分布區(qū)域的紋理空間分布參數(shù)結(jié)構(gòu)用d(x)表示，復(fù)雜背景光照映射圖像多尺度Harris角點分布區(qū)域的Hariss角點分布為I(x)表示，構(gòu)建優(yōu)化的復(fù)雜背景光照映射圖像多尺度Harris特征點檢測模型，得到復(fù)雜背景光照映射圖像多尺度Harris角點分布區(qū)域的聯(lián)合信息熵：

（1）式中，M為圖像長度，N為圖像寬度，σ為圖像像素值，λ為圖像鄰域像素值，s為圖像灰度值，A為圖像亮度。在N×N的局部區(qū)域中進(jìn)行復(fù)雜背景光照映射圖像多尺度Harris角點分布區(qū)域的分塊處理，得到復(fù)雜背景光照映射圖像多尺度Harris角點分布區(qū)域的分塊權(quán)重為：

（2）式中，R為角點分布概率，zi為圖像分塊區(qū)域亮度。根據(jù)復(fù)雜背景光照映射圖像多尺度Harris角點分布區(qū)域的紋理區(qū)域部分的分組檢測結(jié)果，采用統(tǒng)計分析方法，構(gòu)建復(fù)雜背景光照映射圖像多尺度Harris角點分布區(qū)域的特征加權(quán)控制模型［5］，采用自適應(yīng)的信息檢測方法，得到復(fù)雜背景光照映射圖像多尺度Harris角點分布特征量表達(dá)式為：

（3）式中，m為所選圖像區(qū)域，m為所選區(qū)域圖像的灰度差。根據(jù)復(fù)雜背景光照映射圖像多尺度Harris角點分布區(qū)域的邊緣檢測結(jié)果，結(jié)合模板匹配方法，進(jìn)行復(fù)雜背景光照映射圖像的模糊特征檢測，采用Reniex檢測算法，建立復(fù)雜背景光照映射圖像多尺度Harris角點分布區(qū)域的邊緣融合模型，結(jié)合對復(fù)雜背景光照映射圖像多尺度Harris特征點檢測結(jié)果，提高復(fù)雜背景光照映射圖像的檢測和識別能力［6］。

1.2 圖像特征檢測

假設(shè)采集的復(fù)雜背景光照映射圖像為f(x,y)，采用二值化分量，得到復(fù)雜背景光照下二值圖像分布函數(shù)為：

（4）式中，Z為二值圖像的相似度閾值。用多尺度Retinex算法構(gòu)建復(fù)雜背景光照映射圖像的邊緣輪廓特征檢測模型，結(jié)合對復(fù)雜背景光照映射圖像多尺度Harris角點分布［7］，得到復(fù)雜背景光照映射圖像多尺度Harris角點分布區(qū)域的邊緣模糊集為：

（5）式中，η為圖像邊緣輪廓長度。采用區(qū)域特征分塊檢測的方法，構(gòu)建復(fù)雜背景光照映射圖像多尺度Harris角點分布區(qū)域的自適應(yīng)特征分割模型，得到復(fù)雜背景光照映射圖像模糊邊緣濾波的輸出為：

（6）式中，U為圖像邊緣區(qū)域?qū)Ρ榷取Ｌ崛《喑叨鹊腞etinex特征量，采集成像的光譜旁瓣區(qū)域，得到復(fù)雜背景光照映射圖像模糊邊緣分塊檢測［8］，得到圖像模糊邊緣的分塊檢測結(jié)果為：

（7）式中，?為圖像邊緣區(qū)域的角點數(shù)量，u為圖像中的噪點信號。根據(jù)上述分析，采用圖像多尺度Harris特征檢測方法，得到復(fù)雜背景光照映射圖像多尺度Harris角點映射模型，采用單譜分割方法得到復(fù)雜背景光照映射圖像的均勻分布像素級為：

（8）式中，W為圖像的弱紋理值。結(jié)合分塊區(qū)域匹配，得到復(fù)雜背景光照映射圖像的多尺度Harris角點分布域面積為：

對復(fù)雜背景光照映射圖像多尺度Harris角點分布區(qū)域的亮度、對比度進(jìn)行融合，根據(jù)圖像融合結(jié)果進(jìn)行多尺度Harris角點分布式特征提取［9-11］。

2 圖像多尺度Harris角點檢測

2.1 圖像的邊緣信息融合

根據(jù)對圖像的邊緣信息特征分解結(jié)果，采用邊界化的特征分布式融合增強(qiáng)和融合算法，提取圖像多尺度Harris角點分布區(qū)域模糊度，建立圖像多尺度Harris角點模板函數(shù)為：

（10）式中，F(xiàn)為圖像與背景的色度差。采用Taubin平滑算子進(jìn)行復(fù)雜背景光照映射圖像的三維重建，將復(fù)雜背景光照映射圖像進(jìn)行多尺度Harris角點分布區(qū)域分塊，得到：

（11）式中，r1及r2為投影后的子空間，α為邊緣灰度閾值，采用分塊匹配濾波檢測的方法，構(gòu)造復(fù)雜背景光照映射圖像多尺度Harris角點分布區(qū)域的協(xié)方差融合模型，表示為：

（12）式中，υ為像素強(qiáng)度，d為邊緣區(qū)域紋理度，μ為紋理差值。采用多層Gabor小波降噪技術(shù)進(jìn)行降噪處理，在Retinex算法學(xué)習(xí)下，得到復(fù)雜背景光照映射圖像的邊緣輪廓檢測輸出為：

（13）式中，w為圖像的亮點數(shù)量。由此，構(gòu)建復(fù)雜背景光照映射圖像的融合模型，得到多尺度Harris角點分布式融合輸出為：

（14）式中，β表示復(fù)雜背景光照映射圖像的暗點數(shù)量，輸出的圖像融合結(jié)果為：

根據(jù)對復(fù)雜背景光照映射圖像的融合結(jié)果，結(jié)合復(fù)雜背景光照映射圖像多尺度Harris角點分布區(qū)域融合結(jié)果，進(jìn)行圖像特征點檢測［12］。

2.2 圖像的Harris特征點檢測

根據(jù)對復(fù)雜背景光照映射圖像多尺度Harris角點分布區(qū)域的先驗知識特征分析結(jié)果，通過邊緣輪廓特征分解和模板匹配技術(shù)，得到復(fù)雜背景光照映射圖像的亞像素級視差為：

其中，θ為圖像Harris夾角，在多階段的下采樣操作過程中，得到復(fù)雜背景光照映射圖像的自動分割模板匹配值為：

其中，γ為復(fù)雜背景光照映射圖像多尺度Harris角點分布區(qū)域的邊緣像素值。

結(jié)合復(fù)雜背景光照映射圖像多尺度Harris角點分布區(qū)域濾波檢測，采用單尺度Harris角點檢測得到像素均值：

其中，δ為模板匹配系數(shù)。采用模板匹配技術(shù)，實現(xiàn)對復(fù)雜背景光照映射圖像多尺度Harris角點融合，得到特征點匹配結(jié)果為：

其中，τ為圖像清晰度，n為圖像的匹配濾波分布系數(shù)。結(jié)合空間像素區(qū)域匹配，得到融合特征分量的RGB分解結(jié)果，復(fù)雜背景光照映射圖像多尺度融合的像素差異值為：

其中，X為圖像亮度。綜上所述，根據(jù)對復(fù)雜背景光照映射圖像多尺度Harris角點分布區(qū)域角點定位和邊緣檢測結(jié)果，提高圖像的成像和檢測能力，實現(xiàn)流程見圖1。

圖1 算法的實現(xiàn)流程Fig.1 Implementation flow of algorithm

3 仿真測試與結(jié)果分析

實驗建立在Matlab 7.0仿真軟件基礎(chǔ)上，設(shè)定復(fù)雜背景光照映射圖像分布樣本數(shù)為257 7，分塊特征檢測系數(shù)為0.36，模糊度系數(shù)為0.194，取其中15組樣本，進(jìn)行圖像的多尺度Harris特征點檢測，得到參數(shù)分布見表1。

表1 參數(shù)設(shè)定Tab.1 Parameter setting

根據(jù)表1的參數(shù)設(shè)定，進(jìn)行復(fù)雜背景光照映射圖像多尺度Harris角點檢測，得到采集的其中一組樣本原始圖像見圖2。

圖2 原始圖像Fig.2 Original image

以圖2的圖像為測試對象，進(jìn)行復(fù)雜背景光照映射圖像多尺度Harris角點檢測，得到檢測結(jié)果如圖3所示。分析圖3得知，本文方法能有效實現(xiàn)對復(fù)雜背景光照映射圖像多尺度Harris角點檢測，檢測定位的偏差較小。測試定位效果，得到對比結(jié)果見表2，分析表2得知，本文方法進(jìn)行復(fù)雜背景光照映射圖像多尺度Harris角點定位檢測的精度較高，誤差較小。

圖3 圖像角點檢測結(jié)果Fig.3 The results of image corner detection

表2 檢測精度對比Tab.2 Comparison of detection accuracy

續(xù)表2

4 結(jié)語

構(gòu)建復(fù)雜背景光照映射圖像多尺度Harris特征點檢測模型，提高圖像識別的抗干擾能力。筆者提出一種基于特征點模糊邊緣濾波的復(fù)雜背景光照映射圖像多尺度Harris特征點檢測算法。建立復(fù)雜背景光照映射圖像多尺度Harris角點分布區(qū)域的邊緣融合模型，結(jié)合對復(fù)雜背景光照映射圖像多尺度Harris特征點檢測結(jié)果，提高復(fù)雜背景光照映射圖像的檢測和識別能力。研究得知，本文方法進(jìn)行復(fù)雜背景光照映射圖像多尺度Harris角點定位檢測的精度較高，誤差較小，提高了圖像特征點的定位識別能力。