摘   要： 提出了新的基于特征點的高速圖像匹配算法。該算法把角點特征和灰度值特征結合起來，定義了一種基于Harris角點的灰度值特征，并充分利用角點灰度值以及角點周邊灰度值和位置信息，然后依據這些信息進行匹配。實驗結果表明，該算法不僅速度快，而且對灰度值分布不均圖像和含噪圖像的匹配同樣適用。
關鍵詞： 圖像匹配；特征點；灰度值；Harris角點；噪聲

    圖像配準[1](Image Registration)是指同一個目標的兩幅或兩幅以上的圖像在空間位置的對準。圖像配準的過程稱為圖像匹配(Image Match)。圖像配準應用十分廣泛，例如航空航天技術、圖像鑲嵌與融合、地理信息系統、醫學圖像分析、虛擬現實和機器人視覺等領域。國內外很多學者在圖像匹配方面做過很多研究，但是尚未有一種普遍適用的方法可以解決各類圖像匹配問題，大多數方法都是針對實際應用中遇到的問題而提出的。常見的圖像匹配方法依據其匹配方法的不同[2-4]可以分為基于灰度[5]、基于特征[6]和基于理解[7]3種?；诨叶鹊膱D像匹配方法具有精度高的優點，但是也存在如下缺點：對圖像的灰度變化較敏感，尤其是非線性變化的光照變化，將大大降低算法的性能；計算的復雜度高；對目標的旋轉、形變以及遮擋比較敏感?；谔卣鞯膱D像匹配方法可以克服基于灰度的圖像配準方法的缺點，圖像的特征點要比圖像的像素點少得多，因此可以大大減少匹配過程中的計算量；特征點的提取過程可以減少噪聲的影響，對灰度變化、圖像形變以及遮擋等都有較好的適應能力?；诶斫獾膱D像匹配技術尚在起步階段，還沒有顯著進步。本文算法結合了基于灰度的圖像匹配方法和基于特征的圖像匹配方法，首先利用Harris角點檢測算法找到角點，然后在已找到的角點基礎上定義新的特征點，并以此特征點作為匹配依據進行匹配。實驗表明，該算法不僅速度快，而且對灰度值分布不均圖像和含噪圖像的匹配同樣適用。
1 傳統模板圖像匹配算法
    傳統的基于灰度的模板圖像匹配技術[8]是將模板T在搜索圖像S上移動，在模板覆蓋下的那塊搜索圖稱為子圖Si,j，i,j為這塊子圖的左上角像素點在S圖像中的坐標，稱為參考點，其中1<i<L-N+1，1<j<K-M+1。比較T和Si,j，若兩者相同，則參考點坐標（i,j）所在的位置就是模板圖像在搜索圖像S中的位置。模板匹配算法示意圖如圖1所示。

2 基于Harris角點的快速匹配算法
2.1 Harris角點檢測
    Harris角點檢測算法由HARRIS C和STEPHENS M于1988年在參考文獻[9]中提出,是對參考文獻[10]中Moravec角點檢測算子的擴展。Moravec角點檢測算法的主要缺點是不能準確找出全部角點，沒有對圖像進行降噪處理，因此其響應對噪聲敏感，尤其是對邊緣響應很敏感。Harris算法受信號處理中自相關函數的啟發，給出了與自相關函數聯系的矩陣M。M陣的特征值是自相關函數的一階曲率，如果在圖像中某點的行列曲率值都高，則認為該點是特征點。Harris算法的表達式為：

2.2 基于Harris角點的圖像特征點
     為實現快速和精確的圖像匹配，本文在圖像Harris角點的基礎上定義了新的特征點，并以此特征點作為匹配依據。
     在說明算法之前，先給出如下定義。
    定義1  一階特征點：在所有檢測到的Harris角點中，角點的灰度值在與其八鄰域的灰度值的和中所占的比例最大的點。
    當檢測到相同的一階特征點，即兩個像素點都是一階特征點，但是在圖像中所處的位置不同，那么類似可以定義二階特征點，即考慮一階特征點領域內24個點，然后再以二階特征點作為匹配依據，其他各階特征點可類似定義。
　　以基于Harris角點為基礎的灰度值特征點作為匹配依據，減少了計算量的同時利用了灰度值的精確性。特征點的選取方式決定了其對噪聲不敏感，對灰度分布不均勻的匹配問題同樣適用。
    算法的步驟如下：
    (1)用Harris角點檢測算法對模板圖像T進行檢測，找到角點；
    (2)在檢測到的Harris角點中找到一階特征點，若存在多個一階特征點,則尋找更高階的特征點。不對參考圖像S做角點檢測是因為參考圖像通常較大，消耗較多時間；
    (3)在參考圖像S中找到所有灰度值與一階特征點灰度值相同的點，并且計算其灰度值與八鄰域灰度值和的比例與一階特征點是否相同，若相同,則該點所在的位置即為模板圖像上的特征點在參考圖像上的位置。
    本文找到的模板圖像上的點和參考圖像上對應的點并不是傳統模板圖像左上角的點，但經過簡單換算即可知道左上角點的位置以及待配準圖像在參考圖像中的位置。
    圖2所示為該方法的具體流程。

3 實驗結果分析
     為了驗證本文匹配算法的有效性，分別使用了一組參考圖像和相應模板圖像進行了實驗。實驗環境為:Intel（R）Core(TM) i3 M370 2.40 GHz CPU，2 GB DDR3內存，Windows 7 旗艦版，MATLAB 7.7.0。圖3為模板圖和參考圖匹配結果,其中參考圖像是256×256的lena圖，模板圖像大小為67×67。模板圖左上角像素點在參考圖中坐標為(60,70),匹配的特征點對坐標分別為(2,36)和(61,105)。

     為了說明本文算法速度上的優越性，將本文算法分別與傳統模板匹配算法、序貫相似性檢測算法[11](SSDA)進行了比較,共進行了100次匹配，實驗結果如表1所示。

     本文在經Harris角點檢測處理過的圖像的基礎上，定義了一種灰度值特征，并以此灰度值特征作為匹配依據。實驗證明，與傳統模板算法和SSDA算法相比，本文算法在保留精確性的同時具有更快的速度，并且對含有噪聲的圖像也能很好地找到匹配點。本文算法也有一定的局限性，當模板圖像角點特征不明確時,可能由于檢測不到角點而導致方法失效。
參考文獻
[1] 趙小川. 現代數字圖像處理技術提高及應用案例詳解(MATLAB版)[M].北京:北京航空航天大學出版社，2012.
[2] RADKE R J，ANDRA S，AL-KOFAHI O，et a1． Image change detection algorithms：a systematic survey[J]． IEEE  Transactions on Image Processing，2005，14(3)：294-307．
[3] 陳景航，楊宜民．一種基于Harr小波的快速模板匹配算法[J]．計算機工程，2005,31（22）:169-171.
[4] ZITOVA B，FLUSSER J．Image registration methods：a survey[J]． Image and Vision Computing，2003，21(11)：977-1000．
[5] THORNTON J，SAVVIDOS M． A bayesian approach to deformed pattern matching of iris image[J]． IEEE Pattern Analysis Machine Intelligence，2007，29(4)：596-606．
[6] JAIN A K，CHEN Yi． Pores and ridges： high-resolution  fingerprint match using level3 features[J]． IEEE Pattern Analysis Machine Intelligence，2007，29(1)：15-27．
[7] KOLMOGOROV V．Graph based algorithms for scene re．construction from two or more views[D]． New York: The Graduate School of Cornell University，2004．
[8] STEFANO L D，MATTOCCIA S．ZNCC-based template matching using bounded partial correlation[J]．Pattern Recognition Letters，2005(26)：2129-2134．
[9] HARRIS C， STEPHENS M． A combined corner and edge detector[C]. Proceedings of the 4th Alvey Vision Conference，1988：147-151．
[10] MORAVER H P． Towards automatic visual obstacle avoidance[C]． Proceedings of International Joint Conference  on Artificial Intelligence，1977：584-590．
[11] BARNEA D I，SILVERMA N H F． A class of algorithms  for digital image registration[J]．IEEE Thansations on Computer， 1972，C-21(2)：179-186.