（计算机应用技术专业论文）针对弹壳图像的配准与融合方法研究.pdf

lr 云fe 、? - ， 耷 i k i 倍 独创性声明 本人郑重声明：所提交的学位论文是本人在导师指导下独立进行研究 工作所取得的成果。据我所知，除了特别加以标注和致谢的地方外，论文 中不包含其他人已经发表或撰写过的研究成果。对本人的研究做出重要贡 献的个人和集体，均已在文中作了明确的说明。本声明的法律结果由本人 承担。 学位论文作者签名受曼 隰 砷f 9 。易1 学位论文使用授权书 本学位论文作者完全了解东：i i n 范大学有关保留、使用学位论文的规 定，即：东：i i ：n 范大学有权保留并向国家有关部门或机构送交学位论文的 复印件和电子版，允许论文被查阅和借阅。本人授权东北师范大学可以将 学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩 印或其它复制手段保存、汇编本学位论文。 ( 保密的学位论文在解密后适用本授权书) 学位论文作者签名：二受整 日 期：2 坦：6 乡 学位论文作者毕业后去向： 工作单位： 通讯地址： 指导教师签名： 日 1 梦之气t 电话： 邮编： h 、 j 、 ； ? i “ 摘要 近年来，借助图像处理与模式识别理论的枪弹壳( 文中简称弹壳) 痕迹分析技术迅 速发展，在证据科学中扮演了重要角色。由于光学系统的局限性和击针痕迹的深度，拍 摄的一幅弹壳图像中很难兼顾：击针痕迹所在局部位置获得丰富与清晰的细节，同时又 能反映弹壳底面的整体结构。因此，我们拍摄上述两种图像，通过图像配准与融合方法 形成的结果图像能将两种图像信息互补，使专业人员分析及后续计算机处理更加便利。 本文首先介绍了图像配准与融合的概念与主流方法，分析了研究现状。文中的研究 重点在图像配准阶段，探索了两种弹壳图像配准方法。 方法一：基于集成机制与自适应规则的弹壳图像配准方法，属于基于特征的方法。 因为选用的弹壳图像具有相似性纹理，原有基于特征的弹壳图像配准方法含有错误特征 匹配，且传统去除误匹配方法效果不好。因此，本文依据弹壳图像特点，分别运用了三 种去除错误匹配方法：图变换匹配、自适应k 均值聚类的角度约束或尺度约束。为了能 将上述三种方法优势互补，采用投票机制将这些方法集成，同时利用遗传算法组合参数， 自适应地选择参与集成。实现因“每对图像而异”，优化配准结果。 方法二：基于f o u r i e r - m e l l i n 变换的弹壳图像配准方法，属于基于区域的方法。采用 对一极坐标及f o u r i e r 变换理论，根据相位相关值找到最优配准位置。 上述两种配准方法结束后，精炼配准结果。最终，利用像素级融合方法得到流畅的 视觉效果。 通过对弹壳图像集进行实验，验证了集成机制与自适应规则能有效的去除错误特征 匹配，并将两种配准方法的性能进行了分析。另外，融合后结果图像相较于原任一幅图 像，信息量更大，便于后续弹壳痕迹分析。 关键词：图像配准；去除错误特征匹配；集成机制；自适应规则 a b s t r a c t i nr e c e n ty e a r s ，t h ea n a l y s i so ff i r e a r mc a r t r i d g ec a s e ( c a r t r i d g ec a s ei ns h o r th e r e a f t e r ) m a r k sb a s e do ni m a g ep r o c e s s i n ga n dp a t t e r nr e c o g n i t i o ni sd e v e l o p i n gv e r yf a s ta n dp l a y sa n i m p o r t a n tr o l ei nt h ef i e l do ff o r e n s i cs c i e n c e d u et ot h el i m i t a t i o n so fo p t i c a ls y s t e ma n dt h e d e p t ho ff i r i n gp i ni m p r e s s i o n ，i t sv e r yd i f f i c u l tt oc a p t u r eo n ei m a g ew i t hb o t hi n f o r m a t i v e a n dc l e a rd e t a i l sa tt h ev e r yl i m i t e da r e ao ff i r i n gp i ni m p r e s s i o na n dt h eo v e r a l ls t r u c t u r eo f c a r t r i d g ec a s eb o s o m t h e r e f o r e ，t w ok i n d so fi m a g e sc a l lb ef i r s to b t a i n e da n dt h e nt h e i n f o r m a t i o nc a nb es u p p l e m e n t e db yi m a g er e g i s t r a t i o na n df u s i o nm e t h o d ，w h i c hf a c i l i t a t e s e x p e r t s a n a l y s i sa n dt h ef o l l o w i n gc o m p u t e rp r o c e s s i n g t h i sp a p e rb e g i n sw i t ht h e c o n c e p t sa n dp o p u l a rm e t h o d so fi m a g er e g i s t r a t i o na n d f u s i o n ，a n dt h e na n a l y z e si t sc u r r e n tr e s e a r c hs i t u a t i o n t h es t u d ye m p h a s i si nt h i sp a p e ri so n i m a g er e g i s t r a t i o na n dt w or e g i s t r a t i o nm e t h o d sa r ee x p l o r e d m e t h o d1 ：c a r t r i d g ec a s e i m a g er e g i s t r a t i o nb a s e do ni n t e g r a t i o nm e c h a n i s ma n d a d a p t i v er e g u l a t i o ni sc a t e g o r i z e d 勰f e a t u r e - b a s e dm e t h o d b e c a u s eo ft h es i m i l a rt e x t u r eo f c a r t r i d g ec a s e ，t h eo r i g i n a lf e a t u r e b a s e dr e g i s t r a t i o nh a si n c o r r e c tm a t c h e s ，a n dt h et r a d i t i o n a l m e t h o do fr e m o v i n gi n c o r r e c tm a t c h e sb e a r su n s a t i s f a c t o r yr e s u l t s t h e r e f o r e ，a c c o r d i n gt o t h ec h a r a c t e ro fc a r t r i d g ec a s e i m a g e s ，g r a p ht r a n s f o r m a t i o nm a t c h i n g ，a n g l eo rs c a l e c o n s t r a i n tu s i n ga d a p t i v ek - m e a n sc l u s t e r i n ga r er e s p e c t i v e l ya p p l i e dt or e m o v ei n c o r r e c t m a t c h e s i no r d e rt oa c h i e v et h ec o m p l e m e n t a r ya d v a n t a g e s ，v o t i n gm e c h a n i s mi sa p p l i e dt o i n t e g r a t et h e m ；m e a n w h i l e ，g e n e t i ca l g o r i t h mi se m p l o y e dt oc o m b i n ep a m m e t e r s ，m a k i n gi t p o s s i b l et oa d a p t i v e l yc h o o s et oi n t e g r a t ea n dr e g i s t r a t i o nr e s u l t sa r eo p t i m i z e db a s e do n d i f f e r e n ti m a g e s m e t h o d2 ：c a r t r i d g ec a s e i m a g er e g i s t r a t i o nb a s e do nf o u r i e r - m e l l i nt r a n s l a t i o ni s c a t e g o r i z e d 弱a r e a - b a s e dm e t h o d i tf i n d st h el o c a t i o no fo p t i m a lr e g i s t r a t i o nb yl o g p o l a r c o o r d i n a t e sa n df o u r i e rt r a n s l a t i o nt h e o r ya c c o r d i n gt ot h ev a l u eo f p h a s ec o r r e l a t i o n a f t e rt h ea b o v et w or e g i s t r a t i o n s ，t h e r e g i s t r a t i o nr e s u l t s a r er e f i n e d f i n a l l y , t h e c o n s i s t e n ti m a g e sa r eo b t a i n e db yp i x e l - l e v e lf u s i o n b ye x p e r i m e n t i n gt h ec a r t r i d g ec a s ei m a g es e t s ，t h ei n t e g r a t i o nm e c h a n i s ma n da d a p t i v e r e g u l a t i o na r ep r o v e de f f e c t i v ei nr e m o v i n gi n c o r r e c tm a t c h i n g ，a n dt h ep e r f o r m a n c eo ft w o r e g i s t r a t i o nm e t h o d sa r ea n a l y z e d i na d d i t i o n , t h er e s u l t a n ti m a g ea f t e rf u s i o nc o n t a i n sm o r e i n f o r m a t i o n 嬲c o m p a r e dw i t ha n yo r i g i n a lo n e s ，w h i c hi nt u r nf a c i l i t a t e st h ef o l l o w i n g a n a l y s i so fc a r t r i d g ec a s em a r k sa n di m p r e s s i o n k e yw o r d s ：i m a g er e g i s t r a t i o n ；r e m o v i n go fi n c o r r e c tf e a t u r em a t c h i n g ；i n t e g r a t i o n m e c h a n i s m ；a d a p t i v er e g u l a t i o n i l - 、 - _ 工 - 目录 摘要i a b s t r a c t i i 目录i i i 引言1 第一章绪论2 1 1 研究背景与意义2 1 2 图像配准与融合基本概念2 1 3 研究现状分析3 1 3 1 配准主要方法回顾3 1 3 2 融合主要方法回顾4 1 3 3 弹壳图像配准与融合研究现状4 1 4 本文的主要研究工作5 1 5 论文的结构5 第二章弹壳图像配准方法7 2 1 弹壳图像数据集7 2 2 基于集成机制与自适应规则的弹壳图像配准方法8 2 2 1s i f t 特征抽取及初始匹配8 2 2 2 去除错误匹配基于图变换匹配方法9 2 2 3 去除错误匹配基于自适应k 一均值聚类的角度或尺度约束1 0 2 2 4 集成机制1 2 2 2 5 基于遗传算法的自适应参数组合1 3 2 2 6 最小二乘法求解变换参数1 4 2 3 基于f o u r i e r - m e l l i n 变换( f m t ) 的弹壳图像配准方法1 4 2 4 精炼配准结果的方法1 5 第三章弹壳图像融合方法1 7 3 1 图像合并1 7 3 2 平滑视觉缝隙1 8 第四章实验结果及讨论：1 9 4 1 弹壳图像配准结果评价1 9 4 1 1 弹壳图像配准结果精度定性评价1 9 4 1 2 弹壳图像配准结果精度定量评价2 0 4 2 基于集成机制与自适应规则的弹壳图像配准结果2 l 4 2 1s i f t 方法的弹壳图像配准结果2 1 4 2 2 基于角度约束或尺度约束去除错误匹配的弹壳图像配准结果2 2 4 2 3 基于图变换匹配方法去除错误匹配的弹壳图像配准结果2 4 4 2 4 实验分析基于集成机制与自适应规则的弹壳图像配准结果2 5 4 3 基于集成机制与自适应规则的方法和f m t 方法对比2 8 4 4 精炼弹壳图像配准结果2 9 4 5 弹壳图像融合结果3 0 4 5 1 弹壳融合结果定性评价3 0 i i i 4 5 2 弹壳融合结果定量评价3 1 第五章总结与展望3 3 参考文献3 4 致谢3 8 在学期间公开发表论文及著作情况3 9 i v 一 f 一 东北师范大学硕士学位论文 引言 数字图像配准与融合方法是图像应用处理的重要分支，通过图像配准与融合可以综 合图像间的互补信息，使结果图像“可理解性更好，可信度更高，更适合人的视觉及计 算机分类、检测、识别、理解等处理 。1 1 1 弹壳击针痕迹、弹壳底面其他痕迹提取与相互关系分析在证据科学中非常重要。在 实际采集弹壳图像时，同一标本需要采集多次。因此，利用图像配准与融合方法产生的 结果图像能包含原任一幅图像单独所不能提供的信息，更利于检测人员及计算机分析。 其中图像配准方法能使采集过程中发生了尺度缩放、旋转的弹壳图像问在空间位置上对 准，是上述过程的核心部分。 近年来，虽然研究者在配准方法上进行了大量的研究，“但不同的配准方法一般都 是针对不同类型图像的配准问题的，而针对弹壳图像的配准方法发展才刚开始，目前 研究较少。由于弹壳图像的重复或相似性纹理，原有基于特征的弹壳图像配准方法中， 初始特征匹配中含有错误匹配，严重影响配准精度。因此，本文经过深入分析产生错误 匹配的原因，讨论了原有去除误匹配时的局限，提出鲁棒性好的方法。此外利用去除错 误匹配方法间的的互补性，选用集成机制将多种方法组合，在集成过程中采取寻优策略 自适应地组合参数，提高了配准精度。另外，本文也探讨了基于区域( f o u r i e r - m e l l i n 变换) 的弹壳图像配准方法，通过实验对比分析了上述配准方法的性能。 东北师范大学硕士学位论文 第一章绪论 1 1 研究背景与意义 在枪击现场提取的弹头、弹壳痕迹在证据科学中具有重要分析意义【2 川。当弹头在 撞击过程中严重损坏时，则弹壳是经常使用的法庭标本【5 】。但弹壳图像被采集时，由于 光学系统的局限和击针痕迹的深度，需要分别采集多幅图像1 6 1 。图像配准与融合方法能 充分利用多幅图像间的互补信息，其结果图像信息“更丰富、更精确、更可靠”，使专 家分析及后续计算机处理更加方便。因此，本课题研究将图像处理和模式分类理论运用 于弹壳图像配准与融合方法中。 因为本文选用的弹壳图像多数具有重复或相似性纹理，利用已有基于特征的弹壳图 像配准方法时特征匹配阶段含有错误匹配，且去除错误匹配有难度，严重影响了配准结 果精度。虽然，目前去除错误特征匹配的方法有许多发展和改进，但仍有局限性。其局 限性及本文针对弹壳图像提出的解决办法如下： 首先，去除错误匹配方法各有优势和不足，且有些方法的不足不能通过方法内部参 数优化等来实现，现有文献中是尽量挑出一种最好的方法。但集成机制提供了新思想， 即“利用多个方案并进行适当的选择，并把选出的方案或结果进行结合得到最终解，i7 1 。 将这种通常用于集成学习中分类器集成的机制借鉴到去除错误特征匹配中，考虑方法间 的互补性，就产生集成( 去除错误匹配方法) 的思路。 其次，去除错误匹配方法自适应性较差，在实践中，经常会出现下列情况：同一方 法，用于不同种类图像，其效果不同；同一方法，即使对同种图像，由于图像的个体差 别，其效果也可能不同。因此将配准精度评价引入到参与集成的方法和参数选择中，自 适应的通过遗传算法等寻优方法，来选取参与集成的方法和方法内部最优的参数，得到 正( 精) 确特征匹配点集，实现优化配准结果的目的。上述过程可以称之为基于集成机 制与自适应规则的图像配准方法。 综上，基于集成机制与自适应规则的图像配准方法研究非常重要，且随后的像素级 融合方法综合了图像的互补信息，并得到了流畅的视觉效果，加上本文选用弹壳图像这 个应用领域，具有较高研究价值。 1 2 图像配准与融合基本概念 图像配准是将“在不同时间、从不同视点，和( 或) 不同传感器采集的具有相同场 景的两幅和多幅图像寻找最佳空间对准位置和叠加的过程 【8 j 。对两幅图像来说，以参 考图像为基准，将待配准图像经过空间几何变换，使二者坐标统一，图像之间的对应点 实现空间一致。 2 一 f 一 东北师范大学硕士学位论文 图像融合就是“通过一种特定算法将两幅或多幅图像合成为一幅新图像”【9 】。广义 的图像融合概念包括图像配准，即将图像配准作为图像融合的前期预处理步骤。在本文 中为叙述清楚，避免引起概念混乱，将图像配准与图像融合作为独立的两个步骤。即： 图像融合特指配准完成( 空间位置校准) 后，对相应灰度信息处理，合并图像，并平滑 由于光照强度变化引起的视觉缝隙的过程。 综上，通过配准与融合技术，可以增加场景的信息量，得到更完整的描述，以减少 不确定性。 1 3 研究现状分析 图像配准广泛应用于：视觉运动估计、视觉检索、超分辨率图像建立、全景图像拼 接、医疗辅助诊断以及自动质量监测等，其精确性直接影响了融合、拼接等后续图像处 理。图像融合也在生物医学图像、遥感图像、计算机视觉和防御体系等【1 0 1 许多领域中扮 演了重要角色。 1 3 1 配准主要方法回顾 配准方法层出不穷，所以方法分类也可以有多个角度。例如：根据图像的成像模式， 分为单模态配准与多模态配准【l 。而按照配准过程中所处理的数据信息形式分类的方 法目前被广泛使用，即分为：基于灰度信息的配准方法、基于变换域的配准方法、基于 特征的配准方法【1 2 j 。 ( 1 ) 基于灰度信息的配准方法：直接利用图像像素灰度值的一些统计信息作为相似 性测度，寻找最优匹配。互信息法【l3 1 4 】是目前研究的热点，其他常用方法有：“互相关 法【15 1 、不变矩法、序贯相似检测【1 6 】等 ，这类方法是最早出现的图像配准方法，目前理 论成熟。 ( 2 ) 基于变换域的配准方法：则是针对基于灰度信息方法中某些相关计算对噪声敏 感，或计算时间代价高的问题，将原始图像转化到变换域中，再进行配准。其中基于 f o u r i c r - m e l l i n 变换【1 7 , 1 8 的配准方法经典且硬件实现方便；此外，利用多尺度分解工具的 配准方法发展较快，如小波变换【1 9 1 、c o n t o u r l e t 变换1 2 0 1 ，其通过从粗到精逐步迭代，使 配准精度更高。 一些研究者将( 1 ) 与( 2 ) 两类方法统称为基于区域的配准方法，研究主要集中在相似 性测度和寻找策略两步。基于区域的配准方法通常配准结果精确度高，比较适合对图像 先验知识较少，缺乏明显的细节与区分信息的情况。但存在对灰度改变敏感、运算量大 等局限性。 ( 3 ) 基于特征的配准方法：这类方法在图像之间通过提取共有特征，代替像素灰度 值，进而寻找特征间对应关系，最终求解空间变换矩阵实现图像配准。以上定义，为简 明且意义清晰，如下图来示意： 3 东北师范大学硕士学位论文 图1 1 基于特征的配准方法主要步骤 第一步：特征抽取，常见的图像特征包括点、线【2 1 ，2 2 1 、边缘【2 3 】，轮廓【2 4 】、闭合区 域 2 5 , 2 6 j 等。目前点特征最常被使用，研究重点主要放在抗几何变换、亮度变化，以及对 噪声有一定稳定性的点特征提取上。例如：h a r r i s 。a f f i n e 2 7 1 、s i f t 2 8 , 2 9 】、a f f i n e s i f t l 3 们、 s u i 强【3 1 】等，本文也选用点特征进行弹壳图像配准。 第二步：特征匹配，特征描述及相似性测度被用来确定参考图像与待配准图像特征 集中特征对应关系，具体包括特征点初始匹配及去除错误匹配点两步，这一步直接关系 后续配准精度。其中，特征匹配误差有两种：“第一种是虽然匹配点对正确，但误差产 生于其模型参数计算中：而第二种则是存在错误匹配点。用参数估计算法能很好解决第 一种误差，因为其遵循正态分布。但第二种误差的影响远大于第一种，而直接运用参数 估计减少误差却经常失效 。【3 2 】因此本文特征匹配阶段研究的重点在于去除错误匹配点。 第三步：图像转换，利用模型求解出的参数进行空间几何变换、灰度重采样，形成 配准后的图像。 基于特征点的方法能处理图像之间相同场景较少，甚至图像之间发生复杂扭曲问题 的配准，同时特征点的相似性测度对空间位置改变较敏锐，能提高匹配精度。此外，近 年来还出现了将特征与区域组合的配准方法1 3 3 j 。 1 3 2 融合主要方法回顾 融合方法与配准方法类似，也可以按照信息抽象程度来分类，即：像素级、特征级 以及决策级【1 2 l 。本文拟采用的是像素级融合方法，像素级融合主要方法分类如下【l 】： ( 1 ) 基于多尺度分解的图像融合：小波分解【3 4 1 、c o n t o u r l e t 分解【3 5 1 、脊波变换【3 6 】等； ( 2 ) 基于统计学的图像融合：独立成分分析【3 7 1 、马尔可夫随机场【3 8 j 等； ( 3 ) 基于智能计算的图像融合：神经网络【3 9 】、支持向量机【删等。 目前，上述方法各有优势与不足，通用的理论框架与体系还没有形成【4 。因此，在 实践中，需要我们认真分析融合的应用目的，选用最适当的融合方法。 1 3 3 弹壳图像配准与融合研究现状 在介绍了图像配准与融合当今主流方法后，具体到弹壳图像，z e n oj g e r a d t s l 5 j 等人 在利用图像匹配方式分析弹壳图像间痕迹，从而进行枪支同一性认定的过程中，采用“蛮 力算法来进行配准，即逐渐旋转与平移待配准图像直到与参考图像像素值的标准偏差 最小。显然上述过程计算代价高，并容易受光照影响。通过三级( a t r o u s ) 小波变换与 “蛮力 算法结合，减少光照对配准精度的影响。通过对极空间相关、或k l t ( k a n a d e l u c a st o m a s i ) 算法等降低计算代价。但这篇文献中处理的是弹壳图像发生旋转、平移 的情况，没涉及尺度缩放。基于s i f t ( s c a l ei n v a r i a n tf e a t u r et r a n s f o r m ) 特征的子弹配准 方法【4 2 j 在0 9 年被提出，而本文的配准方法一正是在此基础上，选用具有重复或相似性 4 东北师范大学硕士学位论文 纹理较多的弹壳图像，针对特征匹配阶段的错误匹配严重影响配准精度的问题，进行深 入分析与研究，提出能避免配准失败及提高配准精度的方法。文献【6 】中的弹壳图像在 采集时只存在光照方式变化或聚焦点的变换，不需要配准，研究重点在多尺度分解( 小 波变换) 的像素级融合方法上。 1 4 本文的主要研究工作 本文重点研究了同一弹壳( 具有较复杂纹理) 的两幅图像采集时发生了尺度缩放、 旋转的配准方法。针对基于s i f t 特征的弹壳图像配准方法中特征匹配中含有错误匹配， 且传统去除误匹配点方法效果不好或计算过于复杂，严重影响配准精度的问题，提出了 以下解决的方法： ( 1 ) 通过观察弹壳图像与视网膜图像同样具有较多重复或相似性纹理的特点，将0 9 年新提出的在视网膜图像间配准过程中，基于图变换匹配j ( g r a p ht r a n s l a t i o n m a t c h g t m ) 去除错误匹配的方法应用到弹壳图像中。 ( 2 ) 因为弹壳图像采集时的特点，正确匹配点对满足相应的几何关系，在初始匹配 点集中定义角度特征与尺度特征，用聚类方法解决去除错误匹配问题，使用自适应k 均值聚类上述角度特征或尺度特征，克服了单一均值或原始k 均值聚类中的局限，实 现根据每幅弹壳图像，自适应地去除错误匹配。上述过程称为自适应k 均值聚类的角 度约束或尺度约束( 简称角度约束或尺度约束) ，可以看做几何约束在具体问题的简化， 计算方便，自适应性强。 ( 3 ) 分析实验结果并结合理论发现，( 1 ) 与( 2 ) 中的三种方法( 去除错误匹配时) 具有 互补性。因此采用投票机制中“与规则将g t m 、角度约束、尺度约束集成，利用遗 传算法的寻优方式调整参数，在三种方法中实现自适应地选择参与集成，能实现方法间 优势互补，提高了配准精度。其中，遗传算法高效运行的关键是适应度函数的选择，本 文采用配准精度评价作为适应度函数。上述过程称为基于集成策略与自适应规则的弹壳 图像配准方法。 在得到正确配准结果后，经过精炼配准步骤，进一步提高配准结果精度。而配准之 后的像素级融合则综合了两幅图像的互补信息，平滑了由于亮度差异造成的视觉缝隙， 得到了更加流畅的视觉效果。 1 5 论文的结构 本文的组织结构如下： 第一章绪论，主要介绍课题研究的背景及意义，图像配准与融合技术基本概念， 研究现状分析及主要研究工作。 第二章弹壳图像配准方法，首先介绍了文中的弹壳图像集，其次结合弹壳图像自 身特点，提出了基于集成策略和自适应规则的弹壳图像配准方法，也探讨了基于 f o u r i e r - m e l l i n 变换的弹壳图像配准方法，前者基于特征，后者基于区域。最终，精炼 5 东北师范大学硕士学位论文 配准结果。 第三章弹壳图像融合方法，介绍了弹壳图像配准后图像如何合并，及平滑视觉缝 隙，获得流畅视觉效果的方法。 第四章实验结果及讨论，首先介绍了评价结果的定性和定量标准，其次利用图像 集中的数据进行大量的实验，最终对实验结果进行了比较和深入讨论。 第五章总结与展望，对全文的工作进行总结，并指出进一步研究工作。 6 。； 东北9 币范大学硕士学位论文 第二章弹壳图像配准方法 本章主要处理的是具有重复或相似性纹理的同一弹壳图像采集过程中发生了 尺度变化、旋转的配准问题。重点研究分析了基于特征的弹壳图像配准中特征匹配 阶段去除错误匹配问题，提出了基于集成机制与自适应规则的弹壳图像配准方法。 此外还探讨了基于区域的( f o u r i e r - m e l l i n 变换) 弹壳配准方法及后续精炼配准结果。 2 1 弹壳图像数据集 在弹壳痕迹分析中，图2 1 中的设备经常被用来拍摄弹壳底面。如前所述，由于光 学系统的限制与击针痕迹的深度，同一弹壳需要分别拍摄包括击针痕迹在内的蕴含更多 细节信息的局部图像，以及弹壳底面整体结构图像。 本文中的图像数据来源于真实的弹壳，且其中的弹壳具有较多相似性纹理，数据集 中包含2 6 对图像，并以数字标号，例如：p a i r o l ，p a i r 0 2 等。在图2 2 中是一些例子， ( a ) 和( c ) 是弹壳底面的局部图像，包含了更多细节信息，其作为参考图像；而( b ) 和( d ) 则 是反应弹壳底面整体结构的待配准图像，参考图像与待配准图像尺寸相同。从中可看出 每个弹壳样本的两幅图像间除发生尺度缩放外，有些也发生了角度不大的旋转。 光学显 环光源 壳底面在屏幕上显示 图2 1 弹壳图像采集设备示意图 7 算机( 图像采集卡) 东北师范大学硕士学位论文 ( a ) ( c )【d ) 图2 2 数据集中弹壳图像例子 2 2 基于集成机制与自适应规则的弹壳图像配准方法 本节的配准方法属于基于特征的配准方法，因研究重点在于去除初始特征匹配集中 的错误匹配，所以在特征提取阶段仍选用主流且稳定性好的s i f t 2 8 i 特征。 2 2 1s i f t 特征抽取及初始匹配 s i f t 特征1 2 8 1 能抗图像间发生尺度缩放、旋转、光照及一定的视点变化，其中两个 主要步骤如下：第一步为抽取特征点；第二步则在确定的尺度上利用图像局部邻域梯度 信息，为每一个特征点定义特征描述符。如图2 3 ，特征点从弹壳参考图像及待配准图 像中被抽取出来，均匀的分布与一定的数量为特征匹配提供更多机会。此外，特征具有 高区分性【2 9 1 ，增加了特征匹配阶段获得高概率诈确匹配的机会。 ( a )( b ) 图2 3 ( a ) 参考图像抽取s i f t 特征点效果( 绿色“+ 为特征点，数目是5 3 1 9 ) ：( b ) 待配准图像抽取s i f t 特征点效果( 绿色“+ 为特征点，数目是4 5 0 7 ) ：( a ) 与( b ) 尺寸均 为：4 8 0 x 6 4 0 8 东北师范大学硕士学位论文 随之，参考图像与待配准图像利用特征描述符进行特征点匹配。即：对参考图像中 的每个特征点描述符，在待配准图像特征描述符集合中搜寻它的第一与第二近邻，计算 中使用两向量之间夹角余弦值来度量距离，若同时满足以下两个条件： ( 1 ) 参考图像特征描述符与其待配准图像中的第一近邻特征描述符间值小于t h l ； ( 2 ) 第一近邻与第二近邻特征描述符间比值小于历2 ； 则认为参考图像中的特征点与待配准图像中第一近邻特征描述符所对应的特征点，是相 应匹配点，可形象的称为同名点。( 1 ) 和( 2 ) 两个条件的约束，加之t h l 和历2 的调节影响 相应匹配点的数量，同时能在初始匹配中抑制一些伪同名点出现。 综上，我们得到参考图像与待配准图像特征之间的初始匹配集。但由于弹壳图像具 有重复或相似纹理，虽经上述约束，但仍然存在错误匹配，它将产生错误的变换参数导 致配准结果误差严重。因为每对弹壳图像个体间的差别，错误匹配分布是未知的，去除 错误匹配或确认特征点正( 精) 确匹配是基于特征的弹壳图像配准方法中的难点，也正 是本文研究的重点。 2 2 2 去除错误匹配基于图变换匹配方法 随机采样一致性( r a n d o ms a m p l i n gc o n s e n s u s r a n s a c ) 1 4 4 ，4 5 】+ 极线约束 ( e p i p o l a rc o n s t r a i n t ) t 4 6 1 、及软对应( s o f t a s s i g n ) 4 7 】是目前主流、且公认通用性较 好的去除错误匹配的方法。而w e n d ya g u i l a r 等人于0 9 年提出图变换匹配( g r a p h t r a n s f o r m a t i o nm a t c h i n g g t m ) 1 4 3 j 方法，经过大量实验证明在相机移动( 平移、旋 转、缩放) 、以及图像包含重复模式与非刚性扭曲损坏物体等复杂情况下，其性能 都优于s o f t a s s i g n 、r a n s a c + e p i p o l a rc o n s t r a i n t 。另外，对于视网膜图像间局部 非刚性变换配准中的错误匹配【4 引，g t m 也能有效去除。 g t m 算法主要思想：利用特征点构成的局部空间结构信息，设定条件，迭代 使图像间对应点间空间关系一致，实现去除错误匹配的目的。我们通过观察视网膜 图像与弹壳图像，发现二者具有纹理较多的共性，因此尝试将g t m 方法用于弹壳 图像中，具体如下： 当q = g ， 与a = g ： ，f = 1 , 2 ，n ( q ，匹配g ：) 为对应初始s i f t 匹配点对集合，若 匹配全部是正确的，参考图像与待配准图像的中值k 近邻( kn e a r e s tn e i g h b o r k n n ) 图g ( q ) 与g ( q ) 是同构的，否则二者结构互异。因此，g t m 方法利用中值k 近邻 图建立邻接矩阵，进而迭代消除互异的空间关系来删除错误匹配，最终，q 和q 中 剩余的元素( g ，匹配q ：) 是正确的匹配点对。图2 4 是一个例子，当k = 4 时，g ( q ) 与g ( q 7 ) 分别为参考图像与待配准图像的中值k 近邻图，从初始图( 第o 步迭代) 到最终一致图( 第5 步迭代) 。 9 东北师范大学硕士学位论文 ( a ) g ( q ) 的第0 次迭代 ( b ) g ( q ) 的第2 次迭代 ( d ) g ( q 7 ) 的第0 次迭代 ( e ) g ( q 7 ) 的第2 次迭代 ( c ) g ( q ) 的第5 次迭代( f ) g ( q ) 的第5 次迭代 图2 4 图变换匹配示例 但文献 4 3 】中指出当某些错误匹配空间位置上十分接近正确匹配时，g t m 可能 失效；同时没有给出自动调节参数k 的方法，而是靠经验取值。 2 2 3 去除错误匹配基于自适应k _ 均值聚类的角度或尺度约束 因为参考图像与待配准图像采集时发生了等比( 各方向缩放率相同) 缩放、有 些还包含了旋转，所以基于几何约束的方法可被用来去除错误匹配。但有些几何约 束【4 6 】的相应理论和计算比较复杂，本节则试图用最直观基于几何的方法来去除错误 匹配。 虽然s i f t 方法得到的点特征中除了包括特征点的二维坐标，也包括相应的尺 度和方向( 可以计算点对之间的尺度缩放和旋转角度) ，但其他算法提取的特征点 一般不包括，以下算法( s i f t 方法也适用) 可以获得弹壳图像的尺度缩放和旋转角 度特征： 1 0 东北师范大学硕士学位论文 首先在参考图像上选择一显著点p ，p7 是待配准图像上与p 真实对应的同名 点。上述过程可以通过观察在初始匹配集选择一对正确匹配点对；或在弹壳图像上 通过边缘提取找到对应闭合圆环区域，获取圆环的中心位置；也可以通过手动选择 具有明显特征的点，但必须保证二者是同名点。而o = 白。 与q = 科 ，待1 , 2 ，n ( q ， 匹配q ：) 为对应s i f t 初始匹配点对集合。 ( a ) 参考图像( b ) 待配准图像 图2 5 定义角度特征与尺度特征示意图 其次，图2 5 是一个示意图，在参考图像中以p 点为原点，水平向右为x 轴正方 向，定义坐标系，连接p 与g ，获得向量，p 是，与x 轴正方向的夹角，巧是p 和 g ，之间的欧式距离。与之相似，在待配准图像中，彰和研相对应于9 和4 。只和彰 之间的差值被称为旋转角特征舅，相应的特征集痧被定义为： 乡： 包= q 一彰，f = l ，( 2 1 ) 而尺度缩放特征足和相应的特征集r 定义如下： r ： r = 4 1 d ；，f = 1 9o o n ( 2 2 ) 因为参考图像与待配准图像之间发生等比缩放、旋转，真实同名点之间计算出 的旋转角度特征值或尺度缩放特征值非常接近，而伪同名点的特征值分布则无章可 循，我们将之称为旋转角度特征约束及尺度缩放特征约束，它们可以被看做是几何 约束在具体问题上的简化。此时，去除错误匹配可以被看做分类问题。文献 4 2 】中 提到利用角度特征与尺度特征的均值( 或均值的倍数) 作为阈值去除错误匹配，这 种方法本质上也是分类，是将单一均值看做最简单的分类器。但对于弹壳图像错误匹配 分布较复杂的情况，这种简单分类方法很难完全有效去除错误匹配。例如：当错误匹配 点对数目占匹配点对总数较多或一个明显偏离的奇异值存在时，显著影响均值，导致分 类器失效。 上述问题一般用k 均值聚类( k m e a n sc l u s t e r i n g ) 算法【4 9 】能很好解决，但由于弹 壳图像个体间的差异，很难获知伪同名点的分布，也就无法正确给出k 均值聚类算 法中最核心的聚类数目和初始聚类中心，导致算法不能达到有效去除伪同名点的作 东北师范大学硕士学位论文 用。虽然层次聚类方法【5 0 】可以不事先给出聚类数目，但需要构建距离矩阵，计算代 价高。因此依据王帅等人【5 1 l 提出的自适应确定k 均值聚类算法中初始聚类中心的 方法，且考虑弹壳图像的特点( 利用公式( 2 1 ) 计算出的特征集) ，本文基于自适应 k 均值聚类的角度约束去除错误匹配方法( 以后文中简称角度约束) 主要分以下三 步： ( 1 ) 定义初始聚类边界：将特征集乡按照升序重排，选择阈值砌3 作为初始聚类 边界。 ( 2 ) 确定初始聚类中心：顺序访问特征集否，当前特征为谚时，如果参一谚一。 1 1 0 及c c 0 8 8 时，1 6 对图像获得了可以接受的结果( 如图4 3 ( a ) 和( b ) ) ，称 为图像集i ，它们可以直接进入精炼配准步骤；而图像集中剩余1 0 对图像间仍然存在 错误匹配，导致误差严重的结果( 如图4 4 ( a ) 和( b ) ) ，相应标号及n m i 和c c 值在表4 1 中用粗体表示，称为图像集i i 。接下来的第4 2 2 与4 2 3 节将在图像集中单独运行角 度约束、尺度约束、g t m 方法去除错误匹配，提高配准精度。 表4 1s i f t 特征匹配及相应配准结果 图像编号初始匹配配准精度评价图像编号初始匹配配准精度评价 对数 n m i c c对数n m ic c p a i r - 15 01 0 3 5 80 5 3 3 8p a i r - 1 41 91 1 1 0 30 8 9 2 6 p a i r - 2 3 61 0 2 1 10 3 6 2 0p a i r - 1 53 01 1 0 8 50 9 1 8 2 p a i r - 33 41 1 2 7 9o 9 2 1 9p a i r - 1 61 1 01 0 4 6 40 5 4 7 8 p a i r - 45 3 1 1 2 3 70 9 1 7 8p a i r - 1 7 4 11 1 0 5 30 9 0 2 9 p a i r - 51 81 0 4 4 80 6 3 0 6p a i r - 1 86 71 1 1 1 30 9 2 8 0 p a i r - 61 31 1 3 0 80 9 0 9