摘 要： 当前基于特征的图像配准算法较多，而SURF算法由于其性能优越和运算效率较快，被众多学者广泛应用于图像匹配算法的研究中。在图像匹配算法研究的基础上，通过比较SURF算法和Harris算法在通用型、计算效率和配准精度三个方面的差异，验证SURF算法在图像配准应用中的可行性。实验结果及数据表明基于SURF的图像配准技术不仅能够适用于不同条件下的图像变化，并且可以实现快速、精确的图像配准。
关键词： SURF; Harris; 计算效率; 配准精度
Feasibility Research of image registration technology based on SURF
GU Da?long
（Beijing Aerospace Control Center， Beijing 100094， China）
Abstract： Currently， there are many image registration algorithms based on characteristic. However， the SURF algorithm is widely used in the research of image matching by many scholars because of its superior performance and fast computational efficiency. On the basis of the research of image matching algorithm， the feasibility of the SURF applied to the image registration is confirmed in this paper by means of comparing the differences of universality， computational efficiency and registration precision between SURF and Harris. The experimental results and data indicate the image registration technology based on SURF not only can apply to image changes under different conditions， but also achieve the fast and accurate image registration.
Keywords： SURF; Harris; computational efficiency; registration precision
0 引 言
图像配准是图像处理中的一个非常关键的技术，其广泛应用于医学、军事、遥感及计算机视觉等领域，比如军事领域中的目标毁伤效果评估，图像配准技术是实现及时、准确获取目标打击前后信息的关键步骤。目前，常用的图像配准算法主要分2大类：一类是基于频率域的图像配准方法，如Fourier变换和小波变换等;另一类是基于空间域的图像配准方法，主要包括基于区域的图像配准算法和基于特征的图像配准算法，而随着一些良好的特征提取算子出现，它们具有计算量小、运算速度快，对图像变形、亮度变化适应性较好等优点，因此被学者广泛研究。
1 Harris相关理论
Harris算法是目标跟踪、运动估计及目标识别等领域中应用比较普遍的一种方法，基本原理是利用图像的灰度信息，设定一个窗口作为检测窗口，沿着水平、垂直及倾斜等方向移动检测窗口，并记录每一次移动窗口的平均能量变化，如果变化值超过设定的阈值，那窗口中心点的像素点就被认为是角点。
互相关系数法是Harris角点检测算法实现图像匹配的一种常用方法[8]，操作简单。基本原理是基于统计学理论，通过相关计算找到参考图像中的角点在待匹配图像中可能对应的角点。具体过程是给定参考图像中的角点x并以其为中心，将r为半径的圆形区域作为相关窗口，然后在待匹配图像中围绕具有相同坐标的点选定一个固定尺寸的矩形区域作为搜索区域，在参考图像的角点x与待匹配图像中搜索落入区域内的全部角点，从而在给定的窗口内完成一次相关操作。 2 SURF相关理论
SURF算法包括特征点检测和特征点描述两个部分[9]。通过采用积分图像和框状模板极大简化算法的复杂度，减少了特征点检测的时间，并用不同尺寸的框状模板与积分图像卷积得到SURF算法的尺度空间，采用3D非最大值抑制求取尺度空间中不同尺度的特征点，实现特征点的精确定位。为了保证特征矢量具有旋转不变性，需要为每个特征点分配一个主方向，SURF算法采用Haar小波响应模板，统计以特征点为中心的圆形区域中每个扇形区域的Haar小波x和y方向的累积值，将累积最大的矢量作为特征点主方向，在以特征点为中心的矩形区域，将矩形区域划分16个子区域，统计每个子区域的Haar小波的4维累计值，最后构建64维的特征点描述符。特征匹配中，SURF算法采用最小欧式距离与次小欧式距离比，并根据人工设定的阈值进行匹配对粗提取。
3 两种算法实验比较
3.1 通用性及计算效率比较
针对图像配准中特征提取，本文分别采用Harris算法和SURF算法进行特征点提取，并针对Harris算法采用互相关系数法实现匹配对的粗提取，而SURF算法采用最小欧式距离与次小欧式距离比实现粗提取。然后采用本文作者在文献[10]提出的多层次匹配方法实现匹配对精提取。图1～图4为采用上述两个方法获取的图像粗匹配结果。
图2 具有较大视角变化图像匹配结果
图3 房屋目标变化前后匹配结果
图4 机场飞行区域变化前后匹配结果
3.2 配准精度比较
两种方法均采用透视投影变换模型和双线性插值法实现图像配准。本文对图3所示的匹配结果，分别采用上述两种方法获取配准结果，并进行图像差值运算，最后比较差值图像。采用Harris算法获取图5所示的房屋目标变化图像配准结果。然后提取包含目标区域的公共区域部分，见图6（a）和（b），最后对两幅图像进行差值运算，得到图6（c）所示的差值图像;采用SURF算法实现房屋目标变化前后的配准，并分别提取包含目标区域的公共区域部分，如图7（a）和（b），最后对两幅图像进行图像差值运算，得到如图7（c）所示差值结果。
表1 SURF算法与Harris算法通用性比较
表2 Harris算法与SURF算法时间比较
图5 房屋目标变化前后的Harris配准结果
观察上述两个差值图像的实验结果，经Harris算法获取的差值图像除了变化区域外，还存在大量地物变化，这些伪变化信息将严重干扰信息的提取;经SURF算法获取的差值图像，能够准确地将目标变化区域检测出来，仅仅包含少量的地物变化，可以通过后处理手段将目标变化信息精确提取出来。
图6 Harris算法图像差值结果
图7 SURF算法图像差值结果
4 结 语
综合分析上述实验结果，采用SURF算法实现图像配准是可行的，并且在在实现图像配准中具有以下优点：
（1） 具有较好的通用性。能够适用于存在多种不同特征的图像变换;
（2） 计算效率较高。对比两组不同目标变化前后的仿真图像，SURF算法特征点提取时间及匹配时间均明显低于Harris算法;
（3） 较高的图像配准精度。配准实验及上述差值实验结果表明SURF算法可实现目标变化信息精确提取。 参考文献
[3] 张永，纪东升.一种改进的Harris特征点检测算法[J].计算机工程，2011，37（13）：196?198.
[4] LOWE D G. Distinctive image features from scale?invariant keypoints [J]. International Journal of Comput Vis， 2004， 60（2）： 91?110.
[5] THAKOOR K， MARAT S， NASIATKA P， et al. Attention biased speeded up robust features （AB?SURF）： a neurally?inspired object recognition algorithm for a wearable aid for the visually?impaired [C]// Proceedings of IEEE Conference on Multimedia and Expo （ICME）， Workshop on Multimodal and Alternative Perception for the Visually Impaired People. [S.l.]： IEEE， 2013：1?6.
[7] 曾峦，顾大龙.一种基于扇形区域分割的SIFT特征描述符[J].自动化学报，2012，38（9）：1513?1519.
[8] 陈贤巧.基于特征的图像配准算法研究[D].合肥：中国科学技术大学，2009.
[9] 王永明，王贵锦.图像局部不变性特征与描述[M].北京：国防工业出版社，2010.
