SIFT分块特征匹配眼底图像拼接

高 宇， 徐中宇

(长春工业大学 计算机科学与工程学院， 吉林 长春 130012)

0 引 言

关于眼底图像拼接方面的研究已经发展成计算机视觉领域的一个主要分支，并且计算机视觉领域中与之相关的理论技术发展已大致完善。

David Lowe[1-2]于2004年提出尺度不变特征变换算法，由过程构建特点来描写子集，准确稳定地提取出特征点，这种算法便是SIFT算法。现今SIFT算法已广泛应用于诸多领域[3-5]，但其获取的特征点数量庞大，且其特征描述符维数过高，因此SIFT特征匹配存在计算量过大、效率不高的问题[6-7]，大量时间都耗费在图像的非重叠区域计算上。较为普遍采取的改良方式是通过降维来降低算法的工程量[8]，从而达到提高图像匹配效率的目的，但是这个方法不可避免地会降低算法匹配精度，从而影响到图像拼接质量。但是对于医疗检查眼底疾病和诊治疾病中需要无缝高分辨率的大尺寸图像，使用这个方法显然是不合适的。基于这一问题，通过查找相关资料与文献认为这一想法具有可行性，因此在原SIFT算法的基础上提出新的SIFT算法，通过分块匹配得出研究成果。

1 眼底图像拼接系统意义

由固定的相机镜头经多角度拍摄视网膜的眼底图像，通常只有拍摄眼底黄斑区的角度是正视点的图像，其他图像都会受到拍摄角度偏移的影响,使得拍摄出眼底图像遗漏信息，无法获得完整的眼底信息。在临床上,医生需要从眼底图像中获得一些准确的信息，而图像拼接技术正好可以达到理想效果，将之前所得较小的眼底成像区域拼接成一幅完整的眼底图像，通过这一方式能够辅助医疗诊断，具有十分重要的临床医学价值[9]。

按照发展现状来看，通过这种算法对眼底图像进行拼接还有缺陷，就是匹配时间长，并且误匹配率也较高。面临这种局面，根据数据结构中存在的分块算法，文中提出了分块特征匹配方法，其中心思想是分别将目标图像和待匹配图像分块划分，然后在对应块之间进行特征点匹配，从而将匹配计算范围从整幅图像缩小到一小块区域内，减少误匹配率和匹配时间。

2 眼底图像拼接系统流程

2.1 眼底图像预处理

在现实应用中所拍摄到的照片经常受眼底光照不平衡、图像存储运输等因素的干扰，使得眼底图像存在随机噪点多、对比度不够强的问题，所以从眼底图像中获取详细信息非常困难。因此要对图像进行一些调整与局部加强，以便能够获得更精准的图像拼接效果。

2.1.1 视网膜图像的增强

图像增强就是利用数字图像处理技术，通过强化图像中需要观测和研究的部分，弱化或抑制不需要的部分，使图像效果更为清晰明了，这种图像进行预处理是眼底图像拼接系统中必不可少的步骤。

2.1.2 视网膜图像的去噪

如果利用低值滤波进行去噪，容易导致图像边界模糊不清，使得图像不完整，所以采集图像过程中所产生的噪声可采用中值滤波，保证图像信息完整度。

2.2 SIFT特征点提取

图像特征点提取是采用SIFT算法提取每块图像的局部特征。

1)检测图像尺度空间的极值，这里需要利用到高斯卷积核来构建实现图像的尺度空间，并将该尺度空间P定义为：

P(x,y,z)=I(x,y)G(x,y,z),

(1)

(2)

2)进一步精确地定位特征点坐标，把图像按比例分成N块后，利用式(1)和式(2)即尺度空间函数的二阶泰勒展开式进行最小二乘拟合，通过筛选出拟合曲线的极值来定位特征点，并且可通过设置调整阈值来去除对比度不足的点，从候选点中进一步筛选出关键点；

3)特征点方向分配上，筛选出关键点后便需要利用关键点的旋转不变性把坐标轴方向的旋转至与其关键点的坐标轴方向一致，以便保证该关键点的这一特性；

4)生成特征点的特征描述符。

2.3 特征点匹配

把每个特征点向量化之后，从参考对象中选一个关键点，通过函数

计算出与其他关键点的欧式距离，该值最小的点可与之进行匹配，同样方法再求出其他关键点，最后可以获得初步结果。

2.4 RANSAC精匹配

将RANSAC算法与SIFT算法相结合，对采用特征点匹配筛选出来的关键点进行二次挑选，这种方式能够提高特征点匹配的正确率，对图像拼接效果的提升具有很大意义。

RANSAC算法步骤主要分为：首先需进行多次随机采样，抽样出的四组且三点不共线的匹配点，再使用样本数据计算它们的变化矩阵M；然后算出每个点经过矩阵变化之后与前一个点的距离，设置一个阈值，距离小于这一值的点就作为内点；最后选取一个包含的内点是最多的点集，并在这个内点域里面对变化矩阵M重新估计，剩余关键点就当成是粗匹配过程误匹配的结果，视为无效点。

那么该如何选取阈值范围，就需要用到最近邻算法，计算出匹配点的距离比率，小于某一阈值时可将其作为选中的匹配点。这时候将眼底图像拿来进行比对，比率小于0.4的很少有匹配点，大于0.6的误匹配率较高。将阈值T取值在0.4～0.6作为最佳实验的阈值。

2.5 眼底图像的配准和融合

在操作中,常用直接平均以及加权平均等方式对图像进行融合。融合算法中采用直接平均法具有用时少的特点，但融合部分会出现很多拼接的痕迹,导致图像不清晰；而加权平均则是在直接平均法的基础上更进一步优化，首先把两幅图像中重叠的像素筛选出来，计算它们的加权后再拿来融合拼接。文中采取加权平均法，在图像匹配完成以后，计算出它们的变换矩阵，将图像坐标系选到和矩阵一致，用上述方法对两幅图像进行融合，确定图像的重合区域，并保留各自独立的区域，最后选取两图重合区域进行处理，直到图像全部完成融合为止。再利用中值滤波法消除光强度的不连续性，使拼接图案看起来更为自然。

3 实验结果分析

采用检测设备为Intel Core i3-2120M CPU @ 3.2ghz， 4GRAM，利用驱动器数据库(The DRIVE database)和凝视数据库(The STARE database)中的视网膜图像进行仿真实验，通过多次取用不同的图像数据组，并且最终对比改进算法前后的结果，如图1所示。

表1 两种算法程序的运行结果

由两组实验结果对比得出，传统的SIFT匹配算法需要匹配整个对象中所有的特征点。SIFT分块特征匹配算法是根据数据结构中的分块算法，分别将目标图像和待匹配图像分成N块，然后在对应块之间进行特征匹配。在同一阈值条件下，文中提出的SIFT分块特征匹配算法对于眼底图像拼接效果确实有一定提升，在运算过程中降低错误率。

4 结 语

图像拼接技术不断更新优化，随着医疗设备的相关技术要求不断提高，对于眼科医疗方面，得到高分辨率的大尺寸眼底图像很有必要，从眼底图像拼接入手，利用分块特征匹配算法，只保留匹配区域，可以有效避免对全图像进行搜索匹配，导致运算资源的浪费，从而节省运行时间。与原方法相比，算法保持了原SIFT算法的鲁棒性，且运算效率有明显改善，具有一定的实用价值，为该领域应用提供了一种更加切实有用的改良的图像拼接技术。