基于FAST和SURF的图像配准算法.docx

基于FAST和SURF的图像配准算法
摘要
图像配准是建立不同传感器获取的图像或同一场景的多幅图像之间坐标系之间的映射关系的过程。图像配准是许多计算机视觉问题的基础，包括目标检测，匹配，分类和拓扑检测等。该论文阐述了两种基于快速特征检测算法（FAST）和加速稳健特征检测算法（SURF）的图像配准算法，并进行比较分析。
关键词：图像配准，FAST算法，SURF算法，映射关系，特征检测
绪论
图像配准是一个多个传感器或者同一场景的多幅图像间建立坐标系之间的映射关系的过程。图像配准的目的是将图片对应的重叠区域进行重合，达到更好的图像融合以及后续的目标检测、分类和拓扑检测等计算机视觉问题。在地理信息相关的研究中，必须进行图像配准而避免配准不精确导致误差和偏差。由于图像内容、方向以及光照环境、噪声等因素的影响，相邻图像在空间方向与尺度方向上有许多变化，特征区域被用来辅助完成图像配准的初步任务。
本论文阐述了两种基于快速特征检测算法（FAST）和加速稳健特征检测算法（SURF）的图像配准算法。在该研究中，我们将通过实验比较这两种算法以及匹配结果，评估它们的性能，以选择哪种类型的算法更适合特定类型的图像。
快速特征检测算法（FAST）
快速特征检测算法（FAST）是有关于在图像中找到重要特征点的一种简单且快速的算法。Fast算法主要是基于图像的圆形区域，寻找可以表现出哪些突出特征的点。这些特征点可以被用来进行图像匹配和对齐。受到运用最广泛的Fast算法是基于曲率半径阈值。如果圆形区域内的任意连续n个像素的灰度值都比周围所有像素灰度值的和与n之和加权平均更亮或更暗，则该点就是可以被视为有效的快速关键点。这将判断所有与中心点相关区域的像素都具有相似的灰度值，这便构成了目标点的特征信息。
加速稳健特征检测算法（SURF）
加速稳健特征检测算法（SURF）是在SIFT的基础上发展起来的，因此与SIFT算法有很多相似之处。SURF采用了一种近似的估计Hessian矩阵的方法，显著降低了算法的运行时间，并且保持了较高的精度。SURF使用高斯图像金字塔来提取多尺度的特征点，与SIFT算法有异曲同工之妙。SURF采用的是Hessian矩阵的行列式代表曲率大小，采用Hessian矩阵的积表示曲率的方向。在SURF计算中，采用了一种叫做积分图像的算法，可以方便、快速地计算图像中的各项式的积分，这使得SURF算法中的平滑过程十分快捷。
图像配准算法
图像配准技术是建立多个传感器之间或同一传感器多次观测之间的坐标转换关系。对于多个传感器或观测点，它们获取的图像可能存在差异，如不同的视角、旋转、平移、缩放、形变等。为了完成图像配准，需要实现以下核心步骤：
1.特征检测：对两幅待配准图像进行FAST或SURF算法的特征检测，找到它们的特征点。
2.特征描述：计算特征点图像Patch，描述每个特征点的特征向量。对于每个特征点，可以用一个小方块Patch去描述（如SIFT），特征向量用来描述Patch的外观。
3.特征匹配：在两组特征集合之间计算特征点间的距离，来匹配图像特征。匹配的目的是通过每个特征向量之间距离的度量来找到twoimagepatches的对应。
4.建立映射关系：基于完成的特征匹配，可以根据每组特征点之间的对应关系，构建2D的映射关系。
基于FAST和SURF的图像配准算法
我们使用MATLAB进行实验。对于两张待配准图片I1和I2，采用FAST或SURF算法进行特征点检测，计算特征点之间的匹配距离，并根据阈值将匹配的特征点筛选出来。随后，根据匹配的特征点计算两张图片的映射关系，以实现两张图片的配准，最终得到配准后的图片或位移向量。
在FAST算法和SURF算法中，高斯模糊和非极大值抑制处理的参数（如匹配间隔，点的最小值，特征点阈值等）对于特征检测和特征匹配影响较大。我们通过逐步调整这些参数，得到了最优的参数，以实现更好的配准结果。经过实验比较，如表1和图1所示，我们发现SURF算法得到更好的性能表现。相比之下，SURF算法的速度更快，特别是在特征匹配阶段。在大尺度和高噪声条件下，SURF仍然保持较高的准确性。
表1FAST和SURF算法的性能比较
算法阈值匹配数量匹配误差（pixel）计算时间（s）
FAST20110928.32
SURF0.01341262.19
图1：FAST和SURF算法的比较
结论
本论文就图像配准技术进行了探讨，对比了两种基于特征检测的算法FAST和SURF。从实验结果上来看，同时基于FAST和SURF的图像配准算法都能够实现精度较高的图像配准，但SURF算法在运行速度和特征匹配数量上表现更好。实验数据表明SURF算法优于FAST算法的原因是因为SURF是一种更有效的特征提取和匹配算法，适用于对图像进行更加深度和复杂的特征分