基于机械扫描与改进SURF的显微图像拼接算法
发布时间：2021-08-19 12:26
针对传统图像拼接算法拼接速度慢,难以实现显微图像实时拼接的难点问题,通过分析显微镜扫描的规律和显微图像的特点,结合Canny边缘检测、线性搜索法、SURF及最小二乘法,提出了一种适用于显微图像的快速拼接算法。根据已知的重叠区域,对低倍镜图像和高倍镜图像分别使用Canny边缘检测和线性搜索法,获得特征点相对集中的区域,使用SURF对其进行特征点提取,并采用快速最近邻搜索算法匹配特征点。由于显微镜的震动较为规律,对于特征点稀少,容易出现误匹配的重叠区域,为了减小算法的复杂度,利用最小二乘法,根据前后拼接点的位置信息,进行预测拼接。显微镜的扫描过程可以视为只有平移,没有旋转,运用了对平移图像融合效果好、速度快的加权平滑融合算法消除拼接缝隙。实验结果表明,该算法拼接速度快,具有很强的鲁棒性和稳定性,可以很好地实现显微图像的实时拼接。
【文章来源】：计算机技术与发展. 2019,29(11)
【文章页数】：5 页
【部分图文】：
特征点分布1．1Canny目标分割
Gy=－1－2－1000121(2)其中，Gx为x方向差分模板;Gy为方向差分模板。通过Gx、Gy可以计算出梯度幅值G和方向θ:G=G2x+G2槡yθ=arctanGyGx(3)步骤3:非极大值抑制。步骤4:通过高低阈值，筛选边缘像素点，如图2(b)所示。步骤5:根据获得的边缘像素点，用形态学中的膨胀处理，形成围绕边缘的连接区域，如图2(c)所示。步骤6:连接区域外接矩阵，分割目标，如图2(d)所示。图2Canny分割1．2线性搜索法在低倍镜图像中，细胞个体分明，因此使用分割算法易于分割;但在高倍镜图像中，单张图片往往只含有一个细胞的一部分，分割算法通常会将灰度值较低的区域分割成目标，分割效果不稳定，花费时间较长，而特征点在目标区域分布相对均匀，如何快速找到目标区域就成了关键。因此，对高倍镜图像进行目标区域搜索，文中采用简单易行的线性搜索法，实现步骤如下:步骤1:根据已知的重叠区域，设定一定的像素间距d(如每隔5个像素点)。步骤2:根据设定的像素间距，统计每一个像素条的总灰度值s。步骤3:计算像素条的灰度均值v，并取到灰度均值最小的像素条Mv。步骤4:从取到的像素条上搜索灰度均值最小的一段，以均值最小的一段为中线，取到一个大小适中的·89·计算机技术与发展第29卷
区域(如15×15的像素矩阵)，即为初始的SUＲF提取特征点的区域，如图3(d)所示。图3线性搜索目标区域2SUＲF特征点检测及匹配SUＲF［9］算法是在SIFT基础上通过简化高斯模板，减少描述子维度改进而来，运行速度比SIFT快2～3倍。在旋转较大时，SIFT更稳定，但在显微图像只有平移的情况下，SUＲF与SIFT在稳定性方面差异不大，但SUＲF效率更高。相较于Harris、Susan等角点检测算子，SUＲF具有光照、旋转不变性等优点，提取的特征点更稳定，因此文中使用SUＲF算法进行特征点检测和匹配。具体步骤如下:步骤1:利用拉普拉斯高斯差分构建尺度空间。步骤2:检测关键点。计算相关Hessian矩阵并找到尺度空间极值点来确定关键点，Hessian矩阵定义如下:H(x，σ)=Lxx(x，σ)Lxy(x，σ)Lxy(x，σ)Lyy(x，σ)[](4)步骤3:分配关键点方向。以特征点为中心，在一定领域内对60°扇形里的所有点在水平和垂直方向的Haar小波相应值进行累加，最大的Haar相应累加值为该特征点对应的主方向。步骤4:生成特征点描述子。步骤4．1:构建特征点领域的正方形区域，边长为20σ，其中σ为兴趣点尺度，旋转正方形领域到该特征点主方向。步骤4．2:将上一步骤建立的正方形区域划分为4×4个子区域，在每个子区域里计算5×5规则网格空间里的4维特征向量，该特征包含Haar小波对水平与垂直方向的响应及响应和的绝对值。步骤4．3:计算每个子区域的4维特征并进行累加，将分成的16个子区域进行累加得到最终
【参考文献】：
期刊论文
[1]基于OpenCV环境的SIFT、SURF、ORB算法比较分析[J]. 刘伟,钱莉. 化工自动化及仪表. 2018(09)
[2]SIFT与SURF特征提取算法在图像匹配中的应用对比研究[J]. 陈敏,汤晓安. 现代电子技术. 2018(07)
[3]基于最小二乘法的数据采集仪电压校准系数提取方法[J]. 李世文,罗凯,王莹澈,田昱. 探测与控制学报. 2017(06)
[4]图像拼接方法综述[J]. 罗群明,施霖. 传感器与微系统. 2017(12)
[5]基于Canny算子的图像边缘检测方法改进研究[J]. 冯永亮. 计算机与数字工程. 2016(08)
[6]改进SURF快速图像匹配[J]. 王亚迪,李秀华. 长春工业大学学报. 2016(02)
[7]基于高斯矩改进SURF算法的移动机器人定位研究[J]. 朱奇光,王佳,张朋珍,陈颖. 仪器仪表学报. 2015(11)
[8]景象匹配算法SURF和SIFT匹配性能研究[J]. 杜江,杨建华,石静,许晓帆. 机械与电子. 2014(03)
[9]基于SURF和全局特征融合的图像分类研究[J]. 梁进,刘泉,艾青松. 计算机工程与应用. 2013(17)
本文编号：3351407
【文章来源】：计算机技术与发展. 2019,29(11)
【文章页数】：5 页
【部分图文】：
特征点分布1．1Canny目标分割
Gy=－1－2－1000121(2)其中，Gx为x方向差分模板;Gy为方向差分模板。通过Gx、Gy可以计算出梯度幅值G和方向θ:G=G2x+G2槡yθ=arctanGyGx(3)步骤3:非极大值抑制。步骤4:通过高低阈值，筛选边缘像素点，如图2(b)所示。步骤5:根据获得的边缘像素点，用形态学中的膨胀处理，形成围绕边缘的连接区域，如图2(c)所示。步骤6:连接区域外接矩阵，分割目标，如图2(d)所示。图2Canny分割1．2线性搜索法在低倍镜图像中，细胞个体分明，因此使用分割算法易于分割;但在高倍镜图像中，单张图片往往只含有一个细胞的一部分，分割算法通常会将灰度值较低的区域分割成目标，分割效果不稳定，花费时间较长，而特征点在目标区域分布相对均匀，如何快速找到目标区域就成了关键。因此，对高倍镜图像进行目标区域搜索，文中采用简单易行的线性搜索法，实现步骤如下:步骤1:根据已知的重叠区域，设定一定的像素间距d(如每隔5个像素点)。步骤2:根据设定的像素间距，统计每一个像素条的总灰度值s。步骤3:计算像素条的灰度均值v，并取到灰度均值最小的像素条Mv。步骤4:从取到的像素条上搜索灰度均值最小的一段，以均值最小的一段为中线，取到一个大小适中的·89·计算机技术与发展第29卷
区域(如15×15的像素矩阵)，即为初始的SUＲF提取特征点的区域，如图3(d)所示。图3线性搜索目标区域2SUＲF特征点检测及匹配SUＲF［9］算法是在SIFT基础上通过简化高斯模板，减少描述子维度改进而来，运行速度比SIFT快2～3倍。在旋转较大时，SIFT更稳定，但在显微图像只有平移的情况下，SUＲF与SIFT在稳定性方面差异不大，但SUＲF效率更高。相较于Harris、Susan等角点检测算子，SUＲF具有光照、旋转不变性等优点，提取的特征点更稳定，因此文中使用SUＲF算法进行特征点检测和匹配。具体步骤如下:步骤1:利用拉普拉斯高斯差分构建尺度空间。步骤2:检测关键点。计算相关Hessian矩阵并找到尺度空间极值点来确定关键点，Hessian矩阵定义如下:H(x，σ)=Lxx(x，σ)Lxy(x，σ)Lxy(x，σ)Lyy(x，σ)[](4)步骤3:分配关键点方向。以特征点为中心，在一定领域内对60°扇形里的所有点在水平和垂直方向的Haar小波相应值进行累加，最大的Haar相应累加值为该特征点对应的主方向。步骤4:生成特征点描述子。步骤4．1:构建特征点领域的正方形区域，边长为20σ，其中σ为兴趣点尺度，旋转正方形领域到该特征点主方向。步骤4．2:将上一步骤建立的正方形区域划分为4×4个子区域，在每个子区域里计算5×5规则网格空间里的4维特征向量，该特征包含Haar小波对水平与垂直方向的响应及响应和的绝对值。步骤4．3:计算每个子区域的4维特征并进行累加，将分成的16个子区域进行累加得到最终
【参考文献】：
期刊论文
[1]基于OpenCV环境的SIFT、SURF、ORB算法比较分析[J]. 刘伟,钱莉. 化工自动化及仪表. 2018(09)
[2]SIFT与SURF特征提取算法在图像匹配中的应用对比研究[J]. 陈敏,汤晓安. 现代电子技术. 2018(07)
[3]基于最小二乘法的数据采集仪电压校准系数提取方法[J]. 李世文,罗凯,王莹澈,田昱. 探测与控制学报. 2017(06)
[4]图像拼接方法综述[J]. 罗群明,施霖. 传感器与微系统. 2017(12)
[5]基于Canny算子的图像边缘检测方法改进研究[J]. 冯永亮. 计算机与数字工程. 2016(08)
[6]改进SURF快速图像匹配[J]. 王亚迪,李秀华. 长春工业大学学报. 2016(02)
[7]基于高斯矩改进SURF算法的移动机器人定位研究[J]. 朱奇光,王佳,张朋珍,陈颖. 仪器仪表学报. 2015(11)
[8]景象匹配算法SURF和SIFT匹配性能研究[J]. 杜江,杨建华,石静,许晓帆. 机械与电子. 2014(03)
[9]基于SURF和全局特征融合的图像分类研究[J]. 梁进,刘泉,艾青松. 计算机工程与应用. 2013(17)
本文编号：3351407
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/3351407.html
