# 基于改进SURF算法的显微图像大范围拼接Large Scale Microscopic Image Mosaic Based on SURF Algorithm

DOI: 10.12677/CSA.2021.112030, PDF, HTML, XML, 下载: 73  浏览: 151

Abstract: In large-scale microstructure measurement, the white light interferometric surface measurement is limited by the size of a single optical field of view, and cannot see the complete structure. In order to obtain a wide range of visual field effect, this paper proposes an improved surf algorithm for micro-scopic image mosaic. Firstly, Harris is used to detect the feature points of the image, and then the descriptor of the feature points is calculated to find the corresponding point pairs. Then RANSAC is used to delete the mismatched point pairs, and the weighted fusion method is used to eliminate the seam. The experimental results show that the method is effective, and it can put multiple images collected many times into a complete image to realize the measurement of large field of vision.

1. 绪论

2. Harris角点检测

Harris角点检测的思想是在图像中设计一个局部检测窗口，然后让窗口在图像的各个方向上进行微小的滑动，若窗口内区域的灰度发生了较大的变化，那么就认为在窗口内存在角点。如果没有灰度变化或者某一个方向上没有灰度变化，则可认为该窗口不存在角点。对于图像I(x,y)，在点(x,y)处分别平移uv个单位，可得灰度强度变化的表达式为：

${E}_{u,v}\left(x,y\right)=\underset{\left(u,v\right)}{\sum }{W}_{u,v}{\left[I\left(x+u,y+v\right)-I\left(x,y\right)\right]}^{2}$ (1)

${E}_{u,v}\left(x,y\right)$ 化为二次型有

${E}_{u,v}\left(x,y\right)=\left(u,v\right)M\left[\begin{array}{c}u\\ v\end{array}\right]$ (2)

(3)

3. SURF特征提取算法

SURF算法在保持SIFT算子优良性能的基础上，对兴趣点提取及其特征向量描述进行了改进。与SIFT相比，SURF变得更加稳定且计算效率得到了提高。SURF算法特征提取步骤如下：

1) 极值点检测

SURF算法特征点的提取是基于尺度空间理论，通过寻找图像的局部极值点来确定特征点，一般是局部最暗或者最亮的点。SURF算法检测特征点是通过构造Hessian矩阵来实现的。

2) 特征点定位

3) 主方向确定

4) 生成特征描述符

4. RANSAC算法剔除误配点

1) 在特征点的集合中随机抽取4对对应点对，计算其单应性矩阵H。

2) 计算剩余特征对应点在单应性矩阵H变换下的结果，计算出匹配点之间的误差，假如误差小于给定阈值则认为是内点，然后再计算内点的占比率，若占比率大于设定阈值则接受H值。

3) 若内点占比率小于设定阈值，重复1)和2)。

5. 图像融合

6. 实验结果及分析

Figure 1. Before improvement

Figure 2. After improvement

Table 1. Comparison of mismatch rate and efficiency

Figure 3. Image to be stitched

Figure 4. The improved mosaic image

7. 结论

NOTES

*通讯作者。

 [1] 刘进林, 等. 基于改进马尔科夫特征的图像拼接检测研究[J]. 信息技术与网络安全, 2020(2): 13-18. [2] Xie, R.P., Tu, J.M. and Yao, J. (2019) A Robust Projection Plane Selection Strategy for UAV Image Stitching. International Journal of Remote Sensing, 40, 3118-3138. https://doi.org/10.1080/01431161.2018.1539273 [3] 王震, 许恒硕, 袁红亮, 汪国平. 基于抖动的导航路径图像无缝拼接方法仿真[J]. 计算机仿真, 2020, 37(1): 425-429. [4] 刘尚, 李哲. 面向野外火灾监测的图像拼接技术研究[J]. 计算机与数字工程, 2020, 48(3): 653-657. [5] 万国挺, 王俊平, 李锦, 等. 图像拼接质量评价方法[J]. 通信学报, 2013, 34(8): 76-81. [6] 杨云涛, 冯莹, 曹毓, 等. 基于SURF的序列图像快速拼接方法[J]. 计算机技术与发展, 2011, 21(3): 6-9. [7] 李穆, 路艳蒙, 韩帅虎, 等. 基于sift特征点的透射电子显微镜多幅图像拼接[J]. 南方医科大学学报, 2015, 35(9): 1251-1257. [8] 邹承明, 侯小碧, 马静. 基于几何学图像配准的SIFT图像拼接算祛[J]. 华中科技大学学报(自然科学版), 2016, 44(4): 32-36. [9] 张勇, 王志峰, 马文. 基于改进SIFT特征点匹配的图像拼接算法研究[J]. 微电子学与计算机, 2016, 33(3): 60-64. [10] Liu, Y.M., Chen, L.F. and Liu, Y. (2013) An Image Matching Algorithm Based on SIFT and Improved LTP. 2013 Ninth International Conference on Computational Intelligence and Security (CIS), 432-436. https://doi.org/10.1109/CIS.2013.98 [11] Bay, H., Tuytelaars, T. and Gool, L. (2006) SURF: Speeded up Robust Features. European Conference on Computer Vision, Springer, Berlin, Heidelberg. https://doi.org/10.1007/11744023_32 [12] 李丽, 郭双双, 梅树立, 等. 基于特征点提取匹配的蝗虫切片图像的拼接和修复方法[J]. 农业工程学报, 2015, 31(7): 157-165. [13] 卢钢, 张翼. 基于局部特征的医学显微图像自动拼接[J]. 计算机与数字工程, 2015, 43(5): 892-895. [14] Ma, L.L., Cao, C.M. and Chen, J.G. (2016) Feature Point Matching Algorithm Based on RA NSAC. Computer Engineering and Design, 37, 1793-1797.