一个不同曝光时间影像序列之强健特徵导向影像定位法A Robust.PDF

一個不同曝光時間影像序列之強健特徵導向影像定位法一個不同曝光時間影像序列之強健特徵導向影像定位法 一個不同曝光時間影像序列之強健特徵導向影像定位法一個不同曝光時間影像序列之強健特徵導向影像定位法 A Robust Feature-Based Registration Method for Differently Exposed Image Sequences 吳俊霖 * 、陳彥良 中興大學 資訊網路與多媒體研究所 {jlwu, s9456036}@cs.nchu.edu.tw 摘要摘要 摘要摘要 在特徵點導向(feature-based)的影像定位 (image registration)方法中，最大的挑 戰就是如何找出在影像間匹配準確度高 ，並且不受破壞干擾的特徵點 (feature point)與其特徵點描述(feature descriptor) 。若兩張影像間相對應之特徵點配對可以 正確找出 ，將其座標代入映射函式(mapping function) ，求出映射係數後，即可將 一張影像的座標系統，轉換到另一張影像的座標系統上，而完成影像定位的目標。 尺度不變特徵轉換 (Scale Invariant Feature Transform, SIFT)是一個目前廣泛 應用且強健的特徵點擷取(feature detection)與特徵點描述(feature descriptor) 方 法，透過其找出之特徵點，對於位移、旋轉、縮放、亮度差異以及雜訊等皆能克 服並匹配 。但若來源影像之亮度差異範圍過大，則特徵匹配結果將失敗。本篇論 文提出了使用中位值門檻位元圖 (Median Threshold Bitmap , MTB)，改善了來源影 像亮度差異範圍過大問題 。若來源影像中存在有相似度高且重複物件聚集的情 形，則SIFT 法亦無法有效匹配。在此我們提出了將原始特徵向量，加入了計算 特徵點周圍正規值R 與熵值(entropy)所形成的特徵向量 ，估計其紋理參數，可有 效改善重複物件聚集的問題 。在匹配速度上，原始SIFT演算法使用計算歐式距 離後加以排序的方式，求得最小歐式距離為其匹配點，排序的過程中，浪費過多 的時間 。我們提出了使用部份和(partial sum)演算法加以改善 ，在特徵點數量大 的情況下 ，可改善其計算時間至原始方法的60% 。 實驗結果顯示 ，所提演算法能有效解決影像亮度差異範圍過大與影像相似物 件聚集之問題 ，並加速其匹配速度 ，達到影像定位的目的。 關鍵詞關鍵詞 ：影像定位、特徵擷取、特徵描述、SIFT 、MTB 、部份和。 關鍵詞關鍵詞 - 1 - 壹﹒壹 ﹒前言前言 壹壹 ﹒﹒前言前言 在影像處理的領域當中 ，影像定位在許多相關的應用裡，都佔有重要的角 色，舉凡高動態範圍影像的合成 、全景照、視訊壓縮、物件追蹤、虛擬環境的建 立等，都需要其技術的應用。所謂的影像定位，就是將不同時間、不同視角的兩 張或多張影像 ，重疊在同一個場景(座標系統中之過程) 。影像定位的過程中，若 來源影像經過不同程度與各種的干擾破壞，如位移、旋轉、縮放、雜訊的添加以 及亮度的差異 ，都會增加影像定位的難度且降低準確率。 影像定位主要可以分為兩大類 ，一為區域導向方法(area-based method) ，一 為特徵點導向方法(feature-based method)[12] 。以區域為導向的方法就是直接計算 兩張影像區域間 ，區域內像素的相關係數，也就是說，以區域為導向的方法必須 直接以一小區域內像素的強度估算兩張影像間的相關性，所以若是影像間亮度改 變或是在不同取像設備上取得影像 ，那麼使用區