|
基于SIFT 算法的改进在定位模板自动提取 算法中的应用# 马超，袁开国** 基金项目：中央高校基本科研业务费专项资金资助（BUPT2011RC0210，BUPT2012RC0217） 作者简介：马超，（1986-），男，硕士，信息安全。 通信联系人：袁开国，（1982-），男，讲师，数字信号处理和现代密码学。E-mail: flyingdreaming@gmail.com 5 （北京邮电大学信息安全中心，北京 100876） 摘要：为了解决表面检测中定位模版的选择问题，通过对匹配算法的深入研究，提出一种基 于SIFT 算法和图像正交性，对称性相结合的算法，通过深入的分析和实践检测，验证此算 法符合表面检测实际需要，可以降低在表面检测中漏检和错检的概率。并且此算法具有良好 的客观性和鲁棒性，同时算法效率优良，满足检测的时效性。具有很高的应用价值。 10 关键词：表面检测；SIFT；正交性；对称性 An new algorithm based on SIFT,image orthogonality and symmetry was presented Ma Chao, Yuan Kaiguo 15 (Information Security Center, Beijing University of Posts and Telecommunications, Beijing 100876) Abstract: In order to solve the selection problem of matching templates in the surface inspection, Through in-depth study of the matching algorithm.An new algorithm based on SIFT,image orthogonality and symmetry was presented . Through in-depth analysis and practical testing. 20 Verify this algorithm to meet the actual needs of the surface inspection.This algorithm can reduce the probability of undetected and error check in surface inspection. And this algorithm has good objectivity and robustness.The efficiency of the algorithm is good.The algorithm can meet the requirements of detection.This algorithm has a high application value. Keywords: Surface inspection; SIFT; Orthogonality; Symmetry 25 0 引言 表面检测就是用机器代替人眼来做测试和判断，表面检测系统是指通过表面检测产品将 被摄取目标转化成图像信号，传送给专用的图像处理系统，根据像素分布、亮度、颜色等信 息，转变成数字化信号；图像系统对这些信号进行各种运算来抽取目标特征，进而根据判别 30 的结果来控制现场设备动作[1]。而检测样本在由机械平台传送过程中易造成轻微旋转。因此 初始成像信息不能马上进行检测。首先在检测样本中选择定位模版，如图1 所示，选择黑色 框图所示的局部区域作为定位模版。选择图像左上角作为原点，计算定位模板的质心与原点 所成的角度为α。当待检测样本图像再次传送到计算机时，进行定位模板匹配，计算待检测 样本的定位模板与原点所成的角度为β。α与β值不一致则说明传输过程中发生图像旋转， 35 在检测之前需要进行图像旋转。如果定位模板选择不恰当则会发生匹配失败，在表面检测系 统中如发生匹配失败，则检测系统无法进行后续的检测。目前的检测系统是通过人为的选择 定位模板。进而对图像进行旋转校正，这无疑减弱了检测的客观性和鲁棒性。 图1 检测样本定位模板选择示意图 40 定位过程是一次图像匹配过程。在选定定位模板之后，对于每一个待检测样本都要进行 一次定位模板匹配，将匹配的结果与已经选定模板进行比对，进而进行校正。因此定位模板 的选择对于能否定位成功以及匹配效率都有很大影响。目前定位模板选择参数没有统一标 准，本文中采用差分特性，正交性特征和对称性特征三个参数进行定位模板的选择。 45 此前定位模板评定标准和评定的全面性并没有达到实际的需要，所以国内外表面检测系 统都是采用人工选择定位模板，人工的差异对检测系统稳定性造成极大的不良影响，而且没 有一种算法是衡量选定的局部区域是图像整体中最容易匹配的区域，这就造成了人为的去选 择一些不容易匹配成功的，即特征值不明显的区域作为表面检测时的定位模板，这种情况的 存在必然造成表面检测的漏检和错检，大大降低了检测的效率和准确性。如图2 所示： 50 图2 检测样本示意图 图2 中黑色框图所显示区域根据定位模板的选择原则即为最佳的定位模板的，但是由于 人为因素的影响很可能有些时候被选为红色框图所示的区域，若选择红色区域作为定位模版 55 进行匹配，因为在其下方还存在与之类似的局部区域，必然造成匹配失败。 基于以上问题本文提出一种自动提取定位模板的算法使得检测过程更加透明和客观。本 算法基于SIFT 特征提取，利用SIFT 算法提取出定位模板的特征向量，该特征向量反应了 图像中差分特性较强的区域，进而进行正交性计算，旨在度量两个正交方向（ x 轴方向、y 轴方向）边缘强度分布情况，在实际应用过程中可以选择统计沿正交方向的边缘强度，即边 60 缘幅值，度量正交性[2]。对称性特征的衡量定位模板关于坐标轴（ x 轴和y 轴）的对称程 度。定位模板如具有良好的对称特性，在图像匹配时更容易成功，因此定位模板的对称性也 是衡量定位模板的重要标准[3]。 1 定位模板的提取过程 算法思想是：建立分数图像。将待检测图像逐像素进行标准尺寸的SIFT 变换，通过SIFT 65 算法提取特征向量数量，并且将特征向量数量保存。以待检测样本图像为例，选择定位模板 的尺寸为80*80。则从图像坐标原点位置(即图像左上角为坐标原点)开始以80*80 大小得到 该尺寸下的特征向量个数。之后在提取SIFT 特征向量的基础上进行对称性和正交性分数计 算。 本算法分为特征向量提取和正交分数对称分数计算两个过程。特征向量提取通过SIFT 70 算法计算每个定位模板的特征向量数量，受到算法时效性限制，将提取结果进行过滤。正交 分数和对称分数计算则是在特征向量提取的基础上进行分数加权，保证选择的定位模板不仅 具有良好的信息熵而且对称性和正交性特征明显。 1.1 SIFT 特征向量提取 SIFT 是一种基于特征的配准方法。SIFT 特征匹配算法是 DavidG. Lowe 在2004 年总结 75 了现有的基于不变量技术的特征检测方法的基础上，提出的一种基于尺度空间的、对图像缩 放、旋转甚至仿射变换保持不变性的特征匹配算法[4]。该算法匹配能力较强，能提取稳定的 特征。 SIFT 特征算法由Lower 提出，这些特征在DoG（Difference-of-Gaussian）尺度空间中检 测局部极值作为特征点，使特征具有良好的独特性和稳定性。DoG 算子利用不同尺度的高 80 斯差分核与图像卷积生成，如公式1 所示[5] D(x,y,σ )=(G(x,y,kσ).G(x,y,σ))*I(x,y) =L(x, y,kσ ).L(x, y,σ ) (1) 上式中L 代表了图像的尺度空间，I(x,y)代表了图像在位置（x，y）的像素值，G(x,y, σ)代表了二维高斯核函数，利用上式求得每个定位模板特征向量数量。因为SIFT 算法提取 出的特征向量可以有效的适应两幅图像之间发生平移、旋转、仿射变换、视角变换、光照变 85 换情况，而特征点的数量反应匹配的难易程度[6]。以待检测样本进行实验，图3 中标注出两 个特征向量数量不同的区域。黑色区域特征向量数量为57，红色区域特征向量数量为35， 分别以两个区域进行匹配识别。选择黑色模板进行匹配则成功，选择红色模板进行匹配则失 败。在表面检测系统中如果定位模板匹配失败则无法进行后续检测工作。 90 图3 定位模板对比示意图 1.2 定位模板过滤 在检测样本中，图像中有效的前景区域占整幅图像的比例小于背景图像占整幅图像的比 例，如果单一的按照特征向量分数进行排名，则必然造成定位模板选择的过度集中，如图4 95 所示： 图4 定位模板特征向量数量排名示意图 上图中特征向量数量最大的区域集中到图中标注区域。由于工业上对时效性的限制，在 100 进行SIFT 特征向量提取后，不能将所有区域进行后续计算，在算法中将过滤SIFT 提取出 的特征向量排名前10 的区域计算正交性和对称性。具体过滤算法如下： 将所有定位模板按照特征向量的数量进行排序，并且记录每个定位模板的质心位置。首 先选择特征向量数量排名第一的区域，之后选择特征向量数量排名第二的区域，并且计算质 心与排名第一的区域的质心距离是否大于定位模板对角线长度，若满足则保留该区域,若不 105 满足则丢弃，平且重复此过程，当选择特征向量数量排名第N 的区域，将其与已经选择的 区域计算质心距离，若与其中任何一个不满足质心距离大于定位模板的对角线长度则丢弃。 反复进行过滤选取直至选取排名前十的区域。得到每个参考定位模板的特征向量数量，特征 向量数量最大的区域分数设定为1。其他区域按照特征向量数量的比例进行分数归一化计 算。 110 过滤算法中综合考虑了算法效率，并且将定位模板尺寸作为过滤过程的重要参数，因此 过滤过程具有一定的自适应性。如图5 所示，经过滤算法的处理，图中标注出以80*80 尺寸 大小的定位模板中，SIFT 提取出的特征向量数量排名前十的区域，如图5 所示 图5 定位模板过滤结果示意图 115 1.3 正交分数和对称分数计算 SIFT 特征向量主要衡量的是图像差分特性，由SIFT 算法选择的区域往往都是那些图像 信息强度较密集，信息熵较大的区域。所以如果仅仅选择SIFT 特征向量数量作为选择定位 模板的参数则会造成选择区域图像信息强度很大，但是不一定具有良好的正交性和对称性。 120 因为为了使得定位模板不仅具有单一的差分特征，算法中还将进行正交特性和对称特性的计 算。具体算法如下。 1.3.1 正交性计算 图像正交性采用沿正交方向的边缘强度来度量，根据边缘强度直方图计算正交分数，其 中横坐标为角度，纵坐标为给定边缘角度对应的边缘幅值累加和，即p( i, u, v), ( i = 125 0,1,2,3……359; u,v 为模板图像坐标)。 沿 x 轴方向的边缘强度，即边缘角度对应为0 度和180 度边缘幅值的累加和。沿x 轴方向的正交性分数可定义为公式2[7]： 4 359 186 0 356 176 x( , ) ( , , ) ( , , ) ( , , ) i i i o u v p i u v p i u v p i u v = = = =Σ +Σ +Σ (2) 同理，沿 y 轴方向的正交性分数可定义为公式3[7]： 94 274 86 266 y( , ) ( , , ) ( , , ) i i o u v p i u v p i u v = = 130 =Σ +Σ (3) 在分别计算出x 轴和y 轴边缘强度值之后，需要两个分数进行几何平均，几何平均不但 强调分数总和，并且强调单个分数之间的平衡，若两个分数之间的总和较大，并且两个分数 学术论文网Tag：代写硕士论文 代写论文 代写MBA论文 |
