摘  要： 針對傳統(tǒng)互信息配準方法計算量較大且未利用圖像空間信息的缺點，提出了一種結合SURF描述符和廣義近鄰圖的圖像配準算法。該算法用SURF從圖像中提取尺度空間特征點并獲得特征點描述子，然后用廣義近鄰圖來估計Rényi熵與互信息。該算法結合了SURF描述子的魯棒性和廣義近鄰圖估計Rényi熵的高效性。實驗結果表明，對于真實遙感圖像，該算法在配準準確度、魯棒性和速度上都明顯優(yōu)于幾種傳統(tǒng)配準方法。
關鍵詞： 圖像配準；廣義近鄰圖；Rényi熵圖；SURF描述子

　圖像配準是對同一場景在不同條件下（如不同的時間、拍攝環(huán)境、視角和傳感器等）得到的兩幅或多幅圖像尋求某種空間上的變換，使一幅圖像能夠和另一幅圖像上的對應點達到空間上的一致[1]。圖像配準技術是圖像處理與分析中的基本任務，已經(jīng)在計算機視覺、圖像融合、全景圖像拼接、醫(yī)學診斷與輔助治療等眾多領域得到廣泛的應用[2-3]。
　目前，圖像配準方法大體分為基于灰度和基于特征兩大類?；诨叶鹊姆椒ńD像間像素灰度值的目標函數(shù)，如互信息測度[4]，通過對目標函數(shù)的優(yōu)化實現(xiàn)配準。該方法沒有考慮像素的空間信息，在不同成像條件下的圖像配準中，其精度較低、計算量大且配準時間長。
　基于特征的配準方法先提取各個圖像中的特征，再完成特征之間的匹配，通過匹配的特征建立圖像間的映射變換，最后求出配準后的圖像。特征點是該類方法最常使用的圖像特征，其中BAY H等人提出的SURF（Speeded-Up Robust Features）算法是一種尺度空間的特征點描述方法[5]，對圖像間的分辨率、旋轉、平移和光照變化等保持不變，且時間復雜度低、速度較快?；谔卣鼽c的配準方法減輕了圖像灰度差異和噪聲的影響，縮短了配準時間。然而，特征點匹配問題本身就是一個尚未得到較好解決的難題，特征點的誤匹配直接影響了圖像的最終配準結果。
　為解決上述問題，RANGARAJAN A等提出了一種結合互信息與特征點的配準方法[6]，定義了特征點集的互信息函數(shù)，通過對該函數(shù)最大化實現(xiàn)圖像配準。這種方法減輕了灰度差異與特征點誤配對配準的影響，但函數(shù)形式復雜，配準時間較長。
　最新的研究結果表明，通過對隨機抽樣構建廣義近鄰圖可以估計隨機變量的熵[7]，這已在統(tǒng)計學與信息論的研究中受到廣泛關注。本文將該理論引入圖像配準中，將圖像配準中的特征點與互信息結合起來估計特征點的Rényi互信息，提出了一種結合SURF描述子和廣義近鄰圖醫(yī)學圖像配準方法。該方法了融合圖像空間信息且無需計算概率直方圖。通過與幾種傳統(tǒng)配準算法相比較，結果表明，該算法在魯棒性、配準時間和配準精度方面提供了更好的綜合性能。
1 SURF檢測及描述
　SURF可以在圖像尺度空間中提取特征點，并對每個特征點賦予特征，即SURF描述符。該算法提取的特征點對尺度、旋轉、光照、仿射和透視變換等均具有較強魯棒性，并在計算速度上明顯快于以往同類方法。

1.2 主方向確定
　為保證特征點描述符的旋轉不變性，SURF賦予每個特征點主梯度方向。在以特征點為中心，半徑為6σ（σ為特征點對應的尺度）的鄰域內(nèi)，用邊長為4σ的Haar小波模板計算該點在x、y方向的Haar小波響應，并以該點的高斯函數(shù)對這些響應值加權，然后將60°范圍內(nèi)的響應相加形成新的向量，遍歷整個圓形區(qū)域，選擇最長向量的方向為該特征點的主方向。這樣，對特征點逐個進行計算，就可以得到每一個特征點的主方向。

　本文提出了一種結合SURF描述子和廣義近鄰圖的圖像配準算法。采用SURF快速、魯棒地提取圖像特征點，并形成特征點描述子，再結合特征點的廣義近鄰圖估計Rényi互信息進行配準。在真實遙感圖像中進行實驗，結果表明該算法在配準魯棒性、配準準確性和配準時間3個方面都優(yōu)于另外兩種傳統(tǒng)圖像配準方法。
參考文獻
[1] ZITOVA B， FLUSSER J. Image registration methods： a survey[J]. Image and Vision Computing， 2003， 21：977-1000.
[2] 趙仕俊，孫林港.基于紋理特征的圖像自動配準方法研究[J].微型機與應用，2011，30（9）：36-38.
[3] 李靖宇，穆偉斌，沈煥泉.醫(yī)學圖像配準的優(yōu)化算法改進研究[J].微型機與應用，2010（8）：47-49.
[4] COLLIGNON A， MAES F， DELAERE D， et al． Automated muhimodality medical image registration using information theory[C]． Proceedings of Information Processing in Medical Imaging， 1995：263-274.
[5] BAY H， TUVTELLARS T， GOOL L VAN. SURF： speeded up robust features[C]. Proceedings of the European Conference on Computer Vision， 2006：404-417.
[6] RANGARAJAN A， Chui Haili， DUNCAN J S， et al．Rigid point feature registration using mutual information[J]．Medical Image Analysis，1999，3（4）：425-440.
[7] PAL D， POCZOS B， SZEPESVARI C. Estimation of Rényi entropy and mutual information based on generalized nearest-neighbor graphs[C]. NIPS， 2010.
[8] VIOLA P， JONES M J. Rapid object detection using a boosted cascade of simple features[C]. Proceedings of Computer Vision and Pattern Recognition， 2001：511-518.
[9] BROWN M， LOWED. Invariant features from interest point groups[C]. BMVC， 2002：1-10.
[10] LUAN H X， QI F H， XUE Z， et al. Multimodality image registration by maximization of quantitative-qualitative measure of mutual information[J]. Pattern Recognition， 2008， 41： 285-298.