一种适合图像SIFT特征匹配的彩色图像转亮度图像方法

摘要

一种适合图像SIFT特征匹配的彩色图像转亮度图像方法属计算机图像处理技术领域，本发明包括下列步骤：计算待匹配彩色图像中每个像素点的颜色偏移量Y

说明书

技术领域

本发明属计算机图像处理技术领域，具体涉及一种适合图像SIFT特征匹配的彩色图像转亮度图像方法。

背景技术

图像匹配是计算机视觉和图像处理领域中一项非常重要的工作，主要用于将不同时间、不同传感器、不同视角以及不同拍摄条件下获取的两幅或多幅图像进行匹配。图像匹配是多种图像处理及应用的基础，匹配的效果直接影响到其后续图像的处理工作。

目前，图像匹配方法主要分为三类：基于灰度的匹配算法、基于变换域的匹配算法，以及基于特征的匹配算法，其中，基于特征的匹配算法由于其高鲁棒性以及低复杂度，成为了当今研究的主要热点。可以用于匹配的特征点包括Harris角点、SIFT特征以及SURF特征，其中，SIFT特征由于其对尺度缩放、旋转、平移、亮度变化甚至仿射变换等都具有一定的不变性，已成为特征点匹配技术中最流行的技术之一。

然而，SIFT算法的第一步就是利用公式Y＝0.299×R+0.587×G+0.114×B将彩色图像转换成亮度图像。这个公式是一个著名的心理公式，认为彩色图像以这样的比例系数进行转换的时候，得到的亮度图像是最符合人眼观察需求的，然而这种转换方式对于SIFT算法来说，却不是最好的处理方式，因为它使得存在很多颜色不同的区域映射到了相同的亮度值。由于颜色信息的缺失，就会导致在颜色不同而对应亮度值相同的区域间无法提取出特征点、正确匹配率低等问题。

发明内容

鉴于SIFT匹配所使用的彩色图像转换亮度图像方法在处理彩色图像时会出现无法提取出特征点、正确匹配率低等问题，本发明提供了一种适合图像SIFT特征匹配的彩色图像转亮度图像方法，此方法主要适用于基于SIFT特征对两幅相同场景的图像进行匹配的图像处理应用。本发明的方法在彩色图像转亮度图像过程中，融合彩色图像中的颜色信息和曝光度信息，增强了匹配效果，并且没有引入额外的时间复杂度，能够应用于要求匹配精度较高的图像处理设备。本方法所采用的技术方案是：

(1)计算待匹配彩色图像中每个像素点的颜色偏移量Y_C：

颜色偏移量的获取，是通过降低颜色通道的维数来实现的，彩色图像通常是以RGB空间进行存储的，RGB是颜色通道为三维的颜色空间，而CIELAB、CIELUV、YIQ以及YC_BC_R等颜色空间都是一个通道代表亮度信息，两个通道代表颜色信息，本发明使用YC_BC_R颜色空间，包括下列步骤：

1.1将彩色图像由RGB颜色空间转化到YC_BC_R颜色空间的公式为：

$>\left(\begin{array}{c}Y\\ C_B\\ C_R\end{array}\right)=\left(\begin{array}{ccc}0.299& 0.587& 0.114\\ -0.169& -0.331& 0.500\\ 0.500& -0.419& -0.081\end{array}\right)\left(\begin{array}{c}R\\ G\\ B\end{array}\right)+\left(\begin{array}{c}0\\ 128\\ 128\end{array}\right)$>

其中：R、G、B分别代表彩色图像每个像素点的红色、绿色、蓝色亮度值；Y代表每个像素点的初始亮度值；C_B代表每个像素点的蓝色色度值；C_R代表每个像素点的红色色度值；

1.2对整幅彩色图像进行颜色分析：用步骤1.1中得到的图像的所有像素点的C_B和C_R值，计算所有像素点的C_B的均值m_B和所有像素点的C_R的均值m_R，即：m_B为整幅彩色图像中所有像素点蓝色色度值的均值，m_R为整幅彩色图像中所有像素点红色色度值的均值；

1.3求出每个像素点的颜色偏移量Y_C，按下列公式计算：

Y_C＝k×sgn(m_R-m_B)×sgn(C_R-C_B)×|C_R-C_B|^α

其中：k为对比参数，且1≤k≤4；α为范围参数，且0.4≤α≤0.6；

1.4将步骤1.3求出的每个像素点的颜色偏移量Y_C，与其对应的初始亮度值Y相加，得到该像素点的中间亮度值P：

P＝Y_C+Y；

1.5计算整幅图像所有像素点中间亮度值P的均值m_P；

(2)计算待匹配彩色图像中每个像素点的曝光度偏移量Y_E，其公式为：

Y_E＝(128-m_P)×exp[-(i-0.5)²/2σ²]

其中：m_P为步骤1.5中得到的整幅图像所有像素点中间亮度值的均值；i为每个像素点中间亮度值P的归一化值，即i＝P/255，σ＝0.2；

(3)计算待匹配彩色图像中每个像素点的最终亮度值W，其公式为：

W＝Y+Y_C+Y_E

(4)将步骤(3)得到的每个像素点的最终亮度值，按原彩色图像像素点位置排列，形成最终亮度图像。

本发明的特点及有益效果

与现有的算法相比，本发明所获得的技术效果，在保留原始SIFT很好的旋转、尺度不变性的基础上，通过在亮度图像中融合彩色图像中的颜色信息和曝光度信息，提高了亮度图像中区域之间的对比度，形成了新的更适合SIFT特征提取的亮度图像，从而提高了匹配算法的鲁棒性和稳定性，解决了在部分区域间无法提取出特征点、正确匹配率低等问题。同时，本发明并没有引入额外的时间复杂度，这是相对于其他加入颜色信息方法的优越之处。

附图说明

图1为适合图像SIFT特征匹配的彩色图像转亮度图像方法的流程图

图2为特征点提取对比结果示意图

图3为尺度变换下特征点匹配对比结果示意图

图4为旋转变换下特征点匹配对比结果示意图

图5为仿射变换下特征点匹配对比结果示意图

图6为亮度不同下特征点匹配对比结果示意图

图7为自然景物下特征点匹配对比结果示意图

图3至图7中：(a)表示传统SIFT算法的结果，(b)表示本发明的结果。

具体实施方式

本发明的核心内容在于：对于待匹配彩色图像，在进行彩色图像转化成亮度图像的过程中，通过在亮度图像中融合颜色信息和曝光度信息，从而提高了亮度图像中区域之间的对比度，形成了更加适合SIFT特征提取的亮度图像。

为使本发明的目的，技术方案和优点更加清楚，下面结合附图及实例做进一步的详细叙述：

(1)计算待匹配彩色图像中每个像素点的颜色偏移量Y_C：

颜色偏移量的获取，是通过降低颜色通道的维数来实现的，彩色图像通常是以RGB空间进行存储的，RGB是颜色通道为三维的颜色空间，而CIELAB、CIELUV、YIQ以及YC_BC_R等颜色空间都是一个通道代表亮度信息，两个通道代表颜色信息，本发明使用YC_BC_R颜色空间，包括下列步骤：

1.1将彩色图像由RGB颜色空间转化到YC_BC_R颜色空间的公式为：

$>\left(\begin{array}{c}Y\\ C_B\\ C_R\end{array}\right)=\left(\begin{array}{ccc}0.299& 0.587& 0.114\\ -0.169& -0.331& 0.500\\ 0.500& -0.419& -0.081\end{array}\right)\left(\begin{array}{c}R\\ G\\ B\end{array}\right)+\left(\begin{array}{c}0\\ 128\\ 128\end{array}\right)$>

其中：R、G、B分别代表彩色图像每个像素点的红色、绿色、蓝色亮度值；Y代表每个像素点的初始亮度值；C_B代表每个像素点的蓝色色度值，C_R代表每个像素点的红色色度值；

1.2对整幅彩色图像进行颜色分析：用步骤1.1中得到的图像的所有像素点的C_B和C_R值，计算所有像素点的C_B的均值m_B和所有像素点的C_R的均值m_R,即：m_B为整幅彩色图像中所有像素点蓝色色度值的均值，m_R为整幅彩色图像中所有像素点红色色度值的均值；

1.3求出每个像素点的颜色偏移量Y_C，按下列公式计算：

Y_C＝k×sgn(m_R-m_B)×sgn(C_R-C_B)×|C_R-C_B|^α

其中：k为对比参数，且1≤k≤4；α为范围参数，且0.4≤α≤0.6；

1.4将步骤1.3求出的每个像素点的颜色偏移量Y_C，与其对应的初始亮度值Y相加，得到该像素点的中间亮度值P，P＝Y_C+Y；

1.5计算整幅图像所有像素点中间亮度值P的均值m_P；

(2)计算待匹配彩色图像中每个像素点的曝光度偏移量Y_E，其公式为：

Y_E＝(128-m_P)×exp[-(i-0.5)²/2σ²]

其中：m_P为步骤1.5中得到的整幅图像所有像素点中间亮度值的均值，i为每个像素点中间亮度值P的归一化值，即i＝P/255，σ＝0.2；

(3)计算待匹配彩色图像中每个像素点的最终亮度值W，其公式为：

W＝Y+Y_C+Y_E

(4)将步骤(3)得到每个像素点的最终亮度值按原彩色图像像素点位置排列形成最终亮度图像。

下面以具体的测试来验证本发明提供的适合图像SIFT特征匹配的彩色图像转亮度图像方法的可行性。将本发明方法与使用原始亮度图像的SIFT匹配方法在特征点提取、正确匹配率和匹配速度三个方面展开对比分析(测试样本来自相关文献或由手持相机拍摄)。

1.工作条件：

本发明的实验采用Intel(R)Core(TM)i3-2100CPU3.10GHz3.10GHz，内存为2GB，运行Windows7的PC机，编程语言为C++语言。

2.实验内容与结果分析：

如图2所示，图2(a)为原始彩色图像，图2(b)为对应的原始亮度图像，观察矩形区域内可以看出，其中深色与浅色区域被映射为相同的灰度级，由此，如图2(c)所示，在矩形区域内没有特征点被提取出来。图2(d)为使用本发明方法得到的亮度图像，观察矩形区域可以看出，深色与浅色区域被区分开，同时，如图2(e)所示，有13个特征点在矩形区域被提取出来。

正确匹配率由下式计算：

$>M_R\left(\%\right)=\frac{A_P}{T_P}\times 100$>

其中：M_R为正确匹配率，A_P为正确匹配数，T_P为总匹配数。

在不同情况下，本发明与原始SIFT算法的特征匹配对比结果如图3至图7所示。实验分别在尺度变换(图3)、旋转变换(图4)、仿射变换(图5)、亮度变换(图6)以及自然景物(图7)五个方面进行对比。正确匹配率的结果如表1所示，匹配时间如表2所示。

通过图3至图7，以及表1可以看出，在不同情况下，本发明的正确匹配率均高于传统SIFT算法。通过表2可以看出，本发明在特征点检测部分消耗的时间虽比传统SIFT算法稍微多一点，但本发明所检测的特征点更加准确，且更加适合彩色图像匹配，而本发明在特征点匹配部分消耗的时间却比传统SIFT算法要少。通过本发明与传统SIFT总时间的对比可以看出，本发明几乎没有消耗更多的时间，有些情况甚至要比传统SIFT消耗的时间更少，这是相对于其他加入颜色信息方法的优越之处。

表1正确匹配率比较结果(％)

传统SIFT方法本发明尺度变换95.333399.3333旋转变换87.333396.7213仿射变换74.626979.6117不同亮度70.000084.0909自然景物57.575871.6049

表2时间比较结果

由以上五个实验结果表明，本发明采用在亮度图像中融入颜色信息和曝光度信息的方式，能提高亮度图像中区域之间的对比度，形成新的更适合SIFT特征提取的亮度图像，从而能提高匹配算法的鲁棒性和稳定性，解决在部分区域间无法提取出特征点、正确匹配率低等问题。同时，相对于传统SIFT算法，本发明并没有引入额外的时间复杂度，这是相对于其他加入颜色信息方法的优越之处。