0 引言

图像匹配技术是通过一定的匹配算法在两幅图或多幅影像之间识别同名点的过程，在目标识别、空间探测、三维重建和医学诊断等领域具有广泛的应用[1]。

常州城区水环境综合整治是一项系统工程，包括控源截污、水系连通、畅流活水、生态修复等，须由环保、水利、建设等相关部门共同齐抓共管，各司其职，协同治理，才能从根本上改善城区河道水环境。

特征点的提取与匹配是实现图像匹配的关键步骤[2-4]。2004年，Lowe提出的尺度不变特征变换（Scale Invariant Feature Transform，SIFT）算法在灰度空间提取128维向量作为特征描述子，利用穷尽搜索策略完成特征匹配，对平移、旋转、仿射变换、视角变换等情况都具有较好的鲁棒性[5-7]。针对彩色图像匹配，大多数算法仍沿用SIFT思想[8-9]，将彩色图像转换到灰度空间进行匹配，存在两个问题：①没有充分利用彩色信息；②特征维度高，匹配效率低。颜色不变量充分利用了彩色图像的颜色信息，能增加所提取特征的信息量，为后续图像的精确匹配提供强有力的数据支撑[10-12]。FANN（Fast Approximate Nearest Neighbors）搜索策略对高维特征向量的匹配速度快且精确。

基于上述研究，本文提出了一种基于颜色尺度不变和FANN搜索的图像匹配算法。利用颜色不变量构建图像多尺度空间，同时处理尺度空间中的多层图像获取特征矢量，最后采用FANN快速搜索匹配颜色不变特征向量。该算法在两幅图像匹配中不仅对平移、旋转、视角变换、光照变化和噪声等具有优良的匹配能力，而且速度也相对较快。

1 基本理论

1.1 颜色不变量

Geusebroek提出的颜色不变量[13]理论，将光谱辐射模型表示为：

 

式中：X表示图像平面的二维坐标向量；λ表示波长；i(X)表示光谱强度；ρf(X)表示X位置的Fresnel反射系数；R∞(λ, X)表示材料的反射率。

针对上式求E(λ, X)相对于λ的一阶偏导数Eλ和二阶偏导数Eλλ：

 

可以构造与观测位置、表面方向、光照强度、反射系数及Fresnel反射系数均无关的变量H如下所示，H即为颜色不变量的一种描述。

 

Geusebroek将高斯颜色模型与现实世界图像的通用表示模型RGB以线性变换的方式建立映射关系。首先RGB模型与CIE1964XYZ基的线性映射如下：

XYZ基于高斯颜色模型的前3个分量的线性近似表示为：

 

从第二节的回归结果可以看出，通货膨胀率(X2)、死亡率(X6)、老龄化程度(X8)对人均寿险保费收入(Y)无显著性影响，其它因素中，除了银行一年定期名义利率(X5)与被解释变量呈负相关关系外，其它解释变量均与其呈正相关。在这里结合建立的回归模型对各个影响因素与寿险需求的关系进行分析。

 

高斯颜色模型的前3个参数ˆE、ˆEλ、ˆEλλ可以近似为E、Eλ、Eλλ，由式(5)、(6)可得RGB彩色图像计算颜色不变量的关系式：

样品酶活力大小：X=A×K×6.5/10×a=0.903×92.94×6.5/10×1=54.55 U/g。

 

1.2 FANN匹配搜索策略

FANN是以K均值树和KD-Tree等算法为基础，针对高维空间的快速最近邻搜索算法，包含了一种自动选取最快算法的机制，可以根据数据集的分布特点、映射精度和空间资源消耗的情况计算并选择索引算法类型和检索参数。基本原理[14]如下：

1）假设选取的搜索算法为A，选取的算法最佳参数为θ∈Θ，Θ为参数配置空间。此时问题可表示为：mθ∈Θc(θ)的一个最优化问题。

在DOG空间中，每一个像素和它所有相邻26个点比较（8个相邻点和上下相邻尺度对应的 9×2个点），看其是否比它的图像域和尺度域的相邻点大或者小。如果该点均大于或者小于这 26个点的值，则作为候选的极值点。

安庆女孩不知什么时候扑到苏菲身边，摸黑给了苏菲一巴掌，打到哪儿是哪儿。苏菲并没有被打痛，却几乎要谢谢安庆女孩的袭击，现在要让出气筒全面发挥效应，拳头、指甲、脚，全身一块出气。安庆女孩哭起来，苏菲马上哭得比她还要委屈，似乎她揍别人把自己揍伤了，上来拉架的女孩们拉着拉着也哭了。

 

式中：s(θ)表示搜索时间；b(θ)表示建树时间；m(θ)表示建树的内存开销。权重ωb和ωm被用作在总体消耗中控制建树时间和内存消耗的相对重要性，建树时间的权重ωb和搜索时间有关，搜索时间为搜索相同数量的数据点所消耗的时间。在FANN中，仅使用小部分数据集执行一次获得的优化参数，可以被保存用作相同类型的数据集。

2 图像的特征提取与匹配

对于已经检测到的极值点，已知该极值点的尺度值σ，因此根据尺度值可以得到高斯图像：L(x, y)＝G(x, y, σ)*H(x, y)，以此极值点为中心，可以计算出图像的梯度幅值和幅角：

  

图1 基于颜色尺度不变和FANN搜索的算法流程图Fig.1 Flow chart based on the color scale invariant and FANN search algorithm

2.1 特征空间建立

利用高斯颜色模型计算颜色不变量结合 DOG（Difference of Gaussian）算子构建多尺度特征空间。

式中：k为两相邻尺度空间倍数的常熟；σ为尺度空间因子；H(x, y)为彩色图像的颜色不变量。

1.1 病例选择 选取辽宁省肿瘤医院2007年2月至2012年4月收治的晚期三阴乳腺癌患者133例。纳入标准：①年龄范围：18～75岁；②淋巴结或手术病理组织经病理形态学和免疫组织化学方法确诊为三阴乳腺癌；③分期为Ⅳ期；④均为接受一线治疗（GP、GT、TX、NP）；⑤前3个月未接受化疗；⑥无严重的心肺肝肾功能异常；⑦所有患者临床资料和随访记录完整。

首先利用公式(4)、(5)对图像I1(x, y)和待匹配图像I2(x, y)，分别求出颜色不变量H1和H2，其次将颜色不变量与高斯核函数G(x, y, σ)进行卷积操作，并对相邻尺度空间的图像相减建立DOG空间金子塔，最终在DOG空间检测极值点[15-16]。

 

当Rc=15,N=1 000时,算法在满足不同的覆盖百分比的情况下,覆盖子集的数量随节点的通信半径Rs的变化情况如图5所示。从图5可以看出:当0.8≤p时,k值会伴随Rs的增大而增大,这是由于Rs的增大使得节点的覆盖面积增大,冗余节点增多,从而可以构成更多的覆盖集;当p≤0.8时,k值和Rs的取值关系不明显,这是由于受约束性条件影响,传感器感知半径增大所造成的覆盖面积增大所带来的覆盖集增加的效应降低。

2）影响匹配效率主要有 3个因素：搜索时间、建树时间和树的内存开销。这3个影响因素中的每一个在不同数据集中都有着不同的影响：如果建树次数只有一次并且用作大量的查询，就不考虑建树时间；如果树是即时建立并且搜索次数过少，就不考虑建树时间和搜索时间。定义代价函数以获得最佳搜索算法和参数：

2.2 特征点的描述

通过子像素插值法和Hessian矩阵计算得到连续空间消除边缘响应的极值点，最后对极值点分配方向得到特征向量：

 

式中：Det(H_h)＝DxxDyy－(Dxy)2＝α·β，Tr(H_h)＝Dxx＋Dyy＝α＋β，α为H_h最大特征值，β为H_h最小特征值。如果r为最大特征值和最小特征值的比值，则α＝r·β。为了剔除边缘响应点，检查主曲率的比值小于某一阈值，因此，只要检查式是否成立，Lowe[17]在论文中验证了r＝10时为最佳。

图像的特征提取与匹配主要包含特征空间、特征点描述和搜索策略3要素。本文算法具体步骤如图1所示。

 

用直方图统计邻域内的梯度方向和幅值，获得最佳主方向。最终，以特征点为中心，选取 16×16大小的区域分为 4×4的子区域，在每个子区域计算 8个方向的梯度信息，共4×4×8＝128维向量表征。

2.3 匹配搜索策略

利用FANN（快速近似最近邻）搜索算法对提取到的彩色图像特征点进行匹配。具体流程如下：选取2.2节中提取的部分特征向量作为输入训练数据集，利用公式(8)设定匹配精度，建树权重ωb和内存开销权重ωm。通过以上参数和数据配置搜索类型和搜索参数，最终利用通过训练选取的搜索类型和参数，取图像I1中某个特征点mi，通过算法找到在图像I2欧式距离最小的两个点mj和mk，其距离分别为desij和desik，如果，则(mi, mj)构成匹配点对。

3 实验结果

本次实验硬件环境采用：Intel core I5 3.2 GHz，内存8G，软件开发工具为：Windows 10操作系统，Python语言。为验证本文算法性能，选取6组存在重叠区域的风景图片进行实验，将本文算法与文献[8]和文献[9]算法进行比较，图像由RGB模型转化为高斯颜色模型的效果如图2和图3，图像用3种算法提取特征点和匹配效果如图4～图8和表1所示。

  

图2 RGB模型图Fig.2 RGB model diagram

  

图3高斯颜色模型图Fig.3 Gaussian model diagram

  

图4 灰度信息提取特征点Fig.4 Feature of gray information

  

图5 颜色信息提取特征点Fig.5 Feature of color information

从图中可以看出，文献[9]算法（图7）在两张图片对应特征点连线存在明显错误连接；文献[8]算法（图6）匹配连接线稀疏，其原因是该方法仅利用灰度信息，提取特征点少；本文算法（图8）特征点连线对应整齐，连接线密集，提取的特征点丰富，匹配正确率高。图4和图5为同一图像分别用灰度信息和颜色不变量提取特征点的结果图，特征点个数分别为1182个和3085个。实验证明利用颜色不变量建立尺度空间可以提取更多的特征点，提高了后续图像处理的准确性。统计匹配正确率和匹配时间两个指标，分别对6组图像进行实验，如图9和图10所示。对比3种算法的匹配效果，如表1所示。

也就能够得出教师的相关评价数值，根据每个教师所得出的数值的不同对教师加以判断和评价。而这一过程在具体计算的时候相对比较复杂，这就需要将这些程序能够和计算机相互配合使用，使得数据输入之后，计算机能够在经过其中具体程序计算之后，得出必要的数据结果，根据相关结果内容对教师群体加以评价，使得教师们能够对自身的评价更加公平公正对待，促使教师的综合素质不断加以提升。

  

图6 文献[8]匹配算法Fig.6 Matching algorithm of Reference [8]

  

图7 文献[9]匹配算法Fig.7 Matching algorithm of Reference [9]

  

图8 本文匹配算法Fig.8 Matching algorithm of this paper

 

表1 六组图像算法耗时及匹配正确率比较Table 1 Image algorithm is time-consuming and match the correct rate of six group

 

  

图9 三种算法在6组图像对上的匹配正确率Fig.9 Correct matching rate of 3 algorithms of 6 images

由表1可以看出本文算法匹配正确率高于其他算法；在匹配耗时上，低于文献[9]，稍高于文献[8]。

可见，本文所提出的算法由于引入新的特征空间和搜索策略，匹配正确率要高于文献[8]和[9]，但在匹配耗时上，稍高于文献[8]，这是由于构建新的特征空间，造成提取的特征点较多，增加了总耗时。统计结果表明本文算法与文献[8]算法相比，匹配正确率平均提高了7.6%，图像匹配速度稍慢；相比于文献[9]匹配正确率平均提高了11.4%，图像匹配速度明显加快。

  

图10 三种算法在六组图像对中的总耗时Fig.10 Elapsed time of 3 algorithms for 6 images

4 总结

本文针对现有的图像匹配算法仅利用图像的灰度信息忽略颜色信息，并且还没有考虑到高维特征向量匹配的效率问题，提出了一种基于颜色尺度不变和FANN搜索的图像匹配算法。该算法建立颜色不变量尺度空间，提取高维特征向量，结合FANN搜索策略实现特征向量的匹配。实验结果表明，本文提出的算法在匹配的效果中表现更好。但是，由于提取特征向量的过程复杂，影响了匹配速度，因此，如何进一步减少算法的总计算量是今后的研究重点。

在临床上比较多见的肠道恶性肿瘤要属直肠癌,当前发病率已经呈现不断上升的态势,通过外科手术做永久性乙状结肠造口,即人工肛门。受到结肠造口的影响,患者往往发生控便能力障碍、外观改变、散发异味等不良情况,对生活造成极大的影响,造成较大的心理压力。因此应该积极提升患者的自我护理能力,减少患者的社会交往障碍[1]。本次研究针对本院实施结肠造口手术之后的患者开展护理干预,分析其对患者自我护理能力提升的效果。

参考文献：

[1]谭博怡. 图像特征提取与匹配[D]. 北京: 中国科学院研究生院, 2008.TAN Boyi. Image Feature Extraction and Matching[D]. Beijing: Graduate School of Chinese Academy of Sciences. 2008

[2]LI Y, WANG S, TIAN Q, et al. A survey of recent advances in visual feature detection[J]. Neuro computing, 2015, 149(PB):736-751.

[3]Bay H, Tuytelaars T, Van Gool L. SURF: speeded up robust features[C]//European Conference on Computer Vision. Springer-Verlag,2006: 404-417.

[4]Rublee E, Rabaud V, Konolige K, et al. ORB: An efficient alternative to SIFT or SURF[C]//IEEE International Conference on Computer Vision.IEEE, 2011: 2564-2571.

[5]Karami E, Prasad S, Shehata M. Image Matching Using SIFT, SURF,BRIEF and ORB: Performance Comparison for Distorted Images[C]//Conference: Newfoundland Electrical and Computer Engineering Conference, IEEE, Newfoundland and Labrador Section,2015.

[6]Shah U, Mistry D, Patel Y. Survey of Feature Points Detection and Matching using SURF, SIFT and PCA-SIFT[C]//Journal of Emerging Technologies and Innovative Research. JETIR, 2014: 1.

[7]Khan N, McCane B, Mills S. Better than SIFT?[J]. Machine Vision and Applications, 2015, 26(6): 819-836.

[8]Brown M, Lowe D G. Automatic Panoramic Image Stitching using Invariant Features[J]. International Journal of Computer Vision, 2007,74(1):59-73.

[9]Abdel-Hakim A. Csift: A sift descriptor with color invariant characteristics[J]. Proc. of IEEE. COMPUTER Vision & Pattern Recognition, 2006, 2: 1978-1983.

[10]Burghouts G J, Geusebroek J M. Performance evaluation of local color invariants[J]. Computer Vision & Image Understanding, 2009, 113(1):48-62.

[11]Weijer J V D, Schmid C. Coloring Local Feature Extraction[M]//Computer Vision-ECCV 2006. Springer Berlin Heidelberg, 2006:334-348.

[12]Sande K V D, Gevers T, Snoek C. Evaluating Color Descriptors for Object and Scene Recognition[M]. IEEE Computer Society, 2010.

[13]Geusebroek J M, Rein V D B, Smeulders A W M, etal. Color Invariance[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2001, 23(12): 1338-1350.

[14]Muja M, Lowe D G. Scalable Nearest Neighbor Algorithms for High Dimensional Data[J]. IEEE Transactions on Pattern Analysis &Machine Intelligence, 2014, 36(11): 2227-2240.

[15]李尊, 申小萌, 苗同军. 对比度阈值自适应的 SIFT图像拼接算法[J].红外技术, 2017, 39(10): 946-950.LI Zun, SHEN Xiaomeng, MIAO Tongjun. Image mosaic based on contract threshold adaptive SIFT algorithm[J]. Infrared Technology,2017, 39(10): 946-950.

[16]陈月, 赵岩, 王世刚. 图像局部特征自适应的快速 SIFT图像拼接方法[J]. 中国光学, 2016, 9(4): 415-422.CHEN Yue, ZHAO Yan, WANG Shigang. Fast image stitching method based on SIFT with adaptive local image feature[J]. Chinese Optics,2016, 9(4): 415-422.

[17]Lowe D G. Distinctive Image Features from Scale-Invariant Key points[M]. Kluwer Academic Publishers,2004.