摘  要： 針對(duì)單一特征引導(dǎo)圖像匹配的準(zhǔn)確度有限,提出了一種同時(shí)使用灰度和邊緣信息的特征描述子。該描述子將圖像的幾何特征與灰度信息結(jié)合起來,，首先計(jì)算每個(gè)特征點(diǎn)的灰度對(duì)比直方圖,，然后引入邊緣屬性以增強(qiáng)邊緣的匹配。實(shí)驗(yàn)結(jié)果表明,，該算法由于同時(shí)采用灰度信息與邊緣信息引導(dǎo)圖像匹配,，其匹配效果好于單獨(dú)使用灰度或邊緣的圖像匹配算法，在一定程度上降低了誤匹配率,，同時(shí)滿足旋轉(zhuǎn)和光照不變性, 對(duì)圖像灰度變化和噪聲不敏感, 具有良好的匹配性能,。
關(guān)鍵詞： 局部特征; 灰度; 邊緣; 灰度對(duì)比直方圖; 形狀上下文直方圖

    圖像的局部特征具有在多種圖像變換下的不變性、無需預(yù)先對(duì)圖像分割和獨(dú)特性等特點(diǎn),被廣泛應(yīng)用于物體識(shí)別,、圖像匹配及圖像檢索等領(lǐng)域,。在基于局部特征的匹配方法中，特征描述子的構(gòu)建是非常重要的環(huán)節(jié),，一個(gè)完備而緊湊的描述子不僅可以較真實(shí)地表達(dá)特征點(diǎn)所包含的獨(dú)特信息,，而且能降低特征匹配的計(jì)算復(fù)雜度。
    近年來,許多特征描述算法被提出,。LOWE D G[1]提出了著名的SIFT描述子,它對(duì)圖像的各種變換具有較好的魯棒性, 是目前應(yīng)用最廣泛的特征描述算法,。KE Y等[2]在SIFT算法的基礎(chǔ)上利用主成分分析(PCA)將SIFT描述子的維數(shù)由128降到了20，大幅度提高了匹配速度,，但其描述子的獨(dú)特性不及SIFT 算子,。OJALA T[3]等人提出的LBP(Local Binary Pattern)算子能夠有效地描述紋理特征, 它通過計(jì)算中心點(diǎn)及周圍鄰域采樣點(diǎn)的灰度差的正負(fù)構(gòu)成一個(gè)二進(jìn)制描述串。與LBP思想類似,，Huang Chunrong[4]等提出了對(duì)比上下文直方圖CCH(Contrast Context Histogram)描述子,，利用鄰域區(qū)域的像素強(qiáng)度之間的線性關(guān)系進(jìn)行特征描述，在對(duì)數(shù)-極坐標(biāo)中計(jì)算周圍每個(gè)分塊中像素點(diǎn)與中心點(diǎn)之間的灰度差,。LBP和CCH算法采用特征點(diǎn)鄰域的灰度差異直方圖建立特征描述子,，降低了算法的復(fù)雜度，使得匹配速度有所提高,，但是對(duì)存在旋轉(zhuǎn),、尺度和視角等變換的圖像，魯棒性有較大的降低,。BELONGIE S[5]提出了形狀上下文（Shape Context）描述子用于刻畫目標(biāo)的形狀,，該描述子對(duì)于局部區(qū)域形變具有不變性，但是在一定程度上對(duì)噪聲比較敏感,。不管是SIFT描述子,，還是LBP,、CCH或Shape Context描述子，從實(shí)現(xiàn)方式上來說,，都是基于分布的描述子,，利用直方圖表征灰度、形狀或邊緣等特征,?；卩徲虻幕叶确植夹畔⒌姆椒軌蚝芎玫孛枋鱿袼刂g的空間位置關(guān)系，但是當(dāng)圖像灰度變化或幾何畸變較大時(shí)就不足以表示圖像特征,；基于形狀或邊緣的方法關(guān)心鄰域的結(jié)構(gòu)信息,，但是對(duì)噪聲比較敏感。Shen Dinggang[6]利用局部空間灰度直方圖和邊緣信息來共同完成圖像配準(zhǔn),，通過統(tǒng)計(jì)特征點(diǎn)鄰域內(nèi)每個(gè)像素的出現(xiàn)頻率獲得灰度直方圖,然后利用Candy算子檢測邊緣,，利用邊緣強(qiáng)度表示邊緣屬性。
    本文提出一種同時(shí)使用灰度和邊緣信息的特征描述子CSCH（Contrast-Shape Context Histogram）,。首先使用對(duì)數(shù)-極坐標(biāo)方式劃分局部鄰域; 然后使用CCH方法統(tǒng)計(jì)鄰域像素強(qiáng)度之間的關(guān)系;再使用Canny 邊緣檢測算法和輪廓提取算法獲得邊界信息,并利用Shape Context算法刻畫鄰域的邊緣信息,；最后對(duì)灰度信息和邊緣信息進(jìn)行整合，定義信息更為準(zhǔn)確,、豐富的描述子,，增強(qiáng)描述能力。實(shí)驗(yàn)表明,，結(jié)合灰度和邊緣信息的描述子,，其準(zhǔn)確率比單獨(dú)使用CCH描述子或Shape Context描述子更高，在一定程度上降低了誤匹配的概率,，同時(shí)滿足了旋轉(zhuǎn)和光照不變性, 對(duì)圖像灰度變化和噪聲不敏感, 具有良好的匹配性能,。
1 基于直方圖的描述子的構(gòu)建
1.1 CCH描述子
    CCH利用鄰域區(qū)域的像素強(qiáng)度之間的線性關(guān)系進(jìn)行特征描述。首先以特征點(diǎn)pc為中心,，采用極坐標(biāo)劃分方式將特征點(diǎn)鄰域劃分成若干個(gè)不相交的區(qū)域：R0,R1,…,，Rs，然后用直方圖方法統(tǒng)計(jì)每個(gè)區(qū)域中的灰度值相異情況,。為了增強(qiáng)描述符的獨(dú)特性, 對(duì)于每個(gè)子區(qū)域分別統(tǒng)計(jì)正向和負(fù)向強(qiáng)度對(duì)比值HRi+和HRi-：




    本文針對(duì)單一特征引導(dǎo)圖像匹配的準(zhǔn)確度有限的問題,，提出了一種結(jié)合灰度和邊緣信息的特征描述方法CSCH來描述特征點(diǎn)鄰域。利用直方圖方法同時(shí)表征圖像的灰度和邊緣信息,，所得描述子既能很好地描述鄰域像素之間的空間位置關(guān)系,，又兼顧了鄰域的結(jié)構(gòu)信息，并且通過將特征點(diǎn)鄰域旋轉(zhuǎn)至主方向獲得了旋轉(zhuǎn)不變性,，利用特征向量的歸一化獲得了對(duì)亮度變換的魯棒性,。實(shí)驗(yàn)表明，利用本文算法提取的特征描述子滿足旋轉(zhuǎn),、光照,、壓縮,、模糊和部分視點(diǎn)變換不變性。
參考文獻(xiàn)
[1]     LOWE D G. Distinctive image features from scale-invariant keypoints[J]. International Journal of Computer Vision,  2004,60(2):91-110.
[2] KE Y, SUKTHANKAR R. PCA-SIFT: a more distinctive  representation for local image descriptors[C]. Proceedings  of IEEE Computer Society Conference on Computer Vision  and Pattern Recognition,， Washington D.C., USA, 2004:  506-513.
[3] OJALA T, PIETIKAINEN M, HARWOOD D. A comparative study of texture measures with classification based on  feature distributions[J].Pattern Recognition,1996,29(1):51-59.
[4] Huang Chunrong, Chen Chusong, CHUNG P C. Contrast context histogram—an effcient discriminating local descrip tor for object recognition and image matching[J]. Pattern Recognition,2008,41(10):3071-3077.
[5] BELONGIE S, MALIK J, PUZICHA J. Shape matching and  object recognition using shape contexts[C]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2002, 24(4):509-522.
[6] Shen Dinggong. Image registration by local histogram matching[J].Pattern Recognition,2007,40:1161-1172
[7] HARRIS C, STEPHENS M. A combined corner and edge  detect or[C]. Proceedings of the 4th Alvey Vision Conference, Manchester, UK, 1988:147-151.