《序列图像缩放系数的一种实时估量算法.docx》由会员分享，可在线阅读，更多相关《序列图像缩放系数的一种实时估量算法.docx（10页珍藏版）》请在三一文库上搜索。
1、序列图像缩放系数的一种实时估量算法【摘要】照相机在靠近或远离目标景物的运动进程中，如维持聚 焦中心点不变，那么前后两帧图像间存在一致的缩放关系。现在，可 依照尺度转变以下图像灰度积存投影曲线的特点，别离计算参考帧和 当前帧的投影曲线上一对极大一极小值点的坐标差值，以它们的比值 作为缩放系数，实现实时求取。最后以实例验证了本算法。【关键词】径向运动；缩放系数；灰度投影；图像序列Real-time estimation of scale change in sequence imagesAbstract: When a camera moves towards the objects, the t
2、arget images acquired look like to be enlarged. To estimate the scale change of image sequence in real-time, a novel spatial-domain method is proposed. According to the characteristics of the gray projection curves, a pair of maximum and minimum points are found near the central position of each gra
3、y projection curve. The differences in position are calculated respectively and the scale change parameter is obtained as the ratio of both differences. Experimental results showed that this method is feasible and efficient.Key words: radial motion; scale change; image gray projection; image sequenc
4、es在H常生活中，咱们都有如此的体验:当咱们驾驶汽车目光正视, 向正前方快速行进时，前方的目标将迅速变大扑面而来。此种相向或 相离运动被称为径向运动。在照相机和目标间存在径向运动的情形下，如维持聚焦中心不 变，那么相机所拍照的持续两帧图像间存在一致的尺度缩放，即图像 在各个方向上的尺度变换因子相同。对图像序列缩放系数的估量是运 动估量中的一项重要内容，在图像配准、视频稳像和实时跟踪等领域 都需要用到此类运动参数。目前，用于确信各类运动参数的方式有傅里叶梅林变换法1,2、 基于空间域的相互关方式31光流场法4和灰度投影法5等 等。基于傅里叶梅林变换的图像配准算法是一种经典的基于非特点 的图像配准
5、方式，可对两幅近似知足相似变换（平移、缩放、旋转） 的图像进行配准。通过对图像傅立叶变换后的幅值谱作对数极坐标变 换，将两幅图像在笛卡尔坐标空间的旋转和缩放关系转化为其幅值谱 在对数极坐标空间的平移关系。然后通过互功率谱的逆傅立叶变换（即 相位相关法6）检测出图像的旋转角和缩放因子。再将图像按所得 参数进行矫正，最后通过相位相关技术取得校正图像的平移参数。由 于采纳了二维对数极坐标变换和两步相位相关法，该算法复杂度高， 计算量大，效率低，很难知足实时计算的要求。基于空间域的相互关法是一种最大体的基于灰度统计的方式，它 通常被用来进行模板匹配和模式识别。它是一种匹配气宇，给出了模 板图像与基准图
6、像之间的相似度值。光流法采纳在两帧运动图像间估量光流场，然后基于光流场进行 目标检测。光流法的优势在于光流不仅携带了运动目标的运动信息， 而且还携带了有关景物三维结构的丰硕信息，它能够在不明白场景的 任何信息的情形下检测出运动对象，可是大多数光流法的计算方式相 当复杂，计算耗时，实时性和适用性都较差。灰度投影算法原理简单，计算效率高，实时性好，它利用图像的 行列灰度投影曲线做一次相关运算，就能够够准确地获取图像的运动 矢量。可是大多数灰度投影算法只能用于实现平移参数的估量，无法 实现尺度转变下的图像序列的运动参数估量。本文通过度析尺度转变以下图像灰度投影矢量的特点，提出了一 种新的空域实时估量
7、算法，实现了缩放参数的求取，并通过大量实验对算法进行了验证。1灰度投影法的大体思想灰度投影把一帧输入的MXN图像的灰度值映射成两个独立的一 维波形：G(x)= N y=lf(x,y), (1)G(y)= M x=lf (x, y). (2)其中f (x, y)表示图像上(x, y)点的灰 度值，G(x)表示第x行像素的投影值，即图像第x行像素灰度值的累 加和；G(y)表示第y列像素的投影值，即图像第y列像素灰度值的累 加和。为了排除光照不同造成的误差，需对公式(1)、(2)中的投影矢量 做中心化处置：(x)=G(x)-(x), (3)(y)=G (y) - (y). (4)其中(x)=l M
8、M x=lG (x)、(y) =1 N N y=lG (y) 别离是行、列投影曲线均值。(x)是中心化后的行投影值，(y)是中心 化后的列投影值。图1别离给出参考帧图像及其行、列投影曲线aO、，一、a2,当前帧图像及其行、列投影曲线bO、b-、b2。图像的灰度投影中保留了尽可能多的图像灰度信息，反映出图像 的整体特点，具有抑制噪声的性能，且运算量小，速度快，易于实现。2从投影曲线到缩放系数假定参考帧上某点(x,y)处灰度值为f(x, y, t),径向运动后为 (x，y),对应的灰度值为f(x ,y ,t)。依照缩放的瞬时运动 的特点，可假设图像的几何形状做线性持续缩放而原始像素的灰度值 不变，
9、即f(x,，y，t )=f(x, y, t),而关于图像的聚焦中心点 (xO,yO),还有/ O=xO, y 0二yO。一样，能够对图像的行或列灰度投 影矢量作类似的假设。设Gl(x)表示参考帧第x行的投影值，径向运动后，其在当前帧 G2(x)中的对应行为x,投影值为G2(x),那么Gl(x)=G2(x ), 关于聚焦中心点xO,还有/ 0x0。若是是放大变换，G2(x)将损失部 份信息，若是是缩小变换，那么G2(x)中将引入新的图像信息。缩放系数的估量设MXN图像聚焦中心点所在列为yO二N/2,第y列的投影矢量值 为G(y),通过缩放后变成G(y),那么列y和y为对应列”。如 。为放大因子，
10、那么：y yO=o (yyO). (5)因此，确信。的关键 就在于找到“对应列 y和y。注意到图1中的行投影曲线对(a、 bl), al的最大值是，对应的横坐标为97, bl的最大值是，对应的横 坐标为90,这两点都是曲线上波峰的最大值点，都位于中心点的左侧, 因此，这两个峰值点的横坐标正是咱们要找的“对应列二但是，在实际处置中，由于相机的抖动或噪声等缘故，往往造成 聚焦中心点发生小的偏移，致使y0处未必正好是图像中心列，这就可 能使得基于聚焦中心点的公式计算出来的缩放因子有较大的误差。 可是，不管该中心点偏向哪一侧，它始终落在两个极值点之间，而两 个极值点的相对位置不大会发生改变，因此，咱们
11、可在投影曲线的中 心点双侧各找出一对“对应列”来排除这一误差，于是取得改良的。 估量公式：。 心y max-yz min ymax-ymin (ymaxymin). (6) 依 照前文的分析，缩放后，图像内容的改变使投影曲线的两头有较大不 同，因此，咱们不在曲线端点周围搜索“对应列二 而图1中行投影 曲线相对简单的波形和列投影曲线的复杂波形也暗示咱们能够依照曲 线转变的猛烈程度来选择行投影仍是列投影。图1目标景物图像及其行、列投影曲线投影曲线的滑腻预处置为了去除曲线中小的“毛刺”和可能的噪声干扰，咱们对投影曲 线做样条滑腻9。曲线上波峰和波谷保留的个数跟样条滑腻的次数 有关，滑腻后的曲线波形仍
12、然维持着原始曲线的大致形状和咱们所需 要的要紧波峰、波谷等信息，便于咱们通过比较滑腻曲线上波峰、波 谷的个数来判定选择行投影曲线仍是列投影曲线。如图2,滑腻后的 行投影曲线中保留的波峰、波谷个数少于列投影曲线。因此，选择行 投影曲线作参数估量，计算结果见表1。表1图3仿真图像实验结果 及误差算法步骤具体步骤如下：（1）对图像做行、列灰度投影；（2）滑腻投影曲线；（3）寻觅滑腻后行投影与列投影曲线的波峰、波谷较少者进一 步处置。（4）别离找到两幅图像投影曲线（滑腻后）波峰波谷中的最大 值、最小值，依照其坐标判定是不是为“对应列”，如是，将最大值与 最小值坐标之差的比值作为结果输出，假设不是，那么
13、寻觅次大值或次小值，直至找到符合条件的为止，并输出结果。（5）假设（4）中并未搜索到适合的“对应列”，那么选择另一 种投影曲线作处置。图2滑腻后的投影曲线3实验分析实验选取了人工仿真的图像序列图3（A、B）和图4（C、D）和真实 拍照的图像序列图5（E、F）进行估量，实验环境为Intel Core双核处 置器，主频GHz,内存1GDDR2。图35中，图像大小为256义256。 本文与基于傅立叶梅林变换的文献1和基于分层搜索法的文献7 进行了比较，比较结果、误差和计算时刻见表一、表二、表3o实验 结果说明，本算法在知足精度要求的同时，在计算时刻上具有较大优 势。表2图4仿真图像实验结果及误差表3
14、图5实拍图像实验结果 及误差4结论本文提出了一种图像序列缩放参数实时估量的空域算法，实验结 果说明，与传统的时域、频域方式相较，本算法实现简单，计算结果 有较高的精度，能够专门好的知足实时计算的要求，具有较高的应用 价值。可是，若是由于图像本身成像质量较差，灰度投影曲线波形的 峰、谷值不太明显，那么可能会显现搜索不到适合的“对应列”的情 形，从而致使本文算法估量失败。现在，能够考虑先将图片进行预处 置，再作进一步的研究。【参考文献】1 S Reddy S, Chatterji BN. An FFT-based technique for translation, rotation, and s
15、cale-invariant image registration j . IEEE Trans. Image Processing, 1996, 5(8):1266-1270.2 Chen QS, Defrise M, Deconinck F. Symmetric phase-only matched filtering of Fourier-Mellin transforms for image registration and recognition J . IEEE Trans Pattern Analysis Machine Intel, 1994, 16 (12): 1156-11
16、68.3 Wolberg G, Zokai S. Robust image registration using Log-polar transform A . Proc IEEE Int Con Image Processing C . 2000. 493-496.4 D Fedorov D, Fonseca L M G, KenneyC, et al. Automatic registration and mosaicking system forremotely sensed imagery A . SPIE 9th Int Symp Remote Sensing C . Greece:
17、 Crete, 2002. 22-27.1 Crawford A J, Denman H, Kelly F. Gradient based dominant motion estimation with integral projections for real time video stabilization J . IEEE ICIP 2004, 5:3371-3374.6 Kuglin C D, Hines D C. The phase correlation image alignment method A. Proc Cyberntics SocietyC. San Francisc
18、o, USA: unknown publisher , 1975:163-165.7 Bergen J R, Anandan P, Hanna K J, et al. Hierarchical model-based motion estimationA. Proc Eur Conf Computer Vision C. Santa Margherita Ligure Italy: unknown publisher. 1992. 237-252.8 Zitova B, Flusser J. Image registration methods: A survey j . Image Vision Comput, 2003, 21:977-1000.9 Cai L D. Spline Smoothing: a special case of diffusion smoothing A . Proc 5th Alvey Vision Conf C . UK: Reading, 1989. 273-276.10 11