針對傳統(tǒng)圖像拼接算法拼接速度慢,難以實(shí)現(xiàn)顯微圖像實(shí)時(shí)拼接的難點(diǎn)問題,通過分析顯微鏡掃描的規(guī)律和顯微圖像的特點(diǎn),結(jié)合Canny邊緣檢測、線性搜索法、SURF及最小二乘法,提出了一種適用于顯微圖像的快速拼接算法。根據(jù)已知的重疊區(qū)域,對低倍鏡圖像和高倍鏡圖像分別使用Canny邊緣檢測和線性搜索法,獲得特征點(diǎn)相對集中的區(qū)域,使用SURF對其進(jìn)行特征點(diǎn)提取,并采用快速最近鄰搜索算法匹配特征點(diǎn)。由于顯微鏡的震動(dòng)較為規(guī)律,對于特征點(diǎn)稀少,容易出現(xiàn)誤匹配的重疊區(qū)域,為了減小算法的復(fù)雜度,利用最小二乘法,根據(jù)前后拼接點(diǎn)的位置信息,進(jìn)行預(yù)測拼接。顯微鏡的掃描過程可以視為只有平移,沒有旋轉(zhuǎn),運(yùn)用了對平移圖像融合效果好、速度快的加權(quán)平滑融合算法消除拼接縫隙。實(shí)驗(yàn)結(jié)果表明,該算法拼接速度快,具有很強(qiáng)的魯棒性和穩(wěn)定性,可以很好地實(shí)現(xiàn)顯微圖像的實(shí)時(shí)拼接。 

【文章來源】：計(jì)算機(jī)技術(shù)與發(fā)展. 2019,29(11)

【文章頁數(shù)】：5 頁

【部分圖文】：

特征點(diǎn)分布1．1Canny目標(biāo)分割

Gy=－1－2－1000121(2)其中，Gx為x方向差分模板;Gy為方向差分模板。通過Gx、Gy可以計(jì)算出梯度幅值G和方向θ:G=G2x+G2槡yθ=arctanGyGx(3)步驟3:非極大值抑制。步驟4:通過高低閾值，篩選邊緣像素點(diǎn)，如圖2(b)所示。步驟5:根據(jù)獲得的邊緣像素點(diǎn)，用形態(tài)學(xué)中的膨脹處理，形成圍繞邊緣的連接區(qū)域，如圖2(c)所示。步驟6:連接區(qū)域外接矩陣，分割目標(biāo)，如圖2(d)所示。圖2Canny分割1．2線性搜索法在低倍鏡圖像中，細(xì)胞個(gè)體分明，因此使用分割算法易于分割;但在高倍鏡圖像中，單張圖片往往只含有一個(gè)細(xì)胞的一部分，分割算法通常會(huì)將灰度值較低的區(qū)域分割成目標(biāo)，分割效果不穩(wěn)定，花費(fèi)時(shí)間較長，而特征點(diǎn)在目標(biāo)區(qū)域分布相對均勻，如何快速找到目標(biāo)區(qū)域就成了關(guān)鍵。因此，對高倍鏡圖像進(jìn)行目標(biāo)區(qū)域搜索，文中采用簡單易行的線性搜索法，實(shí)現(xiàn)步驟如下:步驟1:根據(jù)已知的重疊區(qū)域，設(shè)定一定的像素間距d(如每隔5個(gè)像素點(diǎn))。步驟2:根據(jù)設(shè)定的像素間距，統(tǒng)計(jì)每一個(gè)像素條的總灰度值s。步驟3:計(jì)算像素條的灰度均值v，并取到灰度均值最小的像素條Mv。步驟4:從取到的像素條上搜索灰度均值最小的一段，以均值最小的一段為中線，取到一個(gè)大小適中的·89·計(jì)算機(jī)技術(shù)與發(fā)展第29卷

區(qū)域(如15×15的像素矩陣)，即為初始的SUＲF提取特征點(diǎn)的區(qū)域，如圖3(d)所示。圖3線性搜索目標(biāo)區(qū)域2SUＲF特征點(diǎn)檢測及匹配SUＲF［9］算法是在SIFT基礎(chǔ)上通過簡化高斯模板，減少描述子維度改進(jìn)而來，運(yùn)行速度比SIFT快2～3倍。在旋轉(zhuǎn)較大時(shí)，SIFT更穩(wěn)定，但在顯微圖像只有平移的情況下，SUＲF與SIFT在穩(wěn)定性方面差異不大，但SUＲF效率更高。相較于Harris、Susan等角點(diǎn)檢測算子，SUＲF具有光照、旋轉(zhuǎn)不變性等優(yōu)點(diǎn)，提取的特征點(diǎn)更穩(wěn)定，因此文中使用SUＲF算法進(jìn)行特征點(diǎn)檢測和匹配。具體步驟如下:步驟1:利用拉普拉斯高斯差分構(gòu)建尺度空間。步驟2:檢測關(guān)鍵點(diǎn)。計(jì)算相關(guān)Hessian矩陣并找到尺度空間極值點(diǎn)來確定關(guān)鍵點(diǎn)，Hessian矩陣定義如下:H(x，σ)=Lxx(x，σ)Lxy(x，σ)Lxy(x，σ)Lyy(x，σ)[](4)步驟3:分配關(guān)鍵點(diǎn)方向。以特征點(diǎn)為中心，在一定領(lǐng)域內(nèi)對60°扇形里的所有點(diǎn)在水平和垂直方向的Haar小波相應(yīng)值進(jìn)行累加，最大的Haar相應(yīng)累加值為該特征點(diǎn)對應(yīng)的主方向。步驟4:生成特征點(diǎn)描述子。步驟4．1:構(gòu)建特征點(diǎn)領(lǐng)域的正方形區(qū)域，邊長為20σ，其中σ為興趣點(diǎn)尺度，旋轉(zhuǎn)正方形領(lǐng)域到該特征點(diǎn)主方向。步驟4．2:將上一步驟建立的正方形區(qū)域劃分為4×4個(gè)子區(qū)域，在每個(gè)子區(qū)域里計(jì)算5×5規(guī)則網(wǎng)格空間里的4維特征向量，該特征包含Haar小波對水平與垂直方向的響應(yīng)及響應(yīng)和的絕對值。步驟4．3:計(jì)算每個(gè)子區(qū)域的4維特征并進(jìn)行累加，將分成的16個(gè)子區(qū)域進(jìn)行累加得到最終

【參考文獻(xiàn)】：
期刊論文
[1]基于OpenCV環(huán)境的SIFT、SURF、ORB算法比較分析[J]. 劉偉,錢莉.  化工自動(dòng)化及儀表. 2018(09)
[2]SIFT與SURF特征提取算法在圖像匹配中的應(yīng)用對比研究[J]. 陳敏,湯曉安.  現(xiàn)代電子技術(shù). 2018(07)
[3]基于最小二乘法的數(shù)據(jù)采集儀電壓校準(zhǔn)系數(shù)提取方法[J]. 李世文,羅凱,王瑩澈,田昱.  探測與控制學(xué)報(bào). 2017(06)
[4]圖像拼接方法綜述[J]. 羅群明,施霖.  傳感器與微系統(tǒng). 2017(12)
[5]基于Canny算子的圖像邊緣檢測方法改進(jìn)研究[J]. 馮永亮.  計(jì)算機(jī)與數(shù)字工程. 2016(08)
[6]改進(jìn)SURF快速圖像匹配[J]. 王亞迪,李秀華.  長春工業(yè)大學(xué)學(xué)報(bào). 2016(02)
[7]基于高斯矩改進(jìn)SURF算法的移動(dòng)機(jī)器人定位研究[J]. 朱奇光,王佳,張朋珍,陳穎.  儀器儀表學(xué)報(bào). 2015(11)
[8]景象匹配算法SURF和SIFT匹配性能研究[J]. 杜江,楊建華,石靜,許曉帆.  機(jī)械與電子. 2014(03)
[9]基于SURF和全局特征融合的圖像分類研究[J]. 梁進(jìn),劉泉,艾青松.  計(jì)算機(jī)工程與應(yīng)用. 2013(17)



本文編號：3351407