摘  要： 針對單一特征引導圖像匹配的準確度有限,提出了一種同時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合起來，首先計算每個特征點的灰度對比直方圖，然后引入邊緣屬性以增強邊緣的匹配。實驗結果表明，該算法由于同時采用灰度信息與邊緣信息引導圖像匹配，其匹配效果好于單獨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，同時滿足旋轉和光照不變性, 對圖像灰度變化和噪聲不敏感, 具有良好的匹配性能。
關鍵詞： 局部特征; 灰度; 邊緣; 灰度對比直方圖; 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、無需預先對圖像分割和獨特性等特點,被廣泛應用于物體識別、圖像匹配及圖像檢索等領域。在基于局部特征的匹配方法中，特征描述子的構建是非常重要的環(huán)節(jié)，一個完備而緊湊的描述子不僅可以較真實地表達特征點所包含的獨特信息，而且能降低特征匹配的計算復雜度。
    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,它對圖像的各種變換具有較好的魯棒性, 是目前應用最廣泛的特征描述算法。KE Y等[2]在SIFT算法的基礎上利用主成分分析(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, 它通過計算中心點及周圍鄰域采樣點的灰度差的正負構成一個二進制描述串。與LBP思想類似，Huang Chunrong[4]等提出了對比上下文直方圖CCH(Contrast Context Histogram)描述子，利用鄰域區(qū)域的像素強度之間的線性關系進行特征描述，在對數(shù)-極坐標中計算周圍每個分塊中像素點與中心點之間的灰度差。LBP和CCH算法采用特征點鄰域的灰度差異直方圖建立特征描述子，降低了算法的復雜度，使得匹配速度有所提高，但是對存在旋轉、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的形狀，該描述子對于局部區(qū)域形變具有不變性，但是在一定程度上對噪聲比較敏感。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的空間位置關系，但是當圖像灰度變化或幾何畸變較大時就不足以表示圖像特征；基于形狀或邊緣的方法關心鄰域的結構信息，但是對噪聲比較敏感。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，通過統(tǒng)計特征點鄰域內每個像素的出現(xiàn)頻率獲得灰度直方圖,然后利用Candy算子檢測邊緣，利用邊緣強度表示邊緣屬性。
    本文提出一種同時使用灰度和邊緣信息的特征描述子CSCH（Contrast-Shape Context Histogram）。首先使用對數(shù)-極坐標方式劃分局部鄰域; 然后使用CCH方法統(tǒng)計鄰域像素強度之間的關系;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；最后對灰度信息和邊緣信息進行整合，定義信息更為準確、豐富的描述子，增強描述能力。實驗表明，結合灰度和邊緣信息的描述子，其準確率比單獨使用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，同時滿足了旋轉和光照不變性, 對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建
1.1 CCH描述子
    CCH利用鄰域區(qū)域的像素強度之間的線性關系進行特征描述。首先以特征點pc為中心，采用極坐標劃分方式將特征點鄰域劃分成若干個不相交的區(qū)域：R0,R1,…，Rs，然后用直方圖方法統(tǒng)計每個區(qū)域中的灰度值相異情況。為了增強描述符的獨特性, 對于每個子區(qū)域分別統(tǒng)計正向和負向強度對比值HRi+和HRi-：




    本文針對單一特征引導圖像匹配的準確度有限的問題，提出了一種結合灰度和邊緣信息的特征描述方法CSCH來描述特征點鄰域。利用直方圖方法同時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系，又兼顧了鄰域的結構信息，并且通過將特征點鄰域旋轉至主方向獲得了旋轉不變性，利用特征向量的歸一化獲得了對亮度變換的魯棒性。實驗表明，利用本文算法提取的特征描述子滿足旋轉、光照、壓縮、模糊和部分視點變換不變性。
參考文獻
[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.