基于拉普拉斯金字塔融合的岩心图像拼接算法_徐圣滨.pdf

基于拉普拉斯金字塔融合的岩心图像拼接算法徐圣滨1,李立华2,何小海1,卿粼波1,陈洪刚11(四川大学电子信息学院,成都610065)2(河北省地质矿产勘查开发局第六地质大队,石家庄050086)通信作者:陈洪刚,E-mail:honggang_摘要:针对岩心图像拼接效率低以及易出现鬼影现象的问题,提出了一种基于最佳缝合线的拉普拉斯金字塔融合的岩心图像拼接方法.首先将待拼接的两幅岩心图像进行灰度变换,根据 ORB 算法计算并描述特征点;其次使用改进的 randomsampleconsensus(RANSAC)算法对特征点进行提纯,完成特征点匹配;根据匹配的特征点计算图像间的配准关系,最后根据最佳缝合线实现岩心图像的拉普拉斯金字塔融合,完成拼接.实验结果表明,改进的RANSAC 算法能在保证正确率的同时提升速度,而且本文提出的图像融合方法避免了鬼影的产生,在融合区域的PSNR、SSIM 和 DoEM 客观评价指标上与另外两种图像融合算法相比都有所提升.关键词:岩心图像;RANSAC;最佳缝合线;图像融合;图像拼接引用格式:徐圣滨,李立华,何小海,卿粼波,陈洪刚.基于拉普拉斯金字塔融合的岩心图像拼接算法.计算机系统应用,2023,32(2):316321.http:/www.c-s- Image Stitching Algorithm Based on Laplacian Pyramid FusionXUSheng-Bin1,LILi-Hua2,HEXiao-Hai1,QINGLin-Bo1,CHENHong-Gang11(CollegeofElectronicsandInformationEngineering,SichuanUniversity,Chengdu610065,China)2(TheSixthGeologicalBrigadeofHebeiBureauofGeologyandMineralExplorationandDevelopment,Shijiazhuang050086,China)Abstract:AcoreimagestitchingmethodbasedonLaplacianpyramidfusionwiththebestseam-lineisproposedtoaddresstheproblemsoflowcoreimagestitchingefficiencyandthetendencyofghosting.Firstly,twocoreimagestobestitchedareprocessedthroughgrey-leveltransformation,andthenfeaturepointsarecalculatedanddescribedaccordingtotheORBalgorithm.Secondly,theimprovedrandomsampleconsensus(RANSAC)algorithmisusedtopurifythefeaturepointsandcompletefeaturepointmatching.Accordingtothematchedfeaturepoints,thealignmentrelationshipbetweentheimagesiscalculated.Finally,theLaplacianpyramidfusionofthecoreimagesisrealizedbasedonthebestseam-line,andthestitchingiscompleted.TheexperimentalresultsshowthattheimprovedRANSACalgorithmcanimprovethespeedwhileensuringaccuracy,andtheproposedimagefusionmethodavoidsthegenerationofghostingandperformsbetteronthePSNR,SSIM,andDoEMobjectiveevaluationindexesofthefusionregioncomparedwiththeothertwoimagefusionalgorithms.Key words:coreimage;randomsampleconsensus(RANSAC);bestseam-line;imagefusion;imagestitching在地质勘探工作中,科研人员利用特殊的取芯设备从地质层中取出圆柱状岩石样品,即岩心.为了解决大量岩心的存放和共享问题,需要将岩心数字化保存1.滚动扫描是采集岩心图像的方式之一,通过线阵相机与岩心表面的相对运动来采集图像,如图 1 所示.由于相机视野的限制,每一次只能采集一定长度的岩心图计算机系统应用ISSN1003-3254,CODENCSAOBNE-mail:ComputerSystems&Applications,2023,32(2):316321doi:10.15888/ki.csa.008979http:/www.c-s-中国科学院软件研究所版权所有.Tel:+86-10-62661041基金项目:国家自然科学基金(62071315)收稿时间:2022-07-09;修改时间:2022-08-09;采用时间:2022-09-21;csa 在线出版时间:2022-11-18CNKI 网络首发时间:2022-11-21316软件技术算法SoftwareTechniqueAlgorithm像,为了得到完整的图像,需要将多幅岩心图像拼接起来.采用自动化的图像拼接技术能节省大量人工劳动,同时提高图像拼接的准确性,从而提高工作效率.平动线阵相机岩心滚动图 1滚动扫描示意图常见图像拼接流程包括图像预处理、图像配准以及图像融合2,其中不同的图像配准方法直接导致不同的时间复杂度和拼接准确性,图像配准中最重要的是特征点提取与匹配,常见的方法有 SIFT(scale-invariantfeaturetransform)算法3.SURF(speeded-uprobustfeatures)算法4和 ORB(orientedFASTandrotatedBRIEF)算法5.由于岩心图像分辨率高,可提取的特征点数量大,使用 ORB 特征点能在满足特征点精度的同时保证提取速度,从而减少了整个拼接过程的耗时.RANSAC 算法是常见的特征点提纯算法,但存在迭代次数多,且由于随机性带来的不稳定性.不同的图像融合方法导致拼接细节的差异性6.常见的图像融合方法是渐进渐出加权平均算法,根据此方法拼接之后的重合区域能实现平滑过渡7.但是对于一些具有一定扭曲角度的岩心图像来说,会在局部产生鬼影现象.使用基于最佳缝合线8的金字塔融合方法能够避免鬼影的产生,提升拼接图像的细节.针对上述可能出现的问题,本文提出一种应用于岩心图像的拼接方法,首先使用 ORB 算法提取待拼接图像的特征点,然后使用改进的 RANSAC 算法对提取的特征点进行提纯,最后使用基于最佳缝合线的金字塔融合方法进行图像融合,完成岩心图像的拼接.该方法能在满足拼接速度与准确性的基础上,减少图像拼接的鬼影问题,实现较好的拼接效果.1相关工作本文提出的岩心图像拼接方法主要包括岩心图像的采集、灰度变换、特征点提取与匹配、图像配准与融合等步骤.以下分别对步骤中常见的技术进行介绍.1.1 特征点提取与匹配ORB 算法使用图像中的关键点快速创建特征向量,并使用这些向量来识别对象.ORB 算法使用高效的 FAST(featuresfromacceleratedsegmenttest)算法9来进行特征点检测,使用 BRIEF(binaryrobustinde-pendentelementaryfeatures)算法10来描述每一个特征点,搜索此描述符的时间短.为了保证拼接的速度,本文使用 ORB 算法来提取特征点.由 ORB 算法提取的特征点中会有部分错误匹配的特征点,如果使用这些错误的匹配点进行配准将会有很大的误差.最常用的方法是使用 RANSAC 算法对两幅图像中匹配的特征点进行提纯,这是一种迭代的估计方法,能够从大量数据中估算出比较好的数据模型11.RANSAC 主要有以下步骤.(1)在图像提取的特征点集中,随机抽取 4 个样本,计算其单应性矩阵,并将其所对应参数记为模型 M0,确定好阈值.(2)以此模型为基准,计算集合中所有点到 M0的距离,若距离小于设定阈值,则将此特征点加入到内点集 S0中.(3)如果当前内点集中的特征点数大于最优的内点集,则更新最优内点集 Sb为 S0.(4)重复步骤(1)(3),直到迭代次数达到设定值,或者最优内点集 Sb元素数达到设定值,此时 Sb内特征点对应的是最可靠模型,算法结束.1.2 图像配准与融合经过提纯后的特征点反映了两幅岩心图像之间正确的变换关系.岩心图像的采集方式决定了两幅岩心图像之间不会有较复杂的变换关系,通常为平移关系.并且岩心图像分辨率很高,使用平移关系计算而非单应性矩阵计算使计算速度更快,因此本文通过平移关系进行图像配准.图像融合方法直接决定了岩心图像拼接的最终质量.最简单的图像融合方法是将两幅图像重叠区域像素值求均值作为拼接图像对应位置的像素值.简单融合会造成岩心图像拼接处有明显的亮度、色调差异,使得拼接图像不自然,从而影响岩心工作人员进行判断.渐进渐出图像融合能在一定程度上解决简单融合带来的问题,这是最常见的图像融合方法,以两幅图像横向拼接为例,如图 2 所示,白色区域为非重叠区域,2023年第32卷第2期http:/www.c-s-计 算 机 系 统 应 用SoftwareTechniqueAlgorithm软件技术算法317可直接将左图和右图的对应点的像素值赋值给拼接图像.对于有色重叠区域,例如求 Q 点融合所得像素值,则由左图和右图对应点像素值加权求和所得:I(x,y)=W1I1(x,y)+W2I2(x,y)(1)其中,I(x,y)、I1(x,y)和 I2(x,y)分别代表该点在拼接图像中的像素值、该点在左图中的像素值和该点在右图中的像素值.W1和 W2分别是左图和右图中像素点的权重,其计算方法为:W1=DD1DW2=1W1(2)其中,D 为重叠区域的总宽度,D1为 Q 点距离重叠区域左边界的宽度.DQD1图 2渐进渐出融合示意图如图 2 所示,渐进渐出图像融合将重叠区域的中间的虚线作为缝合线进行融合,运算量小且简单,因此被广泛使用.使用以上方法,能完成岩心图像的拼接.但经过实际测试发现,采用上述方法拼接速度不够理想,且拼接处容易产生鬼影.2本文提出的方法本文提出的岩心图像拼接流程如图 3 所示.首先对采集的多幅图像进行灰度变换,以减少错误匹配点的数量.使用 ORB 算法对灰度图像进行特征点的提取与匹配,然后使用改进的 RANSAC 算法删除部分误匹配的特征点,根据正确的特征点进行图像配准,最后基于最佳缝合线进行拉普拉斯金字塔融合.使用该方法进行岩心图像的拼接,能在保证拼接实时性的同时保留更好的岩心图像纹理等细节.以下分别对本文提出的改进 RANSAC 算法和结合最佳缝合线的拉普拉斯金字塔融合方法进行介绍.开始结束采集多幅岩心图像根据正确的特征点进行图像配准依据最佳缝合线,进行拉普拉斯金字塔图像融合得到融合图像,完成岩心图像拼接灰度变换使用 ORB 算法对图像进行特征点提取与匹配使用改进的 RANSAC 算法剔除错误匹配特征点图 3岩心图像拼接流程 2.1 改进的 RANSAC 算法理论上传统的 RANSAC 算法只要迭代次数足够,就能够估算出最优内点集.但由于下一次迭代与上一次迭代毫无关联,其随机性可能导致在设定的迭代次数内无法找到内点集,或找到的内点集元素数较少.在迭代过程中,下一次迭代取点不从全部特征点中选取,而是从上一次迭代得到的最优内点集中选取,这样能进一步加快迭代的速度.同时,在第一次迭代之前,先对所有特征点对按其欧氏距离排序,当最优内点集内元素数小于一