摘 要： 针对单一特征引导图像匹配的准确度有限,提出了一种同时使用灰度和边缘信息的特征描述子。该描述子将图像的几何特征与灰度信息结合起来，首先计算每个特征点的灰度对比直方图，然后引入边缘属性以增强边缘的匹配。实验结果表明，该算法由于同时采用灰度信息与边缘信息引导图像匹配，其匹配效果好于单独使用灰度或边缘的图像匹配算法，在一定程度上降低了误匹配率，同时满足旋转和光照不变性, 对图像灰度变化和噪声不敏感, 具有良好的匹配性能。
关键词： 局部特征; 灰度; 边缘; 灰度对比直方图; 形状上下文直方图
图像的局部特征具有在多种图像变换下的不变性、无需预先对图像分割和独特性等特点,被广泛应用于物体识别、图像匹配及图像检索等领域。在基于局部特征的匹配方法中，特征描述子的构建是非常重要的环节，一个完备而紧凑的描述子不仅可以较真实地表达特征点所包含的独特信息，而且能降低特征匹配的计算复杂度。
近年来,许多特征描述算法被提出。LOWE D G[1]提出了著名的SIFT描述子,它对图像的各种变换具有较好的鲁棒性, 是目前应用最广泛的特征描述算法。KE Y等[2]在SIFT算法的基础上利用主成分分析(PCA)将SIFT描述子的维数由128降到了20，大幅度提高了匹配速度，但其描述子的独特性不及SIFT 算子。OJALA T[3]等人提出的LBP(Local Binary Pattern)算子能够有效地描述纹理特征, 它通过计算中心点及周围邻域采样点的灰度差的正负构成一个二进制描述串。与LBP思想类似，Huang Chunrong[4]等提出了对比上下文直方图CCH(Contrast Context Histogram)描述子，利用邻域区域的像素强度之间的线性关系进行特征描述，在对数-极坐标中计算周围每个分块中像素点与中心点之间的灰度差。LBP和CCH算法采用特征点邻域的灰度差异直方图建立特征描述子，降低了算法的复杂度，使得匹配速度有所提高，但是对存在旋转、尺度和视角等变换的图像，鲁棒性有较大的降低。BELONGIE S[5]提出了形状上下文（Shape Context）描述子用于刻画目标的形状，该描述子对于局部区域形变具有不变性，但是在一定程度上对噪声比较敏感。不管是SIFT描述子，还是LBP、CCH或Shape Context描述子，从实现方式上来说，都是基于分布的描述子，利用直方图表征灰度、形状或边缘等特征。基于邻域的灰度分布信息的方法能够很好地描述像素之间的空间位置关系，但是当图像灰度变化或几何畸变较大时就不足以表示图像特征；基于形状或边缘的方法关心邻域的结构信息，但是对噪声比较敏感。Shen Dinggang[6]利用局部空间灰度直方图和边缘信息来共同完成图像配准，通过统计特征点邻域内每个像素的出现频率获得灰度直方图,然后利用Candy算子检测边缘，利用边缘强度表示边缘属性。
本文提出一种同时使用灰度和边缘信息的特征描述子CSCH（Contrast-Shape Context Histogram）。首先使用对数-极坐标方式划分局部邻域; 然后使用CCH方法统计邻域像素强度之间的关系;再使用Canny 边缘检测算法和轮廓提取算法获得边界信息,并利用Shape Context算法刻画邻域的边缘信息；最后对灰度信息和边缘信息进行整合，定义信息更为准确、丰富的描述子，增强描述能力。实验表明，结合灰度和边缘信息的描述子，其准确率比单独使用CCH描述子或Shape Context描述子更高，在一定程度上降低了误匹配的概率，同时满足了旋转和光照不变性, 对图像灰度变化和噪声不敏感, 具有良好的匹配性能。
1 基于直方图的描述子的构建
1.1 CCH描述子
CCH利用邻域区域的像素强度之间的线性关系进行特征描述。首先以特征点pc为中心，采用极坐标划分方式将特征点邻域划分成若干个不相交的区域：R0,R1,…，Rs，然后用直方图方法统计每个区域中的灰度值相异情况。为了增强描述符的独特性, 对于每个子区域分别统计正向和负向强度对比值HRi+和HRi-：
本文针对单一特征引导图像匹配的准确度有限的问题，提出了一种结合灰度和边缘信息的特征描述方法CSCH来描述特征点邻域。利用直方图方法同时表征图像的灰度和边缘信息，所得描述子既能很好地描述邻域像素之间的空间位置关系，又兼顾了邻域的结构信息，并且通过将特征点邻域旋转至主方向获得了旋转不变性，利用特征向量的归一化获得了对亮度变换的鲁棒性。实验表明，利用本文算法提取的特征描述子满足旋转、光照、压缩、模糊和部分视点变换不变性。
参考文献
[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.