1、Electrical Automation电气自动化 2023 年第 45 卷 第 1 期模式识别Pattern Identifications基于多曝光场景的新型电力图像配准技术潘金月，张维磊(国网安徽省电力有限公司 滁州供电公司，安徽 滁州239000)摘要:基于现有的图像配准技术，对电力图像拍摄时间差异所造成的曝光度不同而产生的图像配准误差大和配准效率提升难的问题，提出了一种基于电力图像去除亮度差异影响的边缘特征配准技术。通过提取图像的边缘信息，以产生二值化的效果图像代替原始图像进行旋转矩阵的计算，完成原始图像空间一致性调整，实现多曝光场景的新型电力图像配准技术，并通过一系列电力图像试验
2、数据进行了验证。试验结果表明，所提的新型电力图像配准技术在配准效率方面较改进前的基于互相关信息配准方法提升了 50%，配准精度达到了亚像素级别，配准方法鲁棒性更高。关键词:图像配准;多曝光图像处理;二值化;边缘检测;电力图像DOI:10 3969/j issn 1000 3886 2023 01 034 中图分类号 TM391 4 文献标志码 A 文章编号 1000 3886(2023)01 0116 03New Power Image egistration Technology Based on Multi-exposure ScenePan Jinyue，Zhang Weilei(Chu
3、zhou Electric Power Supply Branch，State Grid Anhui Electric Power Co，Ltd，Chuzhou Anhui 239000，China)Abstract:Based on the problems of large image registration error due to different exposure caused by the difference of power image shooting timeand difficult to improve the registration efficiency，an
4、edge feature registration technology based on removing the influence ofbrightness difference of power image was proposed By extracting the edge information of the image，it can generate a binary effectimage instead of the original image to calculate the rotation matrix，complete the original image spa
5、tial consistency adjustment，andrealize the new power image registration technology for multi-exposure scenes A series of electric power image experimental data wereverified The test results show that the proposed new power image registration technology has improved the registration efficiency by50%c
6、ompared with the registration method based on cross-correlation information before the improvement，the registration accuracyhas reached the sub-pixel level，and the registration method is of higher robustnessKeywords:image registration;multi exposure image processing;binarization;edge detection;power
7、 image定稿日期:2021 09 24基金项目:国家自然科学基金资助(61872005)0引言数字图像处理技术1 近年来发展迅速，图像配准2 3 作为图像处理技术中的重要研究方向之一，也吸引着众多研究者的关注。图像配准技术是对于基于同一场景的多幅影像进行几何参数变换，并实现空间坐标一致性调整的方法，在目标检测、模型重建、运动估计、特征匹配，肿瘤检测、病变定位、血管造影和地质勘探和航空侦察等领域都有广泛的应用，每一种配准方法都针对某个问题进行设定。针对不同的应用领域，对于图像类型的要求不同，就需要具体问题具体分析。近年来，图像配准技术飞速发展，随着计算机视觉领域中尺度不变特征变换(scale
8、-invariant feature transform，SIFT)4 和加速鲁棒性特征(speed up robust features，SUF)5 等具有尺度和旋转不变性算子的兴起，引起了众多学者的关注。Calonder 等人6 提出了一种基于二进制的鲁棒性独立特征(binary robust independ-ent elementary features，BIEF)描述符，大大缩短了建立描述符的时间，同时减少了对存储空间的需求，且对光照变化有较强的适应鲁棒性，但是其特征点检测不具备尺度和旋转不变性。在这个基础上，ubleer 等人7 提出了二进制简单描述符(oriented brief
9、，OB)算法，在图像金字塔上利用加速分割测试特征(featuresfrom accelerated segment test，FAST)算子提取角点特征，使得特征点具有一定程度的尺度不变性，然后再计算角点的主方向，建立BIEF 描述符，使得描述符具有旋转不变性，且运算速度比 SUF算法快了一个数量级，比 SIFT 算法快了两个数量级。配准方法在电力图像处理虽应用广泛8，但在实际应用过程中也存在着一定问题。其中，由于拍摄时间以及光照场景的不同，通常获取的电力图像明暗程度不同，部分特征信息不全，难以实现图像的精准配准，是有待解决的问题。针对以上问题，本文对基于灰度信息的图像配准方法9 进行改进，通
10、过图像边缘特征信息的预提取，代替原始图像进行图像配准，以此减少图像曝光度不同对物体灰度信息点选取的影响，以实现高效高鲁棒性的基于不同曝光场景的电力图像配准方法。1方法与处理基于多曝光场景的电力图像配准方法的整体流程可划分为两个部分:第一部分是基于原始电力图像进行边缘特征提取，以去除图像曝光度不同对配准效果产生的影响;第二部分是使用第一步的边缘检测结果图像代替原始图像，通过调整灰度信息提取策略，实现基于多曝光场景的电力图像配准方法。其整体流程如图 1 所示。611Electrical Automation模式识别Pattern Identifications电气自动化 2023 年第 45 卷
11、第 1 期图 1基于多曝光场景的电力图像配准技术1 1图像边缘特征提取边缘是图像最基本的特征。边缘检测在计算机视觉、图像分析等应用中起着重要的作用。常见的边缘检测方法包括 oberts边缘检测算子、Sobel 边缘检测算子等多种方法。1)oberts 边缘检测算子oberts 边缘检测算子主要是基于任意一堆互相垂直方向上的差分值可实现梯度计算原理实现的，首先计算对角线上相邻像素之间的差值 xW 与 yW:xW=w(i，j)w(i+1，j+1)yW=w(i，j+1)w(i+1，j)(1)式中:w(i，j)、w(i+1，j+1)为同一副图像中的相邻像素。再计算出 oberts 的梯度增幅 P(i，
12、j):P(i，j)=xW+yW(2)并且它们的卷积算子可以定义为:xW:1001，yW:0110(3)通过卷积算子的实现全图的遍历计算，以获取特征边缘提取图像。2)Sobel 边缘检测算子Sobel 边缘检测方法考虑到图像中每个像素 f(i，j)的上下左右邻点灰度的加权差，与之相近的零点权重直较大，一般 Sobel 算子 S(i，j)的定义如下:S(i，j)=xf+yf(4)式中:xf 与 yf 分别为 x 与 y 坐标轴上相邻像素的加权差值。其中两个方向的卷积算子为:xf:121000121，yf:101202101(5)1 2基于边缘灰度信息点的图像快速配准方法基于灰度信息的图像配准方法通
13、常是利用两幅图像之间的灰度像素点的相似性，通过全图搜寻的方法来寻找相似点对，从而计算参考图像和待配准图像之间的变换矩阵，实现图像配准，一般通过计算图像之间的互相关信息来实现图像匹配点对的选取计算，其某一像素点的互相关系数(i，j)的计算如式(6)所示。(i，j)=xyg(x，y)h(x i，y j)xyh2(x i，y j)(6)式中:g(x，y)为基准图像;h(x，y)为模板图像。将模板图像在基准图像上移动，以计算两者之间的相似度，峰值出现的地方即为所求的配准点的像素位置。但是基于灰度的图像配准方法需要遍历图像的全部像素点，计算量较大。本文针对该问题，提出了一种基于边缘灰度信息点的图像快速配
14、准方法，该方法不再遍历图像的全部特像素点来选择图像的匹配点，计算图像的旋转矩阵，而是提出一种非边缘像素值剔除策略，其具体策略如下。对于基准图像 g(x，y)以及模板图像 h(x，y)，首先进行图像的边缘特征提取获得边缘基准二值图像 g(x，y)，基于二值边缘图像进行互相关系数点的筛选计算。该流程遵循筛选机制如式(7)所示。M(i，j)=select，M(i，j)0pass，M(i，j)=0(7)式中:M(i，j)为筛选获取的互相关稀疏计算点;M(i，j)为 g(x，y)图像中的所有像素点。最后再进行图像的像素互相关系数的计算，选取匹配点对，基于匹配点对进行旋转矩阵 的计算，基于 对待配准图像进
15、行旋转变换，得到配准结果图像。2试验验证试验选择了基于 SIFT 的图像配准方法、基于灰度的图像配准方法作为对比试验方法开展验证，对本文提出的基于多曝光场景的新型电力图像配准技术从配准效率和配准精度两个方面进行对比评价。选取了 A、B、C、D 四组不同曝光度试验数据开展配准试验验证，其中 A 组图像大小为 414 358 Pixel，B 组图像大小为 476 368 Pixel，C 组图像大小为 472 413 Pixel，D 组图像大小为 361 374 Pixel，其图像的部分样例如图 2 所示。图 2试验数据图像对四组试验数据基于 Sobel 算子进行图像边缘提取，可以得到如图 3 所示
16、边缘特征试验数据。接下来对四组试验数据分别通过基于互相关信息、SIFT 与本文提出的基于边缘灰度信息点进行配准试验验证，可得到如图4 所示试验结果。并对试验结果数据基于配准效率和配准精度两个方面进行统计，结果如表 1 所示。由图 4 可知，基于 SIFT 的图像配准方法与本文提出的基于多曝光场景的新型电力图像配准技术对图像进行有效的一致性711Electrical Automation电气自动化 2023 年第 45 卷 第 1 期模式识别Pattern Identifications图 3边缘特征试验数据图 4基于不同方法获取的试验结果图像表 1配准试验结果数据对比编号方法配准偏移误差/pixel配准时间/sOUS0 6278704A 组互相关信息15721SIFT13694 185OUS0 7369536B 组互相关信息17117SIFT19734 489OUS0 8619063C 组互相关信息16136SIFT16834 260OUS0 9918532D 组互相关信息14965SIFT13923 976配准，但是基于互相关信息的图像配准方法则会产生一定的配准扭曲，配准效果不好。这