（云南电网有限责任公司昆明供电局 昆明 650200）
摘要：本文的目的是提出了一种应用于变电站图像监控的红外图像拼接技术。首先，由于传统的SIFT算法检测特征点，并使用传统的RANSAC算法去除假匹配是最耗时的。为了实现实时监控，我们改进了SIFT算法和RANSAC算法。在改进的SIFT算法方面，我们使用曼哈顿距离阈值来代替欧氏距离阈值。我们提出了双阈值，距离阈值和内积阈值，而不是单一距离阈值。其次，在改进的RANSAC算法方面，我们提出了一种通过对数据置信度进行排序来验证矩阵模型的方法，避免了全面的数据测试。最后，我们通过图像的质量评估证明了我们的方法能够获得良好的拼接效果。
关键词：红外图像；SIFT；RANSAC
0 引言
基于红外摄像机的温度传感器比其他类型的传感器具有许多优点。可以使用红外线传感器的非侵入性方法来确定固体的温度。另外，它们不发送任何类型的辐射和设备的功耗很小。这些传感器也非常快，产生微秒的温度读数。它们能够测量不均匀温度分布的大面积目标物的表面温度场，并且能够在有限的区域内快速确定温度。
与通用温度测量方法（如接触温度测量和固定点温度测量）相比，使用图像拼接的红外测温系统只能使用一个传感器监测所有物体。具有速度快，面积大，分辨率高，无接触，可靠性高，性价比高等优点。可以实时，有效，快速地测量变电站物体的表面温度。本工作提出的智能系统可以准确，及时地提供整个场景的读数。在精度和牢度方面获得了出色的性能。
1图像获取
监测温度的第一个必需步骤是获取红外图像。使用FLIR红外摄像机采集图像。波长为7.5〜14μm。长波长红外摄像机不需要冷却，因此可以满足实时监控的要求。通过云台转动，获得场景内不同角度的图像，但两张相邻的图像间有百分之四十的重叠，来提供足够的特征点以用于匹配。
2图像拼接过程
2.1改进的SIFT算法
2.1.1 相似性度量
在传统的SIFT算法中，选择欧几里得距离作为其精度的特征相似性度量。但是，不同的相似度度量影响整个系统的计算时间。因此，适当的相似性度量对于满足系统的实时要求至关重要。
1）欧氏距离
欧氏距离是两个或更多点之间的常见距离表示，图像中的每个像素被认为是欧氏空间中的一个点。欧氏距离定义如下：
（1）
2）曼哈顿距离
曼哈顿距离是图像中两点在笛卡尔坐标系中的线的投影线段的总和。曼哈顿距离取决于坐标系转换，而不是系统轴映射。曼哈顿的距离定义如下：
（2）
3）切比雪夫距离
切比雪夫距离是指像素在某一维度上的绝对距离。切比雪夫距离定义如下：
（3）
从式（1），式（2）和式（3）可以看出，欧氏距离的计算复杂度远高于曼哈顿距离和切比雪夫距离。因此，如果在匹配特征点时将欧几里德距离选为距离阈值是耗时的。为了减少计算时间，我们选择曼哈顿距离作为相似性度量。虽然准确性略有下降，但这是一个很好的折中。虽然切比雪夫时间较少，但其准确度低于曼哈顿距离。因此，这篇文章不再考虑切比雪夫的距离。实验部分将比较欧氏距离和曼哈顿距离时间消耗和准确度。
2.1.2 双阈值过滤特征匹配点
在传统的SIFT算法中，单个距离阈值用于匹配关键点。为了节省时间，我们使用双阈值过滤不必要的关键点。设置曼哈顿距离阈值和内积阈值。匹配条件：如果阈值满足，则表示两个关键点成功匹配。
两个匹配点的最小内积，
是第二小的内积。
是特征描述子。
2.2 RANSAC去除误匹配
完成关键点检测和初始匹配后，改进的RANSAC用于删除错误的匹配。传统的RANSAC算法旨在找到最优参数矩阵，使得满足矩阵的数据点数最大。矩阵的大小为3×3。
（8）
表示目标图像点的位置，
表示当前图像点的位置。S代表尺度参数。
RANSAC算法从匹配数据集中随机提取四个样本。它确保四个样品不共线。四个样本用于计算单应性矩阵。该模型用于测试所有数据，并计算满足模型的模型数据数量和投影误差。然而，当原始数据较大时，数据错误率高，估计模型复杂，效率大大降低。针对这些问题，本文提出了一种改进的RANSAC算法，可以加快处理速度，缩短计算时间。
在删除错误匹配的过程中，改进的RANSAC算法将匹配点置于前面的高度置信度。确定模型参数后，我们从高置信度数据开始采样。如果该组数据满足要求，则将检查所有数据，否则丢弃模型。匹配点排列如下：
找到所有的特征点的距离对值。行的距离值存储在distance_x矩阵中；列的距离值存储在distance_y矩阵中。我们计算所有特征对点的距离对值的类型和每种类型的数量。例如，（distance_
，distance_ 
）是第i个特征点对的距离对值。在出现的距离对值的类型中，如果没有距离对值等于distance_ 
和distance_
，（distance_ 
，distance_ 
）是一种新型的距离对值。否则，原始类型的数量加一。
特征点按类型数量排序。假设类型数是n。特征点对分为n组：
。第一组是距离对值的最大类型数。第二组是距离对值的第二大类型等等。
（9）
根据上述特征点对集合的分类，当每次生成新的模型参数时，首先在采样质量高的数据集中进行测试。如果模型的内点比率超过预设的入点比率（样本集中的内部点数和数据点的数量比）以及曼哈顿距离阈值设置，则模型可以参与全部 数据测试。否则，丢弃模型并开始下一个采样。在大量原始数据的情况下，模型参数测试的时间可以大大降低。
2.3柱面投影
在图像拼接过程中，视图变换后的图像边缘将不可避免地会产生模糊的结果。本文采用圆柱投影作为投影方法。图像的圆柱投影可以扩展成矩形2D图像，比其他投影更容易收集图像信息。细节如图1所示。
图1 柱面投影细节图
2.4 像素融合
在本文中，金字塔变换 用于图像融合。这些步骤简要描述如下：
首先，将高斯算子与原始图像进行卷积，然后进行下采样，得到低分辨率的近似图像，这是原始图像的一半，然后采样的图像与高斯算子进行卷积。重复上述操作，得到高斯金字塔。其次，为了减少高斯金字塔中的大量冗余信息，计算出两个相邻图像之间的差异，得到拉普拉斯金字塔的带通滤波图像。第三，计算与局部区域对应的两个区域的等效能量。
3拼接效果评估
我们使用图像拼接质量评估方法，评估了我们的图像拼接方法的效果。主要思想简要说明如下：首先，执行图像的边缘检测，以获得原始图像和缝合图像的边缘图像。高斯平滑用于边缘光谱。差分计算用于边缘谱。差分谱根据一定规则加权。然后对加权差分谱进行统计分析。最后，根据统计计算得分。分数从0到1.2。分数越高，图像拼接的质量越好。
分别对本文提出的方法拼接得到的图像和Szeliski 提出的方法拼接得到的图像进行质量评估。结果如表1所示。
表1 两种拼接算法的质量评估对比
数据显示，使用我们的拼接方法获得的图像质量与其几乎没有差异。
4实验与结果
4.1 相似性度量对比
我们使用欧氏距离和曼哈顿距离作为特征相似度测量，以分别匹配红外图像中的特征点。为了确保定量分析，其他因素一致。同时计算计算时间，匹配点数和匹配精度。总共有100组红外图像。一组有两个图像。表2中显示了十组数据。
表2 两种相似性度量的时间、准确性、匹配点对比
4.2．改进的RANSAC与传统RANSAC对比
我们从计算时间分析了匹配点的数量和匹配精度。采用改进后的SIFT算法对特征点进行匹配，采用改进的RANSAC和传统RANSAC分别对匹配点进行滤波。同时计算计算时间，匹配点数和匹配精度。我们还使用了以前使用的100组图像。表3中显示了十组数据。
表3 改进的RANSAC和传统RANSAC对比
计算时间减少超过300ms，使用改进的RANSAC时的准确度几乎没有差异。通过将所有数据集从高质量到低质量排列，改进的RANSAC算法从高质量数据中进行采样。因此，避免了所有参与测试的数据，节省了采样时间。
5结论
本文将图像拼接用于变电站红外监控系统。首先，我们从以下两个方面改进了SIFT算法：曼哈顿距离用于替代欧几里德距离。时间消耗显然超过1000ms。虽然准确率下降了约2％，但实时拼接的实现意义重大。双阈值用于替代单阈值。匹配的时间消耗已经下降了700ms以上，精度提高了5％以上。双阈值法有效地滤除不相关的特征点。我们从一个方面改进了RANSAC算法：匹配点从高置信度到低排列，并进行分组。在确定模型参数之后，以高置信度从数据中检查数据。如果该组数据满足要求，则检查完整数据或丢弃模型。计算时间缩短超过300ms，使用改进的RANSAC时，精度几乎无差异。当两张图片拼接时，上述算法节省2秒。实验结果表明，本文提出的图像拼接算法能够保证系统所需的实时性、稳定性。
论文作者:刘建宏,李进,唐华文,李黎,李霁寅,胡昌斌,张萌
论文发表刊物:《电力设备》2017年第24期
论文发表时间:2017/12/19
标签：图像论文; 距离论文; 阈值论文; 曼哈顿论文; 算法论文; 数据论文; 特征论文; 《电力设备》2017年第24期论文;