一、课题研究的背景与意义
现今，图像处理技术在许多领域得到了快速发展，图像特征提取是图像处理领域的研究热点之一，利用提取得到的图像特征进行匹配之后可以进行图像拼接、物体识别、目标跟踪等任务[1]。近年来，图像特征提取方法中的局部特征提取方法越来越引起了学者们的注意[2]，由于局部特征提取速度快，并且存储需求也相对较低，因此局部特征非常适合大规模的图像检索和实时的图像匹配领域。另外目标识别、物体分类、场景重建和机器人定位等领域也涌现了大量的基于局部特征提取的方法。
角点是局部特征中最重要的一类，它在保留了图像中物体的重要特征信息的同时有效地减少了信息的数据量。角点检测在光流计算、图像匹配、目标描述与识别、运动估计、相机标定和3D 重构等方面有着极其重要的应用。在计算机视觉和图像处理中, 对于角点的定义有不同的表述,由于不同的定义, 角点检测的方法也不尽相同。目前，现有的角点提取算法主要可分为两种：一是基于边缘轮廓的角点提取算法，先提取图像信息中的边缘轮廓，再求角点，如Kitchen-Rosenfeld[3]、CSS[4]、Freeman[5]链码法、Wang-Brady[6]等是这类算法中的典型；二是直接对灰度图像进行角点检测，如Moravec[7]、Harris[8]、Trajkovic[9]、SUSAN[10]等是这类算法中的典型。
Moravec在1981年提出了Moravec算法其原理为：通过滑动二维矩形窗口寻找灰度变化的局部最大值。具体过程如下：1）以图像像素点为中心，计算平均灰度变化，然后计算角点响应值。2）根据实际图像设定的阈值，让该窗口遍历灰度图像，角点响应值大于阈值的点作为候选点。3）局部非极大值抑制选取角点，在一定大小的窗口内，将第二步选取的候选角点中，选取角点响应值极大点为角点。Moravec算法作为第一个广泛应用的角点检测算法，开创了角点检测的新纪元，后续的很多角点检测算子都是在其基础上通过扩展得到的。但是算法也存在诸如方向各异性、噪声敏感、对旋转不具备不变性（角点不具备repeatability）、滑动窗内的各个像素权重同质性（中心像素权重大，离中心越远，权重越小）等问题[11]。此外，SUSAN算法（最小核心值相似区域角点检测算法）是1997年英国牛津大学的Smith等人提出的一种低层次图像处理小核值相似区的方法。该算法直接利用像素的灰度进行角点检测，而不考虑曲率等复杂的角点检测。SUSAN探测算子的基本原理是：与每一图像点相关的局部区域具有相同的亮度。
20世纪80年代末，Harris算法[12]是由ChrisHarris提出的一种非常经典的图像特征点提取算法，Harris角点对图像的平移、旋转和噪声都具有较强的鲁棒性，但是它却无法适应图像的尺度变化，也就是说不能适应图像的放大和缩小。随着图像尺度空间理论的发展，近年来一些具有尺度不变性的特征点提取算法被提了出来，其中Harris-Laplace算法[13]极具代表性，它是在Moravec角点提取算法的基础上，采用边界曲率描述灰度变化的情况。主要的过程有：1）构建尺度空间。尺度空间表示一个平滑图像集，它是通过输入图像和可变尺度的高斯核函数进行卷积运算得到的。2）检测特征点。由于二阶矩阵描述了一个点在领域内的梯度分布，所以它经常用来进行特征点的检测[14]。该算法计算简单只用到一阶差分及滤波计算，并且提取的角点在图像上的分布较为均匀。算法有很好的稳定性，对图像旋转、灰度、噪声等变化鲁棒性较好。但是，Harris-Laplace算法基于多尺度的特征检测会存在以下问题：一幅图像中的局部结构可以在一定的尺度范围内检测到，所以对于同一局部结构将会有多个特征点表示，然而这些特征点在位置和尺度上相差很小。对于表示同一局部结构的不同尺度上的特征点中很显然会存在大量的冗余点，这将会产生巨大的误差匹配，同时增加计算的复杂度。
针对Harris-Laplace算法的缺点，本课题研究改进的Harris-Laplace算法，具体方法为：1）建立尺度空间时，用呈k倍增加的不同高斯卷积核与原图像进行卷积运算。2）在多角度Harris角点检测中，将自相关矩阵推广到尺度空间，并将其进行尺度归一化。并在各个不同的尺度下，检测角点度量值的局部极值点，作为候选Harris角点。3）因代表同一个局部结构的特征点，集中出现在某个尺度范围之内，并且相邻尺度之间两个点的距离通常只相差0～3个像素。所以对所有点进行跟踪、分组。4）在以上得到的分组结果中，同时寻找两个极值，即在空间域中的角点度量极值与在尺度域中的Laplace函数极值。也就是在每组中选择能使角点度量值和尺度归一化Laplace函数同时取得极值的点，作为最具代表性的特征点，用它来表征该组代表的局部结构。
综述，本研究通过对Harris-Laplace特征点提取算法的改进，使得其原有大量的冗余点减少，在后续的特征点的匹配和计算上都大大减少了计算的复杂度和出错率。利用改进的Harris-Laplace算法提出特征点后，采用尺度不变特征变换（ScaleInvariantFeatureTransform，SIFT）方法进行特征点描述，生成特征向量，再通过特征向量的匹配实现特征点的匹配，最后利用匹配的特征点对进行医学细胞图像的拼接。
二、研究手段
为了保证本论文能顺利完成，本课题拟采用两种研究手段与研究方法：
