TELKOM NIKA , Vol. 11, No. 10, Octobe r 2013, pp. 5 965 ~ 5 972   ISSN: 2302-4 046           5965      Re cei v ed Ap ril 28, 2013; Revi sed  Jul y  8, 2013; Accept ed Jul y  19, 2 013   Weighted Multi-Scale Image Matching Based on Harris- Sift Descriptor       Can Sun, Jin-ge  Wang,  Zaixin Liu, Junmin Li*  Schoo l of Mechan ical En gi ne erin g and A u to mation   Xi hu a Univ ersit y , Ch eng du, C h in a   *Corres p o ndi n g  author, e-ma i l : lijunm in 197 5 @ 16 3.com       A b st r a ct  Accordi ng to t he rotati on al  i n vari ance  of  Harri s c o rner  detector  and  the ro bustn ess  of Sift   descri p tor. An  i m pr ove d  H a rri s-Sift corner  de scriptor w a s  pr opos ed. At first ,  the a l gor ith m  give n mu lti-sca le   strategy to H a r r is corn er, i m p r oved c o rn er c ounti ng  metho d  an d re move d red u n dant  p o ints at th e sa me   time, th en, th e  corn er w a s d i rectly a ppl ied  to low - p a ss Ga ussia n  filter  i m age. B a se d o n  the  histogr a m  of  Sift feature d e scriptor, ge ner ates a  new  12 8-di me nsi ona l  feature v e ctor  descriptor  by m u lti-scale  Gaus s   w e ighted. T h ro ugh th e ab ove,  Harris cor ner  detector a nd Si ft descriptor w a s nor mali z e d i n  the sca le l a y e r   and gr adi ent features. T he e x peri m e n t resu lts indic a t ed th at, the impr ov ed corn er des criptor co mpris e d   both a d va ntag e of Harr is c o rner  detecti o n  an d Sift fe ature d e script o r. T he  meth od re duc ed t h e   computati on ti me  an d the fa lse  match r a te , w h ich c oul d  be va lid ly a ppl ied to th e ro b o t stereo vis i o n   match i n g  an d three- di me nsio nal rec onstructi on.      Ke y w ords : stereo visi on, rob o t, corner det e c tion, feature d e scriptor, scal e         Copy right  ©  2013 Un ive r sita s Ah mad  Dah l an . All rig h t s r ese rved .       1. Introduc tion  Comp uter  st ereo vi sion t e ch niqu e ma inly includ es five parts [1]: image a c quisitio n ,  feature extra c tion, came ra  calibration,   stereo  m a tchin g  an d 3 D  recon s tru c tion. In these  module s , the  co rrect m a tch  of differe nt image  fea t ureis ne ce ssary for ro bot  co gni ze  spa c e   obje c ts, this p r ocess is  call ed feature p o i n ts matc hing  [2]. The impact of the light in the pairin g  of  the feature  p o ints, the  correct d e scripti on of t he fe ature p o ints i n  different  scale spa c e an d  image  rotatio n  chan ge s b a s e  co ordi nate  syste m  a r e  a ll as the i nevi t able role i n  i m age  matchi ng   p r oc es s .   For the i n flue nce  of the ab ove factors o n  t he matchi ng, feature  p o ints d e scri b ed in the  pre s ent m e thod  comp ri ses: Diffe renti a l-ba se d  de scripto r  [3], Descripto r  b a sed on  mom ent  invariant s [4], Di stributio n-based d e scri p tor. Ko e nde rink ma de a   deep  re se arch on th e ima ge  local differen t ial prope rtie s, and puts  forwa r d the  con c e p t of scale pa ram e ter [5]. Free man   spe c ified  a controlla ble di rection  differe ntial filter  [6], the filter effectively avoide d the impa ct  of  image rotatio n  feature p o i n t matchin g . Mikolaj c zyk.  K made a  co mpre hen sive  summ ary of the   descri p tor al gorithm [7] who foun d that Lowe ' s  Sift operator [8] with a strong sta b ility, the   algorith m  bui lt DOG scal e spa c e  at first, got  ima ge esse ntial  feature s characteri stics. T hen  cal c ulate d  th e extrem um  point by  usin g Hessia n m a trix, giveng radient  attribu t e to extrem um  point ma de it  become ve ctor feature p o ints, fina lly, pre c ise  classi fied histo g ra m inform atio n of  each feature  point, it ensuring the uni q u ene ss of feat ure poi nt matchin g .  It is inconve n i ent to cal c ula t e the He ssia n matrix in Sift point detecti on, 128 -dime n sio nal   corne r  featu r e vecto r  de scriptor  nee d a  long timeto j udge. It re sul t ing in the Sif t  algorithm do es  not have the real -time of determi n e  co rner an d endo ws the ability  to the descri p tor. This pa per  combi ned the  Harris  corne r  detect o r to the Sift  algorithm, first, expande d scale  spa c e o n  Ha rris  corne r  dete c tion, complet ed co nsi s ten c y of Ha rris corner d e te ction an d Sift in the scale  para m eter,  b e ca use the  Harri s  co rne r   h a s  rotatio n  in varian ce, it  can b e   com p l e ted  repla c e   the   Sift extreme  points in the   detectio n  p r o c e ss,  by u s in g the Sift op e r ator give the  gra d ient fe ature  to the Harris  corne r directly , built a sta b l e  feat ure poi nts which d o e s n o t vary  with image  rota tion,  scaling,  affine tra n sfo r ma tion, illuminat ion  ch a nge s and  othe r f a ctors. An d  gene rated  p o int  matchin g  fused image  with image fusi o n  algorith m .     Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046   TELKOM NIKA  Vol. 11, No . 10, Octobe r 2013 : 596 5 –  5972   5966 2. Detect Interest Point  In ord e r to e x tract the  re q u ired  poi nts,  sele cted  Harris  corne r  d e tector ba se d  on g r ay  level ch ang e s . Detect ave r age  en ergy  cha nge s in  the la rge r  ima ge a r ea  whil e the d e tecto r  i s   runni ng. Ifit cha nge s at  x, y direction ,  con s ide r ed  to be the  corne r ,if only  in one  dire ct ion  cha nge s gre a tly, conside r ed to be the edge featur e, if  the cha nge s in both  directio n is not  obviou s , for image smo o thi ng regi on.     2.1. Impro v e d  Harris Cor n er Scale Sp ace   Harri s  co rne r  is determi ne d only by the pr a c tical ex perie nce of the thre sh old  to judge  wheth e r metri c  functio n  wa s a co rne r  or  not.  Corn er a u toco rrelation   matrix [9] as  follows :       2 2 2 ,, ,, ,, xD x y D ND D N xy D Y D LL L Mg LL L       ，   (1)     whe r e is  a Ga ussian win d o w   po sition,  , xD L ,  , y D L  re spe c tively are  hori z o n ta l and   vertical  differential op erato r  at a  po sitio n ,  , xy D LL  is  per-pix el ope ratio n s.  Type (1)  ha d   alrea d y repl ace the o r i g inal Harris Gauss  win dow into di screte 2 D  zero -mea n G auss  function  22 2 ex p 2 N xy g       ， , defining  0 n N  ,  0  is the initial scale value,  0 1. 0 ,  n is the ratio of  the adja c e n t scale s , norm a lly 1.4 ,  n  for scal e layers,gen e r ally take  7 n ,  M  as theauto c o rrel a tion matri x  of target pointwithin the G aussia n  wind ow.   By repla c in g  multi-scal e G aussia n  filter N g ， , the  Ha rri s d e t ector with  si ngle  scale   become m u lti-scale  sp atial dete c torwi t h linear  gro w th which i n  com p a r iso n  of the scale   s p ac ea sp ec t.    2.2. Define d Harris  Corne r  Resp onse  Function   It can get the corn er respo n sefu nctio n  [10]  by calculating the ch a r acte ri stic val ues  1 ,  2 of the correlat ion matrix M :    2 de t RM k t r a c e M    (2)     coeffici ent  0.04 , 0 .06 k , th e value di re ctly impact on  the re sult of functio n  re sp o n se. Ino r de r  to stabili zeco rne r  amo unt  in each tim e  se rie s  sa mple pi cture s , improved  corne r  re sp o n se   algorith m  as f o llow:        2 22 22 22 xy xy xy LL LL R k trac e M cim k t r ac e M LL     (3)     R> 0, exp r e s sed  a s  a  corner fe ature,  whe n   R  <0,  expre s sed  as edg e featu r e ,  whe n   R i s  v e ry  small, sm oot h area that is within the wi ndo w.  trac e M  is the trace of  M .   12 tra c e M    as corne r   det ection pro c e s s  data whi c h descri be  the  l o cal fe ature s   of an imag e.  Figure 1 (a) i s  a   test image, Fi gure 1  (b) to t he co rrespon ding tra c e im age.     2.3. Remov e   Redu ndan t  Points   Figure 1  (b) p r odu ce d du pli c ate traces  when t he  scale  spa c e i n cre a s e, the  existe nce  of  repe at trace s  reacte d dupl icate dete c tio n  of co rne r , optimizatio n eliminate re d unda nt features  point as follo ws:      2 ma x , | 2 ii k k i xx x x x     (4)   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046       Weig hted Mul t i-Scale Im age Matchin g  Base d on Harri s -Sift De scrip t or (Junm in Li)  5967     Figure 1(a ) . T e st image       Figure 1(b ) . T r ace imag e       Equation (4) can avoid  im age  min u tiae   detecti o n  fai l ure in l a rg e-scaleeffe ctively and  detect l a rge  range  of th e i m age  featur e  point  in th e  small  scale,  which   i x ,  k x corre s p ond to  the   low scal e and  high scale G aussia n  sp ace.  The a bove i m provem ents Ha rri s alg o rithmgiven  th e ch aracte ristics of m u lti-scale to   detecto r, it provides a c curate corne r  poi nt s to image f eature extract i on and ima g e matchin g .      3. Impro v ed  Harris - Sift  Corner Descri p tor   Sift algorith m  mainly i n clud es DOG  layere d  sca l e spa c e  co nstru c tion,  image  pixel  extreme poi n t  detection, determi ne th e scale in variant feature  points, remo ve the unsta ble  feature point s,  dete r mine  the  interest p r inci pal  dire ct ion of  reliabl e point s, ge n e rating  feature   descri p tor. A pply this fea t ure mat c hin g  algo rithm  can  effective l y overco me  imaging  pla ne  transl a tion, scalin g, rotatio n  and affine  transfo rmatio n in the image s matching     3.1. Crea te G r adient  Char acte r istics   The Sift de scriptor u s ed  n on-m a xima  suppressi o n  al gorithm  [11]  comp ared all   extreme   points in the   same  scal e l a yer a nd th e  upp er-lower  scale  l a yer, resultin g  in a large   am ount   o f   cal c ulatio n. In orde r to avoid the probl em of real -time lack in Sift algorithm, we take multi-scale  Harri s  co rne r instea d of Sift extreme points, us i ng  sift key point  allocatio n  method, cal c ul ate   gradi ent mag n itude an d direction of ne w Harris p o int:           22 -1 ,1 , 1 , , 1 , 1 ,1 , 1 ,t a n 1, 1, m x y L x y Lx y L x y Lx y Lx y L x y xy Lx y L x y          (5)     (5) i s  the  co rner g r a d ient   attribute. Noti ce that  , L xy  for e a ch l o w-pa ss Gau ssi an filter ima g e   of the key poi nt, the improved Harris  corner  will be key point in the  cal c ulation, while the  scale  of  improve d  Ha rris poi nt as the key point scale laye r. Then sam p le in the feature p o ints within t he  neigh borhoo d  wind ow an d  create s  a  gradient di re cti on hi stog ram  of  the featu r e point s in th is   wind ow, we sele cted imp r ove Ha rri s  corne r  Gau s sian  wind ow N g ， , the windo w size   wa staken to   be 1.5  time s N . In the  hi stog ram  whi c h  ex ists  80%  rem a ining  of m a i n  pe ak g r ay  colum n , it can define the  di rection of t h is gradient t o  the auxilia ry direction of  the feature point.  Each  feature  point  with o n l y  one  main  d i rectio n,  b u t there  i s  m o re   than o n e  aux iliary di re ctio n.  Finally, make  each  key poi nt get three chara c te risti c s: scale, di recti on and p o siti on.       Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046   TELKOM NIKA  Vol. 11, No . 10, Octobe r 2013 : 596 5 –  5972   5968 3.2. Genera te Ne w   Harris - Sift Fe atur e Des c riptor   Ensu re the  ro tation invaria n ce  of the d e s cripto r at first. Select  22 Gau ssi an wind ow  on the  poi nt,  gradi ent m a g n itude  and  di rectio n in  e a ch wi ndo w  wa s  cal c ulate d   by usi ng fo rm ula  (5). Sift al go rithm  re com m ende d  44  Ga ussian  wi ndo w o n  the  poi nt, we  ca n i n trodu ce  a   Gau s s di strib u tion fun c tion , weig hteddi stancefe a ture   points,the n , e a ch  of the  ke y points in clu d e   128 dime nsi o n, normali zed  the 128-dim ensi onal vect or, whi c h ge n e rate ne w Ha rri s-Sift feature   point de script or.     3.3. The Matching Criterion of Image  Feature Poin ts   Gene rally the  coinci den ce  rate of differe nt picture s  in  same sce n e  is more tha n  50%,  usin g simpl e  thre shol d-based matchi ng:     22 p q mm    (6)     p m ,  q m  respe c tively are the  de scripto r  di sta n ce  fo r two f eature  point s in the  same  scene   obje c ts  whi c h  corre s p ondin g  to the set o f 12 3 , , ... n P pp p p ,  12 3 ,, . . . n Qq q q q ,  is de script ortwo - dimen s ion a l Euclide an di stance,  0.4 , 0.6 .  Thus,fe ature  point de script or can be m a tched  wi th different sets of  points at the  same  scale inva ria n t and rotatio n  invaria n t, and to distin g u ish fal s e m a tchin g  point s effectively. The  algorith m  blo ck di agram of  binocular visual f eature p o i nt descripto r  is sh own in Figure 2.           Figure 2. Fea t ure matching  algorithm di a g ram     4. Experimenta t ion   Usi ng MATL AB program ming environ ment to  wo rking the al g o rithm in Co re E550 0   2.8GHZ dual -core CP U, 2GB RAM co mputer. Fig u re 3 is the bi nocular  cam e ra a s  the im age  captu r e devi c e. Each pie c e  ofexperime n tal image s pixel ratio is 64 0 × 48 0, bit depth is 8bit.  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046       Weig hted Mul t i-Scale Im age Matchin g  Base d on Harri s -Sift De scrip t or (Junm in Li)  5969     Figure 3. Binocul ar visio n  system       4.1. Camera  Calibra tion   Calib rate the  cam e ra  at first, the p a ra meters obtai ned by pl ane  calib ration t a rget [12 ]   cal c ulatio n:  0 0 0 8 3 1 .88690 0 3 2 1 .20991 0 0 830.19 993 241.56118 00 1 0 0 1 x y fu Ff v         12 3 1. 95 1 . 78 - 0 .15 Rr r r     - 23. 24 - 2 7 . 42 225. 31 xy z Tt t t      12 -0 . 4 2 0 . 1 9 Kk k    12 - 0 .000 3 - 0.00 05 Pp p    12 0. 0004 0. 0003     F  for the matrix of c a me ra intrins i c   parameters ,  x f ,  y f  respectively i s  compon ent of  a len s   scale focal le ngth abo ut x-axis and y-ax i s  in the imag e coo r din a te system,  0 u ,  0 v  for the cente r   coo r din a te of the image.  R ,  T  are the exte rnal ca mera p a ram e ter mat r ix.  K ,  P ,   for three  dist ort i o n  co e f f i cient s of  ca mera int r i n si c .     4.2. Diffe ren t  Attrib ute s  o f  Single Image Matching   Comp ared wi th the SIFT algorithm, mat c hin g  tw o pi ctures fe ature  point which  d i fferent  in the b r ig htn e ss u nevenn ess a nd pixel  ratio  re spe c ti vely, taking  0.6  in (6 ) to  en su re that i s   able to dete c t a stable feat ure poi nt.  Test matchin g  effect of two image s for lu minan ce u n e venne ss in the sam e  sce ne, th e   pro c e ssi ng result in Fig u re 4 (a), Fig u r e 4 (b ) an d Table 1  com pare d  two m e thod s of ma tch  time,  the  n u m ber  of co rn er dete c tion, the  nu mbe r  o f  feature  poi n t s mat c hin g  a nd the  mat c h i ng  rate.   Test m a tchi n g  effect  of two imag es for  diffe rent pixel  ratio i n  the  same  scene  u s ing  the  same  way, the pro c e s sin g  result in Figure  5  (a),  Figure 5 (b ) and table 2  compa r e d  two   method s.  The co mpa r ative data in Table 1  and Table  2 shows  matchin g  st ability  o f   improve d feat ure  point s, redu ced th e  compl e xity  of com puting t i me, improve d  the d e tecti o n   pre c isi on of t he corner poi nts an d the  numbe r of  co rre ct ly   pai red ,   des cri p t o r h a s well st abili t y   and re al-time.       Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046   TELKOM NIKA  Vol. 11, No . 10, Octobe r 2013 : 596 5 –  5972   5970     Figure 4 (a). Sift descri p tor  in illumination changes m a tch        Figure 4 (b). Sift descri p tor  in illumination changes m a tch      Table 1. Algo rithm co mpa r i s on   Descr iptor T i me  (s )  Corne r   amount   Pair ing  number   Matching  rate   Sift 9.8  1825   586  90.0%   Improve  4.2  1136   347  90.5%           Figure 5(a ) . Sift descriptor i n  different pixel ratio         Figure 5(b ) . Improve d e scriptor in differe nt pixel ratio      Table 2. Algo rithm co mpa r i s on   Descr iptor T i me  (s )  Corne r   amount   Pair ing  number   Matching  rate   Sift 12.5  580  423  96.4%   Improve  7.2  317  240  96.9%       4.3. Binocul ar Visual Matching an d Fusion   Then, the al gorithm i s  a pplied tobi no cula r ste r eo scopi c featu r e  point match i ng, the  results  sho w n in Figu re  6  (a)  and Fi gu re 6  (b). In th e image  mat c hin g , image  fusion  algo rithm  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046       Weig hted Mul t i-Scale Im age Matchin g  Base d on Harri s -Sift De scrip t or (Junm in Li)  5971 [13] wa s intro duced, define d  fusio n  facto r  mi n m i n ma x m ax mi n m i n ,, ,, xy x y a xy x y , Computed  the ch ang e   pro c e s s of bo unda ry coordi nates mi n x ,  mi n y  to  max x ,  max y , matche d u p  the repe ating  feature   C  betwe en ima ge A and image B, C=A ∩ B.  ,, 1 , P ij a j A i j a j B ij   is the  mixing pointg r adatio n of synthetic imag e D, Figure  7 is the bino cula r visual f eature s  of the   image fusi on  results.           Figure 6 (a ). Sift descri p tor with bino cula r visual         Figure 6 (b ).  Improve de scriptor  with bin o cul a r visu al           Figure 7. Image fusio n       It can be see n  that the matching featu r e line  of two image s by almo st hori z ontal  without  epipol ar li ne  con s trai nts. It  ha s g ood  re sults in  th e  center re gion  fusio n  a bout t w o  pictu r e s .  The  algorith m  ca n  be use d  in the bino cula r st ereo m a tchi n g .      5. Conclusio n   The meth od t a ke sthe  adva n tage of Ha rri s cor ner dete c tion in  qui ck and  simpl e   and Sift  feature de scriptorin accu rate  an d  sta b l e.Con s id erin g the im pa ct of scale  sp ace  and  Ga uss  weig hted o n   comp utationa l efficien cy, e liminat e redu ndant co rne r ,   rea s o nabl e evaluate  fe ature   point matchi n g  crite r ion, calibrate the p a ram e ters of came ra  so a s  to corre c t imagepi ncush i on  distortio n , ma tch up the re peating featu r e with  ima g e  fusion al go rithm. The ex perim entre sul t s   sho w s that  th e imp r oved  Harri s-Sift feat ure  poi nt  de scripto r  co uld effectively  avoid  the  condit i on   of false matching within ill umination, scaling, tr an slat ion, affine transformation  whi c h con s ist  in   Evaluation Warning : The document was created with Spire.PDF for Python.
                               ISSN: 23 02-4 046   TELKOM NIKA  Vol. 11, No . 10, Octobe r 2013 : 596 5 –  5972   5972 the matchin g  procedu re. It is an efficient and sta b le algorithm  can b e  use d  in robot visi on   sy st em.       Ackn o w l e dg ements     We  woul d like to app re cia t e the suppo rted  bythe  Ed ucatio nal Co mmission of  Sichua n   Province of China (1 2ZB12 9 ), the Ope n  Re se a r ch Fu nd of Key Laborato r y of Manufa c ture a n d   AutomationL aboratory (X ihua University, Szjj2012 -022 ), Innov ation Fun d   of Postgradu ate   (ycjj20 127 6)  of Xihua Univ ersity for the first autho r.       Referen ces   [1]    Budi harto W i d odo, Sa ntoso  Ari, Pur w a n to Dj oko, Jazi die Ac hmad.  Multipl e  mov i ng o b stacl e s   avoi danc e  of service r o b o t  usin g stere o   vision.  T E LKOMNIKA Indo n e sia n  Jo urna l  of Electric al   Engi neer in g.  2011; 9(3): 4 33- 444.   [2]    Radk e RJ, An dra S, Al-Kof a h io, et. al. Ima ge ch an ge d e t e ction  alg o rith ms A s y stem atic surve y .  IEEE  T r ansactio n  on  Imag e Proces sing . 20 05; 14( 3): 294-3 07.   [3]    Yu Da o-li. Ima ge Match i ng A l gorit hm Base d  on t he L o ca l Invari ant F eatu r es. Master T h esis. Anh u i:   Dep a rtment of computer sci en ce and e n g i ne erin g of Anhu i Univers i t y ; 2 0 1 2 .  [4]    M David. Visi o n . San F r ancis co: F r eeman P ublis hers. 19 82 .  [5]    JJ Koend eri n k ,  AJ van Doo r n. Repres ent at ion of l o cal  geom etr y  i n  thevis ual s y ste m .  Biolog ical   Cyber netics . 1 987; 55: 3 67-3 75.   [6]    WT  Freeman, EH Adelson. T he desi gn and use of steer able filt ers. IEEE  T r ansactio n s on Pattern  Analys is and M a chi ne Intel lig e n ce . 199 1; 13: 891- 906.   [7]    K Mikol a jcz y k,  T   T u y t el aars,  C Schmi d , et.  al. A c o mp aris on  of affin e  re gio n  d e tectors.   International  Journ a l of Co mputer Visi on . 2 005; 65( 1/2): 4 3 -72.   [8]    DG Lo w e . D i s tinctive  imag e featur es fro m  scale- i nv ari ant ke yp oi nts.  Internati o n a l  Jour nal  o n   Co mp uter Visi on . 200 4; 60(2) : 91-110.   [9]    C H a rris, M St eph ens.  A  co mb in ed c o rn er  an d  ed ge  det ector . Proce e d i ngs  ofthe  4th   Alve y V i sio n   Confer ence. 1 988: 14 7-1 51.   [10]    Z hen-Yi ng  Xu,  W en-Bin  Li,  Yun W a n g , Chu n   Lu o, S hu-Yu an Ga o, Dan-D an  Ca o. T r inocular   calibr a tio n  met hod  base d  o n  binoc ul ar  cali bratio n.  T E LKOMNIKA Indo nesi an Jo urn a l  of Electrical   Engi neer in g . 2012; 10( 6): 143 9-14 44.1   [11]    W ang Jin g , W ang H a i-l i a ng,  Xi ang Ma o-s hen g,  W e i Li- den g, Liu Z h o ng-sh eng. Su b p i x el  accurac y   central loc a tio n  of circle tar get base d  on  nonm a x imum  suppr essio n .  Chin ese Jo urn a l of Scientific   Instrum e nt . 20 12; 33(7): 1 460 -146 8.  [12]    Z hao  Xue-fen g , Z hon g  Xi a o -min, L an Y i -hua.  Improv e m ent of T s ai' s  camera  cal i b ratio n  u n d e r  copl anar c a li br ation  boar d n e a rl y par al lels to  imagi ng  pla ne.   Co mput er Eng i ne erin g an d D e sig n . 201 1;   32(3): 10 19- 10 21.   [13]    T ao Z h i-jian g , Hua ng H ua. F und us ima ges   mosaic b a se d  on impr oved  harris a nd SIF T  algorithm .   Co mp uter Engi neer ing a nd D e sig n . 201 2; 33(9): 351 0-3 5 1 1 .    Evaluation Warning : The document was created with Spire.PDF for Python.