改进sift特征在图像匹配中的应用

《改进sift特征在图像匹配中的应用》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、万方数据ComputerEngineeringandAppl&ations计算机工程与应用2008，44(2)95改进SIFT特征在图像匹配中的应用张春美∽，龚志辉。，孙雷1ZHANGChun—n-tell一．GONGZhi—huil．SUNLeil1．信息工程大学测绘学院，郑州4500522．73603部队，南京2120031．InstituteofSurveyingandMapping，blfonnationEngineeringUr,iversity，Zhengzhou450052，China2．73603ArmyUnit，Nanjing212003，ChinaE-mail：zcm

2、nj@sohu．comZHANGChun—mei。GONGZhi—hui。SUNLei．ImprovedSIFTfeatureappliedinimagematching．ComputerEngineeringandApplications，2f108，44(2)：95-97．Abstract：TheprincipleofSIFTmethodisresearched，thenanimprovedSIFTpointsfeaturedescriptorisproposed，aimingtotheprohlemo}1itshighdimensinnandcomplexity，Numerouse

3、xperimentshavebeenenmtuctedfordifferenttypeofimagesexistinggeometricaldistortionandradiativedistortionaswellasnoiseJmpactio．．TheresultsShOWthattheproposedmethodismorestableandfaSt．Keywords：SIVI’method；scalespace；featuredescriptor；regionmatching摘要：对SIFT算法进行研究，针对sTFT特征描述符的高雏数和高复杂度问题，进行了政进。通过对大量的不同类

4、型的图像进行特征匹配实验，实验结果表明，"-3图像存在不同程度的几何变形、辐射畸变和噪声影响时，改进后的算法更稳定、更快速。关键词：SIFT算法；尺度空间；特征描述符；特征匹配文章缩号：1002—8331(2008)02—0095—03文献标识码：A中图分类号：TP391．41引言图像匹配是计算机视觉和数字图像处理的重要组成部分，广泛应肘于摄影测量与遥感、资源分析、三维重建、目标识别等众多领域，一直是研究者关注的焦点，但是由于它受到天气、阳光、遮挡等外界因素的严重影响。并且存在因不同的成像时间、角度、距离等因素而导致的图像平移、旋转、缩放等问题，这都给图像匹配11=作带来了很大的难度。长

5、期以来，国内外很多学者都致力于能够解决上述问题的图像匹配技术研究。近年来，在计算机视觉领域，基于局部不变量描述符(LocallnvafiantDescriptor)的方法在目标识别和图像匹配方面取得了显著进展。2004年，哥伦比亚大学的DavidLowe提出了一种新的点特征提取算法——sIFTr(scaIeInva6一antFeatureTransform)算法”1，较好地解决了场景部分遮挡、旋转缩放、视点变化引起的图像变形等问题，并且成功应用于目标识别Ⅲ、图像复原田、图像拼接o—等领域。然而，算法仍存在一些问题．如阈值过多且难以确定，特征描述符维数过高导致计算过于复杂等。后来有学者对其

6、进行了改进，如Y．ke提出PCA—SIFT改进法埘，采用主成分分析法以减少特征描述符的维数，降低了计算复杂度。Mikolajczyk提出了一十扩展的SIFT描述子—GlDH(GradientLocation—OrientationHistogram)H进一步增强了特征描述符的独特性(distinctiveness)和算法的鲁棒性：．本文针对SIFT特征描述符的高维数和高复杂度问题对sI丌算法进行了改进，通过增强特征描述符本身的抗旋转能力以及减少特征描述符的维数来降低计算的复杂度。2SIFT算法原理SIFT算法基于图像特征尺度选择的思想，建立图像的多尺度空间，在不同尺度下检测到同一个特征点

7、，确定特征点位置的同时确定其所在尺度，以达到尺度抗缩放的目的，剔出一些对比度较低的点以及边缘响应点，并提取旋转不变特征描述符以达到抗仿射变换的目的。该算法主要包含4个步骤：(1)建立尺度空间，寻找候选点；(2)精确确定关键点．剔除不稳定点；(3)确定关键点的方向；(4)提取特征描述符。高斯卷积核是实现尺度变换的唯一变换核啊。因此一幅图像，(石，Y)的尺度空问定义为L(搿，y，or)，是由不同尺度的高斯函数G(x，r，盯)与原图像卷积