基于SIFT算法的圖像配準(zhǔn)模型研究

李勁達(dá)

【摘要】 以提高圖像配準(zhǔn)效率、減少配準(zhǔn)時(shí)間為目的，提出SIFT特征圖像配準(zhǔn)模型，該算法通過建立S層金字塔，達(dá)到降低多尺度空間和減少特征點(diǎn)數(shù)量的目的，將當(dāng)前檢測到的特征點(diǎn)與最近更新的目標(biāo)模塊相匹配，從而更加魯棒性地應(yīng)對(duì)圖像的配準(zhǔn)問題。

【關(guān)鍵字】 圖像 SIFT 尺度空間 適應(yīng)值

引言

圖像特征點(diǎn)是圖像中具有鮮明特性并能把圖像中的目標(biāo)物體識(shí)別出來的點(diǎn)[1][2]。特征點(diǎn)的信息含量較高，可以對(duì)處理提供足夠的約束，其數(shù)目相對(duì)于圖像像素點(diǎn)來說微不足道，這樣就可以提高計(jì)算速度，使實(shí)時(shí)處理成為可能。在特征點(diǎn)的提取和匹配方法中，David G. Lowe在2004年提出的一種基于尺度空間的尺度不變特征變換算法——SIFT（Scale Invariant Feature Transform）算法[3]，它具有對(duì)平移、旋轉(zhuǎn)、尺度縮放、亮度變化保持不變性。

一、SIFT算法改進(jìn)

SIFT算法主要步驟能夠總結(jié)為四點(diǎn)：

（1）生成尺度空間；

（2）極值點(diǎn)檢測；

（3）精確定位極值點(diǎn)；

（4）生成特征描述符。

但是對(duì)于圖像而言，實(shí)時(shí)獲取的圖像與預(yù)存圖像之間的尺度變換不大，所以只需關(guān)心特征點(diǎn)的配準(zhǔn)，圖像尺度無關(guān)緊要，SIFT算法不需要搜索整個(gè)尺度空間。于是對(duì)SIFT算法進(jìn)行改進(jìn)，改進(jìn)算法主要從兩方面著手，降低尺度空間復(fù)雜度和減少特征點(diǎn)的數(shù)量[7]。

造了高斯差分圖像，其他組僅有一幅圖像，所以第一組采用同經(jīng)典SIFT算法極值檢測方法，其他組僅對(duì)每個(gè)像素與周圍8領(lǐng)域的像素進(jìn)行比較，判斷其是否為極值點(diǎn)。如果是極值點(diǎn)，然后計(jì)算這個(gè)像素點(diǎn)8領(lǐng)域的像素平均值，假如該平均值也是另外一組的16領(lǐng)域的極值點(diǎn)，則采樣點(diǎn)設(shè)為改進(jìn)算法的極值點(diǎn)[6]。改進(jìn)算法后面的步驟與原SIFT算法相同。

把一幅圖像按照SIFT算法進(jìn)行特征點(diǎn)檢測，可以發(fā)現(xiàn)檢測到非常多的極值點(diǎn)。

如果采用改進(jìn)后的SIFT算法進(jìn)行特征點(diǎn)檢測的結(jié)果就可以看出得到的特征點(diǎn)明確、穩(wěn)定，并且數(shù)量適中，如果像傳統(tǒng)SIFT算法檢測到的特征點(diǎn)太多，則會(huì)嚴(yán)重影響處理速度，但太少了也不利于精確配準(zhǔn)。

二、實(shí)驗(yàn)結(jié)果

對(duì)于采集到的多幅圖像進(jìn)行實(shí)驗(yàn)仿真，改進(jìn)后的SIFT算法在MATLAB R2010a仿真環(huán)境中進(jìn)行，并且實(shí)驗(yàn)參數(shù)設(shè)置為：粒子數(shù)N=30，迭代次數(shù)i=6，其中，配準(zhǔn)時(shí)間表示對(duì)前1000個(gè)特征點(diǎn)進(jìn)行配準(zhǔn)的時(shí)間。

三、總結(jié)

首先在SIFT算法的基礎(chǔ)上提出了改進(jìn)后的SIFT算法，該算法通過建立S層金字塔，達(dá)到降低多尺度空間和減少特征點(diǎn)數(shù)量的目的，接著進(jìn)一步對(duì)改進(jìn)后的算法進(jìn)行優(yōu)化，將改進(jìn)后的SIFT中適應(yīng)值函數(shù)相融合，將當(dāng)前檢測到的特征點(diǎn)與最近更新的目標(biāo)模塊相匹配，兩種方式的結(jié)合可以最大提高圖像配準(zhǔn)時(shí)效性和精確性。

參 考 文 獻(xiàn)

[1] Barmca D I Silvcrman. A class of algorithms for fast digital image registration. IEEE Transactions on Copputers，20022（2）：179-186.

[2] David G.Lowe. Distinctive image feature from scale-invariant keypoints [J]. IEEE International Journal of Computer 2004，60（2）：91-110.

[3] Zhang Yu， Zhu Dan， Wang Yu-liang. Improved fast feature matching method of SIFT[J]. Control and Automation Publication Group， 2008，24（11）：220-222.

[4] 肖健.SIFT特征配準(zhǔn)算法研究與改進(jìn)[D].重慶：重慶大學(xué)，2012.4.

[5] Cordeliaschmid， Rogermohr. Loeal gray value invariants for image retrieval[J]. IEEE Pattern Analysis and Machine Intelligence， 1997，25（8）：15-19.