高分辨率航空影像特征匹配SIFT-AKAZE算法的設(shè)計(jì)與改進(jìn)

曾澤前

（福建省測(cè)繪院 福建福州 350003）

1 引言

高分辨率航空攝影技術(shù)在測(cè)繪領(lǐng)域應(yīng)用越來越廣泛，可從多個(gè)視角提供大量的數(shù)據(jù)信息，測(cè)繪工作效率也得到極大提高，但由于傾斜航空攝影具有較大的傾角，這大大增加了影像的匹配難度[1-4]。

圖像匹配技術(shù)作為圖像分類、圖像分割以及圖像檢索的關(guān)鍵處理技術(shù)，對(duì)于準(zhǔn)確提取影像信息具有重要作用。常用的影像匹配算法有SIFT 算法、SURF 算法、ORB 算法以及AKAZE 算法等，這些基礎(chǔ)算法為影像特征匹配提供了理論基礎(chǔ)[5-8]。在傳統(tǒng)匹配算法的基礎(chǔ)上，又衍生出許多改進(jìn)型算法，如A-AKAZE 算法、RISK-DAISY 算法、FREAK 和改進(jìn)的RANSAC 算法等[9-11]。但是，每個(gè)算法均有其優(yōu)點(diǎn)和缺點(diǎn)，特別是很難實(shí)現(xiàn)匹配速度、穩(wěn)定性和高精度的目的。因此，有必要對(duì)影像特征匹配算法進(jìn)行設(shè)計(jì)和改進(jìn)，以求達(dá)到更好的匹配效果。

文章以SIFT 算法、SURF 算法、ORB 算法以及AKAZE 算法等傳統(tǒng)影像匹配算法為理論基礎(chǔ)，構(gòu)建一種新的影像特征匹配算法，以期能為高分辨率航空影像特征匹配提供參考。

2 常用匹配算法對(duì)比分析

2.1 SIFT 算法

SIFT 算法的優(yōu)點(diǎn)是能夠提取豐富的特征點(diǎn)信息，精度較高，但不能很好地保留影像的邊緣特征，且運(yùn)算速度慢。

2.2 SURF 算法

SURF 算法是在SIFT 算法基礎(chǔ)上進(jìn)行改進(jìn)的一種算法，其主要特點(diǎn)是采用積分圖像（目的是為了加快空間尺度的建立）和盒子濾波的方式進(jìn)行影像處理，其主要計(jì)算過程為：通過簡(jiǎn)化二階微分模板，將簡(jiǎn)化過后的模板與圖像之間的高斯卷積運(yùn)算進(jìn)行轉(zhuǎn)化運(yùn)算得到盒子濾波，然后以關(guān)鍵點(diǎn)為中心，計(jì)算6倍關(guān)鍵點(diǎn)半徑尺度內(nèi)的Haar 小波響應(yīng)，并對(duì)其進(jìn)行加權(quán)計(jì)算，最終建立一個(gè)包括16 個(gè)子區(qū)域、4 個(gè)方向梯度的64 維特征矢量，用以描述關(guān)鍵點(diǎn)的特征。

SURF 算法與SIFT 算法相比，簡(jiǎn)化了運(yùn)算過程，提高了運(yùn)算效率，加快了特征點(diǎn)的匹配速度。

2.3 ORB 算法

ORB 算法是在Fast 特征點(diǎn)檢測(cè)和BRIEF 特征描述子基礎(chǔ)上改進(jìn)發(fā)展而來的一種算法。通過Fast特征點(diǎn)檢測(cè)方法可以提取得到數(shù)字影像中的特征點(diǎn)，并利用Harris 角點(diǎn)度量方法從特征點(diǎn)中選擇多個(gè)響應(yīng)值最大的特征點(diǎn)，這些特征點(diǎn)具有尺度不變性，可通過建立高斯尺度空間予以實(shí)現(xiàn)。BRIEF 描述算子主要作用是對(duì)特征點(diǎn)進(jìn)行描述，每一個(gè)特征點(diǎn)均可用n 個(gè)點(diǎn)生成的長(zhǎng)度為n 的二值碼串進(jìn)行描述。

ORB 算法是所有影像特征匹配算法中速度最快的一種算法，且具有較好的旋轉(zhuǎn)不變性和一定的抗噪特性，但此種算法不具備尺度不變性，因此只能借助于高斯尺度空間來實(shí)現(xiàn)尺度的不變性。

2.4 AKAZE 算法

AKAZE 算法與SIFT 算法和ORB 算法不同，其不再利用高斯濾波來建立線性的尺度空間，而是利用非線性擴(kuò)散濾波的方式來對(duì)特征點(diǎn)進(jìn)行檢測(cè)和描述，這樣可以避免在去噪的同時(shí)將圖像的邊緣和細(xì)部信息模糊化，有利于提升局部精度和可區(qū)分性。其主要計(jì)算步驟為：（1）利用非線性擴(kuò)散濾波方法建立影像的尺度空間。2）尋找極值點(diǎn)并進(jìn)行精準(zhǔn)定位。（3）對(duì)特征點(diǎn)的主方向進(jìn)行定位。（4）利用M-LDB（Modified-Local Difference Binary）計(jì)算特征描述子（32 維特征矢量）。

AKAZE 算法的優(yōu)點(diǎn)是運(yùn)算速度較快、具有較好的穩(wěn)定性，可以對(duì)影像邊緣特征信息實(shí)現(xiàn)較好的保留，具有較快的匹配速度，并可以實(shí)現(xiàn)多尺度特征的描述，但所含信息較少，不利于影像匹配的精度。

3 算法設(shè)計(jì)與改進(jìn)

3.1 算法設(shè)計(jì)

綜合上文分析結(jié)果，傳統(tǒng)匹配算法均有各自的優(yōu)勢(shì)和缺點(diǎn)，因此需要對(duì)傳統(tǒng)匹配算法進(jìn)行重新設(shè)計(jì)與改進(jìn)。由于SIFT 算法信息量大、精度高，而AKAZE 算法又具有很好的穩(wěn)定性、匹配速度和旋轉(zhuǎn)不變性。本文提出SIFT-AKAZE 算法對(duì)數(shù)字影像進(jìn)行匹配，該算法結(jié)合了SIFT 描述子和AKAZE 特征提取，將AKAZE 算法中的M-LDB 描述子更換為SIFT 描述子，即將32 維特征矢量變?yōu)?28 維特征矢量，將大大提高AKAZE 算法的匹配精度。其特征檢測(cè)步驟為：

采用Excel 2007和SPSS 19.0 軟件對(duì)實(shí)驗(yàn)數(shù)據(jù)進(jìn)行處理和分析，用Duncan’s法進(jìn)行多重比較。

（1）利用非線性擴(kuò)散濾波方法建立影像的尺度空間。

（2）尋找極值點(diǎn)并進(jìn)行精準(zhǔn)定位。

（3）對(duì)特征關(guān)鍵點(diǎn)的主方向進(jìn)行定位。

（4）以特征關(guān)鍵點(diǎn)為中心，建立一個(gè)包括16 個(gè)子區(qū)域、8 個(gè)方向梯度的128 維特征矢量，用以描述關(guān)鍵點(diǎn)特征。

算法流程見圖1。

圖1 SIFT-AKAZE 算法流程

3.2 SIFT-AKAZE 算法性能檢驗(yàn)

分別選取兩組不同的影像圖（普通影像圖和傾斜影像圖，影像大小均為2400*1625）作為分析對(duì)象，并采用SIFT 算法、AKAZE 算法和SIFTAKAZE 算法進(jìn)行匹配分析，結(jié)果見圖2 和表1。

圖2 不同算法下普通與傾斜影像匹配結(jié)果

表1 不同算法匹配情況統(tǒng)計(jì)

從圖中可以看到：三種算法對(duì)普通影像的匹配率明顯優(yōu)于傾斜影像的匹配率，SIFT-AKAZE 算法在普通影像中的匹配效果最好，而在傾斜影像中表現(xiàn)最差，SIFT 算法在普通影像中的匹配效果表現(xiàn)最差，但在傾斜影像中的匹配效果好于其他兩種匹配效果，AKAZE 算法在普通和傾斜影像中的匹配效果均適中。從表1 中統(tǒng)計(jì)匹配數(shù)據(jù)可以看到：對(duì)于普通影像，SIFT-AKAZE 算法、AKAZE 算法和SIFT 算法的匹配率分別為41.8%、33.88%和31.58%，對(duì)于傾斜影像，SIFT-AKAZE 算法、AKAZE 算法和SIFT 算法的匹配率分別為0.23%、0.42%和5.6%。

綜上分析可知，在特征點(diǎn)提取數(shù)量基本相似的情況下，SIFT-AKAZE 算法在普通影像上的匹配率較AKAZE 算法和SIFT 算法分別提升7.92%和10.22%，可見AKAZE 算法在提取特征點(diǎn)方面的穩(wěn)定性優(yōu)于SIFT 算法，通過兩者的結(jié)合，可以有效提升影像的匹配率。但是，SIFT-AKAZE 算法在傾斜影像上的匹配率僅為0.23%，低于AKAZE 算法的0.42%，遠(yuǎn)低于SIFT 算法的5.6%。因此，為了提升SIFT- AKAZE 算法的適用性，特別是傾斜影像的匹配率，需要在SIFT-AKAZE 算法基礎(chǔ)上再進(jìn)行改進(jìn)。

3.3 SIFT-AKAZE 算法改進(jìn)

SIFT-AKAZE 算法在傾斜影像中的匹配率較低的根本原因在于兩者使用的尺度空間類型不同。SIFT 算法特征點(diǎn)提取所使用的是線性尺度空間，而AKAZE 算法特征點(diǎn)提取所使用的是非線性尺度空間，兩者同時(shí)用于影像特征點(diǎn)匹配提取時(shí)，很可能造成SIFT 算法特征點(diǎn)的主方向并不一定是AKAZE 算法特征點(diǎn)的主方向。因此，在AKAZE 算法提取出特征點(diǎn)之后，需要用SIFT 算法構(gòu)建空間尺度對(duì)AKAZE 算法提取得到的特征點(diǎn)進(jìn)行描述，得到SIFT-AKAZE 算法下特征點(diǎn)的主方向，才能實(shí)現(xiàn)旋轉(zhuǎn)不變性。改進(jìn)后的算法流程見圖3。

圖3 SIFT-AKAZE 算法改進(jìn)后計(jì)算流程

采用上述方法，對(duì)傾斜影像進(jìn)行特征點(diǎn)匹配分析，結(jié)果見圖4 和表2。

圖4 改進(jìn)前后匹配點(diǎn)對(duì)情況

表2 改進(jìn)前后匹配情況對(duì)比

從圖中可以看到：相比改進(jìn)前，改進(jìn)后的SIFTAKAZE 算法在匹配對(duì)上有較大幅度的提升，改進(jìn)前的匹配對(duì)僅為9 對(duì)，且還存在一些誤匹配點(diǎn)對(duì)，改進(jìn)后的匹配點(diǎn)對(duì)增加至212 對(duì)，匹配率從0.23%提升至5.21%，匹配率提升20 倍以上，可見，改進(jìn)后的SIFT-AKAZE 算法能夠顯著提升在傾斜影像中的匹配成功率。

4 算法驗(yàn)證

為進(jìn)一步驗(yàn)證改進(jìn)后的SIFT-AKAZE 算法具有良好的旋轉(zhuǎn)不變性（穩(wěn)定性），以普通影像為分析對(duì)象，保持一張影像的角度不變，將另一張影像的角度分別順時(shí)針旋轉(zhuǎn)10°、20°、30°、40°、50°、60°、70°、80°、90°，得到9 組旋轉(zhuǎn)過后的影像圖，然后利用改進(jìn)后的SIFT-AKAZE 算法對(duì)旋轉(zhuǎn)過后的影像圖進(jìn)行匹配分析，匹配結(jié)果見圖5。

圖5 不同旋轉(zhuǎn)角度下影像匹配率

從圖5 中可以看到：當(dāng)影像發(fā)生旋轉(zhuǎn)時(shí)，特征點(diǎn)匹配成功率也隨之發(fā)生變化，當(dāng)旋轉(zhuǎn)角度為0～50°時(shí)，匹配率隨旋轉(zhuǎn)角度的增加而逐漸減小，當(dāng)旋轉(zhuǎn)角度為50°～90°時(shí)，匹配率隨旋轉(zhuǎn)角度的增大而逐漸增大，不旋轉(zhuǎn)時(shí)和旋轉(zhuǎn)90°后的影像匹配率基本相等?？梢姡D(zhuǎn)不變性僅是一個(gè)相對(duì)概念，只要影像發(fā)生旋轉(zhuǎn)，其匹配率就會(huì)發(fā)生改變，雖然SIFT-AKAZE 算法的匹配率隨旋轉(zhuǎn)角度呈“U”型變化，但其最小匹配率仍可以達(dá)到13.68%，可見，SIFT-AKAZE 算法還是具有較好的旋轉(zhuǎn)不變性的，可在航空高分辨率影像匹配計(jì)算中予以合理運(yùn)用。

為進(jìn)一步驗(yàn)證算法的適應(yīng)性，在密集城區(qū)、高山區(qū)、稀疏城區(qū)以及平原地區(qū)選取1 組相似影像，然后分別用SIFT 算法、AKAZE 算法以及改進(jìn)的SIFTAKAZE 算法進(jìn)行匹配，結(jié)果見圖6。

圖6 不同影像類型下匹配率對(duì)比

從圖6 中可以看到：改進(jìn)后的SIFT-AKAZE 算法相比其他兩種算法，不管是在密集城區(qū)、高山區(qū)、稀疏城區(qū)，還是在平原區(qū)，影像匹配率均較傳統(tǒng)SIFT算法和AKAZE 算法有較大幅度提升，在不同影像類型下均具有較好的適用性。

5 結(jié)論

通過對(duì)不同影像匹配算法的對(duì)比分析，提出基于SIFT 算法和AKAZE 算法的SIFT- AKAZE 聯(lián)合算法，通過算法設(shè)計(jì)和優(yōu)化，得出如下結(jié)論：

（1）對(duì)于普通影像，SIFT- AKAZ 算法較SIFT 算法和AKAZE 算法匹配率分別提升7.92%和10.22%，但對(duì)于傾斜影像，SIFT- AKAZ 算法的匹配率較低，這主要是因?yàn)镾IFT 算法和AKAZE 算法分別采用線性和非線性尺度空間進(jìn)行特征點(diǎn)提取所導(dǎo)致。

（2）提出采用AKAZE 算法提取出特征點(diǎn)之后，用SIFT 算法構(gòu)建空間尺度對(duì)AKAZE 算法提取得到的特征點(diǎn)進(jìn)行描述對(duì)SIFT- AKAZ 算法進(jìn)行改進(jìn)，改進(jìn)后的匹配率較改進(jìn)前提20 倍以上，能顯著提升在傾斜影像中的匹配成功率。

（3）改進(jìn)后的SIFT-AKAZE 算法匹配率隨旋轉(zhuǎn)角度的增加呈先減小后增大的變化特征，最小匹配率也能達(dá)到13.68%，具有良好的旋轉(zhuǎn)不變性，在不同類型影像下的匹配率均較傳統(tǒng)算法有較大幅度的提升。