梁建國(guó)，馬 紅

（1.重慶市勘測(cè)院，重慶 400020）

L（x，y，σ）= G（x，y，σ）* I（x，y） ( 1 )

改進(jìn)的SIFT雙向匹配算法在異源影像匹配中的應(yīng)用

梁建國(guó)1，馬 紅1

（1.重慶市勘測(cè)院，重慶 400020）

針對(duì)不同傳感器、不同時(shí)相、不同分辨率的異源遙感影像匹配困難的問(wèn)題，引入尺度不變特征（Scale Invariant Feature Transform，SIFT）算法；針對(duì)傳統(tǒng)SIFT匹配算法的不足，利用SIFT特征向量匹配對(duì)的唯一性約束改進(jìn)傳統(tǒng)SIFT算法的匹配策略，采用雙向匹配以達(dá)到在匹配過(guò)程中準(zhǔn)確尋找匹配點(diǎn)對(duì)的目的，提高影像匹配的正確率，實(shí)驗(yàn)證明，該方法適用于異源影像匹配。

SIFT特征匹配；雙向匹配；異源影像匹配

目前主要的影像匹配可以分為3類：以灰度為基礎(chǔ)的算法、以特征為基礎(chǔ)的算法、以語(yǔ)義為基礎(chǔ)的算法[1,2]。對(duì)于異源影像，由于數(shù)據(jù)量大、成像條件和場(chǎng)景條件復(fù)雜，基于灰度信息的匹配方法很難有效地解決特征對(duì)應(yīng)問(wèn)題，而基于語(yǔ)義信息的匹配算法依賴領(lǐng)域太大，還沒(méi)有明顯的研究進(jìn)展[3]。由Lowe提出并完善的SIFT算法，能較好地抗影像尺度變換、旋轉(zhuǎn)變換和亮度變換，在異源影像匹配中應(yīng)用前景較為廣闊[4,5]。然而單純的SIFT算子用于異源影像匹配，存在匹配正確率低、匹配點(diǎn)數(shù)量較少且分布不均勻的情況。針對(duì)SIFT算子的不足，本文利用一種改進(jìn)的SIFT雙向匹配算法，即在已有匹配結(jié)果的基礎(chǔ)上引入匹配的唯一性約束，提高兩幅待匹配影像之間的匹配正確率[6]，實(shí)現(xiàn)光譜特征、空間特征和紋理特征都有差異的異源影像匹配。

1 SIFT特征向量的提取

SIFT特征匹配算法包括特征向量提取和特征向量匹配2步。特征向量提取包括如下幾個(gè)步驟：尺度空間極值點(diǎn)檢測(cè)、特征點(diǎn)定位、特征點(diǎn)方向確定、特征向量生成[7]。

1.1 尺度空間極值點(diǎn)檢測(cè)

高斯卷積核是實(shí)現(xiàn)尺度變換的唯一變換核，故圖像I（x，y）的尺度空間L（x，y，σ），定義為原始圖像與一個(gè)可變尺度的二維高斯函數(shù)G（x，y，σ）的卷積運(yùn)算：

L（x，y，σ）= G（x，y，σ）* I（x，y） ( 1 )

不變尺度的二維高斯函數(shù)為：

將一系列尺度空間圖像中的相鄰尺度相減就得到一組DOG（Difference Of Gaussian，即高斯差分算子）圖像D（x，y，σ）：

將當(dāng)前被檢測(cè)的像素與同一尺度上的相鄰8個(gè)像素以及鄰近的高低2個(gè)尺度上對(duì)應(yīng)位置的9×2個(gè)像素進(jìn)行比較，確保在尺度空間和二維圖像空間都檢測(cè)到局部極值，完成尺度空間檢測(cè)。

1.2 確定特征點(diǎn)位置

根據(jù)極值點(diǎn)在位置和尺度上用2×2 的Hessian矩陣H計(jì)算其穩(wěn)定性，用穩(wěn)定性度量標(biāo)準(zhǔn)η剔除不穩(wěn)定的點(diǎn)，從而找出穩(wěn)定的特征點(diǎn)。H矩陣和η如下：

式中，γ是控制特征點(diǎn)穩(wěn)定性的參數(shù)，表示為最大特征值和最小特征值的比值。

1.3 確定特征點(diǎn)方向

利用高斯卷積圖像確定特征點(diǎn)的唯一指向，保證特征向量滿足旋轉(zhuǎn)不變性，計(jì)算其梯度幅值m和方向θ，如式（6）和式（7）所示。在計(jì)算過(guò)程中，以特征點(diǎn)為中心的鄰域梯度直方圖的峰值表示特征點(diǎn)的方向。

1.4 生成特征向量

將特征點(diǎn)的16×16鄰域分為4×4的圖像子塊，每個(gè)像素定義8個(gè)方向的向量信息，即可生成 128維的特征向量。由此，每個(gè)SIFT特征點(diǎn)由1個(gè)128維向量表示，SIFT特征向量已經(jīng)除去了尺度變化、旋轉(zhuǎn)變換等因素的影響，如果將其進(jìn)行歸一化處理，則可進(jìn)一步減少光照變化的影響[8,9]。

2 特征向量匹配策略的改進(jìn)

SIFT特征向量的匹配采用最鄰近距離算法完成，即采用樣本特征點(diǎn)的最鄰近特征點(diǎn)歐氏距離與次鄰近特征點(diǎn)歐氏距離的比值是否滿足設(shè)定的匹配閾值來(lái)完成[9,10]。這種在參考圖像中尋找待匹配圖像特征點(diǎn)對(duì)應(yīng)點(diǎn)的方式是帶有方向性的，即為待匹配圖像到參考圖像的單向匹配，匹配方法簡(jiǎn)便，但誤匹配概率較大。在異源影像匹配過(guò)程中，特征匹配的正確率直接影響匹配結(jié)果，對(duì)后續(xù)利用的限制較大，因此，需要對(duì)傳統(tǒng)SIFT單向匹配算法進(jìn)行改正，以提高異源影像匹配的正確率。

唯一性約束，即匹配點(diǎn)對(duì)之間映射關(guān)系的對(duì)稱性，對(duì)于匹配點(diǎn)（p1，p2），存在匹配映射關(guān)系（p1→p2）和（p2→p1）。將唯一性約束引入到匹配策略中，實(shí)現(xiàn)SIFT特征向量的雙向匹配，可以減少誤匹配點(diǎn)，進(jìn)而提高匹配的正確率。

本文改進(jìn)的SIFT特征向量雙向匹配的步驟如下（見圖1）：

①采用單向匹配中提取特征向量的方法提取2幅圖像各自的SIFT特征向量；

②根據(jù)傳統(tǒng)SIFT特征向量的匹配算法，計(jì)算第1個(gè)特征點(diǎn)集m到第2個(gè)特征點(diǎn)集n中的匹配對(duì)；

③根據(jù)計(jì)算得到的匹配點(diǎn)對(duì)集合，用同樣的方式反過(guò)來(lái)計(jì)算第2個(gè)特征點(diǎn)集n中已經(jīng)被匹配的關(guān)鍵點(diǎn)在第1個(gè)特征點(diǎn)集m中的匹配點(diǎn)，即求已被匹配的關(guān)鍵點(diǎn)在第1個(gè)特征點(diǎn)集m中的最鄰近與次鄰近的距離比率，若比率小于匹配閾值b，則作為正確匹配點(diǎn)[7]。

a、b為匹配閾值，在實(shí)驗(yàn)過(guò)程中a、b不相互影響，可設(shè)置為相同值。

改進(jìn)后雙向匹配算法約束條件比傳統(tǒng)SIFT算法約束條件更強(qiáng)，可以檢測(cè)出更多的誤匹配點(diǎn)，從而提高匹配的正確性。

圖1 SIFT特征向量雙向匹配流程

3 匹配實(shí)驗(yàn)及結(jié)果分析

本文實(shí)驗(yàn)環(huán)境如下：CPU為Intel(R) Core(TM) i5-3570 3．40 GHz(4 CPUs) ～3．8 GHz；內(nèi)存為4 GB；操作系統(tǒng)為Windows 7；實(shí)驗(yàn)平臺(tái)為Microsoft Visual Studio 2010和Opencv 2．4．0。

本文選用不同傳感器獲取的同一地區(qū)不同時(shí)相影像進(jìn)行匹配，以驗(yàn)證改進(jìn)的SIFT算子匹配效果。實(shí)驗(yàn)數(shù)據(jù)為圖2中的影像，a圖為2010年9月獲取的重慶市江北區(qū)SPOT 5衛(wèi)星影像（分辨率為10 m，影像質(zhì)量較差，噪聲較多），b圖為2011年4月獲取的重慶市江北區(qū)QuickBird衛(wèi)星影像（分辨率為2．44 m，影像質(zhì)量較好，噪聲較少），在實(shí)驗(yàn)前將QuickBird影像進(jìn)行逆時(shí)針旋轉(zhuǎn)15°，以驗(yàn)證匹配算法的幾何變換不變性。

圖2 重慶市江北區(qū)實(shí)驗(yàn)衛(wèi)星影像

針對(duì)2幅實(shí)驗(yàn)影像，分別采用傳統(tǒng)的SIFT算法和本文改進(jìn)后的雙向SIFT算法進(jìn)行匹配，實(shí)驗(yàn)結(jié)果如圖3所示。

表1在特征點(diǎn)匹配的正確率和所用時(shí)間上將2種方法進(jìn)行了比較：①在匹配正確率方面，改進(jìn)的SIFT雙向匹配算法匹配正確率明顯高于傳統(tǒng)SIFT匹配算法；②在計(jì)算時(shí)間方面，改進(jìn)的SIFT雙向匹配算法由于在傳統(tǒng)匹配的基礎(chǔ)上進(jìn)行了反向匹配，時(shí)間效率比傳統(tǒng)SIFT算法低。

表1 異源影像匹配結(jié)果比較

圖3 實(shí)驗(yàn)結(jié)果

4 結(jié) 語(yǔ)

改進(jìn)的SIFT雙向匹配算法在影像后續(xù)處理中可以得到廣泛引用，如目標(biāo)識(shí)別和目標(biāo)跟蹤等。由于雙向匹配策略造成匹配耗時(shí)較長(zhǎng)，且在計(jì)算過(guò)程中，匹配閾值a和b對(duì)結(jié)果的影響沒(méi)有排除，在下一步工作中，將采用分塊處理方式完成匹配，并采用自適應(yīng)方法設(shè)定匹配閾值。

[1] 翟麗杰．基于特征點(diǎn)的改進(jìn)SIFT巖心圖像匹配算法[J]．計(jì)算機(jī)與數(shù)字工程,2013,41(6): 981-983

[2] 袁修孝,李然．帶匹配支持度的多源遙感影像SIFT匹配方法[J]．武漢大學(xué)學(xué)報(bào):信息科學(xué)版,2012,37(12): 1 438-1 442

[3] 柯濤,張永軍．SIFT特征算子在低空遙感影像全自動(dòng)匹配中的應(yīng)用[J]．測(cè)繪科學(xué),2009,34(4):23-26

[4] 李然,張?jiān)粕赟IFT特征的多源遙感影像自動(dòng)匹配方法[J]．測(cè)繪科學(xué),2011,36(3):8-10

[5] DGL．Distinctive Image Features from Scale-Invariant Key Points[J]．Int，J Comput Vision，2004,60(2): 91-110

[6] 劉煥敏．一種改進(jìn)的SIFT雙向匹配算法[J]．兵工自動(dòng)化,2009,28(6):89-91

[7] 呂倩利,邵永社．基于SIFT特征的異源遙感影像匹配方法研究[J]．計(jì)算機(jī)工程與應(yīng)用，2012,48(36): 171-175

[8] 張春美,龔志輝,孫雷．改進(jìn)SIFT特征描述符在影像匹配中的應(yīng)用研究[J]．計(jì)算機(jī)工程與應(yīng)用,2008,44(2): 95-97

[9] 唐永鶴,盧煥章．基于多結(jié)構(gòu)元素復(fù)合濾波的形態(tài)學(xué)邊緣檢測(cè)[J]．武漢大學(xué)學(xué)報(bào):信息科學(xué)版,2012,37(1): 50-53

[10] 趙壘,侯振杰．一種改進(jìn)的SIFT圖像配準(zhǔn)方法[J]．計(jì)算機(jī)工程,2010,36(12):226-228

P237.3

B

1672-4623（2014）06-0057-02

10.3969/j.issn.1672-4623.2014.06.020

梁建國(guó)，正高職高級(jí)工程師，現(xiàn)主要從事遙感應(yīng)用研究、三維仿真地理信息系統(tǒng)與網(wǎng)絡(luò)底圖應(yīng)用開發(fā)。

2014-01-23。

項(xiàng)目來(lái)源：國(guó)家科技支撐計(jì)劃資助項(xiàng)目（2011BAH12B07-03)。