陳曉燕

摘 要 圖像匹配有很多的局部描述子算法，即尋找圖像間的對應(yīng)點(diǎn)和對應(yīng)區(qū)域。局部特征在很多應(yīng)用中都有重要的作用，比如創(chuàng)建全景圖、增強(qiáng)現(xiàn)實(shí)技術(shù)以及計(jì)算圖像的三維重建。SIFT特征包括興趣點(diǎn)檢測器和描述子。SIFT描述子具有非常強(qiáng)的穩(wěn)健性。SIFT特征對應(yīng)尺度、旋轉(zhuǎn)和亮度都具有不變性，因此它可以用于可靠匹配。圖像配準(zhǔn)時(shí)對圖像進(jìn)行變換，使得變換后的圖像能夠在常見的坐標(biāo)系中對齊。配準(zhǔn)可以是嚴(yán)格配準(zhǔn)，也可以是非嚴(yán)格配準(zhǔn)，為了能夠進(jìn)行圖像對比和更精細(xì)的圖像分析，圖像配準(zhǔn)是一步非常重要的操作。本文針對SIFT （scale invariant feature transform）算法在圖像配準(zhǔn)上的應(yīng)用進(jìn)行研究和實(shí)現(xiàn)。RANSAC是“Random Sample Consensus”（隨機(jī)一致性采樣）的縮寫。該方法是用來找到正確模型來擬合帶有噪聲數(shù)據(jù)的迭代方法。給定一個(gè)模型，例如電機(jī)之間的單應(yīng)性矩陣，RANSAC基本的思想是，數(shù)據(jù)包含正確的點(diǎn)和噪聲點(diǎn)，合理的模型應(yīng)該能夠在描述正確數(shù)據(jù)點(diǎn)的同時(shí)摒棄噪聲點(diǎn)。我們經(jīng)常使用該約束將很多圖像縫補(bǔ)起來，拼成一個(gè)大的圖像來創(chuàng)建全景圖像。

【關(guān)鍵詞】圖像配準(zhǔn) SIFT特征 隨機(jī)一致性采樣

近些年來，隨著科技的不斷飛速發(fā)展，圖像拼接技術(shù)成為計(jì)算機(jī)圖像處理、計(jì)算機(jī)視覺等領(lǐng)域的研究熱點(diǎn)。圖像拼接在虛擬現(xiàn)實(shí)、遙感技術(shù)和軍事領(lǐng)域都有很多的應(yīng)用。獲取到的圖像信息量逐步增大，提供了更多有效的數(shù)據(jù)支撐，不同相機(jī)拍攝到的高分辨率圖像間會(huì)出現(xiàn)旋轉(zhuǎn)、平移、光照甚至分辨率大小不同的情況，如何將兩幅圖像快速精確配準(zhǔn)，成為目前研究的熱點(diǎn)。

圖像配準(zhǔn)技術(shù)是將在同一區(qū)域但在不同傳感器或不同觀測角度下拍攝的兩幅或多幅圖像，找出其相同或重疊區(qū)域，并進(jìn)行匹配對準(zhǔn)的過程。準(zhǔn)確的圖像配準(zhǔn)也是圖像融合與拼接能夠順利完成的重要先決條件。圖像配準(zhǔn)的方法可以分為基于灰度信息的圖像配準(zhǔn)方法，基于變換域的圖像配準(zhǔn)方法和基于特征的圖像配準(zhǔn)方法三大類方法。在基于特征的圖像配準(zhǔn)方法中，1999年由Lowe提出并在2004年改進(jìn)完善的SIFT算法對圖像旋轉(zhuǎn)、比例縮放、光照變化表現(xiàn)出較強(qiáng)的魯棒性，并能提取出較多的特征點(diǎn)。

本文采用一種改進(jìn)的SIFT變換，把圖像SIFT算子檢測到的特征點(diǎn)進(jìn)行SIFT算子描述，通過K-D樹算法進(jìn)行初步匹配，然后再通過改進(jìn)的隨機(jī)抽取一致性算法（ RANSAC）進(jìn)行精確匹配，提出一種更具有穩(wěn)健性的二次反向匹配。因?yàn)槠ヅ涫菃蜗虻?，即我們將每個(gè)特征想另一幅圖像中的所有特征進(jìn)行匹配，提出改進(jìn)的反向逆匹配，即從第二幅圖像中的特征向第一幅圖像中的特征匹配，最后我們只保留同時(shí)滿足這兩種匹配準(zhǔn)則的對應(yīng)。實(shí)驗(yàn)結(jié)果表明本算法在配準(zhǔn)圖像時(shí)具有快速性及穩(wěn)健性。

1 經(jīng)典SIFT算法原理

SIFT算法的尺度空間是，DOG與不同尺度的圖片卷積。

特征點(diǎn)檢測是，先進(jìn)行非極大抑制，在去除低對比度的點(diǎn)。在通過Hessian矩陣去除邊緣的點(diǎn)。

方向是，在正方形區(qū)域內(nèi)統(tǒng)計(jì)梯度的幅值的直方圖，找max對應(yīng)的方向。可以有多個(gè)方向。

特征描述子是，16*16的采樣點(diǎn)畫風(fēng)為4*4的區(qū)域，計(jì)算每個(gè)區(qū)域的采樣點(diǎn)的梯度方向和幅值，統(tǒng)計(jì)成8bin直方圖，共4*4*8=128維。

2 RANSAC（隨機(jī)一致性采樣）算法原理

在實(shí)際的應(yīng)用中，為了得到僅包含高質(zhì)量的匹配，我們通常使用RANSAC算法來進(jìn)行基礎(chǔ)矩陣的估算。

RANSAC算法的目的是從包含異常值的數(shù)據(jù)集中估算出給定的數(shù)學(xué)元素?；驹硎请S機(jī)地選取一些數(shù)據(jù)點(diǎn)，并且只用它們來進(jìn)行估算。選擇的數(shù)據(jù)點(diǎn)的個(gè)數(shù)應(yīng)當(dāng)是可以用在進(jìn)行估算的最小數(shù)。對于基礎(chǔ)矩陣來說，8個(gè)匹配是最小數(shù)。一旦從這個(gè)隨機(jī)地8個(gè)匹配中算出基礎(chǔ)矩陣，集合中所有剩下的匹配都會(huì)和矩陣對應(yīng)的極性約束進(jìn)行測試。我們找到所有滿足該約束的匹配，它們對應(yīng)的他正非常接近極值線。這些匹配組成了這個(gè)基礎(chǔ)矩陣的支持集合。

3 二次反向匹配法去除誤匹配

本文使用一種更具有穩(wěn)健性的二次反向匹配。因?yàn)槠ヅ涫菃蜗虻?，即我們將每個(gè)特征想另一幅圖像中的所有特征進(jìn)行匹配，提出改進(jìn)的反向逆匹配，即從第二幅圖像中的特征向第一幅圖像中的特征匹配，最后我們只保留同時(shí)滿足這兩種匹配準(zhǔn)則的對應(yīng)匹配點(diǎn)。從而保留了優(yōu)質(zhì)匹配。初始數(shù)據(jù)集中優(yōu)質(zhì)匹配的數(shù)量越大，RANSAC算法給出正確基礎(chǔ)矩陣的概率也越高。所以我們相當(dāng)于對數(shù)據(jù)集進(jìn)行了優(yōu)化的篩選。從而保證了后期能得到精準(zhǔn)度高的圖像特征點(diǎn)匹配。

4 實(shí)驗(yàn)結(jié)果

本文對特征點(diǎn)二次雙向匹配算法進(jìn)行了相關(guān)實(shí)驗(yàn)，選取不同的多幅圖像進(jìn)行了配準(zhǔn)測試，較全面地測試了配準(zhǔn)功能。下面以圖1、圖2為例進(jìn)行說明，給出實(shí)驗(yàn)結(jié)果及分析。

5 結(jié)論

本文使用了一種二次雙向匹配算法與SIFT算法相結(jié)合的配準(zhǔn)算法，該算法可以去除重要的誤匹配點(diǎn)，提高初始數(shù)據(jù)中的優(yōu)質(zhì)匹配的數(shù)量，從而提高了配準(zhǔn)的準(zhǔn)確率。

參考文獻(xiàn)

[1]Lowe D G.Distinctive image features from scale-invariant key points[J]. International Journal of Computer Vision，2004，60（2）：245-270.

[2]Bay H，Tuytelaars T，Gool L V.SURF speeded up robust features[A]. The Nineth European Conference on Computer Vision （ECCV）[C].Graz， Austria；Springer，2006：404-417.

[3]Kordelas G，Daras P.Robust SIFT-based feature matching using Kendall's rank correlation measure[A].Proc. ICIP[C].2009：325-328.

作者單位

華南師范大學(xué) 廣東省廣州市 510006