李勁達

【摘要】 以提高圖像配準效率、減少配準時間為目的，提出SIFT特征圖像配準模型，該算法通過建立S層金字塔，達到降低多尺度空間和減少特征點數(shù)量的目的，將當前檢測到的特征點與最近更新的目標模塊相匹配，從而更加魯棒性地應對圖像的配準問題。

【關鍵字】 圖像 SIFT 尺度空間 適應值

引言

圖像特征點是圖像中具有鮮明特性并能把圖像中的目標物體識別出來的點[1][2]。特征點的信息含量較高，可以對處理提供足夠的約束，其數(shù)目相對于圖像像素點來說微不足道，這樣就可以提高計算速度，使實時處理成為可能。在特征點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]，它具有對平移、旋轉、尺度縮放、亮度變化保持不變性。

一、SIFT算法改進

SIFT算法主要步驟能夠總結為四點：

（1）生成尺度空間；

（2）極值點檢測；

（3）精確定位極值點；

（4）生成特征描述符。

但是對于圖像而言，實時獲取的圖像與預存圖像之間的尺度變換不大，所以只需關心特征點的配準，圖像尺度無關緊要，SIFT算法不需要搜索整個尺度空間。于是對SIFT算法進行改進，改進算法主要從兩方面著手，降低尺度空間復雜度和減少特征點的數(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典SIFT算法極值檢測方法，其他組僅對每個像素與周圍8領域的像素進行比較，判斷其是否為極值點。如果是極值點，然后計算這個像素點8領域的像素平均值，假如該平均值也是另外一組的16領域的極值點，則采樣點設為改進算法的極值點[6]。改進算法后面的步驟與原SIFT算法相同。

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

如果采用改進后的SIFT算法進行特征點檢測的結果就可以看出得到的特征點明確、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太多，則會嚴重影響處理速度，但太少了也不利于精確配準。

二、實驗結果

對于采集到的多幅圖像進行實驗仿真，改進后的SIFT算法在MATLAB R2010a仿真環(huán)境中進行，并且實驗參數(shù)設置為：粒子數(shù)N=30，迭代次數(shù)i=6，其中，配準時間表示對前1000個特征點進行配準的時間。

三、總結

首先在SIFT算法的基礎上提出了改進后的SIFT算法，該算法通過建立S層金字塔，達到降低多尺度空間和減少特征點數(shù)量的目的，接著進一步對改進后的算法進行優(yōu)化，將改進后的SIFT中適應值函數(shù)相融合，將當前檢測到的特征點與最近更新的目標模塊相匹配，兩種方式的結合可以最大提高圖像配準時效性和精確性。

參 考 文 獻

[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特征配準算法研究與改進[D].重慶：重慶大學，2012.4.

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