基于SIFT的稳健匹配方法.docVIP

用于图像拼接的稳健匹配方法 摘 要：为了提高图像拼接过程中的特征匹配准确率和自动化水平，提出了一种基于SIFT（Scale Invariant Feature Transform）特征的新匹配策略。首先，给定一个基本的匹配阈值，对SIFT特征对进行粗略判断，得到含有误匹配的特征对集合。其次，计算特征对之间的欧式距离最小值与次小值的比率，取比率值最小的前8个特征对的图像坐标数据，求解图像透视投影模型参数初值，并计算这8个特征对的变换坐标与实际坐标之间的最大误差值σ。第三，计算上述8个特征对的原始图像坐标的最大分布范围，取其与图像尺寸的比值作为匹配误差门限控制参数k。最后，计算集合中的特征对变换坐标与实际坐标的差值，以该差值不大于3kσ作为控制条件，剔除误匹配，得到准确的匹配对集合，用于计算透视投影模型参数值。实验结果表明：在待匹配图像有一定程度的视点、光照、旋转、比例变化等情形下，该方法具有稳定、可靠的特点，所用实验图像达到了很高的匹配准确率。该方法能无需人工选择匹配阈值，有效地提高了图像匹配的自动化水平。 关键词：图像处理；图像拼接；自动匹配；SIFT特征； 1 引言 图像拼接技术主要用于解决受成像仪器的视角大小限制，不能产生大视景图像的问题。所谓“图像拼接”(Image Mosaic)就是将两幅或者两幅以上相邻间具有部分重叠的图像进行无缝缝合，生成一张具有较宽视角的高分辨率图像或者360度视角的全景(Panorama)图像的处理过程。它具有广阔的应用前景，例如，可利用图像拼接结果快速生成数字地图、为城市规划提供依据等。图像拼接主要包括拼接预处理、图像配准和图像融合三个步骤，其中图像配准是核心，图像拼接算法很大程度上是由图像配准方法决定的。 图像配准一般分为两大类[1]：一类是基于频率域的图像配准方法，如Fourier变换[2]、小波变换方法Contourlet变换[3]等；另一类是基于空间域的图像配准方法，它主要包括基于区域的图像配准算法和基于特征的图像配准算法[4]。随着一些良好特征提取算子的出现，基于特征的图像配准算法应用更加广泛，对于图像的变形，亮度变化具有较好的鲁棒性。基于特征的方法是目前研究最多、应用最广的一种匹配方法，但当前已有的方法存在一个共同的问题[5]：它们所采用的特征点的不变性一般较差，通常不具备对仿射或透视投影变换的不变性。而有很多图像是具有透视投影变换特性的，如航空和卫星遥感图像，使用传统的特征点匹配方法一般难以取得满意的配准效果。1999年，Lowe提出了SIFT方法[6]，并于2004在文献[7]中完善了这一方法。SIFT方法所提取的特征点不仅对图像缩放、平移和旋转变换具有不变性，而且对光照变化以及复杂的仿射和投影变换也具有部分不变性，比较适合用于存在透视变换的图像配准[8]。 SIFT方法通常使用特征点之间的欧式距离最小值与次小值之比作为匹配阈值，该阈值需要人工根据图像质量来确定，不能完全实现自动配准。为了提高SIFT匹配方法的准确性，有人提出了双向匹配的策略[9,10]，但这种匹配方法仍然无法实现阈值的自动选择。文献[11]提出基于置信度的匹配算法，其实质仍是特征对的欧式距离最小值与次小值之比作为匹配阈值。文献[12]加入了全局信息来提高匹配准确率，但仍然要人工选择特征对的欧式距离最小值与次小值之比作为匹配阈值。文献[13]虽然加入了彩色信息来增加匹配可靠性，还是用欧式距离最小值与次小值之比作为相似性测度。文献[14]使用了由Fishler和Bolles提出的RANSAC算法[15]，虽然能有效地估计匹配点的内点和外点，剔除伪匹配，但误差容忍度、随机抽取样本集的次数和一致集的大小等参数仍需人工确定。 2 图像变换模型 图像拼接一般是采用对应匹配(homographic mapping)模型。即原始图像是由针孔相机拍摄的投射图像，相机的运动主要是绕其光学中心的透视、平移、旋转和缩放。对应匹配由8个参数[16]决定： （1） 其中A是表示缩放和旋转，B表示平移，C表示透视投影。按照摄像机在两次成像时的关系，图像的变换模式主要分为平移、刚性、仿射和投影等变换形式。其中，平移变换是一种理想模型，实际中很难得到；刚性变换只能描述摄像机的平移运动和绕光轴的旋转运动，图像中物体有扭曲变形时就会有较大误差；仿射变换虽可以描述摄像机的平移、旋转、缩放运动，但仍然不能较好地描述摄像机的水平扫动和垂直扫动；投影变换则可以描述摄像机的平移、水平扫动、垂直扫动、旋转、镜头缩放等运动，适合用于图像变换关系比较复杂的场合。本文选择投影变换作为图像变换模型，把它写成8参数方程组的形式，变换关系为： （2） 这是一个有8个参数的非线性方