基于图像分块HarrisSIFT特征匹配算法.docVIP

基于图像分块HarrisSIFT特征匹配算法 　　摘 要： 应用Harris角点和SIFT图像局部特征定量化数据描述的互补优势，提出了图像分块Harris?SIFT特征匹配方法。将原图像分割成子图像块，根据子块的可变阈值检测多尺度Harris角点，并对其进行迭代精化，使其收敛到真值，然后生成定量化的特征矢量。匹配应用双向最近邻算法并用RANSAC去除误匹配。通过仿真验证，这种方法增强了角点提取的鲁棒性，提高了匹配速度和精度。 　　关键词： 图像分块； Harris?SIFT； 迭代精化； 特征匹配 　　中图分类号： TN919?34； TP391 文献标识码： A 文章编号： 1004?373X（2013）22?0073?03 　　0 引 言 　　在图像局部区域提取出的特征如边缘线、角点等称为局部特征。其对仿射、旋转、光照等变化具有不变性。将局部特征应用于图像配准，具有广泛的应用领域，例如图像拼接、运动目标检测、模式识别等。Harris角点作为当前效果最好应且应用最多的角点[1?2]，具有局部特征的若干不变性。利用高斯滤波，Mikolajczyk实现了Harris角点的尺度不变性[3?4]。Lowe于2004年提出完善的SIFT算法[5?6]，为了能够使特征点的匹配测度更准确，对其进行定量化的描述从而生成特征矢量[5?6]。其作为特征点与匹配的桥梁，实现了图像的精确匹配。本文先将原图像分割成子图像块，利用分块阈值避免因图像灰度不均匀造成的角点漏检；结合Harris角点和SIFT定量化数据描述，获得稳定的特征矢量，保证了特征匹配的速度、精度和鲁棒性。仿真验证，这种特征匹配方法能够取得很好的仿真效果。 　　1 角点检测 　　1.1 图像分块 　　图像分块是本文在角点检测前的第一步，目的是为改变整幅图像角点响应单一阈值的影响，在各图像子块中设定分块阈值，使提取的角点分布均匀合理，充分反应图像整体结构[7]。可以选择图像块大小固定和块数固定的方法对图像进行分块。采用子块大小固定的方法，可以按照图像的灰度纹理分布，合理选择子块的大小，保证灰度不同的各子块根据不同阈值合理提取角点。但是，这种方法容易造成越界分块。本文用固定块数的方法，去除上述的越界分块[7]。完成图像分块后，每一个子图像块都有独自的灰度分布和纹理。在1.2节中进行??点响应阈值选择时，采用最大响应值的比例，这样[i]子块的阈值定义为[βRimax]。在每一子图像块中有不同阈值，可以检测出各子块中特征相对显著的角点，保证了检测的角点充分反应图像整体结构。 　　1.2 角点提取 　　高斯尺度空间是应用不同尺度的高斯滤波器对图像进行滤波，获得相应的尺度高斯图像[3]。 　　高斯核[4]： 　　判断R在角点邻域内是否为极大值并进行筛选，提取Harris位置空间角点[3]。式（4），式（5）中[TR]为角点响应阈值，本文用自适应阈值[TR=βRmax]，[β]为可以设定的常数，本文仿真取[β=0.2。]在整幅图像中，[Rmax]固定，而图像灰度纹理不同，要使提取的角点分布均匀且合理，必须采用变化的阈值。为此，本文首先对图像进行分块，则第[i]块图像阈值为[TiR=βRimax]，这样就可以应用子块的阈值。最后，进行拉普拉斯响应值[4]计算，判断Harris位置空间角点： 　　1.3 迭代精化 　　数字化的图像是作为离散数据来处理的，这样在对响应R判断时[Rmax]可能被拒绝，为使提取的角点收敛到其真值，采用迭代的方法进行处理，由上文得到初始点集[（x，σI）]，进行精化迭代运算[4]： 　　用上式进行筛选，拒绝不满足式（10）的点；最后若[σ（k+1）I≠σ（k）I]，并且[σ（k+1）I≠σ（k）I]，转到（1）。对于数字化的图像来说，在不同的尺度上进行检测，可能会得到不同的角点位置。通过迭代精化运算，这些不同的位置将逐渐收敛一致。 　　2 特征矢量及匹配 　　2.1 角点定量化描述 　　为了使生成的特征矢量具有旋转不变性，首先要确定角点主方向和辅助方向[8]。计算角点邻域的梯度幅值和方向。 　　根据幅值统计梯度方向的直方图。在这个局部区域内，距离角点更近的点更能反应图像的结构，因此，在直方图统计时，对其进行高斯加权，使角点附近的点的幅值和方向有较大比例，消除仿射造成的角点不稳定[8]问题。根据划分的区域和方向范围，生成128维的特征向量[5?6，8]。根据区域的不同用高斯函数加权处理，保证角点附近的区域方向具有更大的比重。为增强特征矢量对光照、仿射等变化适应性，对其进行归一化。为增强特征矢量的鉴别性[5?6，8]，截断其中值大于0.2的，重新进行归一化。 　　2.2 匹配策略 　　对已有的角点特征矢量，采用双向匹配策略，以欧式距离作为