基于SIFT壁画图像相似性度量.docVIP

基于SIFT壁画图像相似性度量 　　摘 要：针对彩色壁画图像匹配时，SIFT算法忽略颜色信息导致误匹配的问题，提出一种基于SIFT和HSI的图像匹配算法。首先对彩色壁画图像提取SIFT特征点与特征向量，然后对每个特征点提取HSI彩色特征，最后按定义的相似性度量公式计算两个特征点之间的距离，确定二者是否匹配。实验结果表明：文章采用的算法比仅提取单一特征，更能有效降低误匹配率，定义的形似性度量公式比单纯的欧式距离计算法稍快一些。 　　关键词：SIFT；相似性度量；图像匹配 　　引言 　　在计算机视觉领域，图像匹配仍然是当前研究的热点问题。基于特征的匹配方法[1]，因为根据图像中趋于稳定的少量特征进行匹配，使得运算速度快、匹配效果好，所以成为目前研究最多、应用最广泛的一种方法。但是，这种方法需要在图像间进行遍历性的匹配运算，存在计算量大，且精度不高的问题。 　　1999年，Lowe提出了SIFT（Scale Invariant Feature Transform）算法[2]，该算法利用高斯差分在图像的多尺度空间中快速求解高斯拉普拉斯空间中的极值点，加快了特征提取的速度，提取的SIFT特征对于图像平移、缩放、旋转具有不变性，并且对于仿射变换、视觉变化、光照变化有较强的稳定性和很好的匹配鲁棒性，所以被广泛应用于计算机视觉的图像匹配、图像检索和模式识别等方面[3，5]。虽然SIFT 算法具有上述的优点，但该算法首先要将彩色图像灰度化，仅利用图像的灰度信息和特征点的局部邻域信息，忽略了图像的颜色信息，导致不能识别图像内具有相似结构的特征点。 　　文章提出基于SIFT的多特征相似性度量算法，首先对彩色壁画图像提取SIFT特征点与特征向量，然后对每个特征点提取HSI彩色特征，最后按定义的相似性度量公式计算两个特征点之间的距离，确定二者是否匹配。 　　1 特征提取 　　1.1 SIFT特征提取 　　尺度空间极值点的检测采用DOG方法，将一个像素点与它相邻的26个点相比较，如果是最大值或最小值，就作为图像中的一个特征点。以特征点为中心，在16×16的邻域内，将采样点与特征点的相对方向通过高斯加权后，分别归入8个方向的梯度方向直方图，最后获得4×4×8的128维特征向量来描述一个SIFT特征点。 　　SIFT算法的两个关键步骤是关键点检测和关键点描述。在关键点检测阶段，大多是利用两种不同的方法，即尺度不变检测和致密采样。文章采用致密采样进行特征检测，理由如下。一方面，尺度不变检测器在描绘均匀信息时是低效的，而壁画图像中包含着这样的信息。另一方面，在特征匹配时，通过致密采样得到的关键点优于随机抽样和尺度不变的探测器[6]。 　　SIFT算法首先将彩色图像灰度化，提取的特征关注图像的梯度信息，忽视了图像的彩色信息。文章对彩色图像提取特征，实验发现图像的误匹配点中，存在着彩色信息不一致的问题。因此，文章对图像既提取SIFT特征，又提取颜色特征，对多特征融合设计相似性度量方案，可以减少误匹配率，提高匹配效果。 　　1.2 颜色特征提取 　　为了解决误匹配中存在的SIFT梯度信息一致，彩色信息不一致的问题，我们在对特征点提取SIFT特征后，再次提取其颜色特征。由于RGB颜色模型只考虑图像的亮度信息，而HSI颜色模型全面考虑图像的亮度和颜色信息，因而在开发基于彩色描述的图像处理算法中，HSI模型更为有用[7]，文章提取HSI彩色特征。 　　HSI颜色模型中，H表示色调，指的是人的感官对不同颜色的感受，描述纯色的属性；S表示饱和度，描述的是颜色的纯度；I表示强度，描述的是颜色的明亮程度。 　　常用的最近邻方法原理是，对于基准图像中的每个特征点，在待匹配图像中寻找距离最近的特征点，然后形成一组匹配对。因为最近邻获得的匹配对中存在大量的误匹配，所以Lowe在论文[8]中对于基准图像中的每个特征点，在待匹配图像中寻找距离最近和次近的两个特征点，当这两个距离的比值小于预设的阈值时，才认为找到了一组正确的匹配对，这样消除了大量的误匹配，取得了不错的匹配效果。文章设阈值为thr，且0thr≤1。 　　3 实验结果及分析 　　为了观察算法性能，我们从互联网上寻找了两张有重叠部分的壁画图片进行了实验。图像如图1所示。采用Matlab7.7.0编程，运行在AMD A6-3400M CPU 1.4GHZ和4G内存的PC机上，Windows 7.0操作系统。 　　实验首先寻找图像的SIFT特征点，然后提取特征点的SIFT特征和HSI特征，再对图1a和图1b按公式（9）进行相似性度量，再分别用欧式距离和卡方距离作为相似性度量，并且thr分别选用0.5，0.6，0.7，0.8进行特征对提纯。结果表明，匹配过程在使用同样的阈值时，三种相似性度量方法中，所