基于SIFT图像匹配技术研究.docVIP

基于SIFT图像匹配技术研究 　　摘要：SIFT（尺度不变特征变换）是一种基于多尺度空间的图像局部特征提取算法，可以很好的应用于图像的匹配。基于SIFT的图像匹配包括尺度空间的生成、局部极值点的检测、特征点位置的精确定位、特征点主方向的计算、SIFT描述子的生成和图像匹配方法等步骤，该方法适应性强，匹配效果好。实验表明，SIFT算法对图像中的各种变化具有较强的鲁棒性。 　　关键词：图像匹配 尺度不变特征变换 欧式距离 局部极值点 　　中图分类号：TP391.41 文献标识码 A 文章编号：1007-9416（2015）02-0000-00 　　Abstract：SIFT is a kind of local image feature extraction algorithm based on multi scale space，which can well applied in image matching.This paper introduced the formation of scale space，detection of the local extreme point，precise positioning of feature points location，calculation of the main direction of the feature point，generate SIFT description and image matching method based on SIFT.Experiments show that SIFT is robust to various changes in the image. 　　Key words：Image matching；SIFT；Euclidean distance；The local extreme point 　　1 引言 　　图像匹配是评价两幅或多幅图像的相似性以确定同名点的过程。建立两幅图像之间的对应关系就是图像匹配的算法。David G.Low在2004年提出的尺度不变特征变换（SIFT），是基于多尺度空间的图像局部特征提取算法。 　　尺度不变特征变换的特征提取算法有两个步骤：尺度空间的DOG特征点检测和特征点邻域内描述子的生成。DOG特征点检测包括五个步骤：尺度空间的生成、局部极值点的检测、特征点位置的精确定位、特征点主方向的计算。图1描述了SIFT特征提取的五大步骤。 　　2 SIFT局部特征的提取 　　图像中的局部特征是图像中特定的准则与其邻域互相区别的图像表征，图像中由单尺度下提取出来的局部特征不能全面有效的表述图像中的所有信息，也不能够精确的预知特征区域的大小，为了能够较良好的记录图像中的重要细节和表述图像中的主要信息，就要在一系列的尺度大小（多尺度）的图像中逐步检测图像中的特征区域。 　　2.1尺度空间的构建 　　在图像的特征提取过程中要引入多尺度的表达方式，利用高斯函数可以构建多尺度空间。尺度空间具有线性平移不变性，为了满足线性平移的不变性，可以采用卷积算子[1]。二维图像的尺度空间函数定义为L（x，y，δ），高斯函数G（x，y，δ）作为卷积核，输入的二维图像为I（x，y），对输入图像进行卷积： 　　接下来构建高斯差分图像尺度空间函数D（x，y，δ）。 　　首先，需要构建高斯金字塔的图像分层机构。高斯图像金字塔是对图像的连续降2采样，再利用高斯卷积核对采样结果进行高斯滤波而得到的（图2）。对高斯图像金字塔进行连续的高斯滤波，就可以形成一组图像，每组图像的滤波系数分别为k，k2，k3…。 　　经过滤波后，没有改变图像的分辨率，但图像的细节有所差异。图3是基于尺度空间理论的高斯金子塔的分层结构图。 　　接下来，高斯图像分层结构中的相邻两层相减就可以得到高斯差分金字塔分层结构。如图4。 　　上面的两步就构建了基于尺度空间理论的高斯差分金字塔图像分层结构。多尺度图像的候选局部特征点的检测需要在此图像分层构中进行检测而得到局部极值点。要使每组内S幅图像都能在极值点检测时没有遗漏，图像的构建数为（S+2），而高斯金字塔图像分层结构在构建时，每一组必须有（S+3）幅高斯图像。 　　2.2 检测局部极值点 　　通过搜索每组高斯差分图像中的每个像素点，然后可以对比得出高斯差分金字塔图像分层结构中的极值点。如图5所示，每个样本像素点都要与本层和上下两层共26个像素点进行比较，如果该样本像素点为灰度极值点，则提取出来作为候选特征点[2]。图4中首末两层不满足与上下两层比较的条件，所以从图4中右侧的中间3层提取候选特征点。 　　2.3 精确定位候选特征点 　　由于DOG图像对噪声和边缘比较敏感，在精确