基于SIFT算法的影像匹配精度评价研究.docxVIP

基于SIFT算法的影像匹配精度评价研究

摘要：SIFT算法是目前影像匹配领域的研究热点之一。该算法的主要思想是：在尺度空间中寻找极值点，提取位置、尺度、旋转不变量，这不同于一般的基于灰度的匹配算法，因此SIFT算法的通用性很强。本文在实现SIFT算法进行影像匹配的基础之上，利用在影像上的特定区域可以进行灰度模板匹配的情况，对SIFT算法的定位精度进行分析，提出了一种评价SIFT算法定位精度的可行方案。

关键词：摄影测量与遥感;SIFT算法;影像匹配;灰度模板;精度评价

0、引言

目前主流的影像匹配算法大致可以分成两种类型：第一类是在以待定点为中心的窗口(或称区域)内，以影像的灰度分布为影像匹配的基础，故称此种类型的算法为灰度匹配(AreaBasedImageMatching);第二类是基于影像特征的匹配，主要用于配准特征点、线或面，这一类算法称为特征匹配(FeatureBasedMatching)[1-2]。SIFT(TheScaleInvariantFeatureTransform)算法，全名是尺度不变特征转换算法。SIFT特征匹配算法属于基于特征的匹配算法中的一种。SIFT算法在特征提取、特征描述和特征匹配这三个方面都有自己独特的特点，因此SIFT算法是目前影像匹配领域的研究热点之一。

本文在实现SIFT算法进行影像匹配的基础之上，对SIFT算法的定位精度进行分析，提出了一种评价SIFT算法定位精度的可行方案。

1、基于SIFT算法的影像匹配

SIFT特征匹配算法最初由加拿大的英属哥伦比亚大学(BritishColumbia)的DavidG.Lowe教授提出。该教授在1999年9月召开的计算机视觉国际会议(InternationalConferenceonComputerVision)上发表了名为《ObjectRecognitionfromLocalScale-InvariantFeatures》的一篇论文。在该论文里，作者第一次提出了尺度不变特征的概念，并将其应用于影像匹配领域。2004年1月，该教授发表了名为《DistinctiveImageFeaturesfromScale-InvariantKeypoints》的文章，在原来提出的算法的基础之上进行了一定的改进工作，这些改进主要包括SIFT特征点的精确定位和特征点描述子的改进等工作，从而使SIFT算法得到完善[3]。

使用SIFT算法进行影像匹配，大体上可以分为四个步骤。

1.1在多尺度空间上生成高斯影像和高斯差分影像在不同的尺度空间上生成高斯影像和高斯差分影像是进行SIFT特征点检测的第一步，也是SIFT特征点检测算法的一个重要特点。生成高斯影像使用的函数为：

实际操作中我们使用这个函数生成一个高斯平滑掩膜，然后使用这个掩膜对影像进行处理。

按照逐步平滑处理的方法，一共可以生成3组高斯影像。在3组高斯影像的基础之上，进行差分运算，又可以得到3组高斯差分影像。

1.2进行极值检测、极值点精确定位和去除低对比度点、边缘响应点由于SIFT算法的原理较为模式化，相关文献以给出详细描述，本文不再赘述。值得注意的是，极值点的检测工作在同尺度的高斯差分金字塔影像之间进行，检测工作发生在相邻的连续三张影像之间。检测的结果显示在中间一层影像上。据此可知，每组高斯差分影像上，特征点的检测的结果显示在第二层和第三层之间。在这两层影像上，分别进行特征点的搜索工作，但是对每层搜索影像而言，又有相邻的两层影像参与其中。这样做的目的是确保在尺度空间和二维图像空间都检测到极值点。

1.3为特征点分配方向和SIFT特征点描述子的生成分配方向的目的就是：利用关键点邻域像素的梯度方向分布特性为每个特征点指定方向参数，使算子具备旋转不变性。该步骤主要利用关键点相邻区域内一定像素的梯度值和模来完成主方向的分配工作。

以SIFT特征点为中心取一个16×16的一个窗口，在每4×4的小块上计算8个方向的梯度方向直方图，绘制每个梯度方向的累加值，即可形成一个128维的向量，将这个向量作为SIFT特征点的描述子。

1.4使用特征向量进行影像匹配工作当两幅图像的SIFT特征向量生成后，采用特征点特征向量之间的欧式距离作为两幅图像之间特征点的相似性判定度量。

向量之间的欧式计算类似于两点之间进行距离运算，也就是将向量中的相应的元素两两求差后再进行平方和运算。算例如下：A图像中的向量a与B图像中的所有的向量b进行欧式距离的计算：

求出最小的距离minL和次小的距离cminL,然后计算两个距离的比值minL/