SIFT算法特征點(diǎn)提取的改進(jìn)

殷妍

摘要：SIFT特征點(diǎn)匹配算法是目前圖像特征匹配研究領(lǐng)域的一個熱點(diǎn)。該匹配效率高，可以處理圖像之間發(fā)生平移等的變化的匹配，對不同角度拍攝的圖像也具備穩(wěn)定的特征點(diǎn)匹配效率。因此通過參數(shù)的變化對SIFT算法的原理進(jìn)行了研究以及改進(jìn)，并用圖片、運(yùn)算時間等數(shù)據(jù)說明該算法的有效性。

關(guān)鍵詞：圖像配準(zhǔn)；SIFT算法；MATLAB

中圖分類號：TP393文獻(xiàn)標(biāo)識碼：A文章編號：1009-3044(2012)07-1609-02

Improved Feature Selection of SIFT Algorithm

YIN Yan

(Institute of the Computer Science and Technology, Renai College of Tianjin University, Tianjin 301636, China)

Abstract: SIFT features matching algorithm is a hot issue in the field of computer science. It has a high efficiency to match that it can be dealt with the match when the images are in translation, for any angle shot images it still has a stable feature matching efficiency. Therefore the principle of SIFT algorithms has been studied and improved by changing the parameters. The pictures and data such as the running times are used to prove its efficiency.

Key words: image mosaicing; SIFT; MATLAB

圖像拼接技術(shù)發(fā)展迅速且應(yīng)用廣泛，是計算機(jī)科學(xué)、信息、電子、通訊等領(lǐng)域的技術(shù)基礎(chǔ)和重要研究課題。在圖像拼接的過程中，圖像的配準(zhǔn)是這項技術(shù)的重點(diǎn)與核心。目前圖像配準(zhǔn)的各種方法中，SIFT算法是目前圖像特征匹配研究領(lǐng)域的一個重點(diǎn)問題。其匹配效率很高，并且很少的特征點(diǎn)有偏差。由于這些優(yōu)點(diǎn)，SIFT算法在很多領(lǐng)域比如目標(biāo)識別、圖像檢索、圖像拼接等都得到了廣泛的關(guān)注。但是，該算法在提取特征點(diǎn)時按照傳統(tǒng)的方法有可能導(dǎo)致特征點(diǎn)數(shù)量過少，因此，可以采取采取直接增加高斯差分金字塔[1]數(shù)量的方法來直接增加檢測特征點(diǎn)的機(jī)會，從而增加特征點(diǎn)的數(shù)量。

SIFT算法的主要過程包括：建立高斯金字塔、通過相鄰金字塔的差得到高斯差分金字塔（在高斯金字塔的構(gòu)成中，在進(jìn)行變換之前，先將圖像擴(kuò)大一倍[2],其目的是為了得到更多的特征點(diǎn)；在同一階中相鄰兩層的高斯函數(shù)的比例系數(shù)是k,則第1階第2層的尺度因子是k，其它層以此類推；第2階的第1層由第1階的中間層尺度圖像進(jìn)行子抽樣得到，第2階的第2層的尺度因子是第1層的k倍，即，第3階的第1層由第2階的中間層尺度圖像進(jìn)行子抽樣獲得。其它階的構(gòu)成以此類推。）、上下左右二十六個點(diǎn)的灰度值進(jìn)行比較的初始特征點(diǎn)檢測(DoG尺度空間中的中間層（最底層和最頂層除外）的每一個像素點(diǎn)需要跟同一層的相鄰八個像素點(diǎn)以及它上一層和下一層的九個相鄰像素點(diǎn)共26個相鄰像素點(diǎn)進(jìn)行比較，以確保在金字塔的尺度空間和二維空間都檢測到局部極值。)、進(jìn)行三維二次函數(shù)擬合[3]得到精確極值點(diǎn)檢測、去除低對比度點(diǎn)、借助梯度直方圖(計算時，我們在以關(guān)鍵點(diǎn)為中心的鄰域窗口（通常取16×16大小）內(nèi)采樣，并用直方圖統(tǒng)計鄰域像素的梯度方向。梯度直方圖的范圍是0到360度，其中每10度一個柱，總共36個柱。生成的梯度向量是三十六維的，每一維代表該方向的大小。梯度方向直方圖的峰值代表了該關(guān)鍵點(diǎn)處鄰域梯度的主方向，即作為該關(guān)鍵點(diǎn)的方向)等方法確定極值點(diǎn)方向、描述特征向量、特征向量的匹配(采用歐氏距離判斷特征點(diǎn)之間的距離。獲取SIFT特征向量后，可以采用優(yōu)先k-d樹進(jìn)行優(yōu)先搜索來找每個特征點(diǎn)的兩個近似最近鄰特征點(diǎn)。k-d樹是二叉檢索樹的擴(kuò)展。k-d樹的每一層將空間分成八個。樹的頂層結(jié)點(diǎn)按一維（特征點(diǎn)的第一維）進(jìn)行劃分，下一層結(jié)點(diǎn)按另一維（特征點(diǎn)的第二維）進(jìn)行劃分，以此類推，各個維循環(huán)迭代。劃分要使得，在每個結(jié)點(diǎn)中，大約一半存儲在子樹中的結(jié)點(diǎn)能夠落入一側(cè)，而另一半能夠落入另一側(cè)。當(dāng)一個結(jié)點(diǎn)中的點(diǎn)數(shù)少于給定的最大點(diǎn)數(shù)時，則結(jié)束劃分。在這兩個特征點(diǎn)中，如果最近的距離和次近的距離的比值能夠少于某個比例閾值，則認(rèn)為該對匹配點(diǎn)匹配成功。降低這個閾值，匹配點(diǎn)數(shù)目會減少，但匹配點(diǎn)的正確率會更加穩(wěn)定。

1改變算法中的原始取值

在David G..Low的文獻(xiàn)[4]中，高斯金字塔是4階，每階3層。在S=3的情況下，每一階只對中間的三層進(jìn)行初始極值點(diǎn)的搜索，可能會出現(xiàn)特征點(diǎn)漏檢的情況?；谶@個弊端，將參數(shù)S重新設(shè)置成S=5，這樣將高斯差分金字塔大大的擴(kuò)展。在S=5的情況下，金字塔的每一階對5層圖像進(jìn)行初始極值點(diǎn)的搜索，大大增加了尋找到特征點(diǎn)的可能。

本實(shí)驗(yàn)選取的圖片是通過攝像機(jī)平移得到的。圖像選取遵循了圖像信息量適中，不存在大面積相同或相似區(qū)域，亮度相差不多等原則。

在PC（i550-2.6GHz CPU，1024MBRAM，Windows XP OS，MATLAB 6.5)[5]的環(huán)境下進(jìn)行實(shí)驗(yàn)。在其他條件不變的情況下，將初始尺度空間參數(shù)S由3變?yōu)?，得到實(shí)驗(yàn)圖片的金字塔和運(yùn)行結(jié)果對比如圖1、圖2。

圖1 S=3時兩幅圖片的金字塔

圖2 S=5時兩幅圖片的金字塔

修改參數(shù)S前片，第一張圖片提取特征點(diǎn)318個，第二張圖片提取特征點(diǎn)256個，匹配105個。修改參數(shù)S后第一組圖片，第一張圖片提取特征點(diǎn)502個，第二張張圖片提取特征點(diǎn)527個，匹配132個。

2實(shí)驗(yàn)結(jié)論

從圖像上可以看出，將S由3變成5后DoG金字塔所含的信息量增加了，同時也增加了尋找特征點(diǎn)的機(jī)率。

從時間上說，S取3時算法效率高，但是S=5事的特征點(diǎn)匹配越多。并且，對于特征點(diǎn)比較多的圖像，匹配的效率會更高一些。S取5時，對于高斯差分金字塔，每一階計算五層，金字塔層數(shù)增加，特征點(diǎn)的數(shù)目也增加，所以找到的特征點(diǎn)對數(shù)也增加，這樣增強(qiáng)了該算法的特征匹配率，提高了該算法的效率，使該算法查找、匹配能力更強(qiáng)，更多應(yīng)用在計算機(jī)領(lǐng)域。

參考文獻(xiàn)：

[1]王國美,陳孝威.SIFT特征匹配研究[J].鹽城工學(xué)院學(xué)報,2007,2(20): 1-3.

[2]藺想紅,王維盛.一種基于特征點(diǎn)匹配的全景自動拼接方法[J].西北師范大學(xué)學(xué)報,2005,41(4): 31-34.

[3]宰小濤,趙宇明.基于SIFT特征描述子的立體匹配算法[J].微計算機(jī)信息,2007,23(8): 285-287.

[4] David G..Lowe. Distinctive image features from scale-Invariant Key points[J]. International Journal of Computer Vision,2004,60(2) : 91-110.

[5]賀興華,周媛媛,王繼陽,等.MATLAB7.x圖像處理[M].北京:人民郵電出版社,2006.