基于SIFT的自动匹配策略.docx

基于SIFT的自动匹配策略
摘要：为了实现图像的自动匹配，提出了一种新的SIFT匹配策略。首先，给定一个基本的欧式距离最小值与次小值的比率值，对SIFT特征对进行判断，得到粗匹配集合。然后，统计粗匹配对的主方向角度差直方图和最小欧式距离直方图，以主方向角度差落入直方图峰值所在邻域和最小欧式距离小于直方图主峰所对应的距离值作为匹配条件进行精匹配。最后，统计精匹配对的比率直方图，以欧式距离最小值与次小值之比小于直方图主峰所对应的比率值作为控制条件，剔除误匹配。实验结果表明：在待匹配图像有一定程度的视点、光照、旋转、比例变化等情形下，该方法具有稳定、可靠的特点。该方法能自动选择匹配阈值，实现无人工干预的自动匹配。
关键词：图像处理；自动匹配；SIFT特征
0引言
收稿日期：2010-00-00；收到修改稿日期：2010-00-00
基金项目：试验技术研究资助项目（2009SY4106002）
作者简介：曾峦(1963-)，男(汉族)，广东省梅州市人，教授，硕士，主要研究工作是图像信号处理。E-mail:[e-mail]
随着先进的成像传感器相继出现，如美国仙童公司研制的9216×9216像素的超大阵列CCD等[1]，高清晰度、高分辨率成像探测有了坚实的基础，使得大画幅、高分辨率数字图像正广泛应用于图像融合、图像拼接、计算机视觉等领域。
图像配准是指两幅（或多幅）具有一定重叠区域的图像在空间位置上进行对准，它在空间遥感、军事侦察、医学图像处理、摄影测量、全景图像拼接和数字地球等众多领域都有广阔的应用前景[2]。图像配准通常包括特征提取、特征匹配、转换模型参数估计、图像重采样4个步骤，其中图像配准是关键。配准方法一般分为两大类[3]：一类是基于频率域的图像配准方法，如Fourier变换、小波变换方法等；另一类是基于空间域的图像配准方法，它主要包括基于区域的图像配准算法和基于特征的图像配准算法[4]。随着一些良好的特征提取算子的出现，基于特征的图像配准算法应用更加广泛，是目前研究最多的一种匹配方法。但已有的基于特征的图像配准方法存在一个共同的问题[5]：它们所采用的特征点的不变性一般较差，通常不具备对仿射或透视投影变换的不变性。1999年，Lowe提出了尺度不变特征变换（SIFT）方法[6]，并于2004在文献[7]中完善了这一方法。SIFT方法所提取的特征点不仅对图像缩放、平移和旋转变换具有不变性，而且对光照变化以及复杂的仿射和投影变换也具有部分不变性。Mikolajczyk和Schmid针对不同的场景，对光照变化、图像几何变形、分辨率差异、旋转、模糊和图像压缩等6种情况，就多种最具代表性的描述子（如SIFT，矩不变量，互相关等10种描述子）进行了实验和性能比较，结果表明，在以上各种情况下，SIFT描述子的性能最好[8]。而SIFT匹配方法通常使用关键点之间的欧式距离最小值与次小值之比作为匹配阈值，该阈值需要人工根据图像质量来确定，不能完全实现自动配准。
1SIFT特征匹配
(a)
(b)
(c)
图1比率为0.7时的匹配结果
Fig.2Thematchingresultswithratiois0.7

SIFT特征匹配采用了简单有效的方法，即当两幅图像关键点的128维描述向量之间的最小欧式距离与次小欧式距离的比率小于某个阈值时，认为特征对是匹配的。该比率的物理含义是匹配对的独特性，即当比率较大时，表明图像1中的某个特征点与图像2中至少有两个特征点非常相似，但究竟哪一个是真正的匹配点不好判断，只好把它们都舍去。而当比率较小时，表明图像1中的特征点与图像2中具有欧式距离最小值的那个特征点的相似性是非常独特的，再也没有其他点比它更相似了，这个特征对就可以判定为匹配对。可见，这种判据的关键是确定合适的比率值。而这个比率怎么取，无法直接确定，比率取得太小，匹配对数量会很少；比率取得太大，误匹配率就会很高，即匹配准确率和成功率是一对矛盾。更重要的是，比率取什么值时能完全消除误匹配，又与图像的具体情况密切相关。
使用由DavidG．Lowe提供的SIFT特征提取程序，对图1(a)~(c)所示的图像对进行了特征向量的提取，选择比率为0.7时，所得到的匹配对总数、误匹配数均不相同，如图1所示。
采用不断降低比率值的方法进行匹配时，实验结果如表1所示。
表1不同比率下的匹配结果
Table1Matchingresultsunderdifferentratios
Ratios0.80.70.60.50.4Fig.1(a)Matchesnumber948682534407285Incorrectmatches232601530Fig.1(b)Matchesnumber137611751026846596Incorrectmatches13