Matlab進行SIFT圖像特征提取的COM方法

,,,

(海軍工程大學 電氣與信息工程學院，武漢 430033)

圖像特征信息在圖像處理中具有重要的地位，所提取的圖像特征的優劣將直接影響圖像配準的準確性，因此需要在圖像中提取出穩定的特征信息用于進一步處理。尺度不變特征變換(scale invariant feature transform,SIFT)[1-2]非常適合用于圖像配準、拼接、目標提取等做高精度的特征提取。

Matlab推出的Combuilder把用Matlab編寫的程序做成COM(Component Object Model組件對象模型)組件，供其他語言調用。Matlab Builder for .Net 2能夠將Matlab所實現算法方便的轉換為獨立的.Net程序集或者COM組件[3]。C#可較好地支持.Net框架，可以方便地調用COM組件[4]，具有相當廣泛的應用。因此考慮將算法編譯為COM組件，并使用C#進行調用。

1 SIFT算法分析

SIFT 算法實現主要包含4個步驟[5]：①建立尺度空間，檢測尺度空間極值；②去除不穩定的特征點；③計算特征點的描述信息，確定特征點的方向；④生成本地特征描述符，組合建立特征向量。

對于輸入圖像， 尺度空間由高斯核與輸入圖像的卷積得到：

L(x,y,σ)=G(x,y,σ)*I(x,y)

(1)

其中的二維高斯核為

(2)

式中：σ——高斯正態分布的方差。

進一步使用高斯差分函數DoG對圖像進行處理：

D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*
I(x,y)=L(x,y,kσ)-L(x,y,σ)

(3)

式中:k——常系數,用來區分相鄰的尺度。

對圖像多次使用DoG算子，取這些高斯差分圖像中的局部極值，得到尺度空間域上的圖像特征點。特征點方向Q(x,y)及模值m(x,y)使用鄰域像素差分運算確定：

θ(x,y)=arctan((L(x,y+1)-

L(x,y-1))/L((x+1,y)-L(x-1,y))

(4)

然后通過計算鄰域梯度直方圖進一步確定各特征點的梯度方向的累加值來提高抗噪能力及對圖像仿射變換、視點變換和非剛性變形的魯棒性。最后形成包括位置、尺度、方向等信息的128維特征向量。再根據不同的需要采用相應的算法對特征向量進行匹配。

2 基于COM的算法Matlab實現

首先編寫、調試Matlab代碼以便作為制作COM組件的基礎。

在安裝了Matlab Builder之后，要先設置Matlab Builder所使用的外部編譯器。可以通過在Matlab的Command Window輸入命令mbuild-setup實現。并根據提示選擇合適的編譯器。文中使用的是Microsoft Visual C/C++ version 8.0，在Matlab的Command Window中輸入命令dotnettool，啟動Matlab Builder的圖形用戶界面，見圖1。

在其中建立新的工程，加入已經調試好的M文件，再點擊Build->COM Object…，就會生成相應的dll文件，即是做好的COM組件，Build時Matlab已經自動將此dll在注冊表中注冊。如果mwcomutil.dll還沒有注冊，則應在dos命令窗下運行regsvr32 inwin32mwcomutil.dll。

點擊component-package就實現了組件的打包。可以選擇加入Matlab組件運行時MCR(Matlab Component Runtime)， 他是用于執行M文件的獨立的共享函數庫，系統裝入MCR后可以不需裝Matlab即可運行組件。

3 C#與Matlab混合構建系統

C#使用COM組件比較容易。首先引用COM組件，選擇已經注冊的ComProg，然后在cs文件前端加入using ComProg；再在調用函數中加入如下代碼即可，

try

{

ComProg．comsiftClass te = new ComProg．comsiftClass ();

object filename1 = "c: est1.jpg";

object filename2 = "c: est2.jpg";

te．sifttest (filename1，filename2);

}

catch (Exception fe)

{

MessageBox．Show(fe.ToString());

}

圖2是對一幅圖像做SIFT計算時的效果，可以看出SIFT算法的關鍵是提取出穩定的特征點，以使得圖像在經過仿射變換、視點變換和非剛性變形后仍然可以獲得相應特征點。

下面的實驗研究對于多幅變形圖像間的SIFT特征點匹配。

圖3為實驗1，在sift閾值為0.7時的12對匹配點對見表1，圖3左側圖片為A圖，右側圖片為B圖。

圖3 兩幅圖像的匹配實驗1

匹配點A圖(766×948)B圖(453×474)1(158,448)(386,178)2(423,83)(308,100)3(277,125)(240,96)4(342,364)(185,277)5(144,508)(87,242)6(300,223)(202,126)7(107,476)(71,224)8(478,231)(311,172)9(569,390)(321,253)10(619,144)(372,154)11(556,301)(327,211)12(609,230)(355,189)

實驗1所使用的待匹配的圖像具有一定的旋轉、平移和尺度變換。從結果可以看出，這些影響對sift算法具有非常小的影響，在算法參數選擇較好的情況下甚至完全不受影響。由實驗結果圖像可以計算出，特征點匹配的準確率在sift閾值為0.7時能夠達到100%，見表2。

表2 sift算法匹配實驗一匹配率統計

圖4 實驗2兩幅原始圖像

圖4為實驗2原始圖A、B圖，仍然使用具有一定的旋轉、平移和尺度變換的兩幅圖像，同時實驗圖像為有霧的海域。在這樣的圖像質量較差的情況下，使用sift算法進行匹配仍然能夠取得滿意的效果，匹配結果見圖5，實驗數據見表3。

圖5 實驗2匹配結果

匹配點A圖(386×225)B圖(386×225)1(280,128)(32,138)2(358,124)(115,149)3(309,139)(61,156)

4 結束語

SIFT特征匹配方法具有很好的穩定性，從實驗結果中可以看出通過使用局部特征進行匹配，使得方法在不同圖像間含有旋轉、尺度縮放、亮度及視角的變化的情況下都有很好的匹配效果。但SIFT變換及匹配在算法實現上有一定的復雜性，而文中給出的基于COM的C#與Matlab混合實現使得Matlab開發出的算法不必再去轉換即可以以組件的形式迅速集成到其他圖像處理系統中，提高了研發速度，使研究人員更集中精力于算法本身而非煩雜的代碼實現上。

文中將代碼實現為COM組件，實際上如果將Matlab所實現算法轉換為.Net程序集則使用起來也相當方便。

[1] LOWE D G. Object Recognition from local scale-invariant features [C]//The International Conference on Computer Vision,1999:1150-1157.

[2] BROWN M，LOWE D G. Invariant features from interest point groups [C]//The 13th British Machine Vision Conference,2002:91-110.

[3] DALE R. Inside COM [M].Microsoft Press,1997:1-20.

[4] JEFFREY R. Applied Microsoft .Net Framework Programming[M].Microsoft Press,2006:1-34.

[5] LOWE D G. Distinctive image features from scale-invariant key points [J].International Journal of Computer Vision,2004, 60(2): 91-110.