基于SIFT的壁畫圖像相似性度量

雒偉群　高屹

摘 要：針對彩色壁畫圖像匹配時，SIFT算法忽略顏色信息導致誤匹配的問題，提出一種基于SIFT和HSI的圖像匹配算法。首先對彩色壁畫圖像提取SIFT特征點與特征向量，然后對每個特征點提取HSI彩色特征，最后按定義的相似性度量公式計算兩個特征點之間的距離，確定二者是否匹配。實驗結果表明：文章采用的算法比僅提取單一特征，更能有效降低誤匹配率，定義的形似性度量公式比單純的歐式距離計算法稍快一些。

關鍵詞：SIFT；相似性度量；圖像匹配

引言

在計算機視覺領域，圖像匹配仍然是當前研究的熱點問題。基于特征的匹配方法[1]，因為根據圖像中趨于穩定的少量特征進行匹配，使得運算速度快、匹配效果好，所以成為目前研究最多、應用最廣泛的一種方法。但是，這種方法需要在圖像間進行遍歷性的匹配運算，存在計算量大，且精度不高的問題。

1999年，Lowe提出了SIFT（Scale Invariant Feature Transform）算法[2]，該算法利用高斯差分在圖像的多尺度空間中快速求解高斯拉普拉斯空間中的極值點，加快了特征提取的速度，提取的SIFT特征對于圖像平移、縮放、旋轉具有不變性，并且對于仿射變換、視覺變化、光照變化有較強的穩定性和很好的匹配魯棒性，所以被廣泛應用于計算機視覺的圖像匹配、圖像檢索和模式識別等方面[3，5]。雖然SIFT 算法具有上述的優點，但該算法首先要將彩色圖像灰度化，僅利用圖像的灰度信息和特征點的局部鄰域信息，忽略了圖像的顏色信息，導致不能識別圖像內具有相似結構的特征點。

文章提出基于SIFT的多特征相似性度量算法，首先對彩色壁畫圖像提取SIFT特征點與特征向量，然后對每個特征點提取HSI彩色特征，最后按定義的相似性度量公式計算兩個特征點之間的距離，確定二者是否匹配。

1 特征提取

1.1 SIFT特征提取

尺度空間極值點的檢測采用DOG方法，將一個像素點與它相鄰的26個點相比較，如果是最大值或最小值，就作為圖像中的一個特征點。以特征點為中心，在16×16的鄰域內，將采樣點與特征點的相對方向通過高斯加權后，分別歸入8個方向的梯度方向直方圖，最后獲得4×4×8的128維特征向量來描述一個SIFT特征點。

SIFT算法的兩個關鍵步驟是關鍵點檢測和關鍵點描述。在關鍵點檢測階段，大多是利用兩種不同的方法，即尺度不變檢測和致密采樣。文章采用致密采樣進行特征檢測，理由如下。一方面，尺度不變檢測器在描繪均勻信息時是低效的，而壁畫圖像中包含著這樣的信息。另一方面，在特征匹配時，通過致密采樣得到的關鍵點優于隨機抽樣和尺度不變的探測器[6]。

SIFT算法首先將彩色圖像灰度化，提取的特征關注圖像的梯度信息，忽視了圖像的彩色信息。文章對彩色圖像提取特征，實驗發現圖像的誤匹配點中，存在著彩色信息不一致的問題。因此，文章對圖像既提取SIFT特征，又提取顏色特征，對多特征融合設計相似性度量方案，可以減少誤匹配率，提高匹配效果。

1.2 顏色特征提取

為了解決誤匹配中存在的SIFT梯度信息一致，彩色信息不一致的問題，我們在對特征點提取SIFT特征后，再次提取其顏色特征。由于RGB顏色模型只考慮圖像的亮度信息，而HSI顏色模型全面考慮圖像的亮度和顏色信息，因而在開發基于彩色描述的圖像處理算法中，HSI模型更為有用[7]，文章提取HSI彩色特征。

HSI顏色模型中，H表示色調，指的是人的感官對不同顏色的感受，描述純色的屬性；S表示飽和度，描述的是顏色的純度；I表示強度，描述的是顏色的明亮程度。

常用的最近鄰方法原理是，對于基準圖像中的每個特征點，在待匹配圖像中尋找距離最近的特征點，然后形成一組匹配對。因為最近鄰獲得的匹配對中存在大量的誤匹配，所以Lowe在論文[8]中對于基準圖像中的每個特征點，在待匹配圖像中尋找距離最近和次近的兩個特征點，當這兩個距離的比值小于預設的閾值時，才認為找到了一組正確的匹配對，這樣消除了大量的誤匹配，取得了不錯的匹配效果。文章設閾值為thr，且0

3 實驗結果及分析

為了觀察算法性能，我們從互聯網上尋找了兩張有重疊部分的壁畫圖片進行了實驗。圖像如圖1所示。采用Matlab7.7.0編程，運行在AMD A6-3400M CPU 1.4GHZ和4G內存的PC機上，Windows 7.0操作系統。

實驗首先尋找圖像的SIFT特征點，然后提取特征點的SIFT特征和HSI特征，再對圖1a和圖1b按公式（9）進行相似性度量，再分別用歐式距離和卡方距離作為相似性度量，并且thr分別選用0.5，0.6，0.7，0.8進行特征對提純。結果表明，匹配過程在使用同樣的閾值時，三種相似性度量方法中，所得到的匹配正確率相同，而匹配時間不同，按公式（9）計算的距離稍快一些。隨著thr值的增大，所得匹配對數減少，當thr取值為0.6時，具有較好的匹配結果。圖2為thr取值為0.6時的匹配結果。

另外，實驗同時表明，對于圖像分別提取SIFT特征和HSI特征，如果僅按SIFT特征或HSI特征計算相似性，所得到的匹配正確率都低于兩個特征按公式（9）計算相似性的情況。

因此，對圖像提取SIFT特征和HSI特征，按我們定義的相似性度量計算方法，確實提高了圖像匹配的效率。

4 結束語

文章采用的算法對彩色壁畫圖像同時提取SIFT特征和HIS彩色特征，有效地去除了梯度信息一致而彩色信息不一致產生的誤匹配。通過定義的相似性度量公式，在計算兩個特征點之間是否匹配時，速度更快一些。由于SIFT 算法計算量大，算法復雜，提高圖像匹配的實時性，將是下一步的研究工作。

參考文獻

[1]ZHU Q，WU B，XU Z.Seed point selection method for triangle constrained image matching propagation[J].IEEE Geoscience and Remote Sensing Letters，2006，3（2）：207-211.

[2]LOWE D G.Object recognition from local scale-invariant feature[C]// Proc.the Seventh IEEE International Conference on Computer Vision.Corfu，Greece： IEEE Press，1999：1150-1157.

[3]張書真，宋海龍，向曉燕，等.采用快速SIFT算法實現目標識別[J].計算機系統應用，2010，19（6）：82-85.

[4]王瑞瑞，馬建文，陳雪.多傳感器影像配準中基于虛擬匹配窗口的SIFT算法[J].武漢大學學報（信息科學版），2011，36（2）：163-166.

[5]鐘金琴，檀結慶，李瑩瑩，等.基于二階矩的SIFT特征匹配算法[J].計算機應用，2011，31（1）：29-32.

[6]K.Mikolajczyk，C.Schmid. A performance evaluation of local descriptors [J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2005，27（10）：1615-1630.

[7]何川.高壓輸電線路視頻監控技術研究[D].北京：北京交通大學，2012.

[8]LOWE D G.Distinctive image features from scale-invariant key points [J]. International Conference of Computer Vision，2004，60（2）：90-110.

作者簡介：雒偉群（1969-），男，陜西禮泉人，碩士，教授，研究方向為圖像處理，計算機視覺。