基于改進SIFT的圖像快速自適應匹配算法研究

陶 碩

(馬鞍山職業技術學院 電子信息系，安徽 馬鞍山 243031)

隨著科技飛躍式發展，圖像在人們的生活中扮演的角色越來越重要。圖像匹配技術是一項利用圖像特征來完成不同圖像間，相似區域匹配的技術。利用圖像匹配技術可以完成當下人們生活中的多個領域的任務。例如：醫學檢測、安全防衛以及軍事偵查等[1-2]。近幾年圖像匹配技術發展迅速，出現了較多的圖像匹配方法，如文獻[3]中考慮了圖像的尺度特征，在SIFT算法的基礎上，利用其提取圖像的特征，并采用距離比度量方法實現圖像的匹配。文獻[4]中利用圖像的顏色信息，構成直方圖，用于圖像的匹配，采用Hessian方法獲取圖像特征，利用圖像特征對應的向量，進行距離測量，將測量結果聯合基于顏色信息的直方圖進行圖像特征匹配。文獻[5]中采用Otsu方法獲取圖像的ROI信息，并采用基于灰度信息的壓縮方法，來完成圖像間的信息計算，實現圖像的配準。為了獲取良好的匹配結果，利用向量空間余弦相似性度量距離比度量的匹配方法建立約束條件,保證了良好的匹配點對個數和匹配時間。

可見，經典的SIFT機制在圖像匹配領域應用非常廣[3-5]。但是，經典的SIFT機制的復雜度較高，其特征向量高達128維，大幅降低了匹配效率[6]，且其對幾何內容變換的魯棒性也不高。因此，本文對SIFT機制予以改進，進一步優化其匹配準確度與效率。最后，測試了所提方法的有效性。

1 SIFT算法基本原理

SIFT算法通過DOG方法從圖像中獲取其特征[3]。SIFT算法獲取的圖像特征具有良好的抗干擾性，能夠很好的適應尺度等仿射變換。SIFT算法已被廣泛應用于目標識別以及影響追蹤等多個生活領域[7]。

SIFT通過圖像內容上的一些局部興趣點來獲取圖像的特征，這個過程與作用在圖像上的旋轉等變換沒有關系，從而促使了SIFT算法的良好抗干擾性能。正由于其良好的魯棒性能，才能較好的適用多種情景下的應用需求，才能更好地對圖像匹配。

1.1 SIFT算法的特點

SIFT的特征是基于圖像的興趣點，具有局部特性。這種特性使得算法獲取的圖像特征含有大量的信息內容，可以方便的對各類數據進行準確的匹配，同時還能在匹配過程中，提高算法的計算效率。另外，SIFT算法的穩定性能也較好，不僅在圖像匹配的各個環節都較為穩定，而且在發生噪聲以及亮度變換的情況下，SIFT算法也能較好的保持其穩定性能。SIFT算法經過優化后，計算過程可以得到簡化，計算復雜度也可以得到降低，從而提高SIFT算法的效率，因此，SIFT算法還具有較好的拓展性能[7-8]。

得益于SIFT算法的穩定性等多個特性，其可以被較好的應用于多種場景。其中包括亮度變化、旋轉變換的圖像應用。因此，SIFT算法的適應性較強。SIFT算法實現的過程中，其本質是對圖像特征的查找，這些圖像特征具有特殊性，不僅能夠對圖像的關鍵信息進行描述，而且還能較好的適應多種仿射攻擊。在獲取圖像的特征后，還需要計算出其方向信息等，進而通過一定的方法對圖像特征進行匹配[9]。

2 一般SIFT算法簡介步驟

2.1 特征點檢測步驟

SIFT算法利用高斯核函數G(x,y,β)，從圖像中獲取興趣點。二維圖像I(x,y)的尺度空間L(x,y,β)可以表示為[10]：

L(x,y,β)=G(x,y,β)*I(x,y)

(1)

式中，β為尺度因子。G(x,y,β)的表述為：

(2)

通過圖像空間和尺度空間可以保證局部檢測,其過程如下。

D(x,y,β)=[(G(x,y,Jβ)-G(x,y,β))]*I(x,y)

(3)

完成了SIFT特征區域的計算。通過對每個特征點的鄰域點的梯度分布特征的位置、規模、方向等可以獲得為每個特征點的最重要的信息尺度。

2.2 旋轉不變特征點描述

SIFT算法采用關于梯度的直方圖方法，計算出圖像特征點的方向信息,以確保特征的旋轉不變性，通過直方圖對每個4×4小窗口的鄰域像素的梯度方向進行計數，通過特征向量的歸一化消除照明的影響。

2.3 匹配更加準確

可通過歐氏距離相比值的方法實現匹配，如果比值閾值太小，匹配點的數目將大大減少，匹配將更加準確。如果該值太大，則會出現太多無法匹配點。

3 SIFT圖像匹配算法的改進

由于SIFT算法在對圖像特征進行匹配時，采用的閾值一般是固定值，不能較好的對圖像信息進行自適應的變化，導致不同圖像的匹配結果差異性較大。為了克服這一弊端，提高SIFT算法的自適應能力，以使得其能夠較好的對不同圖像或者圖像中的不同內容進行適應，本文對SIFT算法采取了以下改進策略：

3.1 使尺度空間的設立、特征點定位與原來算法一樣。

3.2 找出特征點，生成特征描述子

例如利用9×9圓形式計算特征點鄰域中的12個梯度方向。不同圖像的效果是完全不同的。窗口半徑為4.5μm，沒有自適應性。為了將SIFT算法應用于工業檢測，同時使光照保持不變，形成了一個12維特征向量來表示特征點。

3.3 通過自適應匹配找最優化比閾值。

自適應匹配目的就是為了找到最優質的距離比閾值，研究發現，一般圖像比閾值T的最優化值小于0.8。對此，本文將閾值初始值設定為0.8，并通過相對指標來評定閾值的調整過程，對該閾值進行自適應的調整，以準確的對該閾值進行設定。改進算法流程為：

構建尺度信息→查找性缺電→計算圖像的梯度信息→獲取圖像特征向量→尋找最大梯↑ →→→適當的減小T←←←↑N度的統計量→初始T為0.8→計算配準率R→相鄰2次配準率之差小于定值或者循環次數過大→得出結果→結束

3.4 向量空間余弦相似度匹配

相似函數是表征兩個向量之間相似度的函數。余弦相似度是最常見的相似度，反映單個特征的多個分量干擾匹配結果。許多距離度量和相似度函數都是基于兩個向量的變形和導出，并度量兩個向量之間的相似度。兩個矢量之間的差異分別反映在數值和方向特征上。余弦相似性約束被添加到歐氏距離度量，距離測度用于測量空間中矢量的距離。通過設置閾值來減少失配點對的數目。距離越遠,向量之間的差異就越大。

3.5 對比RANSAC算法有效消除失配點

向量的最小歐幾里得距離與次最小歐幾里得距離之比小于0.8，但當外點較多時，其性能將受到很大影響。如果匹配點不正確，則可以通過實驗獲得經驗閾值K。滿足這個事實的概率是非常小的，放大和縮小的運動方向大致相同，矢量的長度被歸一化。因此,偏離運動方向的匹配點可以被視為失配點。對于2個矢量X和Y，產生大量的失配。其他弦相似度表達式是方向一致的幾何約束的比較。在RANSAC算法實現之前，先構造點到方向的匹配直方圖，并將點到方向的匹配一致性作為特征點對之間的有效空間幾何約束，排除了六對不匹配點，進而得到匹配點對。

綜上所述，整個算法的匹配過程見圖1。從圖1可見，本文算法引入SIFT算法中的高斯核函數法獲取圖像特征點。利用9×9圓形式計算特征點鄰域中12個梯度方向的方法獲取特征向量，對SIFT算法中獲取圖像特征的算法進行改進。采用自適應匹配找最優化比閾值，改進SIFT算法中采用固定閾值的方法，并將最優化比閾值，用于余弦相似度匹配的過程，獲取匹配點。采用RANSAC算法消除失配點，獲取匹配結果。

圖1 本文算法的匹配過程

4 算法實驗與結果分析

實驗利用MATLAB7.10軟件，在Intel雙核處理器、500GB硬盤的戴爾計算機上進行。實驗選取文獻[11]與文獻[12]方法進行對比。

各算法對亮度變化圖像的匹配結果及匹配結果對應的數據如圖2和表1所示。各算法對旋轉變化圖像的匹配結果及匹配結果對應的數據如圖3和表2所示。

(a)圖像A

(b)圖像B

(c)文獻[11]匹配結果

(d)文獻[12]匹配結果

(e)本文算法匹配結果圖2 各算法對亮度變化圖像的匹配結果

(a)圖像A

(b)圖像B

(c)文獻[11]匹配結果

(d)文獻[12]匹配結果

(e)本文算法匹配結果圖3 各算法對亮度變化圖像的匹配結果

表1 圖1中三種算法匹配結果數據

表2 圖2中三種算法匹配結果數據

從圖2可見，不同算法對亮度變化圖像的匹配結果都還好。將各算法的匹配結果進行比較發現，本文改進SIFT算法的匹配結果中的匹配數量最多。從圖3可見，不同算法對旋轉變化圖像都能實現匹配。將各算法的匹配結果進行比較發現，文獻[11]算法的匹配結果與文獻[12]算法的匹配結果相比本文算法的匹配結果，具有更多的錯誤匹配點和漏匹配點。從表1和表2也可以發現，本文算法的匹配錯誤率較低。說明了本文改進SIFT算法具有很好的匹配效果。

結語

本文通過分析SIFT算法的工作原理和特點，指出其不足之處，明確SIFT算法現有缺陷引起的圖像匹配弊端。首先，為了克服SIFT算法在圖像特征匹配過程中，本文采用了向量空間余弦相似度匹配方法對其進行改進。其次，本文還通過RANSAC算法對匹配后的圖像特征進行了計算，將錯誤匹配點進行刪除，獲取了更為理想的匹配結果。實驗中對亮度及旋轉攻擊下的圖像進行了匹配，驗證了本文算法的匹配性能。從匹配結果可以知道，本文算法的匹配效果較好。