【正文】 33 (b)輸入圖像與庫中牙膏匹配結(jié)果 圖 513 輸入圖像與庫中數(shù)據(jù)匹配結(jié)果（左圖為輸入圖像，右圖為庫中的圖像） 圖 514 圖像識別輸出結(jié)果 圖 515 輸入圖像與數(shù)據(jù)庫中的圖像匹配結(jié)果 基于 sift 算法的圖像匹配方法 34 圖 516 圖像匹配輸出結(jié)果 在圖像匹配過程中，有時候會出現(xiàn)錯誤匹配，如 圖 517，我們輸入一張含有庫中牙膏和盒子的圖像，然后與數(shù)據(jù)庫進行比較。在結(jié)果中輸出該圖像中含有該物體，輸入圖像與庫中的每一組數(shù)組都沒有匹配成功，那么在最后的結(jié)果中我們就認(rèn)為該圖像不含有庫中的物體。通過對數(shù)據(jù)進行處理發(fā)現(xiàn)，圖像庫越多，建立數(shù)據(jù)庫用時就越長，圖像數(shù)目與建基于 sift 算法的圖像匹配方法 32 立數(shù)據(jù)庫用時成正比關(guān)系，我們用軟件擬合可以得到擬合函數(shù) y = + ,X為圖像數(shù)目， Y為建立數(shù)據(jù)庫所用時間。 圖 59 建立物體庫 匹配成功 全 部 匹配失敗 建立一個圖像庫（ 1， 2,3…n） 對圖像庫中的圖像提取 SIFT 特征，產(chǎn)生特征關(guān)鍵點數(shù)據(jù)庫（ 1,2,3…n） 輸入圖像 提取出圖像關(guān)鍵點 將輸入圖像關(guān)鍵點與數(shù)據(jù)庫中的關(guān)鍵點一一匹配 輸出沒有找到相關(guān)匹配 輸出該圖像中含有 N 對應(yīng)的物體 基于 sift 算法的圖像匹配方法 31 圖 510 物體庫產(chǎn)生的特征點集 通過對每副圖像處理后，我們得到了一個數(shù)據(jù)庫。 N代表的是第幾張圖，關(guān)鍵點信息存到相應(yīng)的數(shù)組中。 本文提出一種物體識別的思路，其流程如圖 58： 圖 58 物體識別基本流程 通過物體識別，我們就能找出圖像中與庫中相同的物體，雖然本文做的比較簡單，但是若加以改進，必定有很廣泛的應(yīng)用。而且匹配過程中還會遇到錯誤的匹配。得到四張旋轉(zhuǎn)后的圖片，然后將這些圖片分別與原圖進行匹配，得到匹配對數(shù)。在第一組數(shù)據(jù)中，匹配上的關(guān)鍵點數(shù)比小尺度的關(guān)鍵點還要多。 （ a） （ b） 基于 sift 算法的圖像匹配方法 26 (c) (d) (e) (f) 圖 54 物體在不同尺度下的圖像 分別將各個圖片進行處理，提取出 SIFT關(guān)鍵點集，然后進行逐一匹配。 基于 sift 算法的圖像匹配方法 25 （ a） 高亮度圖像 (b)低亮度圖像 圖 52 輸入亮度信息不同的圖像 圖像（ a）產(chǎn)生 121個關(guān)鍵點，圖像（ b）產(chǎn)生了 117個關(guān)鍵點，將兩幅圖像的關(guān)鍵點進行匹配，的到了 64個匹配點，匹配成功點用藍色的線連接起來。所以我們將分別對亮度、尺度、和旋轉(zhuǎn)對匹配效果的影響分別展開研究實驗。反之，若物體表面較為光滑，沒有 圖片和幾何圖形時，我們得到的特征點數(shù)目非常少。 SIFT 特征提取實驗結(jié)果 SIFT算法的核心是特征點的提取，首先我們將圖像轉(zhuǎn)化為灰度圖像，讓后提取出特征點，實驗結(jié)果 如 圖 51。 本章內(nèi)容是 本課題 的核心內(nèi)容，也是 SIFT算法的核心思想。常用的去外點的方法是 RANSAC隨機抽樣一致性算法。否則匹配不成功。對于圖像灰度值整體漂移 ，圖像各點的梯度是鄰域像素相減得到，所以也能去除。 （ 2） 將坐標(biāo)移至關(guān)鍵點主方向 圖 414 確定關(guān)鍵點主方向 ? ?3 2 1 12o c tdr a d iu s ? ? ? ? ??xyxy基于 sift 算法的圖像匹配方法 20 那么旋轉(zhuǎn)角度后的新坐標(biāo)為： （ 417） （ 3） 在圖像半徑區(qū)域內(nèi)對每個像素點求其梯度幅值和方向，然后對每個梯度幅值乘以高斯權(quán)重參數(shù)，生成方向直方圖。并具有唯一性。基于 sift 算法的圖像匹配方法 19 我們需要將這些信息用一組向量描述出來，這個描述子不僅包括關(guān)鍵點，也包括了關(guān)鍵點鄰域內(nèi)對其有貢獻的像素點。梯度直方圖的范圍是 0360度，其中每 10度 用 一個柱 表示 ，總共 36個柱，柱所代表的方向為像素點梯度方向，柱的長短代表了梯度幅值。 基于 sift 算法的圖像匹配方法 17 圖 410 去除邊緣點之后的結(jié)果 確定特征點的主方向 通過 DOG函數(shù)，對特征點進行修正后得到的特征點集，具有縮放不變的性質(zhì)。假設(shè) ? 較大的特征值，而 ? 是較小的特征值，令 ?? r? ,則 ? ?? ? ? ? ? ? ? ?rrrrHD e tHTr 22 222 1?????? ? ???? ?? （ 412） 式 412中， D的主曲率和 H的特征值成正比 ， 令 ? 為最大特征值， ? 為最小的特征值，則公式 ? ? rr /12? 的值在兩個特征值相等時最小，隨著 r 的增大而增大。 圖 49去除低對比度之后的結(jié)果 去除邊緣響應(yīng) 在去除低對比度的極值點后，雖然特征點集穩(wěn)定性具有了很大的提高，但是基于 sift 算法的圖像匹配方法 16 得到的特征點集穩(wěn)定性還是遠(yuǎn)遠(yuǎn)不夠。通過擬合三維二次函數(shù)對關(guān)鍵點進行精確定位，同時去除低對比度關(guān)鍵點和不穩(wěn)定的邊緣響應(yīng)點，從而增強匹配穩(wěn)定性、提高抗噪能力 [15]。為了尋找 DOG函數(shù)的極值點，我們需要將每個像素點和他的鄰域像素點比較 （最低層和最頂層除外） ，得到該像素點與相鄰圖像域的比較結(jié)果。 DOG函數(shù)公式如下： （ 45） 對應(yīng) DOG算子，我們需要構(gòu)建 DOG金字塔，我們可以通過高斯差分圖像看出圖像上的像素值得變化情況， DOG圖像描述的是目標(biāo)圖像的輪廓。 這樣可以保持尺度 的連續(xù)性。 為了讓尺度體現(xiàn)其連續(xù)性，在簡單下采樣的基礎(chǔ)上加上了高斯濾波。它們之間的高斯模糊半徑需要滿足一定的關(guān)系，即較小 的高斯模糊的半徑 的平方和等于較大的高斯模糊半徑的平方。通常， 圖像處理程序只需要計算 的矩陣就可以保證相關(guān)的像素影響 [10]。從數(shù)學(xué)的角度來看，圖像的高斯模糊過程就是圖像與 正態(tài)分布 做卷 積。 高斯模糊 圖 42 高斯模糊的集合圖形 （ 42） r為模糊半徑， σ 是正態(tài)分布的標(biāo)準(zhǔn)偏差。 （ 41） 式中 L表示尺度空間， (x,y)代表 I上的點。 構(gòu)建尺度空間的目的是模擬圖像數(shù)據(jù)的多尺度特征。所以在執(zhí)行 SIFT算法之前，我們需要將圖像進行初始化處理，也就是要將圖像進行歸一化處理，把圖像轉(zhuǎn)換為灰度圖像。然后用線連接起來。 對關(guān)鍵點加以描述。同時， SIFT算法經(jīng)過優(yōu)化和，執(zhí)行速度較快，可以滿足一定的速度要求。該算法的特征是圖像的局部特征，使其對旋轉(zhuǎn)、尺度縮放、亮度變化 具有 保持 不變性，并在對視角變化、仿射變換、噪聲也具有很好的保持一定程度的穩(wěn)定性。為圖像 SIFT特征的提取提供了理論依據(jù)。 基于 sift 算法的圖像匹配方法 8 G(x,y,σ ) = 12πσ2 e?(x2+y2) 2σ2? （ 33） 高斯尺度空間具有以下特點： ，各向同性的擴散過程； ，隨著尺度的增大，圖像越模糊，圖像上的特征結(jié)構(gòu)逐漸減少且不會有新增的特征； ，有利于追蹤圖像中物體在不同尺度間的變化情況。適用尺度空間的尺度連續(xù)函數(shù)，通過搜索關(guān)鍵點對所有尺度的穩(wěn)定特征進行檢索。 尺度空間核是 尺度 空間理論中的一個重要概念，尺度空間核被定義為： fout = K * fin （ 31） 對于所有的信號 fin，若它與變換核 K 卷積后得到的信號 fout中的極值 ( 一階微分過零點數(shù) ) 不超過原圖像的極值，則稱 K為尺度空間核，所進行的卷積變換稱為尺度變換 [8]。尺度空間理論是 先將圖像進行尺度變換處理，得到圖像在不同尺度下的表示序列。尺度空間理論最早在 1962年提出，但當(dāng)時并未引起算機視覺領(lǐng)域研究者們的足夠注意，直到上世紀(jì)八十年代， witkin 、Koenderink等人的奠基性工作使得尺度空間方法逐漸得到關(guān)注和發(fā)展。同時闡述了圖像匹配的兩種方法，并分別對這兩種方法的優(yōu)缺點進行了總結(jié)。同時，特征點 具有尺度、旋轉(zhuǎn) 等不變性 ， 對圖像的位置、尺度、旋轉(zhuǎn)變換具有更高的匹配精度 。在提取圖像特征過程中，我們 通常 提取圖像的 點特征、邊緣特征和區(qū)域特征。但由于在基于圖像灰度的匹配方法在匹配過程中會引入匹配點周圍的像素點信息，沒有經(jīng)過預(yù)處理和篩選，所以將會造成大量的數(shù)據(jù)處理信息。圖匹配方法有很多種，大致可以分為如下兩類： 基于圖像灰度的匹配方法 圖像的所有信息都包含在圖像的灰度值信息中。在這種情況下， 如何 提高 匹配算法 的 精基于 sift 算法的圖像匹配方法 6 度、 匹配的正確 率 、 匹配 速度 和 抗干擾 能力 成為 研究的熱點 。, 39。 SIFT算法也是本文研究的內(nèi)容。成像匹配的核心問題是將同一目標(biāo)在不同時間、不同分辨率、不同光照、不同位姿情況下所成的像相對應(yīng)。 基于 sift 算法的圖像匹配方法 5 2 圖像匹配 圖像匹配是圖像信息領(lǐng)域之中的一項十分重要的技術(shù)，同時它也是其它一些圖像分析技術(shù)，比如立體視覺技術(shù)、運動分析技術(shù)、數(shù)據(jù)融合技術(shù)等的基礎(chǔ) 。 第四章： SIFT特征匹配詳細(xì)介紹了 SIFT特征的提取部分和基于 SIFT特征的圖像匹配，著重闡述了 SIFT特征提取的主要步驟和基于 SIFT特征的圖像匹配。在最后對系統(tǒng)的用時和準(zhǔn)確性分別統(tǒng)計分析，提高系統(tǒng)的穩(wěn)定性課時效性。到這里，課題研究的主要內(nèi)容基本完成，本課題的目標(biāo)是在此基礎(chǔ)上稍加創(chuàng)新，把 SIFT算法進行了簡單運用，用作圖像的識別。然后通過實驗，分別對 SIFT算法在各種情況下的匹配效果。由于匹配過程中會產(chǎn)生大量的錯誤匹配點，我們在最后還要消除錯誤的匹配點。通過對關(guān)鍵點周圍圖像區(qū)域分塊，計算塊內(nèi)梯度直方圖，生成具有獨特性的向量，這個向量是該區(qū)域圖像信息的一種抽象，且具有唯一性。 本文 主要 研究 基于 SIFT的圖像匹配算法 。該算法 能夠較基于 sift 算法的圖像匹配方法 3 好地完成灰度相近、邊緣模糊、間距較小的不同結(jié)構(gòu)的分割 [4]。針對多光譜遙感圖像，提出了一種基于局部灰度極值的配準(zhǔn)方法：通過在基準(zhǔn)圖像和待配準(zhǔn)圖像中同步尋找含有灰度極值的小區(qū)域，再用多項 式對極值區(qū)域進行曲面擬合，最后，分別計算小區(qū)域的極值點 用來 作為特征點進行配準(zhǔn)。本文提出了對這一方法更加深入的研發(fā)，并分析了這些早期的工作，在穩(wěn)