【正文】 ................... 10 尺度空間極值檢測 ....................................................................................... 10 精確定位特征點的位置和所在的尺度 ....................................................... 14 確定特征點的主方向 ................................................................................... 17 生成 SIFT 特征向量 ..................................................................................... 18 SIFT 特征向量的匹配 .................................................................................. 20 本章小結 ....................................................................................................... 21 5 實驗結果及分析 ................................................................................................ 23 SIFT 特征提取實驗結果 .............................................................................. 23 特征匹配實驗結果 ....................................................................................... 24 圖像匹配應用 —— 物體識別 ....................................................................... 29 本章小結 ....................................................................................................... 36 6 總結與展望 .......................................................................................................... 38 總結 ............................................................................................................... 38 展望 ............................................................................................................... 38 參考文獻 ................................................................................................................... 40 致謝 ............................................................................................................................ 41 附錄 ............................................................................................................................ 42 基于 sift 算法的圖像匹配方法 1 1 緒論 研究的背景及意義 二十一世紀 ，人們 進入一個信息爆炸的時代， 獲取的信息 的方式也呈現出多樣性，早 已不僅僅局限在數字、符號、文本等信息，越來越多的信息是以圖像的信息在傳遞， 圖像信息的比重也越來越大， 人們已經從一個讀字的時代逐漸在邁向一個讀圖時代。提取 特征點的算子叫做興趣算 子或有利算子，即從圖像中提取出一些能代表圖像信息的特征點，運用這些特征點來對圖像進行處理，以便達到目的 。 基于 sift 算法的圖像匹配方法 2 國內外 研究現狀 使用一組局部興趣點來進行圖像匹配的發(fā)展可以追溯到 1981年 Moravec在立體匹配中使用的角探測器。 1997年， Schmid和 Mohr的開創(chuàng)性工作展示了不變的局部特征匹配可以被擴展 應用 到解決一般的圖像識別問題，即使用一個特征 與大型圖像數據庫進行匹配。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)定性和特征不變性 的基礎 上進行了大量改進。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、間距較小的不同結構的分割 [4]。通過對關鍵點周圍圖像區(qū)域分塊，計算塊內梯度直方圖，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。然后通過實驗，分別對 SIFT算法在各種情況下的匹配效果。在最后對系統(tǒng)的用時和準確性分別統(tǒng)計分析，提高系統(tǒng)的穩(wěn)定性課時效性。 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域之中的一項十分重要的技術，同時它也是其它一些圖像分析技術，比如立體視覺技術、運動分析技術、數據融合技術等的基礎 。 SIFT算法也是本文研究的內容。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 。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，沒有經過預處理和篩選，所以將會造成大量的數據處理信息。同時，特征點 具有尺度、旋轉 等不變性 ， 對圖像的位置、尺度、旋轉變換具有更高的匹配精度 。尺度空間理論最早在 1962年提出，但當時并未引起算機視覺領域研究者們的足夠注意，直到上世紀八十年代， witkin 、Koenderink等人的奠基性工作使得尺度空間方法逐漸得到關注和發(fā)展。 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 ) 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]。 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，圖像上的特征結構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。該算法的特征是圖像的局部特征，使其對旋轉、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。 對關鍵點加以描述。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，把圖像轉換為灰度圖像。 （ 41） 式中 L表示尺度空間， (x,y)代表 I上的點。從數學的角度來看，圖像的高斯模糊過程就是圖像與 正態(tài)分布 做卷 積。它們之間的高斯模糊半徑需要滿足一定的關系，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。 這樣可以保持尺度 的連續(xù)性。為了尋找 DOG函數的極值點，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果。 圖 49去除低對比度之后的結果 去除邊緣響應 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)定性還是遠遠不夠。 基于 sift 算法的圖像匹配方法 17 圖 410 去除邊緣點之后的結果 確定特征點的主方向 通過 DOG函數，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。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鍵點，也包括了關鍵點鄰域內對其有貢獻的像素點。 （ 2） 將坐標移至關鍵點主方向 圖 414 確定關鍵點主方向 ? ?3 2 1 12o c tdr a d iu s ? ? ? ? ??xyxy基于 sift 算法的圖像匹配方法 20 那么旋轉角度后的新坐標為： （ 417） （ 3） 在圖像半徑區(qū)域內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重參數，生成方向直方圖。否則匹配不成功。 本章內容是 本課題 的核心內容，也是 SIFT算法的核心思想。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目非常少。 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）產生 121個關鍵點，圖像（ b）產生了 117個關鍵點，將兩幅圖像的關鍵點進行匹配，的到了 64個匹配點，匹配成功點用藍色的線連接起來。在第一組數據中，匹配上的關鍵點數比小尺度的關鍵點還要多。而且匹配過程中還會遇到錯誤的匹配。 N代表的是第幾張圖，關鍵點信息存到相應的數組中。通過對數據進行處理發(fā)現，圖像庫越多，建立數據庫用時就越長，圖像數目與建基于 sift 算法的圖像匹配方法 32 立數據庫用時成正比關系，我們用軟件擬合可以得到擬合函數 y = + ,X為圖像數目， Y為建立數據庫所用時間。 （ a）輸入圖像與庫中的盒子匹配結果 基于 sift 算法的圖像匹配方法 33 (b)輸入圖像與庫中牙膏匹配結果 圖 513 輸入圖像與庫中數據匹配結果（左圖為輸入圖像，右圖為庫中的圖像） 圖 514 圖像識別輸出結果 圖 515 輸入圖像與數據庫中的圖像匹配結果 基于 sift 算法的圖像匹配方法 34 圖 516 圖像匹配輸