【正文】 1 1 緒論 研究的背景及意義 二十一世紀(jì) ，人們 進(jìn)入一個(gè)信息爆炸的時(shí)代， 獲取的信息 的方式也呈現(xiàn)出多樣性，早 已不僅僅局限在數(shù)字、符號(hào)、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(jīng)從一個(gè)讀字的時(shí)代逐漸在邁向一個(gè)讀圖時(shí)代。通過實(shí)驗(yàn)，探尋 SIFT在亮度變化、尺度變化、旋轉(zhuǎn)變化下的匹配效果。 SIFT算法是一種基于尺度空間的算法，該算法特征是圖像的局部特征，使其對(duì)旋 轉(zhuǎn)、尺度縮放、亮度變化 具有保持不變性，對(duì)視角變化、方式變換、噪聲也具有良好的穩(wěn)定性，同時(shí) SIFT算法具有獨(dú)特性好、信息量豐富，運(yùn)行速度快等特點(diǎn)。正 由于 其應(yīng)用的廣泛性，使得匹配算法的研究逐步走向 成熟 ?；?sift 算法的圖像匹配方法 I 摘要 圖像匹配 是指 通過一定的算法在兩幅或多幅影像之間識(shí)別同名點(diǎn)的過程。圖像匹配 技術(shù) 是圖像處理技術(shù)中的重要研究?jī)?nèi)容 ， 是圖像信息領(lǐng)域之中的一項(xiàng)重要技術(shù)，同時(shí) 它 也是其它一些圖像分析技術(shù)的基礎(chǔ)。 圖像匹配是一個(gè)多步驟的過程，不同的匹配算法之間步驟也會(huì)有很大的不同，效果也有較大的出入。 本課題研究了基于 SIFT算法的圖像匹配方法，論述了 SIFT算法的實(shí)現(xiàn)過程。并運(yùn)用 SIFT算法實(shí)現(xiàn)物體識(shí)別。 圖像匹配是圖像信息領(lǐng)域之中的一項(xiàng)重要技術(shù)，同時(shí)也是其它一些圖像分析技術(shù)，如立體視覺、運(yùn)動(dòng)分析數(shù)據(jù)融合等的基礎(chǔ)。因此， 急需展開對(duì)現(xiàn)有匹配方法的研究與改進(jìn)，提高匹配算法的精確度與效率，這對(duì)圖像信息的發(fā)展有著至關(guān)重要的意義。 點(diǎn)特征是圖像最基本的特征 ,它是指那些灰度信號(hào)在二 維圖像上都有明顯變化的點(diǎn) ,如角點(diǎn)、圓點(diǎn)等。使用點(diǎn)特征進(jìn)行處理 ,可以減少參與計(jì)算的數(shù)據(jù)量 ,同時(shí)又不損害圖像的重要灰度信息 ,在匹配運(yùn)算中能夠較大的提高匹配速度 ,因而受到人們的關(guān)注 [3]。 根據(jù)不同的目的，提取不同的特征點(diǎn)。最后消除錯(cuò)誤的匹配點(diǎn)。傳統(tǒng)的匹配算法往往是直接提取角點(diǎn)或邊緣，對(duì)環(huán)境的適應(yīng)能力較差，急需提出一種魯棒性強(qiáng)、能夠適應(yīng)不同光照、不同位姿等情況下能夠有效識(shí)別目標(biāo)的方法。它推動(dòng)著圖像處理技術(shù)在醫(yī)學(xué)、生物、信息處理和其他很多高科技領(lǐng)域內(nèi)的應(yīng)用，它已漸漸發(fā)展成社會(huì)生活中不可分離的一種技術(shù)， 對(duì)于圖像處理技術(shù)發(fā)展及應(yīng)用具有重要意義。 Moravec的探測(cè)器在 1988年被 Harris和 Stephens改進(jìn)，在小的圖像變動(dòng)和近邊緣區(qū)域具有了更高的重復(fù)性。盡管這個(gè)特征探測(cè)器被稱為角探測(cè)器，但它并不是只能選擇角，而是可以在一個(gè)確定尺度的各個(gè)方向上選擇所有具有大的梯度的圖像位置。 Zhang等人在 1995年在每個(gè)角的周圍使用相關(guān)窗口來選擇可能的匹配，使得 Harris的角進(jìn)行大幅圖像范圍的匹配成為可能。同年（ 1995）， Torr也 研發(fā)了一種類似的方法來進(jìn)行大間距的運(yùn)動(dòng)匹配，使用幾何約束來移除圖像中移動(dòng)剛體的異常值。他們用 Harris角探測(cè)器來選擇興趣點(diǎn)，但 是 他們使用的是一個(gè)圖像局部區(qū)域的旋轉(zhuǎn)不變的描述子來代替相關(guān)窗口。此外，他們還證明多特征匹配可以通過識(shí)別一致的匹配特征聚類，在遮擋和混雜的情況下完成一般的識(shí)別工作。因此，對(duì)于不同尺度的圖像匹配， Harris的角反射器并不能提供很好的基礎(chǔ)。這個(gè)工作還闡述了一種新的局部描述子，可 以降低對(duì)局部圖像變形的敏感度（如三維視點(diǎn)的變換），同時(shí)找到更加鮮明的特征。 而國(guó)內(nèi)從 1990年代才初才開始涉足此領(lǐng)域。朱近，司美玲 詳細(xì) 闡述了用局部灰度極值方法進(jìn)行多光譜圖像配準(zhǔn)算法的研究過程。 這是與灰度圖像配準(zhǔn)算法有關(guān)的一個(gè)擴(kuò)展應(yīng)用。 將歐氏距離表示的形狀信息融入基于灰度的配準(zhǔn)算法中， 從而 構(gòu)造出新的代價(jià)函數(shù)。 該算法優(yōu)于基于灰度信息的圖像配準(zhǔn)算法。在 當(dāng)今 的科技水平上，圖像配準(zhǔn)未來的發(fā)展趨勢(shì)也 越來越好 。通過 SIFT算法實(shí)現(xiàn)兩幅圖像或多幅圖像之間相同點(diǎn)的識(shí)別。 對(duì)生成的關(guān)鍵點(diǎn)再加以描述。然后分別對(duì)模板圖和實(shí)時(shí)圖建立關(guān)鍵點(diǎn)描述子集合。具有 128維的關(guān)鍵點(diǎn)描述子的相似性度量采用歐式距離。 研究 內(nèi)容 和目標(biāo) 本課題為 基于 SIFT的 圖像匹配 方法 。再著重詳細(xì)闡述 SIFT算法的實(shí)現(xiàn)方法，從理論上證明 SIFT算法的可行性和優(yōu)越性。測(cè)試該算法在尺度變換、旋轉(zhuǎn)變換、亮度變換下的匹配效果。 得到實(shí)驗(yàn)數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行分析總結(jié)，得出 SFIT算法的實(shí)際運(yùn)行效果。我們建立一個(gè)庫文件夾， 在文件夾中放入單個(gè)物體的照片，作為庫圖像。并顯出，匹配上的的關(guān)鍵點(diǎn)對(duì)用藍(lán)色細(xì)線連接起來，實(shí)現(xiàn)圖像的簡(jiǎn)單識(shí)別。 章節(jié)安排 本文分為 5章，每章安排如下： 第一章： 緒論部分，介紹了本課題研究的背景、意義、內(nèi)容和目標(biāo)。 第三章： 尺度空間理論詳細(xì)介紹了尺度空間理論的原理，發(fā)展歷程。是基于 sift 算法的圖像匹配方法 4 本文的重點(diǎn)章節(jié)。 在此基礎(chǔ)上，設(shè)計(jì)圖像匹配算法實(shí)驗(yàn)，利用 SIFT算法，進(jìn)行不同場(chǎng)景的物體識(shí)別，并進(jìn)行 算法分析。正因?yàn)槠渚哂袕V泛性的應(yīng)用性，新的應(yīng)用和新的要求逐步產(chǎn)生促使了匹配算法的研究逐步走向深入與成熟。圖像 匹配 廣泛用于多模態(tài)圖像分析，是醫(yī)學(xué)圖像處理的一個(gè)重要分支，也是遙感 圖 像處理，目標(biāo)識(shí)別，圖像重建，機(jī)器人視覺等領(lǐng)域中的關(guān)鍵技術(shù)之一。傳統(tǒng)的匹配算法往往是直接提取角點(diǎn)或邊緣，對(duì)環(huán)境的適應(yīng)能力較差，急需提出一種魯棒性強(qiáng)、能夠適應(yīng)不同光照、不同位姿等情況下能夠有效識(shí)別目標(biāo)的方法。由于 SIFT特征是圖像的局部特征，其對(duì)旋轉(zhuǎn)、尺度縮放、亮度變化保持不變性，對(duì)視角變化、仿射變換、噪聲也保持一定程度的穩(wěn)定性。 圖像匹配技術(shù)的定義 圖像匹配是指通過一定的匹配算法在兩幅或多幅圖像之間識(shí)別同名點(diǎn) 過程 ， 通常將已知目標(biāo)圖像稱為模板圖像，而將待搜索圖像中可能與之相對(duì)應(yīng)的子圖稱為該模板的待匹配的目標(biāo)圖像。 對(duì)于二維圖像配準(zhǔn)可定義為兩幅圖像在空間和灰度上的映射，如果給定尺寸的二維矩陣 1F 和 2F 分別代表兩幅圖像， 1( , )F XY 和 2( , )F XY 分別表示相應(yīng)位置 ( , )XY 上的灰度值，則圖像間的映射可表示為： 2 ( , ) ( 1 ( ( , ) ) )F X Y G F H X Y? （ 21） 式中 H 表示一個(gè)二維空間坐標(biāo)變換，即 ( 39。) ( , )X Y H X Y? ，且 G 是一維灰度變換。 而且 ， 對(duì)圖像預(yù)處理也將產(chǎn)生誤差 ， 這都使得待匹配的圖像 信息 之間存在很大的差異 。 圖像匹配 算法分類 圖像匹配 的實(shí)現(xiàn)要經(jīng)過多個(gè)步驟 。 圖像匹配的算法有多種 ，不同 的算法具體步驟也有很大差異 ，但它們的大致過程是相同的 [5]。 基于 圖像灰度的匹配方法一般不需要對(duì)圖像進(jìn)行預(yù)處理， 通常直接利用圖像 本身 灰度 的統(tǒng)計(jì) 信息 來度量圖像的相似程度 。 基于圖像灰度 的匹配 方法不需要 提取圖像的特征，通常 對(duì) 直接利用圖像全部的灰度信息，所以該算法 能提高 匹配 的精度和魯棒性 [6]。計(jì)算量將會(huì)增大，計(jì)算時(shí)間長(zhǎng)，匹配速度慢。 該方法的一半步驟為，第一 對(duì)圖像進(jìn)行預(yù)處理 ，然后提取出圖像的特征 ， 最后 建立兩幅圖像之間 的 對(duì)應(yīng)關(guān)系 。 特征匹配 的數(shù)據(jù)處理方法很多， 需要用到許多諸如矩陣的運(yùn)算、梯度的求解、傅立葉變換和泰勒展開等數(shù)學(xué)運(yùn)算 [7]。由于該匹配方法采用的是提取圖像的特征點(diǎn)進(jìn)行匹配而不是圖像的像素 ， 從而大大降低了計(jì)算量，減少了計(jì)算時(shí)間 。而且， 基于 特征 的匹配具有很好的抗噪效果 ， 并在 圖像 發(fā)生 灰度變化，形變以及遮擋等 情況下也能有較好的匹配效果 。 本章小結(jié) 本章主要介紹了圖像匹配的相關(guān)理論知識(shí)，對(duì)圖像匹配技術(shù)做了簡(jiǎn)明扼要的介紹。為后文將要描述的特征點(diǎn)匹配做鋪墊 ?，F(xiàn)實(shí)世界的物體也總是通過不同尺度的觀察而得到不同的變化。尺度空間中各尺度圖像的模糊程度逐漸變大，能夠模擬人在距離目標(biāo)由近到遠(yuǎn)時(shí)目標(biāo)在視網(wǎng)膜上的形成過程。 尺度空間理論 尺度空間是一個(gè)用來控制觀察尺度或表征圖像數(shù)據(jù)多尺度自然特性的框架；信號(hào)的尺度空間是 指包含有一個(gè)連續(xù) 尺度參量 的 信號(hào)的特征結(jié)構(gòu)集合 。提取出尺度空間的主輪廓，以提取出的主輪廓作為特征向量，實(shí)現(xiàn)圖像的特征點(diǎn)提取。第二個(gè)尺度空間表征的重要特征， 就是基于尺度的結(jié)構(gòu)特性能 解析式非常簡(jiǎn)單 ， 計(jì)算簡(jiǎn)潔，在不同尺度空間上的特征可以通過解析式精確的聯(lián)系起來。 高斯尺度空間 在提取關(guān)鍵點(diǎn)集的過程中，我們采用了一種高效的識(shí)別方法。關(guān)鍵點(diǎn)集的探測(cè)首先是把同一圖像在不同視角下可被重復(fù)分配的位置和尺度。完成對(duì)圖像尺度具有不變性的位置探測(cè)。因此， 由尺度可變的高斯函數(shù) G(x,y,σ )和輸入圖像 I(x,y)的卷積 ，就可以產(chǎn)生定義一幅圖像尺度空間的函數(shù) L(x,y,σ )： L(x,y,σ ) =G(x,y,σ )?I(x,y), （ 32） 其中 *為 x 和 y 之間的卷積運(yùn)算。 本章 小結(jié) 本章主要介紹了尺度空間的理論知識(shí)和高斯尺度空間的概念。為下章節(jié)高斯金字塔的構(gòu)建做好理論鋪墊。 基于 sift 算法的圖像匹配方法 9 4 SIFT 特征匹配 Sift算法是 1999年加拿大英屬哥倫比亞大學(xué)大衛(wèi) .勞伊（ David ）教授在總結(jié)了現(xiàn)有的基于不變量技術(shù)的特征檢測(cè)方法后提出的一種新的圖像匹配方法 SFT。 SIFT算法是一種基于尺度空間的算法。同時(shí) SIFT算法還具有獨(dú)特性好，信息量豐富，適用于在海量特征數(shù)據(jù)庫中進(jìn)行快速、準(zhǔn)確的匹配。而且， SIFT算法還具有可擴(kuò)展型，可以很方便的與其他形式的特征向量進(jìn)行聯(lián)合。 SIFT算法的實(shí)現(xiàn)簡(jiǎn)單步驟如下圖： 圖 41 SIFT算法步驟 SIFT算法從實(shí)質(zhì)可以總結(jié)為在不同尺度空間上查找特征點(diǎn)的問題，在對(duì)特征點(diǎn)進(jìn)行一一比對(duì)，找出相匹配的關(guān)鍵點(diǎn)。對(duì)圖像進(jìn)行處理，提取出圖像的關(guān)鍵點(diǎn)，產(chǎn)生關(guān)鍵點(diǎn)集。對(duì)產(chǎn)生的關(guān)鍵點(diǎn)附加 方向 的信息（局部信息），也就是所謂的描述器。通過對(duì)兩張圖片的特征點(diǎn)集（附帶特征向量的關(guān)鍵點(diǎn)）進(jìn)行兩兩比較，找出相匹配的若干對(duì)特征點(diǎn)。 消除錯(cuò)誤匹配點(diǎn)。 特征點(diǎn)檢測(cè)特征點(diǎn)描述目標(biāo)的特征點(diǎn)集特征點(diǎn)匹配目標(biāo)的特征點(diǎn)集目標(biāo)圖像SIFT特征點(diǎn)檢測(cè)特征點(diǎn)描述原圖像SIFT匹配點(diǎn)矯正基于 sift 算法的圖像匹配方法 10 圖像的初始 SIFT算法是在灰度圖像進(jìn)行數(shù)據(jù)處理的。轉(zhuǎn)換成適當(dāng)大小的圖像。 尺度空間極值檢測(cè) 在第三章中我們已經(jīng)介紹了尺度空間理論。高斯核是唯一可以產(chǎn)生多尺度空間的線性核。 L(x, y,σ ) = G(x, y,σ ) * I(x, y)。σ是尺度因子，其值越大則表征該圖像被平滑得越大；其值越小則表征該圖像被平滑得越小 [14]。因此，選擇合適的尺度因子平滑是建立尺度空間的關(guān)鍵。 （ 43） ? ? 2221rr e x p22G ?? ?????????22r= x y?基于 sift 算法的圖像匹配方法 11 高斯模糊對(duì)于圖像來說就是一個(gè) 低通濾波器 ，是在 Adobe Photoshop、 GIMP 以及 等圖像處理軟件中廣泛使用 的處理效果，通常用它來減少圖像噪聲以及降低細(xì)節(jié)層次。高斯平滑也用于 計(jì)算機(jī)視覺 算法中的預(yù)先處理階段，以增強(qiáng)圖像在不同比例大小下的圖像效果。由于正態(tài)分布又叫作高斯分布，所以這項(xiàng)技術(shù)就叫作高斯模糊。 從理論上講， 圖像中每個(gè)點(diǎn)的分布都不為零，這也就是說每個(gè)像素的計(jì)算都需要包含整幅圖像，在實(shí)際的計(jì)算中，在計(jì)算高斯函數(shù)的離散近似時(shí)在大概 3σ距離之外的像素都可以看作不起作用，這些像素的計(jì)算也就可以忽略。 采用高斯模糊具有如下幾個(gè)特征： （ 1） 、高斯模糊具有圓對(duì)稱性。 （ 3） 、 對(duì)一幅圖像進(jìn)行 一次較大的高斯模糊得到的效果，也可以將該圖像進(jìn)行多次連續(xù)較小的的高斯模糊也能夠得到相同的效果。若 較小的高斯模糊半徑 分別為 6 和 8，則與之高斯模糊效果相同的一次 高斯模糊 高斯 半徑為 ， 因此，高斯模糊的的處理時(shí)間跟不會(huì)因?yàn)槭褂幂^多高斯半徑較小的是高斯模糊而增加時(shí)間。 （ 2）、對(duì)圖像做降采樣處理。一幅圖(6 1) (6 1)??? ? ?226 8 10??基于 sift 算法的圖像匹配方法