基于改进的SIFT特征图像匹配技术的研究①

刘学超

(淮北职业技术学院计算机系，安徽 淮北 235000)

图像拼接技术是目前计算机图形学的一个重要研究方向，在数字图像处理方面起着至关重要的作用。在军事国防、地质勘测、工业生产、医学等领域一直存在图像可视范围与分辨率之间的矛盾。图像拼接技术可以很好的解决这一问题，它把采用不同设备在不同时间、角度拍摄的对象进行重叠拼接，以形成一个合乎感观效果的大场景，在保证图像频率的情况下，扩大成像范围。［1］因此，深入剖析图像拼接技术有着非常重要的现实意义。

1 图像拼接技术的关键要素

图像拼接大体上由以下几个部分组成:

图1 图像拼接技术算法流程图

1.1 图像获取

根据拍摄焦距和角度利用普通相机获取的图像可分为以下两种:旋转拍摄和平移拍摄。［2］旋转拍摄是将相机固定于三脚架上，拍摄时，相机绕三角脚轴旋转，拍摄一张旋转一定角度。这种方法要求拍摄时相邻两张照片中要有重叠部分，重叠部分为30%－50%效果最好而且可以更加方便后期的处理。平移拍摄是指焦距固定，相机在平行于拍摄对象的滑轨上平移拍摄，这种方法拍摄的照片物体与相机的距离直接影响最后的拼接效果，而且最终的全景图效果也不如采用旋转拍摄的方法。

1.2 图像预处理

这一阶段的主要工作就是将拍摄获取的彩色图转换为灰度图。RGB色彩系统是最常用最广泛的颜色系统，通过相机采集到的图像大多是以RGB颜色模型来表达，但这种颜色信息在后期的操作中既不能提高像素匹配效果而且操作起来也不方便，因此在图像的灰度空间中进行操作。一般情况下，在彩色图像中每个像素点用3个字节来存储，每个字节对应一个RGB分量，在转换之后，用一个字节来表示该点的灰度值。数值越大，亮度越高，相反则亮度越低即越黑。可以用公式1对彩色图像进行灰度化处理。

假定彩色图像的一个像素点为g(a，b)的RGB分量值分别为函数gR(a，b)、gG(a，b)、gB(a，b)，则该像素点的灰度值F(a，b)表示为:

1.3 图像匹配

将不同设备、不同角度和时间获取的图像变换到同一坐标系下，在像素层上得到最佳匹配的过程。比较常用的是基于特征的图像匹配方法，首先根据轮廓、曲线或特征点等从图像上提取最佳的特征信息，剔除非匹配特征点，求取信息转换参数，最后把两幅或更多的图像按照求取的转换关系进行拼接。［3］这种拼接方法计算量小，适用范围广，是拼接技术的主流方向。

1.4 图像融合

图像匹配之后，要对图像进行缝合。也就是说对拼接的边界进行处理，使得图像过度平滑、自然，无突兀感。保证不因拼接处理而损坏原始图像。

2 改进的SIFT特征图像匹配

SIFT全称是Scale Invariant Feature Transform，中文全称为尺度不变特征变换。

2.1 特征点的提取

为了使特征点具有更好的稳定性，在图像的二维空间和尺度空间中检测局部极值，将其作为特征点。

2.1.1 尺度空间极值点检测

在保证尺度不变性的前提下，为了初步获得特征点在二维空间和尺度空间的坐标，特征点的检测在多尺度空间中进行。首先采用不同尺度的高斯核函数G(x，y，σ)对原图进行滤波，生成多尺度空间，使用高斯函数进行卷积运算，对图像进行预处理。再使用差分高斯算子 D(x，y，σ)对图像使用不同的采样距离建立金字塔模型。［4］可表示为:

这里k是常数，计算图像上的点在每一尺度下DoG算子的响应值，将结果连接起来形成特征尺度轨迹曲线。

2.1.2 关键点的精确定位

得到侯选关键点之后，接下来就是具体关键点的曲率、位置等相关信息。将尺度空间函数D(x，y，σ)在局部极值点 (x0，y0，σ0)处进行Taylor展开。各偏导数为相邻采样点之差。将得到的Taylor展开式赋为0得到一个三元二次方程。其方程的解X就是关键点的精确位置。由于DoG算子对图像边缘响应灵敏，在这些特征点中，还是存在少数低对比度和少量噪声的响应点，通过Hessian矩阵来分析极值的邻域结构，剔除这些边缘响应点，提高抗噪能力。

2.1.3 关键点的主方向分配

首先，求出特征点 (x，y)邻域内每个像素点的指定方向，统计邻域内所有方向的梯度幅度，作出相应的梯度方向直方图。取值范围从0～360度，采样点的梯点与高斯函数做乘法运算后加入直方图，将直方图中最大值作为特征点的方向。如图2所示:

图2 梯度方向直方图确定主梯度方向

2.2 SIFT特征的改进

前面提到通过尺度空间局部值极检测得到SIFT侯选点之后，将尺度空间函数D(x，y，σ)在局部极值点 (x0，y0，σ0)处进行Taylor展开将那些对比度比较低的关键点过滤掉。如果D(x)＜T，T为灰度差阈值，表示能检测到的最小对比度，它直接决定了提取的关键点的数量。［5］T取值越小，检测点就越少;T取值越大，检测的点就越多，由此产生的漏检和误检的可能性也就越大。因此，对于灰度颜色比较丰富的图像来说，使用固定的灰度阈值差会影响匹配效果。

针对上述问题，这里对阈值T进行改进，使其具有自适应性。算法思想如下:计算每个像素的高斯窗口中极值点与邻域像点的灰度差Ti，得到灰度差直方图。T0作为迭代初始，表示为:

使用迭代法，每进行一次迭代就进行一次判断，如果Ti+1－Ti=0，则运算停止。Ti即为所求的灰度差阈值T，所得到的T值是根据每个区域内的灰度差运算所得，可以更好的对不同灰色对比度进行判断检测，由此使关键点的定位更加精准。

2.3 实验结果

使用匹配率来进行比较，迭代次数为10次，为了提高数据的可信度，选取了200幅图像加以验证，统计计算平均值，结果如下所示。

表1 SIFT 特征算法改进前后的比较

表2 SIFT特征算法改进前后的正确率比较

从表中数据可以看出，改进后SIFT特征算法能够保持特征点间匹配距离变化，几近恒定值，这使得在进行相似度判断时，阈值的确定更加容易，提高匹配的准确精度，具有良好的性能。

［1］李跃，彭宇行.一种基于模板匹配的电路照片拼接方法［J］.中国图像图形学报，2011，6(3):301－306

［2］张素.一种基于小波分解的多图像拼接技术［J］.西北工业大学学报，2010，3(1):101 －103

［3］孙家广.计算机图形学［M］.北京:清华大学出版社，1998:245－247

［4］胡礼教.基于角度特征的KLT跟踪全图图像拼接算法［J］.系统仿真学报，2007，19(8):48－52

［5］李寒.基于特征点的全自动无缝图像拼接方法［J］.计算机工程与设计.2007，28(1):23－28