在图像处理方面什么是sift匹配（基于图像显著区域检测的SIFT特征匹配方法研究）

在图像处理方面什么是sift匹配（基于图像显著区域检测的SIFT特征匹配方法研究）关键点的初步探索是利用差分高斯差分金子塔内同一组相邻两层图像之间比较完成的。其中高斯差分金字塔为：首先构建尺度空间：1 SIFT算法SIFT是一种检测图像局部特性的算法，该算法主要包括以下四个步骤[3]：（1）尺度空间极值点检测

摘 要： 针对目标检测中利用SIFT算法在提取图像特征时提取的背景特征点所占比例较大，提出了一种图像显著区域与SIFT算法相结合的目标匹配方法。为使检测出的极值点与人眼观察到的极值点相似，提出对尺度空间中的图像进行显著区域的检测；为了使特征点具有仿射不变性，对特征点进行椭圆拟合；特征匹配时引入夹角余弦相似度测度方法。实验表明，该算法在实时性

0 引言

随着计算机科学技术的快速发展，特征匹配得到了广泛的应用。SIFT（尺度不变特征变换）算法是由LOWE D G提出的一种基于局部特征的描述方法[1]，许多研究者实验表明SIFT算法存在着128维的特征描述符计算复杂度较高、时间过长、误匹配较多的问题。

为了减少特征点提取的个数以及使得提取出的特征点与人眼观察到的特征点相近，本文提出了一种基于视觉显著图[2]的SIFT算法。本文主要是利用显著区域检测的方法来得到特征点；再利用SIFT方法对其进行描述；最后，利用欧氏距离与夹角余弦相结合的相似性测度方法进行特征匹配。实验结果表明，本文算法在计算复杂度方面比传统算法有较大的提高。

1 SIFT算法

SIFT是一种检测图像局部特性的算法，该算法主要包括以下四个步骤[3]：

（1）尺度空间极值点检测

首先构建尺度空间：

关键点的初步探索是利用差分高斯差分金子塔内同一组相邻两层图像之间比较完成的。其中高斯差分金字塔为：

（2）关键点的准确定位

接下来就是要确定关键点的位置、尺度以及主曲率的比值，SIFT算法使用拟合三维二次函数来确定关键点。

（3）关键点方向分配

对于在DOG金字塔中检测出的关键点，采集其所在高斯金字塔3?滓邻域窗口内像素的梯度和方向分布特征。梯度的模值m（x，y）为：

（4）局部图像描述符

描述符的产生如图1所示。首先取以关键点为中心的16×16像素大小的邻域，然后从16×16的区域中计算4×4的描述符序列。在关键点周围4×4的邻域内计算8个方向的描述序列，至此就产生了128维的特征描述向量。最后对特征向量归一化以消除光照影响。

2 频率调谐显著图检测

本文采用频率调谐显著区域检测算法，其实现过程如下[4]：

（1）设输入图像为Iw×h，其中w为图像宽度，h为图像高度。利用高斯滤波器对图像进行平滑处理，得到一个新的图像Ig，其计算公式如下：

（2）将图像Ig从RGB模型转换到Lab模型。对每个特征分别计算其整体均值得到均值图像滋，同时对各特征高斯平滑，得到平滑后的图像为I（x，y）=[LG（x，y），aG（x，y），bG（x，y）]T。

（3）计算得到显著图区域[5]：

式（6）计算所得就是最终的显著图。

3 显著图检测在SIFT匹配算法中的应用

为了缩小特征提取的区域以及使得提取出的特征点与人眼实际观察到的特征相近，本文提出了一种基于视觉显著图的SIFT算法。

3.1 尺度空间的构建

高斯模糊其实就是一种对图像进行滤波处理的过程。它使用二维的正态分布函数与待处理的匹配进行卷积运算，达到模糊图像的效果[6]。

二维正态分布函数方程为：

此二元的高斯函数可以看成是两个一元函数相乘的结果，即：

在对图像进行二维高斯模糊时，可以先进行一次水平方向的一维高斯模糊，再进行一次竖直方向的一维高斯模糊，这样可以更好地保留图像的边缘信息。

3.2 显著区域的检测及椭圆拟合

利用上节提到的分离的高斯模板对图像进行高斯模糊后再对各采样点进行隔点采样，然后再对金字塔中的图片使用不同的模糊参数进行高斯模糊。这样可以保证提取出的特征点具有尺度不变性。

检测显著区域后，对区域进行椭圆拟合，如图2所示。设拟合的椭圆中心（xc，yc）为显著区域的重心，椭圆的两个轴中长轴a和短轴b代表这个区域的形状，?兹代表长轴的方向，同时也是这个拟合的椭圆区域的方向。

椭圆的中心为：

如图3所示，图3（a）为实验图像，图3（b）是对图像显著区域的椭圆拟合，拟合后的区域具有旋转不变性。

3.3 椭圆的归一化及生成特征描述子

3.3.1 椭圆的归一化

对区域进行椭圆拟合使提取出的特征点具有仿射不变性。在进行SIFT描述之前，需要采用归一化的方法去除图像之间的差异。归一化的仿射变换区域关系为：

其中，x为测量区域的坐标，归一化区域的坐标，D为椭圆拟合产生的协方差矩阵的相似变换阵。

3.3.2 特征向量生成

在完成特征点提取后，本文利用显著图检测进行椭圆拟合，以椭圆的中心为关键点进行方向分配以及特征向量的计算。最后对每个特征点利用SIFT描述子对其进行描述，得到1个128维的特征向量表。

4 实验结果分析

本文的算法是在PC上用MATLAB7.0实现的。本文选择一幅目标图像，两幅样本图像，如图4所示。针对光照和旋转这两个因素，比较了传统SIFT算法与本文算法在特征点提取上的差异。在目标图像中，卡车就是要检测出的目标。SIFT算法各步骤的时间分配比较如表1所示。

由表1可以得出，提取的特征点越多，所用的时间越多。因此采用一种算法来减少特征点提取个数在时间效率方面将有很大的改善。

图像进行不同参数的高斯模糊后的显著图区域检测结果如图5所示。由图可见对同一尺度下的图像进行不同参数的高斯模糊后显著图的变化，参数越大得到的图像越模糊，图像的目标显著区域越大。

特征点提取对比图如图6所示。可以看出，本文提取的目标物体上的特征点比传统SIFT算法提取的多，并且本文算法提取的背景图像的特征点明显减少。这样可以减少特征点描述子生成的时间。

在特征向量匹配时，传播SIFT特征向量的匹配利用BBF搜索算法找到最佳的匹配点；本文在传统算法的基础上再利用夹角余弦对其进行检测，用以减少误匹配。夹角余弦是用来度量两组向量之间的夹角大小的，它也被称为一致性相合系数[7]，其表达式为：

最后利用RANSC算法对匹配特征点对进行检测，进一步消除错误匹配。

本文算法利用视觉显著图检测到的特征点，因此不仅具有实际的意义而且还减少了错误的匹配点对。

传统SIFT匹配算法与本文算法对比如表2所示。由此可以看出，本文算法所用的时间比传统SIFT算法时间短。

实验结果对比如图7所示。图7（a）显示，虽然本文算法提取的特征点少，但是误匹配点对明显降低。从图7（b）可以看出，当待匹配图像存在旋转的情况下，本文算法也有较好的匹配效果。

5 结论

本文提出了一种基于频率调谐的显著图SIFT目标匹配算法。在传统SIFT算法的基础上对尺度空间中的各图像进行显著区域的检测，最后利用欧氏距离与夹角余弦相结合的方法进行特征匹配。实验结果表明，本文算法在实时性以及匹配准确率方面都优于传统的SIFT算法。

参考文献

[1] 张春美，龚志辉，孙雷.改进SIFT特征在图像匹配中的应用[J].计算机工程与应用，2008，44（2）：95-97.

[2] 石钊铭，耿伯英，董银文.基于改进SIFT的航拍图像快速匹配方法[J].指挥控制与仿真，2013，35（1）：106-110.

[3] LOWE D G. Distinctive image features from scale invariant key points[J]. Journal of Computer Vision， 2004，60（2）： 91-110.

[4] 田明辉.视觉注意机制建模及其应用研究[D].合肥：中国科学技术大学，2010.

[5] 于乃昭，姚志均，杨波.一种改进的频率调谐显著性检测方法[J].舰船电子对抗，2013，36（1）：57-61.

[6] 宰小涛，赵宇明.基于SIFT特征描述子的立体匹配算法[J].微计算机信息，2007，23（8-3）：285-287.

[7] 张宇，刘雨东，计钊.向量相似度测度方法[J].声学技术，2009，28（4）：532-536.以及匹配准确率方面都优于传统的SIFT算法。