摘 要： 針對(duì)SIFT方法在角點(diǎn)檢測(cè)上的不足，提出了一種基于SIFT和SUSAN混合特征匹配的自動(dòng)匹配算法。算法應(yīng)用SIFT 和SUSAN 兩種具有互補(bǔ)特性的局部不變特征，利用SIFT方法檢測(cè)空間極值特征點(diǎn)，利用SUSAN方法檢測(cè)角點(diǎn)，結(jié)合兩種特征點(diǎn)位置，利用SIFT方法生成匹配特征向量，最后根據(jù)最近鄰特征點(diǎn)距離與次近鄰特征點(diǎn)距離之比確定初始匹配點(diǎn)對(duì)，實(shí)現(xiàn)圖像的配準(zhǔn)。實(shí)驗(yàn)表明該算法有效，能夠提高圖像的自動(dòng)匹配準(zhǔn)確性。
關(guān)鍵詞： 圖像匹配； SIFT特征； SUSAN角點(diǎn)
圖像匹配是圖像處理的一個(gè)基本問(wèn)題，在計(jì)算機(jī)視覺、圖像配準(zhǔn)、信息檢索等領(lǐng)域得到了廣泛的應(yīng)用，是很多基于圖像內(nèi)容應(yīng)用的基礎(chǔ)。隨著計(jì)算機(jī)技術(shù)的發(fā)展和數(shù)字圖像應(yīng)用的日益廣泛，圖像匹配技術(shù)在諸多領(lǐng)域內(nèi)發(fā)揮越來(lái)越重要的作用。長(zhǎng)期以來(lái), 國(guó)內(nèi)外很多學(xué)者都致力于解決圖像匹配的技術(shù)問(wèn)題。
簡(jiǎn)單來(lái)說(shuō)，圖像匹配就是找出兩幅圖像中相同或相似景物，目前圖像匹配的方法一般分為基于區(qū)域匹配和基于特征匹配兩類。
近年來(lái)，在計(jì)算機(jī)視覺領(lǐng)域，基于局部不變量描述符的方法在目標(biāo)識(shí)別和圖像匹配方面取得了顯著發(fā)展。SIFT特征描述符克服了傳統(tǒng)圖像匹配在圖像尺度、視差變化的局限性。參考文獻(xiàn)[1]對(duì)10種最具代表性的特征匹配描述算子進(jìn)行了實(shí)驗(yàn)和性能比較,結(jié)果表明, SIFT特征描述符在對(duì)光照變化、圖像旋轉(zhuǎn)、比例縮放、幾何變形、模糊和圖像壓縮等6種情況下性能最好。
本文在SIFT方法的基礎(chǔ)上加入SUSAN角點(diǎn)檢測(cè)的思想，提出一種新的更加穩(wěn)健的圖像匹配方法。
1 SIFT特征檢測(cè)
2004年, LOWE D提出了一種新的點(diǎn)特征匹配算法——SIFT(Scale Invariant Feature Transform)算法，較好地解決了場(chǎng)景部分遮擋、旋轉(zhuǎn)縮放、視點(diǎn)變化引起的圖像變形等問(wèn)題，并且有效應(yīng)用于目標(biāo)識(shí)別、圖像復(fù)原、圖像拼接等領(lǐng)域。
SIFT算法首先在尺度空間進(jìn)行特征點(diǎn)檢測(cè)，并確定關(guān)鍵點(diǎn)的位置和所處的尺度，然后使用關(guān)鍵點(diǎn)鄰域梯度的主方向作為該點(diǎn)的方向特征，以實(shí)現(xiàn)算子對(duì)尺度和方向的無(wú)關(guān)性。
1.1 尺度空間理論
尺度空間理論是一種對(duì)圖像從多尺度考察圖像特征的理論方法，能夠發(fā)掘出很多從單一尺度無(wú)法發(fā)現(xiàn)的圖像特征。
SIFT方法選用了高斯函數(shù)，利用其標(biāo)準(zhǔn)差σ作為尺度參數(shù)與圖像進(jìn)行卷積運(yùn)算以產(chǎn)生多尺度的圖像。一幅二維圖像的尺度空間定義為：
1.5 特征描述子
首先以特征點(diǎn)為中心取8×8的鄰域作為采樣窗口,窗口內(nèi)每個(gè)方格代表特征點(diǎn)尺度空間的一個(gè)像素，箭頭方向代表該像素的梯度相對(duì)于特征點(diǎn)方向的相對(duì)方向，箭頭長(zhǎng)度代表梯度的模，大圓圈代表加權(quán)的范圍。然后利用直方圖統(tǒng)計(jì)的方法，在每 4×4 的小塊上計(jì)算 8 個(gè)方向的梯度方向直方圖，即可形成 4 個(gè)種子點(diǎn),如圖1所示。
每個(gè)種子點(diǎn)可以產(chǎn)生8個(gè)方向信息，共4×8=32個(gè)方向信息，按順序就可以組成32維的特征向量。本文采用16×16的采樣窗口，一共產(chǎn)生16個(gè)種子點(diǎn)，產(chǎn)生16×8=128維的特征向量，更多的種子點(diǎn)可以增加匹配的穩(wěn)定性。
2 SUSAN角點(diǎn)檢測(cè)
1997年 SMITH S M和 BRADY J M提出了一種最小核值相似區(qū)SUSAN(Smallest Univalue Segment Assimilating Nucleus)算法，它直接對(duì)圖像灰度值進(jìn)行操作，方法簡(jiǎn)單，算法效率高，定位準(zhǔn)確，對(duì)多個(gè)區(qū)域的角點(diǎn)也能精確檢測(cè)，對(duì)局部噪聲不敏感，抗噪能力強(qiáng)。
2.1 SUSAN方法簡(jiǎn)介
SUSAN方法其實(shí)是利用圓形模板遍歷整個(gè)圖像，如果模板內(nèi)其他像素值與模板中心像素值相差小于一定閾值，就認(rèn)為該點(diǎn)與中心點(diǎn)具有近似的灰度值，模板內(nèi)滿足這樣條件的像素組成的區(qū)域稱為核值相似區(qū)USAN(Univalue Segment Assimilating Nucleus)。利用這個(gè)區(qū)域可以將像素點(diǎn)的性質(zhì)分成幾類考慮，而屬于直角角點(diǎn)的大概就是具有1/4模板大小的USAN區(qū)的像素點(diǎn),如圖2所示。
2.2 USAN區(qū)域
USAN區(qū)域利用中心點(diǎn)與周圍像素的差值和預(yù)先設(shè)定的閾值進(jìn)行比較得出，其相似比較函數(shù)表示為： 
2.3 角點(diǎn)檢測(cè)
SUSAN方法通過(guò)設(shè)定角點(diǎn)閾值，利用角點(diǎn)響應(yīng)函數(shù)判斷角點(diǎn)位置，計(jì)算公式如下：
其中g(shù)為角點(diǎn)閾值,它影響檢測(cè)到的角點(diǎn)形狀，g越小，檢測(cè)到的角點(diǎn)越尖銳,一般設(shè)定為1/2模板區(qū)域大小。
SUSAN角點(diǎn)檢測(cè)的最后一個(gè)階段，就是尋找初始角點(diǎn)響應(yīng)的局部最大值，在局部范圍內(nèi)，如果中心像素的初始響應(yīng)是此區(qū)域內(nèi)的最大值，則判斷其屬于角點(diǎn)。
3 基于SIFT和SUSAN特征檢測(cè)
SIFT方法能夠從尺度空間尋找出具有結(jié)構(gòu)化特性的特征點(diǎn)，但是可能在視覺上沒(méi)有特殊意義，而實(shí)際圖像中很多具有視覺意義的特征位置,如角點(diǎn)利用SIFT方法檢測(cè)會(huì)出現(xiàn)位置偏移或者漏檢的情況,如圖3所示。]
從圖3可以看出,最右角出現(xiàn)漏檢，其他角的特征點(diǎn)均發(fā)生一定程度的位置偏移，這是由于高斯平滑的過(guò)程中極值點(diǎn)會(huì)隨著像素?cái)U(kuò)散引起的。但是圖像上的角點(diǎn)往往是進(jìn)行圖像匹配比較理想的特征，SIFT方法并沒(méi)有很好地將角點(diǎn)利用起來(lái)，遺漏了某些重要的角點(diǎn)信息。
本文在SIFT的基礎(chǔ)上引入SUSAN角點(diǎn)檢測(cè)就是為了增強(qiáng)其對(duì)圖像特性信息的利用率，從而應(yīng)用于圖像匹配上得到更多有意義的正確匹配點(diǎn)，因?yàn)镾USAN能夠有效檢測(cè)出圖像中的角點(diǎn)，如圖4所示。
由圖4可以看出，SUSAN方法能夠準(zhǔn)確定位并檢測(cè)到4個(gè)角點(diǎn)。SUSAN角點(diǎn)檢測(cè)的優(yōu)點(diǎn)在于可以簡(jiǎn)單快捷地檢測(cè)出圖像的明顯形狀特征，但是針對(duì)紋理圖像或者低對(duì)比度圖像，效果并不明顯。
通過(guò)以上分析, 本文在SIFT方法的基礎(chǔ)上引入SUSAN角點(diǎn)檢測(cè)思想,基本能夠?qū)D像中的結(jié)構(gòu)化信息特征和形狀信息的特征檢測(cè)出來(lái)。算法的流程圖如圖5所示。
4 特征匹配
已經(jīng)找出圖像上的特征向量，接下來(lái)的任務(wù)就是特征匹配，即對(duì)特征向量作相似性度量判斷其相似程度。本文采用兩個(gè)向量的歐氏距離作為相似性的判斷度量，歐氏距離定義如下：
取圖像1中的某個(gè)關(guān)鍵點(diǎn)，并找出其與圖像2中歐式距離最近的前兩個(gè)關(guān)鍵點(diǎn)，在這兩個(gè)關(guān)鍵點(diǎn)中，如果最近的距離除以次近的距離小于某個(gè)比例閾值，則接受這一對(duì)匹配點(diǎn)。如果降低這個(gè)比例閾值，匹配點(diǎn)數(shù)目會(huì)減少，但更加穩(wěn)定。最后再設(shè)定一個(gè)匹配點(diǎn)數(shù)目閾值，如果匹配點(diǎn)數(shù)目大于閾值，就認(rèn)為兩幅圖像是相似的。
5 實(shí)驗(yàn)結(jié)論
在Core 2, 2.2 GHz CPU, 2.0 GB RAM的PC機(jī)上運(yùn)行Solaris 10操作系統(tǒng)，采用C 語(yǔ)言編程實(shí)現(xiàn)了本文提出的算法,通過(guò)實(shí)驗(yàn)圖片驗(yàn)證本文方法的有效性(限于篇幅,下文僅給出一組實(shí)驗(yàn)結(jié)果)，并將本文算法與SIFT算法進(jìn)行了實(shí)驗(yàn)分析和比較。實(shí)驗(yàn)中,最近鄰特征點(diǎn)距離與次近鄰特征點(diǎn)距離之比取0.7。
圖6利用SIFT方法,左圖和右圖分別生成了356個(gè)和369個(gè)特征點(diǎn)，最終產(chǎn)生12對(duì)匹配對(duì)，其中兩個(gè)錯(cuò)誤匹配對(duì)；圖7利用SUSAN方法,左圖和右圖分別生成了315個(gè)和358個(gè)特征點(diǎn)，最終產(chǎn)生25對(duì)匹配點(diǎn)，其中兩個(gè)錯(cuò)誤匹配對(duì)；圖8結(jié)合兩種方法，左圖和右圖分別生成了671個(gè)和727個(gè)特征點(diǎn)，最終產(chǎn)生33對(duì)匹配對(duì)，其中一個(gè)錯(cuò)誤匹配對(duì)。
SUSAN方法在更少的特征點(diǎn)中可以找出更多匹配點(diǎn)對(duì)，而且錯(cuò)誤匹配率沒(méi)有增加，由此可見，角點(diǎn)信息在特征匹配上非常有效。本文方法利用兩種特征，得到更多的特征匹配對(duì)，并且降低了錯(cuò)誤匹配率。
參考文獻(xiàn)
[1] M IKOLAJCZYK K, SCHM ID C. A performance evaluation of local descriptors[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2005,27(10):1615-1630.
[2] BROWN M, LOWE D. Invariant features from interest point groups[C].In Proceedings of the 13th British Machine Vision Conference. Cardiff: [s. n.], 2002:253-262.
[3] LOWE D. Object recognition from local scale-invariant features[C].In Proceedings of the International Conference on Computer. Corfu ,Greece:[s.n.],1999:1150-1157.
[4] SMITH S M, BRADY J M. SUSAN——a new approach to low level image processing[J]. Computer Vision,1997,23(10):45-78.