一種基于小波變換的改進(jìn)的尺度不變特征匹配算法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及計(jì)算機(jī)視覺(jué)中的圖像匹配領(lǐng)域，具體指的是一種基于小波變換的改進(jìn) 的尺度不變特征匹配算法。
【背景技術(shù)】
[0002] 圖像匹配在近幾十年來(lái)一直是人們研宄的熱點(diǎn)和難點(diǎn)，它是在變換空間中尋找一 種或多種變換，使來(lái)自不同時(shí)間、不同傳感器或者不同視角的同一場(chǎng)景的兩幅或者多幅圖 像在空間上一致，目前已經(jīng)應(yīng)用于許多領(lǐng)域，其中應(yīng)用最廣泛的是圖像配準(zhǔn)領(lǐng)域和運(yùn)動(dòng)目 標(biāo)識(shí)別與跟蹤領(lǐng)域。因此圖像匹配技術(shù)占據(jù)著至關(guān)重要的地位。
[0003] 由于拍攝時(shí)間、拍攝角度、自然環(huán)境的變化，使得拍攝的圖像受到各種噪聲的影 響。在這種條件下，匹配算法如何達(dá)到精度高、匹配正確率高、速度快、魯棒性強(qiáng)以及并行實(shí) 現(xiàn)成為人們追求的目標(biāo)。針對(duì)這一問(wèn)題，很多國(guó)內(nèi)外學(xué)者進(jìn)行了廣泛的研宄。基于匹配的 基本原理將圖像匹配算法分為四種：基于灰度相關(guān)的匹配、基于特征的匹配、基于模型的匹 配以及基于變換域的匹配。目前，研宄最廣泛的是基于特征的匹配，其中最經(jīng)典的算法是由 D. G. Lowe于2004年完善總結(jié)的SIFT (尺度不變特征匹配）算法，該算法對(duì)平移、旋轉(zhuǎn)、尺度 縮放、亮度變化均能保持很好的不變性。后來(lái)，很多學(xué)者依據(jù)SIFT算法提出了不同的改進(jìn) 算法。
[0004] 陳抒溶等提出了 Contourlet-SIFT特征匹配算法，對(duì)尺度空間下旋轉(zhuǎn)不變特征進(jìn) 行Contourlet變換后再進(jìn)行匹配，但是計(jì)算量偏大，不滿足實(shí)時(shí)性要求。曹娟等提出了基 于D 2OG特征點(diǎn)檢測(cè)算子的改進(jìn)SIFT特征匹配算法，適用于圖像信息豐富且對(duì)實(shí)時(shí)性要求 較高的場(chǎng)合，但是算法提取的匹配點(diǎn)對(duì)數(shù)相對(duì)較少，限制了此算法處理的圖像類型。楊幸芳 提出了以街區(qū)距離代替歐氏距離作為特征描述符之間的相似性度量，降低了相似性度量公 式的時(shí)間復(fù)雜度，但是沒(méi)有提高魯棒性。于麗莉提出了一種基于圖像Radon變化的改進(jìn)的 SIFT特征匹配算法，降低了 SIFT特征向量的維數(shù)，提高了特征匹配效率，但是在實(shí)際場(chǎng)景 使用時(shí)性能有待提高?？总娞岢隽硕喑叨忍卣魈崛〉碾p目視覺(jué)匹配，雖然匹配率得到了提 高，但是匹配耗時(shí)較長(zhǎng)，時(shí)效性較差。為了進(jìn)一步提高正確匹配率、增強(qiáng)魯棒性及實(shí)時(shí)性，本 發(fā)明提出了基于小波變換的改進(jìn)的尺度不變特征匹配算法。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于針對(duì)現(xiàn)有方法中存在正確匹配率不高、魯棒性不強(qiáng)、算法運(yùn)行 時(shí)間過(guò)長(zhǎng)等問(wèn)題，在原來(lái)經(jīng)典尺度不變特征匹配算法的基礎(chǔ)上，提出了基于小波變換的改 進(jìn)的尺度不變特征匹配算法技術(shù)，開(kāi)發(fā)出一種魯棒性強(qiáng)，正確匹配率高，適用于實(shí)時(shí)性要求 高的場(chǎng)景中的圖像匹配方法。
[0006] 本發(fā)明是基于如下考慮：為了解決原SIFT算法運(yùn)行時(shí)間過(guò)長(zhǎng)，匹配率不高的問(wèn) 題，提出了一種改進(jìn)的SIFT算法。在原來(lái)經(jīng)典的SIFT算法的基礎(chǔ)上，引入了二維Mallat快 速小波變換算法，重建圖像的低頻成分，再對(duì)高斯金字塔組數(shù)進(jìn)行調(diào)整，減少降采樣次數(shù)， 最后通過(guò)優(yōu)化的RANSAC算法剔除誤匹配點(diǎn)。改進(jìn)后的算法不僅減少了匹配耗時(shí)，而且匹配 率也得到了提高。
[0007] 本發(fā)明基于小波變換的改進(jìn)的尺度不變特征匹配算法的技術(shù)方案如下：
[0008] (1)對(duì)待配準(zhǔn)的兩幅圖像進(jìn)行二維Mallat小波變換分解，得到圖像的低頻成分和 水平與垂直高頻成分，舍棄經(jīng)小波變換分解后的高頻成分，對(duì)圖像的低頻成分進(jìn)行重構(gòu)，得 到新的圖像；
[0009] (2)利用兩幅新圖像構(gòu)造尺度空間（DoG)，通過(guò)圖像與不同尺度的高斯差分卷積 核生成高斯金字塔，由于新圖像經(jīng)過(guò)小波變換，舍棄了部分信息，在構(gòu)建高斯差分金字塔 時(shí)，減少降采樣次數(shù)，比原始生成層數(shù)少一層，減少構(gòu)造尺度空間的時(shí)間；
[0010] (3)在DoG空間尋找關(guān)鍵點(diǎn)，把中間的檢測(cè)點(diǎn)和它同尺度的8個(gè)相鄰點(diǎn)和上下相鄰 尺度對(duì)應(yīng)的18點(diǎn)共26個(gè)點(diǎn)進(jìn)行比較，確保最終能夠獲得足夠多的關(guān)鍵點(diǎn)。
[0011] (4)由于DoG值對(duì)噪聲和邊緣比較敏感，在上面DoG尺度空間中檢測(cè)到局部極值點(diǎn) 還要經(jīng)過(guò)進(jìn)一步的檢驗(yàn)才能精確定位為特征點(diǎn)。通過(guò)擬合三維二次函數(shù)來(lái)精確確定關(guān)鍵點(diǎn) 的位置和尺度。
[0012] 其梯度值m(x, y)和方向Θ (X，y)的計(jì)算表達(dá)式為
【主權(quán)項(xiàng)】
1. 一種基于小波變換的改進(jìn)的尺度不變特征匹配算法，其特征在于對(duì)待配準(zhǔn)的兩幅圖 像進(jìn)行二維Mallat小波變換分解，得到圖像的低頻成分和水平與垂直高頻成分，舍棄經(jīng)小 波變換分解后的高頻成分，對(duì)圖像的低頻成分進(jìn)行重構(gòu)，得到新的圖像；利用兩幅新圖像構(gòu) 造尺度空間（DoG)，通過(guò)圖像與不同尺度的高斯差分卷積核生成高斯金字塔，由于新圖像經(jīng) 過(guò)小波變換，舍棄了部分信息，在構(gòu)建高斯差分金字塔時(shí)，減少降采樣次數(shù)，比原始生成層 數(shù)少一層，減少構(gòu)造尺度空間的時(shí)間；在DoG空間尋找關(guān)鍵點(diǎn)，把中間的檢測(cè)點(diǎn)和它同尺度 的8個(gè)相鄰點(diǎn)和上下相鄰尺度對(duì)應(yīng)的18點(diǎn)共26個(gè)點(diǎn)進(jìn)行比較，確保最終能夠獲得足夠多 的關(guān)鍵點(diǎn)。當(dāng)兩幅圖像的SIFT特征向量生成后，下一步采用關(guān)鍵點(diǎn)特征向量的歐式距離來(lái) 作為兩幅圖像中關(guān)鍵點(diǎn)的相似性判定度量。取樣本特征點(diǎn)和樣本特征點(diǎn)歐氏距離最近的特 征點(diǎn)，在這兩個(gè)特征點(diǎn)中，如果最近的距離除以次近的距離少于某個(gè)比例閾值，則接受這一 對(duì)匹配點(diǎn)。降低這個(gè)比例閾值，SIFT匹配點(diǎn)數(shù)目會(huì)減少，但更加穩(wěn)定。在計(jì)算特征點(diǎn)之間 的歐氏距離時(shí)，采用了 BBF算法來(lái)處理128維的特征向量。在對(duì)所有特征點(diǎn)進(jìn)行粗匹配之 后，使用RANSAC算法估計(jì)兩個(gè)圖像對(duì)之間的單位變換矩陣并將其作為幾何約束，進(jìn)而去除 一些誤匹配點(diǎn)，完成圖像之間的精確匹配，提高匹配效率。
2. 根據(jù)權(quán)利要求1所述的基于小波變換的改進(jìn)的尺度不變特征匹配算法，其特征是： 采用二維Mallat小波變換對(duì)圖像進(jìn)行分解與重構(gòu)，舍棄圖像的包含大量噪聲和少量有用 信息的高頻成分，僅對(duì)圖像的低頻成分進(jìn)行重構(gòu)。在構(gòu)造尺度空間時(shí)，由于高斯差分金字塔 的最后一層包含了很少的興趣點(diǎn)，對(duì)最終的匹配結(jié)果沒(méi)有太大的影響，而且經(jīng)過(guò)圖像小波 變換處理后包含的信息也減少一部分，所以可以減少降采樣次數(shù)，使高斯差分金字塔的層 數(shù)減少一層。在對(duì)圖像所有特征點(diǎn)進(jìn)行粗匹配后使用RANSAC算法估計(jì)兩個(gè)圖像對(duì)之間的 單位變換矩陣并將其作為幾何約束，進(jìn)而去除一些誤匹配點(diǎn)，完成圖像之間的精確匹配。
3. 根據(jù)權(quán)利要求1和2所述的基于小波變換的改進(jìn)的尺度不變特征匹配算法，其特征 在于：所述的二維Mallat小波變換對(duì)圖像進(jìn)行分解，舍棄圖像的高頻成分，只對(duì)圖像的低 頻成分進(jìn)行重構(gòu)。
4. 根據(jù)權(quán)利要求1和2所述的基于小波變換的改進(jìn)的尺度不變特征匹配算法，其特征 在于：在構(gòu)造尺度空間時(shí)，減少了降采樣次數(shù)，使高斯差分金字塔的層數(shù)減少一層，降低了 算法的冗余計(jì)算，提高了實(shí)時(shí)性。
5. 根據(jù)權(quán)利要求1和2所述的基于小波變換的改進(jìn)的尺度不變特征匹配算法，其特征 在于：使用RANSAC算法去除部分誤匹配點(diǎn)，提高了匹配的準(zhǔn)確性和精確性。
【專利摘要】為了解決SIFT算法運(yùn)行時(shí)間過(guò)長(zhǎng)，匹配率不高的問(wèn)題，本發(fā)明提出了一種改進(jìn)的SIFT算法。在原來(lái)經(jīng)典的SIFT算法的基礎(chǔ)上，引入了二維Mallat快速小波變換算法，重建圖像的低頻成分，再對(duì)高斯金字塔組數(shù)進(jìn)行調(diào)整，減少降采樣次數(shù)，最后通過(guò)優(yōu)化的RANSAC算法剔除誤匹配點(diǎn)。改進(jìn)后的算法不僅減少了匹配耗時(shí)，而且匹配率也得到了提高，優(yōu)于原SIFT算法。
【IPC分類】G06K9-62, G06K9-46, G06T7-00
【公開(kāi)號(hào)】CN104834931
【申請(qǐng)?zhí)枴緾N201510111168
【發(fā)明人】茅正沖, 王丹, 唐雨玉
【申請(qǐng)人】江南大學(xué)
【公開(kāi)日】2015年8月12日
【申請(qǐng)日】2015年3月13日