一种图像匹配的sift算法
【技术领域】
[0001]本发明属于计算机算法领域，更具体地说，本发明涉及一种图像匹配的sift算法。
【背景技术】
[0002]SIFT匹配尺度不变特征转换)是一种电脑视觉的算法用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量，此算法由David Lowe在1999年所发表，2004年完善总结。其应用范围包含物体辨识、机器人地图感知与导航、影像缝合、3D模型建立、手势辨识、影像追踪和动作比对。局部影像特征的描述与侦测可以帮助辨识物体，SIFT特征是基于物体上的一些局部外观的兴趣点而与影像的大小和旋转无关。对于光线、噪声、些微视角改变的容忍度也相当高。基于这些特性，它们是高度显著而且相对容易擷取，在母数庞大的特征数据库中，很容易辨识物体而且鲜有误认。使用SIFT特征描述对于部分物体遮蔽的侦测率也相当高，甚至只需要3个以上的SIFT物体特征就足以计算出位置与方位。在现今的电脑硬件速度下和小型的特征数据库条件下，辨识速度可接近即时运算。SIFT特征的信息量大，适合在海量数据库中快速准确匹配。
【发明内容】
[0003]本发明所要解决的问题是提供一种对图像的复杂变形和光照
变化具有了较强的适应性，同时运算速度比较快，定位精度比较高的图像匹配的sift算法。
[0004]为了实现上述目的，本发明采取的技术方案为:
一种图像匹配的sift算法，包括如下步骤:
(O构建尺度空间，检测极值点，获得尺度不变性；
(2)特征点过滤并进行精确定位，剔除不稳定的特征点；
(3)在特征点处提取特征描述符，为特征点分配方向值；
(4)生成特征描述子，利用特征描述符寻找匹配点；
(5)以特征点为中心取16*16的邻域作为采样窗口；
(6)将采样点与特征点的相对方向通过高斯加权后归入包含8个bin的方向直方图；
(7)最后获得4*4*8的128维特征描述子；
(8)当两幅图像的Sift特征向量生成以后，就可以判定两幅图像中关键点的相似性度量；
(9)取图像I的某个关键点，通过遍历找到图像2中的距离最近的两个关键点，并判定为一对匹配点；
(10)在以上图片中画上标记，连接对应的匹配的点；
优选的，所述步骤⑴中检测极值点采用的是DOG算子。
[0005]优选的，所述步骤(2)中特征点过滤采用的重复特征点过滤，每个特征点过滤两次，对可疑特征点重复过滤三次。
[0006]优选的，所述步骤(5)中16*16的子区域，在处理梯度幅度时都进行了类似于高斯函数的加权处理。
[0007]优选的，所述步骤(8)中作为两幅图像关键点相似性判定度量的为关键点特征向量的欧式距离。
[0008]优选的，所述(9)中判定匹配点的方法是次近距离除以最近距离小于某个阙值。
[0009]有益效果:本发明提供了一种图像匹配的sift算法，SIFT是一种相似不变量，即对图像尺度变化和旋转是不变量。然而，由于构造SIFT特征时，在很多细节上进行了特殊处理，使得SIFT对图像的复杂变形和光照变化具有了较强的适应性，同时运算速度比较快，定位精度比较高，SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性；独特性好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配，多量性，即使少数的几个物体也可以产生大量的SIFT特征向量；高速性，经优化的SIFT匹配算法甚至可以达到实时的要求，可扩展性，可以很方便的与其他形式的特征向量进行联合。
【具体实施方式】
[0010]一种图像匹配的sift算法，包括如下步骤:
(O构建尺度空间，检测极值点，检测极值点采用的是DOG算子，获得尺度不变性；
(2)特征点过滤并进行精确定位，剔除不稳定的特征点，特征点过滤采用的重复特征点过滤，每个特征点过滤两次，对可疑特征点重复过滤三次；
(3)在特征点处提取特征描述符，为特征点分配方向值；
(4)生成特征描述子，利用特征描述符寻找匹配点；
(5)以特征点为中心取16*16的邻域作为采样窗口，16*16的子区域，在处理梯度幅度时都进行了类似于高斯函数的加权处理；
(6)将采样点与特征点的相对方向通过高斯加权后归入包含8个bin的方向直方图；
(7)最后获得4*4*8的128维特征描述子；
(8)当两幅图像的Sift特征向量生成以后，就可以判定两幅图像中关键点的相似性度量，作为两幅图像关键点相似性判定度量的为关键点特征向量的欧式距离；
(9)取图像I的某个关键点，通过遍历找到图像2中的距离最近的两个关键点，并判定为一对匹配点，判定匹配点的方法是次近距离除以最近距离小于某个阙值；
(10)在以上图片中画上标记，连接对应的匹配的点
本发明提供了一种图像匹配的sift算法，SIFT是一种相似不变量，即对图像尺度变化和旋转是不变量。然而，由于构造SIFT特征时，在很多细节上进行了特殊处理，使得SIFT对图像的复杂变形和光照变化具有了较强的适应性，同时运算速度比较快，定位精度比较高，SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性；独特性好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配，多量性，即使少数的几个物体也可以产生大量的SIFT特征向量；高速性，经优化的SIFT匹配算法甚至可以达到实时的要求，可扩展性，可以很方便的与其他形式的特征向量进行联合。
[0011]以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
【主权项】
1.一种图像匹配的Sift算法，其特征在于，包括如下步骤: (O构建尺度空间，检测极值点，获得尺度不变性； (2)特征点过滤并进行精确定位，剔除不稳定的特征点； (3)在特征点处提取特征描述符，为特征点分配方向值； (4)生成特征描述子，利用特征描述符寻找匹配点； (5)以特征点为中心取16*16的邻域作为采样窗口； (6)将采样点与特征点的相对方向通过高斯加权后归入包含8个bin的方向直方图； (7)最后获得4*4*8的128维特征描述子； (8)当两幅图像的Sift特征向量生成以后，就可以判定两幅图像中关键点的相似性度量； (9)取图像I的某个关键点，通过遍历找到图像2中的距离最近的两个关键点，并判定为一对匹配点； (10)在以上图片中画上标记，连接对应的匹配的点。
2.如权利要求1所述的图像匹配的sift算法，其特征在于:所述步骤(I)中检测极值点采用的是DOG算子。
3.按照权利要求1所述的一种基于粒子群优化的SAR图像分割方法，其特征在于:所述步骤(2)中特征点过滤采用的重复特征点过滤，每个特征点过滤两次，对可疑特征点重复过滤三次。
4.如权利要求1所述的图像匹配的sift算法，其特征在于:所述步骤(5)中16*16的子区域，在处理梯度幅度时都进行了类似于高斯函数的加权处理。
5.如权利要求1所述的图像匹配的sift算法，其特征在于:所述步骤(8)中作为两幅图像关键点相似性判定度量的为关键点特征向量的欧式距离。
6.如权利要求5所述的图像匹配的sift算法，其特征在:所述步骤(9)中判定匹配点的方法是次近距离除以最近距离小于某个阙值。
【专利摘要】本发明公开了一种图像匹配的sift算法，SIFT是一种相似不变量，即对图像尺度变化和旋转是不变量。然而，由于构造SIFT特征时，在很多细节上进行了特殊处理，使得SIFT对图像的复杂变形和光照变化具有了较强的适应性，同时运算速度比较快，定位精度比较高，SIFT特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定程度的稳定性；独特性好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配，多量性，即使少数的几个物体也可以产生大量的SIFT特征向量；高速性，经优化的SIFT匹配算法甚至可以达到实时的要求，可扩展性，可以很方便的与其他形式的特征向量进行联合。
【IPC分类】G06K9-46
【公开号】CN104866851
【申请号】CN201510091082
【发明人】胡剑锋
【申请人】江西科技学院
【公开日】2015年8月26日
【申请日】2015年3月1日