雒偉群　高屹

摘 要：針對(duì)彩色壁畫(huà)圖像匹配時(shí)，SIFT算法忽略顏色信息導(dǎo)致誤匹配的問(wèn)題，提出一種基于SIFT和HSI的圖像匹配算法。首先對(duì)彩色壁畫(huà)圖像提取SIFT特征點(diǎn)與特征向量，然后對(duì)每個(gè)特征點(diǎn)提取HSI彩色特征，最后按定義的相似性度量公式計(jì)算兩個(gè)特征點(diǎn)之間的距離，確定二者是否匹配。實(shí)驗(yàn)結(jié)果表明：文章采用的算法比僅提取單一特征，更能有效降低誤匹配率，定義的形似性度量公式比單純的歐式距離計(jì)算法稍快一些。

關(guān)鍵詞：SIFT；相似性度量；圖像匹配

引言

在計(jì)算機(jī)視覺(jué)領(lǐng)域，圖像匹配仍然是當(dāng)前研究的熱點(diǎn)問(wèn)題?；谔卣鞯钠ヅ浞椒╗1]，因?yàn)楦鶕?jù)圖像中趨于穩(wěn)定的少量特征進(jìn)行匹配，使得運(yùn)算速度快、匹配效果好，所以成為目前研究最多、應(yīng)用最廣泛的一種方法。但是，這種方法需要在圖像間進(jìn)行遍歷性的匹配運(yùn)算，存在計(jì)算量大，且精度不高的問(wèn)題。

1999年，Lowe提出了SIFT（Scale Invariant Feature Transform）算法[2]，該算法利用高斯差分在圖像的多尺度空間中快速求解高斯拉普拉斯空間中的極值點(diǎn)，加快了特征提取的速度，提取的SIFT特征對(duì)于圖像平移、縮放、旋轉(zhuǎn)具有不變性，并且對(duì)于仿射變換、視覺(jué)變化、光照變化有較強(qiáng)的穩(wěn)定性和很好的匹配魯棒性，所以被廣泛應(yīng)用于計(jì)算機(jī)視覺(jué)的圖像匹配、圖像檢索和模式識(shí)別等方面[3，5]。雖然SIFT 算法具有上述的優(yōu)點(diǎn)，但該算法首先要將彩色圖像灰度化，僅利用圖像的灰度信息和特征點(diǎn)的局部鄰域信息，忽略了圖像的顏色信息，導(dǎo)致不能識(shí)別圖像內(nèi)具有相似結(jié)構(gòu)的特征點(diǎn)。

文章提出基于SIFT的多特征相似性度量算法，首先對(duì)彩色壁畫(huà)圖像提取SIFT特征點(diǎn)與特征向量，然后對(duì)每個(gè)特征點(diǎn)提取HSI彩色特征，最后按定義的相似性度量公式計(jì)算兩個(gè)特征點(diǎn)之間的距離，確定二者是否匹配。

1 特征提取

1.1 SIFT特征提取

尺度空間極值點(diǎn)的檢測(cè)采用DOG方法，將一個(gè)像素點(diǎn)與它相鄰的26個(gè)點(diǎn)相比較，如果是最大值或最小值，就作為圖像中的一個(gè)特征點(diǎn)。以特征點(diǎn)為中心，在16×16的鄰域內(nèi)，將采樣點(diǎn)與特征點(diǎn)的相對(duì)方向通過(guò)高斯加權(quán)后，分別歸入8個(gè)方向的梯度方向直方圖，最后獲得4×4×8的128維特征向量來(lái)描述一個(gè)SIFT特征點(diǎn)。

SIFT算法的兩個(gè)關(guān)鍵步驟是關(guān)鍵點(diǎn)檢測(cè)和關(guān)鍵點(diǎn)描述。在關(guān)鍵點(diǎn)檢測(cè)階段，大多是利用兩種不同的方法，即尺度不變檢測(cè)和致密采樣。文章采用致密采樣進(jìn)行特征檢測(cè)，理由如下。一方面，尺度不變檢測(cè)器在描繪均勻信息時(shí)是低效的，而壁畫(huà)圖像中包含著這樣的信息。另一方面，在特征匹配時(shí)，通過(guò)致密采樣得到的關(guān)鍵點(diǎn)優(yōu)于隨機(jī)抽樣和尺度不變的探測(cè)器[6]。

SIFT算法首先將彩色圖像灰度化，提取的特征關(guān)注圖像的梯度信息，忽視了圖像的彩色信息。文章對(duì)彩色圖像提取特征，實(shí)驗(yàn)發(fā)現(xiàn)圖像的誤匹配點(diǎn)中，存在著彩色信息不一致的問(wèn)題。因此，文章對(duì)圖像既提取SIFT特征，又提取顏色特征，對(duì)多特征融合設(shè)計(jì)相似性度量方案，可以減少誤匹配率，提高匹配效果。

1.2 顏色特征提取

為了解決誤匹配中存在的SIFT梯度信息一致，彩色信息不一致的問(wèn)題，我們?cè)趯?duì)特征點(diǎn)提取SIFT特征后，再次提取其顏色特征。由于RGB顏色模型只考慮圖像的亮度信息，而HSI顏色模型全面考慮圖像的亮度和顏色信息，因而在開(kāi)發(fā)基于彩色描述的圖像處理算法中，HSI模型更為有用[7]，文章提取HSI彩色特征。

HSI顏色模型中，H表示色調(diào)，指的是人的感官對(duì)不同顏色的感受，描述純色的屬性；S表示飽和度，描述的是顏色的純度；I表示強(qiáng)度，描述的是顏色的明亮程度。

常用的最近鄰方法原理是，對(duì)于基準(zhǔn)圖像中的每個(gè)特征點(diǎn)，在待匹配圖像中尋找距離最近的特征點(diǎn)，然后形成一組匹配對(duì)。因?yàn)樽罱彨@得的匹配對(duì)中存在大量的誤匹配，所以L(fǎng)owe在論文[8]中對(duì)于基準(zhǔn)圖像中的每個(gè)特征點(diǎn)，在待匹配圖像中尋找距離最近和次近的兩個(gè)特征點(diǎn)，當(dāng)這兩個(gè)距離的比值小于預(yù)設(shè)的閾值時(shí)，才認(rèn)為找到了一組正確的匹配對(duì)，這樣消除了大量的誤匹配，取得了不錯(cuò)的匹配效果。文章設(shè)閾值為thr，且0

3 實(shí)驗(yàn)結(jié)果及分析

為了觀察算法性能，我們從互聯(lián)網(wǎng)上尋找了兩張有重疊部分的壁畫(huà)圖片進(jìn)行了實(shí)驗(yàn)。圖像如圖1所示。采用Matlab7.7.0編程，運(yùn)行在AMD A6-3400M CPU 1.4GHZ和4G內(nèi)存的PC機(jī)上，Windows 7.0操作系統(tǒng)。

實(shí)驗(yàn)首先尋找圖像的SIFT特征點(diǎn)，然后提取特征點(diǎn)的SIFT特征和HSI特征，再對(duì)圖1a和圖1b按公式（9）進(jìn)行相似性度量，再分別用歐式距離和卡方距離作為相似性度量，并且thr分別選用0.5，0.6，0.7，0.8進(jìn)行特征對(duì)提純。結(jié)果表明，匹配過(guò)程在使用同樣的閾值時(shí)，三種相似性度量方法中，所得到的匹配正確率相同，而匹配時(shí)間不同，按公式（9）計(jì)算的距離稍快一些。隨著thr值的增大，所得匹配對(duì)數(shù)減少，當(dāng)thr取值為0.6時(shí)，具有較好的匹配結(jié)果。圖2為thr取值為0.6時(shí)的匹配結(jié)果。

另外，實(shí)驗(yàn)同時(shí)表明，對(duì)于圖像分別提取SIFT特征和HSI特征，如果僅按SIFT特征或HSI特征計(jì)算相似性，所得到的匹配正確率都低于兩個(gè)特征按公式（9）計(jì)算相似性的情況。

因此，對(duì)圖像提取SIFT特征和HSI特征，按我們定義的相似性度量計(jì)算方法，確實(shí)提高了圖像匹配的效率。

4 結(jié)束語(yǔ)

文章采用的算法對(duì)彩色壁畫(huà)圖像同時(shí)提取SIFT特征和HIS彩色特征，有效地去除了梯度信息一致而彩色信息不一致產(chǎn)生的誤匹配。通過(guò)定義的相似性度量公式，在計(jì)算兩個(gè)特征點(diǎn)之間是否匹配時(shí)，速度更快一些。由于SIFT 算法計(jì)算量大，算法復(fù)雜，提高圖像匹配的實(shí)時(shí)性，將是下一步的研究工作。

參考文獻(xiàn)

[1]ZHU Q，WU B，XU Z.Seed point selection method for triangle constrained image matching propagation[J].IEEE Geoscience and Remote Sensing Letters，2006，3（2）：207-211.

[2]LOWE D G.Object recognition from local scale-invariant feature[C]// Proc.the Seventh IEEE International Conference on Computer Vision.Corfu，Greece： IEEE Press，1999：1150-1157.

[3]張書(shū)真，宋海龍，向曉燕，等.采用快速SIFT算法實(shí)現(xiàn)目標(biāo)識(shí)別[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2010，19（6）：82-85.

[4]王瑞瑞，馬建文，陳雪.多傳感器影像配準(zhǔn)中基于虛擬匹配窗口的SIFT算法[J].武漢大學(xué)學(xué)報(bào)（信息科學(xué)版），2011，36（2）：163-166.

[5]鐘金琴，檀結(jié)慶，李瑩瑩，等.基于二階矩的SIFT特征匹配算法[J].計(jì)算機(jī)應(yīng)用，2011，31（1）：29-32.

[6]K.Mikolajczyk，C.Schmid. A performance evaluation of local descriptors [J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2005，27（10）：1615-1630.

[7]何川.高壓輸電線(xiàn)路視頻監(jiān)控技術(shù)研究[D].北京：北京交通大學(xué)，2012.

[8]LOWE D G.Distinctive image features from scale-invariant key points [J]. International Conference of Computer Vision，2004，60（2）：90-110.

作者簡(jiǎn)介：雒偉群（1969-），男，陜西禮泉人，碩士，教授，研究方向?yàn)閳D像處理，計(jì)算機(jī)視覺(jué)。