ValueEngineering
搜索空间从二维降低到一维,随后计算多维向量之间的欧式距离,设定阈值判决匹配点,引入双向匹配技术降低误匹配率。
2基于尺度不变特征的Harris角点提取
针对经典Harris角点检测算子对尺度比较敏感的这一缺点,以尺度空间为基础从空间域和尺度域来确定特征点从而使改进的检测算子具有特殊的尺度不变性,具体的就是把两个域中的极值点确定为角点,这样检测到的角点在具有合适参数的情况下能提高稳定
(1)所示:性。文章中改进的Harris检测算子如式
x,y,σl,σD2M=u2=
2
2
2
2
2
2
2
2
2l
D
D
·3·
征点时,采用立体视觉理论中的极线约束。这样就将搜索空间从整
副图像的二维空间降低到对应极线上的一维空间,从而减少了搜索时间,提高了算法的效率。随后的相似性度量采用多维空间向量的欧氏距离来作为匹配强度准则,欧式距离定义如式(5)所示:
2i=1,d=sqrt22,…nxi1-xi22∑12
n
2
(5)
xi2其中xi1表示基准图像上某个点的特征向量的第i维元素值,
表示配准图像上某个点的特征向量的第i维元素值。具体的匹配流程可以概述如下:
①取标准图像中的特征点Pl,在待匹配图像中找出与其欧氏距茚-2/2σ-2/2σ茚u+v2u+v2茚2茚
茚茚IxIy茚eI茚e离最近的前两个特征点Pr1和Pr2,如果这两个特征点中最近的距离-2/2σ2u+v2茚x茚茚茚σD×e(1)茚
茚茚-2/2σ-2/2σ2Dmin除以次近的距离Pcmin小于匹配阈值,则表示标准图像中的这个u+v2u+v2茚茚茚茚II茚茚eIey茚xy茚
特征点Pl与待匹配图像中欧氏距离最近的特征点Pr1匹配。
Iy分别代表图像在x和y方向上的偏导数,式中的Ix、σl表示的②以待匹配图像中Pr1为特征点,重复步骤①的过程,求取标准
′σD表示的是微分尺度且σl=sσD,其中s为一个不大于是积分尺度,
图像中Pr1的候选匹配点Pl。
茚表示的是对函数进行卷积运算。1的常数,角点的定义跟自相关矩′
③如果P和P则Pl和Pr1匹配成功,否则弃之。ll是相同点,当某点的M求解得到两个足够大的特征值λ1阵M的特征值有关,
重复这个流程,直到匹配完成。和λ2时,此点就是角点。Harris用响应函数来对角点进行更专业的
5实验结果与分析
定义,相应函数如式(2)所示:
为了验证文中算法的有效性,在VC平台上执行算法,在相同2
R=Det(M)-kTr(M)(2)的硬件条件下,文中算法和经典算法分别对采集到的图像对
(M)=λ1λ2为矩阵M的迹,Tr=λ1+λ2为矩阵M的行列desktop进行匹配时,式中的Det图3显示了图像匹配结果。
式,k是一个常数,通常取0.04~0.06,这样角点就是函数R取得局部极大值时的点。改进的Harris检测算子对M增加了尺度适应的处理,这是相对Harris提出的检测算子不同的地方,这样改进的优点是不仅能够精确的提取小尺度图像的角点而且能够提取到丰富的大尺度图像的角点,同时存在于尺度空间以及二维图像中的角点也可以检测出来。
3改进的基于SIFT的特征描述子
圆具有很好的旋转不变性,利用圆来构造SIFT特征描述符[6],这样生成的特征描述子本身就具有很好的抗旋转能力,就不需要给关键点分配主方向了。新描述符的具体构造如下:以关键点为中心,
表1反映了运用两种算法得到的匹配结果的精度与执行时间。同一圆环内的像素在图像旋转提取一个半径为8的同心圆环区域。
后只有像素位置发生改变,而像素其它的相对信息基本保持不变。从表中可以看出基于Harris和SIFT的特征匹配算法不仅能够提高
匹配精度而且能够提高匹配的速度。对每个像素计算梯度的模值和方向,分别如式(3)和式(4)所示:
2
2
2
2
2
2
D
D
茚m(x,y)=()L(x+1,y)-L(x-1,y))+(L(x,y+1)-L(x,y-1))茚(3
2
2
1/2
表1本文算法和经典算法的结果比较
图像对

desktop
大小

/像素640×512
误匹配率%
经典算法本文算法10.777.72
执行时间/ms
经典算法本文算法68374954
θ(x,y)=tan{[L(x,y+1)-L(x,y-1)][L(x+1,y)-L(x-1,y)]-1}(4)
参照SIFT算法里面的方法计算并统计出每个同心圆内8个方
第一个圆圈的8个梯度累加值排序后作为第1到向的梯度累加值。
第8个元素,第二个圆圈的8个梯度累加值排序后作为第9到第16个元素,以此类推。8个同心圆共有8×8即64个元素,这个1*64的向量就定义为关键点的特征描述符。最后将该向量进行归一化处理,可进一步减少光照变化的影响。在一定误差范围内,这个特征描述子就具有很好的抗旋转、抗光照性能。新的描述符本身就具有抗旋转能力,不需要通过将局部区域旋转来获得描述符的旋转不变
进一步减性,并且将原有特征描述向量的维数从128维降至64维,
少了算法的复杂度,缩短了后续匹配时间。
-1
6结论
文章提出的基于Harris和SIFT的特征匹配算法,有效的集成了基于尺度不变特征的Harris特征检测算法和改进的SIFT描述子的特性,克服了传统局部特征匹配算法对图像的大小和旋转敏感的不足。实验结果有较高的准确率和较好的时效性。
参考文献:
4特征匹配
对于标准图像中的特征点,在待匹配图像中搜索与之匹配的特
[1]KnopsZF,MaintzJBA,ViergeverMA,etal.Normalizedmutual
informationbasedregistrationusingk-meansclusteringandshadingcorrection[J].MedicalImageAnalysis,2006,10(3):432-439.
[2]VilleO,JanneH.Imageregistrationusingblur-in-variantphasecorrelation[J].IEEESignalProcessingLetters,2007,14(7):449-452.
[3]LuccheseL,LeorinS,CortelazzoGM.Estimationoftwo-dimensionalaffinetransformationsthroughpolarcurvematchinganditsapplicationtoimagemosaick-ingandremote-sensingdataregistration[J].IEEETransactionsonImageProcessing,2006,15(10):3008-3019.
[4]MikolajczykK,SchmidC.Scale&affineinvariantinterestpointdetectors[J].InternationalJournalofComputerVision,2004,60(1):63-86.
[5]LoweDG.DistinctiveImageFeaturesfromScale-InvariantKey-points[J].InternationalJournalofComputerVision,2004,60(2):91-110.
赵宇明.基于SIFT特征描述子的立体匹配算法[J].微计算机[6]宰小涛,
信息,2007,23(8):285-287.
? 2? 价值 工程 基于Har和SFrisI T的特征 匹配算法 Fete acngAlortm sd n ri nd FT aursMthi gihBaeoHarsaSI 罗桂 娥LoGue李鹏Legu i;in P( 中南大 学 电子...
基于Harris和SIFT的特征匹配算法_罗桂娥_计算机软件及应用_IT/计算机_专业资料 暂无评价0人阅读0次下载举报文档 基于Harris和SIFT的特征匹配算法_罗桂娥_计算机...
基于Harris与Sift算法的图像匹配方法_信息与通信_工程科技_专业资料。采用Harris 角点检测算法进行图像特征检测, 采用Sift 算法中的特征描述方法进行图像特征描述, ...
提出了一种基于SIFT(scaleinvariant keypoints)和Harris—Affine(H—A)互 补不变特征匹配的自动配准算法.算法应用SIFT和H—A两种具有互补特性的局部不变特征,根据...
关于角点的提取和匹配方法很多,例如SUSAN算法、MIC 算法,还有效果比较好的Harris...在此基础上提出了 一种基于尺度空间的特征匹配算法——SIFT (Scale Invariant ...
基于Harris与Sift算法_信息与通信_工程科技_专业资料。基于Harris与Sift算法...[o 张羽 , 丹 ,王玉良.一种 改进 的快 速 sF 特征匹配算法 [] 1] 朱...
4、分析了Harris角点与SIFT特征的提取及初匹配的相关原理及 过程,在引入RANSAC方法、P.H算法及三角形约束的基础上,提 出了一种基于Harris角点与SIFT特征的近景...
基于特征匹配的算法_数学_自然科学_专业资料。基于特征的匹配 ? 一. 特征匹配...SIFT算法 ? 1.3 仿射不变特征检测 ? Harris/Hessian Affine 给定一组由...
基于SIFT特征描述子的立体匹配算法_宰小涛_数学_自然科学_专业资料。您的论文...本文算法首先对左图进行 特征点提取,且分别采用了Harris和SUSAN两种不同的特征 ...
基于Harris_Affine和SIFT特征匹配的图像自动配准_自然科学_专业资料。第36卷 8...1 SIF T 和 H2A 互补不变特征检测与描述 思想增强了算法抗噪声的能力 , ...
热门文档