浅议网格基于SIFT特点提取与Delaunay三角网格剖分算法在图像匹配中研究
最后更新时间：2024-02-19
作者：用户投稿
本站原创
点赞:8771
浏览:25154
本站原创
点赞:8771
浏览:25154
论文导读：IFT算法的旋转和尺度不变性，提取图像的特征点并进行匹配。采用三角网格剖分进行特征点的精简，剔除不符合构网标准的特征点，并且保留原特征点的匹配信息。提高匹配速度和正确匹配的概率。关键词：图像匹配SIFT三角剖分1007-9416（2013）05-0153-021引言图像配准作为识别领域与图像处理的热门课题，一直为国内外
摘要：以遥感卫星图像作为研究的对象，利用SIFT算法的旋转和尺度不变性，提取图像的特征点并进行匹配。采用三角网格剖分进行特征点的精简，剔除不符合构网标准的特征点，并且保留原特征点的匹配信息。提高匹配速度和正确匹配的概率。
关键词：图像匹配 SIFT 三角剖分
1007-9416（2013）05-0153-02
1 引言
图像配准作为识别领域与图像处理的热门课题，一直为国内外学者所研究。而遥感图像配准当今已经成为图像处理领域研究的一个重要分支。遥感图像的特点是数据量大，重叠度高，针对遥感图像的图像匹配算法必须快速而准确。一序列遥感图像经过匹配后可拼接成一幅包含图像序列信息的、大视场的、清晰完整的新图像。这种遥感图像拼接技术的关键就在于图像配准，对于图像配准，通常情况下对待匹配图像重叠部分的一致性求解出图像的投影变换。目前针对遥感图像的配准方法，一般分为基于特征点的配准法，基于变换域的配准法[1-2]以及基于灰度的配准法。
2 基于SIFT特征点的图像配准算法
传统的SIFT算法是Did G.Lowe提出的基于尺度空间的图像局部特征描述算子，它对图像的缩放、旋转及仿射变换保持尺度不变性。SIFT算法又称提取尺度不变特征点的方法。对特征点的提取，本文采用SIFT算法[3]，在提取特征点之前，首先构造高斯差分DOG尺度空间，设图像的尺度空间定义为，可变尺度高斯函数和图像。则可以得到：
在用S自考论文www.7ctime.com
IFT算法提取特征点过程中，要把每一个特征采样点与其相邻点做比较，判断其与尺度域相邻点的大小。如图2.2所示，中间位置的点不仅要与同一尺度周围的点比较，还要与相邻尺度的点比较，如图2.1中标记的点，相邻点共有26个，如果这个点的灰度值比周围的26个灰度值都大或者都小，则该点就是极值点。
对于关键点，对应领域像素的梯度方向分布特性作为其对应关键点，找出相对应的方向，使该点具有旋转不变的特性。特征点方向的确定要考虑周围一个窗口内所有点，把最多点的方向作为主方向。对图像梯度值和对应的关系如下公式所示：
3 Delaunay三角网格剖分
三角剖分（Delaunay triangulated graph）是代数拓扑学里最基本的研究方法。我们把一个面剖开成一块块碎片，要求满足下面条件：（1）每块碎片都是一个三角形；（2）面上任何两个这样的三角形，要么不相交，要么恰好相交于一条公共边且不能同时交两条或两条以上的边。
Delaunay三角剖分算法相对来的说较多，本文采用Mat lab2008封装的Delaunay三角剖分算法，构网目的是为了精简特征点，在保证准确性的前提下，提高程序运行效率。构网方法：（1）将所有点存入一个点集。（2）利用SIFT算法提取特征点。（3）利用三角构网最大化最小角以及空圆特性对特征点进行三角网格剖分提出不符合构网法则的点。（4）将得到的n个点构成一个点集，利用输出的维矩阵构成三角网并画出。
4 基于三角剖分的配准算法
本文采用RANSAC[4]（随机抽样一致性）方法。RANSAC方法进行重复N次采样，找出错误匹配点最少的，且内点数最多的组合，并利用该组合求解出变换矩阵H，达到图像配准功能。
算法流程如下：随机抽取m个样本，每个样本里包含6个特征点，抽取样本的条件是：任意3点不共线，否则重新抽取。对选取的特征点用最小二乘法计算单适应矩阵，选定一个阀值d，计算图像点与匹配点之间的欧氏距离，小于d则选为内点并记录内点数。用内点数最多的一组计算变换矩阵H。实验证明采用RANSAC提纯后的特征匹配点计算变换矩阵，其匹配点是准确的，变换模型也是非常精确的。
5 结束语
本文改进了一种关于遥感图像的配准方法，在提取的SIFT特征点的基础上，通过Delaunay三角网剖分算法提出多余的特征点得到广泛而均匀分布的特征点，提高匹配速度与匹配精度。实验表明，本文方法对输入图像视角，光照变化较大情况下有较好的处理效果。
参考文献
Maes F，Collignon A，Vandermeulen D，etc.Multimodality image registration by maximization of mutual inf论文导读：.ACMCommunications，1981，24（6）：381-39
黄柏圣，许家栋. 基于特征点的合成孔径雷达复图像自动配准算法[J].计算机测量与控制200917（2）：399-401.
[3]骞森，朱剑英.基于改进的sift特征的图像双向匹配算法[J].机械科学与术.2007，（09）：1179-1182.
[4]M.A.Fischler，R.C.Bolles.Random sample consensus：A paradigm for model fitting with application to image analysis and automated cartography[J].ACM Communications，1981，24（6）：381-395.
摘要：以遥感卫星图像作为研究的对象，利用SIFT算法的旋转和尺度不变性，提取图像的特征点并进行匹配。采用三角网格剖分进行特征点的精简，剔除不符合构网标准的特征点，并且保留原特征点的匹配信息。提高匹配速度和正确匹配的概率。
关键词：图像匹配 SIFT 三角剖分
1007-9416（2013）05-0153-02
1 引言
图像配准作为识别领域与图像处理的热门课题，一直为国内外学者所研究。而遥感图像配准当今已经成为图像处理领域研究的一个重要分支。遥感图像的特点是数据量大，重叠度高，针对遥感图像的图像匹配算法必须快速而准确。一序列遥感图像经过匹配后可拼接成一幅包含图像序列信息的、大视场的、清晰完整的新图像。这种遥感图像拼接技术的关键就在于图像配准，对于图像配准，通常情况下对待匹配图像重叠部分的一致性求解出图像的投影变换。目前针对遥感图像的配准方法，一般分为基于特征点的配准法，基于变换域的配准法[1-2]以及基于灰度的配准法。
2 基于SIFT特征点的图像配准算法
传统的SIFT算法是Did G.Lowe提出的基于尺度空间的图像局部特征描述算子，它对图像的缩放、旋转及仿射变换保持尺度不变性。SIFT算法又称提取尺度不变特征点的方法。对特征点的提取，本文采用SIFT算法[3]，在提取特征点之前，首先构造高斯差分DOG尺度空间，设图像的尺度空间定义为，可变尺度高斯函数和图像。则可以得到：
在用S自考论文www.7ctime.com
IFT算法提取特征点过程中，要把每一个特征采样点与其相邻点做比较，判断其与尺度域相邻点的大小。如图2.2所示，中间位置的点不仅要与同一尺度周围的点比较，还要与相邻尺度的点比较，如图2.1中标记的点，相邻点共有26个，如果这个点的灰度值比周围的26个灰度值都大或者都小，则该点就是极值点。
对于关键点，对应领域像素的梯度方向分布特性作为其对应关键点，找出相对应的方向，使该点具有旋转不变的特性。特征点方向的确定要考虑周围一个窗口内所有点，把最多点的方向作为主方向。对图像梯度值和对应的关系如下公式所示：
3 Delaunay三角网格剖分
三角剖分（Delaunay triangulated graph）是代数拓扑学里最基本的研究方法。我们把一个面剖开成一块块碎片，要求满足下面条件：（1）每块碎片都是一个三角形；（2）面上任何两个这样的三角形，要么不相交，要么恰好相交于一条公共边且不能同时交两条或两条以上的边。
Delaunay三角剖分算法相对来的说较多，本文采用Mat lab2008封装的Delaunay三角剖分算法，构网目的是为了精简特征点，在保证准确性的前提下，提高程序运行效率。构网方法：（1）将所有点存入一个点集。（2）利用SIFT算法提取特征点。（3）利用三角构网最大化最小角以及空圆特性对特征点进行三角网格剖分提出不符合构网法则的点。（4）将得到的n个点构成一个点集，利用输出的维矩阵构成三角网并画出。
4 基于三角剖分的配准算法
本文采用RANSAC[4]（随机抽样一致性）方法。RANSAC方法进行重复N次采样，找出错误匹配点最少的，且内点数最多的组合，并利用该组合求解出变换矩阵H，达到图像配准功能。
算法流程如下：随机抽取m个样本，每个样本里包含6个特征点，抽取样本的条件是：任意3点不共线，否则重新抽取。对选取的特征点用最小二乘法计算单适应矩阵，选定一个阀值d，计算图像点与匹配点之间的欧氏距离，小于d则选为内点并记录内点数。用内点数最多的一组计算变换矩阵H。实验证明采用RANSAC提纯后的特征匹配点计算变换矩阵，其匹配点是准确的，变换模型也是非常精确的。
5 结束语
本文改进了一种关于遥感图像的配准方法，在提取的SIFT特征点的基础上，通过Delaunay三角网剖分算法提出多余的特征点得到广泛而均匀分布的特征点，提高匹配速度与匹配精度。实验表明，本文方法对输入图像视角，光照变化较大情况下有较好的处理效果。
参考文献
Maes F，Collignon A，Vandermeulen D，etc.Multimodality image registration by maximization of mutual inf论文导读：.ACMCommunications，1981，24（6）：381-39
5.上一页12
ormation[J]. IEEE Transactions on Medical Imaging，1997，16（2）：187-198.黄柏圣，许家栋. 基于特征点的合成孔径雷达复图像自动配准算法[J].计算机测量与控制200917（2）：399-401.
[3]骞森，朱剑英.基于改进的sift特征的图像双向匹配算法[J].机械科学与术.2007，（09）：1179-1182.
[4]M.A.Fischler，R.C.Bolles.Random sample consensus：A paradigm for model fitting with application to image analysis and automated cartography[J].ACM Communications，1981，24（6）：381-395.