CN104182930A - Sift图像快速匹配的尺寸预处理方法 - Google Patents
Sift图像快速匹配的尺寸预处理方法 Download PDFInfo
- Publication number
- CN104182930A CN104182930A CN201410407096.3A CN201410407096A CN104182930A CN 104182930 A CN104182930 A CN 104182930A CN 201410407096 A CN201410407096 A CN 201410407096A CN 104182930 A CN104182930 A CN 104182930A
- Authority
- CN
- China
- Prior art keywords
- size
- images
- image
- matching
- small
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Processing (AREA)
Abstract
一种SIFT图像快速匹配的尺寸预处理方法,其特征是当有M对缩放比例相近的大尺寸图像和小尺寸图像进行匹配时,以一对图像中景物相同部分分辨率尽可能相等为原则,选择一对原始图像做预匹配,确定大尺寸图像的缩小比例。之后,或按照该缩小比例将后续M-1幅大尺寸图像在匹配前缩小,或利用实时更新的缩小比例将下一幅大尺寸图像在匹配前缩小。除预匹配之外,其余图像匹配的速度随着大尺寸图像的缩小而提升,而匹配的性能并未下降。本发明便于与其他SIFT改进算法相结合,以得到更快的匹配速度。
Description
技术领域
本发明涉及计算机视觉领域,特别是涉及一种图像匹配的快速方法。
背景技术
图像匹配在视觉导航、目标定位、识别与跟踪、遥感图像处理、图像检索、立体视觉测距和三维重建等应用上不可或缺,故已成为计算机视觉领域的研究热点之一。SIFT(scale invariant feature transform)是一种著名的图像匹配算法,由D.G.Lowe于1999年提出,2004年完善。SIFT算法的突出优点是具有尺度、旋转、光照等不变性。换句话说,SIFT能够实现具有不同尺度、不同旋转参数、不同光照强度的异源图像匹配。
然而,运行速度慢是SIFT算法的一个公认问题。为此,许多学者给出了各具特色的改进方案,但鲜有涉及预处理环节。众所周知,在能够匹配的条件下,两幅待匹配图像的尺寸越小,图像匹配的速度越快。所以,在匹配前对图像做尺寸缩小预处理是提高匹配速度的一种途径。然而,在实际应用中,如果同时缩小两幅待匹配图像,往往存在着降低匹配性能的风险,使得原本能够匹配的两幅图像失去匹配关系。尤其当两幅待匹配图像的尺寸不同时,小尺寸图像的缩小意味着特征点的减少,进而导致匹配点的减少。当匹配点数少于一定阈值时,图像匹配失败。
发明内容
本发明的目的在于,针对存在对应景物但对应部分分辨率不同(即尺寸不同)的两幅待匹配图像,给出一种大尺寸图像的预缩小方法,一方面使图像匹配时间得以减少,另一方面使图像匹配性能得以保持。
本发明的技术方案是,当有M对具有相近缩放比例的大尺寸图像和小尺寸图像进行匹配时,在大批量进行匹配之前,以两幅图像中景物相同部分分辨率尽可能相等为原则,通过选择一对原始图像做预匹配,确定大尺寸图像的缩小比例。之后,按照该缩小比例将后续M-1幅大尺寸图像在匹配前做缩小预处理。具体步骤如下:
第一步,基于SIFT算法进行一组原始尺寸的大尺寸图像和小尺寸图像匹配,即图像预匹配。如果M幅大尺寸图像是序列图像,则选取第一对原始图像进行预匹配。
第二步,从所有匹配的特征点对中随机选取两对,如图1中的A-A′和B-B′,计算大尺寸图像中特征点A和B之间的距离l,以及小尺寸图像中对应特征点A′和B′之间的距离l′,得到第一个缩小比例:
r1=l′/l
第三步,重复第二步N-1次,得到N-1个缩小比例r2,…,rN。N可取3~10。
第四步,求取N个缩小比例的平均值,得到最终的大尺寸图像缩小比例:
r=(r1+r2+…+rN)/N
第五步,在后续的M-1次图像匹配任务中,先将每幅大尺寸图像缩小到原来的r倍(图像的宽和高均缩小到原来的r倍),然后再和对应的小尺寸图像进行匹配。
在上述尺寸预处理中,第一次预匹配所获得的缩小比例r与后续某些图像对的实际缩小比例之间可能存在较大偏差。如果M对缩放比例相近的大尺寸图像和小尺寸图像是序列图像,可采用缩小比例跟踪校正策略消除该偏差,即在第k+1次匹配时,采用第k次的匹配结果更新缩小比例r,k=1,…,M-1,具体如下:
步骤1:令k=1,r=1,基于SIFT算法进行第一对原始尺寸的大尺寸图像和小尺寸图像预匹配。
步骤2:从第k对图像的所有匹配特征点对中随机选取两对计算缩放比例,k=1时,缩放比例=小尺寸图像两特征点间距离/大尺寸图像两特征点间距离;k>1时,缩放比例=小尺寸图像两特征点间距离/缩小的大尺寸图像两特征点间距离,重复该做法N次(N=3~10),共得到N个缩放比例r1,…,rN,求取其平均值r′=(r1+r2+…+rN)/N,进而得到更新的大尺寸图像缩小比例r=r×r′。
步骤3:令k=k+1。
步骤4:将第k幅大尺寸图像缩小到原来的r倍,然后再和第k幅小尺寸图像进行匹配。
步骤5:若k=M,停止匹配过程。否则,转到第二步。
因为缩放比例的计算时间较之图像匹配时间可以忽略不计,所以缩小比例的跟踪校正并不影响匹配速度的提升。
本发明所达到的效果和益处是,除了第一次图像预匹配的速度保持不变之外,其余图像匹配的速度都将随着大尺寸图像的缩小而提升。同时,图像匹配的性能并未下降。其原因有二,一是缩小后的大尺寸图像与小尺寸图像在匹配内容上具有近似相等的分辨率,在尺度空间上的匹配对应关系也变得更加明确;二是本专利中大尺寸图像的高斯模糊程度较小,图像的细节特征保留得更好。以一幅大尺寸航拍图(1024×1024)和一幅小尺寸Google Earth图(640×640)为例,见图2。航拍图缩小前(r=1),匹配率=1.31%(总特征点数=7883,匹配点数=103),匹配时间为11.8s(计算机CPU为E6550,主频2.34GHz,内存3.25GB)。航拍图缩小后(r=0.23),匹配率=15.99%(总特征点数=613,匹配点数=98),匹配时间为4.6s。可见,航拍图缩小后,匹配速度约提升为原来的3倍,但匹配点数基本不变,匹配率上升了12倍。需要说明的是,本发明处于图像预处理环节,便于与其他的SIFT改进算法相结合,以得到更加快速的匹配速度。
附图说明
图1是基于图像预匹配确定大尺寸图像缩小比例的示意图。
图2是一幅大尺寸航拍图和一幅小尺寸Google Earth图的预匹配示意图。
具体实施方式
下面结合技术方案和图2,详细叙述本发明的一个具体实施例。
现有100幅大尺寸航拍图(1024×1024)和100幅小尺寸Google Earth图(640×640),每对图像中相同景物具有相近的缩放比例,其中第一组图像对如图2所示。
航拍图和Google Earth图的来源不同,但存在共同景物,如图2中的广场部分。以下是本发明的图像匹配步骤:
第一步,基于SIFT算法进行第一组图像对(即图2中两幅图像)的预匹配,得到103对匹配的特征点。
第二步,从103对匹配的特征点中随机选取两对,如图2中的A-a与B-b,根据这些特征点的坐标(见表1),计算航拍图中特征点A和B之间的距离lAB,以及Google Earth图中特征点a和b之间的距离lab,得到第一个缩小比例:
r1=lab/lAB≈0.23147
其中,lpq表示点p与点q之间的距离。设p点坐标为(xp,yp),q点坐标为(xq,yq),则
第三步,重复第二步2次(N=3),分别随机选取另外四对匹配的特征点C-c与D-d,以及E-e与F-f,计算得到第二个和第三个缩小比例:
r2=lcd/lCD≈0.22993
r3=lef/lEF≈0.23462
第四步,求取三个缩小比例的平均值,得到最终的航拍图缩小比例:
r=(r1+r2+r3)/3≈0.23
第五步,依次进行后续的99次图像匹配任务。每次匹配前,先将航拍图的尺寸缩小到原尺寸的0.23倍,然后再和对应的Google Earth图进行图像匹配。
表1六对匹配的特征点坐标与缩小比例
Claims (3)
1.一种SIFT图像快速匹配的尺寸预处理方法,其特征是,当有M对具有相近缩放比例的大尺寸图像和小尺寸图像进行匹配时,在大批量进行匹配之前,以两幅图像中景物相同部分分辨率尽可能相等为原则,通过选择一对原始图像做预匹配,确定大尺寸图像的缩小比例;之后,按照该缩小比例将后续M-1幅大尺寸图像在匹配前做缩小预处理;具体步骤如下:
第一步,基于SIFT算法进行一组原始尺寸的大尺寸图像和小尺寸图像预匹配;如果M幅大尺寸图像是序列图像,选取第一对原始图像进行预匹配;
第二步,从所有匹配的特征点对中随机选取两对,计算得到第一个缩小比例r1=小尺寸图像两特征点间距离/大尺寸图像两特征点间距离;
第三步,重复第二步N-1次,得到N-1个缩小比例r2,…,rN;
第四步,求取N个缩小比例的平均值,得到最终的大尺寸图像缩小比例:
r=(r1+r2+…+rN)/N
第五步,在后续的M-1次图像匹配任务中,先将每幅大尺寸图像缩小到原来的r倍,再和对应的小尺寸图像进行匹配。
2.根据权利要求1所述的SIFT图像快速匹配的尺寸预处理方法,其特征是,如果M对缩放比例相近的大尺寸图像和小尺寸图像是序列图像,采用缩小比例跟踪校正策略,在第k+1次匹配时,采用第k次的匹配结果更新缩小比例r,k=1,…,M-1,消除第一次预匹配所获得的缩小比例与后续某些图像对的实际缩小比例之间可能存在的偏差;具体如下:
步骤1:令k=1,r=1,基于SIFT算法进行第一对原始尺寸的大尺寸图像和小尺寸图像预匹配;
步骤2:从第k对图像的所有匹配特征点对中随机选取两对计算缩放比例,k=1时,缩放比例=小尺寸图像两特征点间距离/大尺寸图像两特征点间距离;k>1时,缩放比例=小尺寸图像两特征点间距离/缩小的大尺寸图像两特征点间距离,重复该做法N次,共得到N个缩放比例r1,…,rN,求取其平均值r′=(r1+r2+…+rN)/N,得到更新的大尺寸图像缩小比例r=r×r′;
步骤3:令k=k+1;
步骤4:将第k幅大尺寸图像缩小到原来的r倍,再和第k幅小尺寸图像进行匹配;
步骤5:若k=M,停止匹配过程;否则,转到第二步。
3.根据权利要求1或2所述的SIFT图像快速匹配的尺寸预处理方法,其特征是,缩放比例的计算次数N取3~10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410407096.3A CN104182930B (zh) | 2014-08-16 | 2014-08-16 | Sift图像快速匹配的尺寸预处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410407096.3A CN104182930B (zh) | 2014-08-16 | 2014-08-16 | Sift图像快速匹配的尺寸预处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104182930A true CN104182930A (zh) | 2014-12-03 |
CN104182930B CN104182930B (zh) | 2017-10-13 |
Family
ID=51963949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410407096.3A Active CN104182930B (zh) | 2014-08-16 | 2014-08-16 | Sift图像快速匹配的尺寸预处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104182930B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097093A (zh) * | 2019-04-15 | 2019-08-06 | 河海大学 | 一种异源图像精确匹配方法 |
CN111179174A (zh) * | 2019-12-27 | 2020-05-19 | 成都品果科技有限公司 | 一种基于人脸识别点的图像拉伸方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100074530A1 (en) * | 2008-09-25 | 2010-03-25 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method and program |
US20100183244A1 (en) * | 2009-01-22 | 2010-07-22 | Jin-Sheng Gong | Image-scaling-down method and image processing apparatus |
CN102509287A (zh) * | 2011-10-12 | 2012-06-20 | 西安理工大学 | 针对静止目标的基于经纬度定位和图像配准的查找方法 |
CN103729654A (zh) * | 2014-01-22 | 2014-04-16 | 青岛新比特电子科技有限公司 | 基于改进sift算法的图像匹配检索*** |
-
2014
- 2014-08-16 CN CN201410407096.3A patent/CN104182930B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100074530A1 (en) * | 2008-09-25 | 2010-03-25 | Canon Kabushiki Kaisha | Image processing apparatus, image processing method and program |
US20100183244A1 (en) * | 2009-01-22 | 2010-07-22 | Jin-Sheng Gong | Image-scaling-down method and image processing apparatus |
CN102509287A (zh) * | 2011-10-12 | 2012-06-20 | 西安理工大学 | 针对静止目标的基于经纬度定位和图像配准的查找方法 |
CN103729654A (zh) * | 2014-01-22 | 2014-04-16 | 青岛新比特电子科技有限公司 | 基于改进sift算法的图像匹配检索*** |
Non-Patent Citations (3)
Title |
---|
DAVID G.LOWE: "《Distinctive Image Features from Scale-Invariant Keypoints》", 《INTERNATIONAL JOURNAL OF COMPUTER VISION》 * |
于起峰等: "《摄像测量学原理与应用研究》", 31 March 2009, 科学出版社 * |
廖琪男: "《基于SIFT特征点匹配的水印图像几何校正算法》", 《计算机应用研究》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110097093A (zh) * | 2019-04-15 | 2019-08-06 | 河海大学 | 一种异源图像精确匹配方法 |
CN110097093B (zh) * | 2019-04-15 | 2022-08-19 | 河海大学 | 一种异源图像精确匹配方法 |
CN111179174A (zh) * | 2019-12-27 | 2020-05-19 | 成都品果科技有限公司 | 一种基于人脸识别点的图像拉伸方法和装置 |
CN111179174B (zh) * | 2019-12-27 | 2023-11-03 | 成都品果科技有限公司 | 一种基于人脸识别点的图像拉伸方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104182930B (zh) | 2017-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110163912B (zh) | 二维码位姿标定方法、装置及*** | |
CN108381549B (zh) | 一种双目视觉引导机器人快速抓取方法、装置及存储介质 | |
CN103679702A (zh) | 一种基于图像边缘矢量的匹配方法 | |
CN103473771A (zh) | 一种摄相机标定方法 | |
CN101645091A (zh) | 图像数据压缩方法、图像处理中的图案模型定位方法,图像处理设备,图像处理程序和计算机可读记录介质 | |
CN105046684A (zh) | 一种基于多边形广义霍夫变换的图像匹配方法 | |
EP3373239B1 (en) | Method and system for image correction using a quasiperiodic grid | |
CN107330927B (zh) | 机载可见光图像定位方法 | |
US20160125266A1 (en) | Image Processing Method, Image Processing Device, And Image Processing Program | |
CN110084743B (zh) | 基于多航带起始航迹约束的图像拼接与定位方法 | |
WO2021115061A1 (zh) | 图像分割方法、装置及服务器 | |
CN105957097A (zh) | 基于混合互信息和改进粒子群优化的图像配准方法 | |
CN104050675A (zh) | 基于三角形描述的特征点匹配方法 | |
US20200005078A1 (en) | Content aware forensic detection of image manipulations | |
US20150145862A1 (en) | Texture Modeling of Image Data | |
US20210134048A1 (en) | Computer device and method for generating synthesized depth map | |
Li et al. | Combining points and lines for camera pose estimation and optimization in monocular visual odometry | |
CN104182930A (zh) | Sift图像快速匹配的尺寸预处理方法 | |
CN104392447A (zh) | 一种基于灰度梯度的图像匹配方法 | |
CN111145634A (zh) | 一种校正地图的方法及装置 | |
CN117824666A (zh) | 融合定位用二维码对、二维码标定方法及融合定位方法 | |
CN103208003B (zh) | 一种基于几何图形特征点形状描述子的方法 | |
CN106651756B (zh) | 一种基于sift和验证机制的图像配准方法 | |
CN111656404B (zh) | 图像处理方法、***及可移动平台 | |
Zhong et al. | A deep learning-based local feature extraction method for improved image matching and surface reconstruction from Yutu-2 PCAM images on the Moon |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |