CN104834931A - 一种基于小波变换的改进的尺度不变特征匹配算法 - Google Patents
一种基于小波变换的改进的尺度不变特征匹配算法 Download PDFInfo
- Publication number
- CN104834931A CN104834931A CN201510111168.4A CN201510111168A CN104834931A CN 104834931 A CN104834931 A CN 104834931A CN 201510111168 A CN201510111168 A CN 201510111168A CN 104834931 A CN104834931 A CN 104834931A
- Authority
- CN
- China
- Prior art keywords
- image
- algorithm
- point
- wavelet transformation
- frequency component
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
为了解决SIFT算法运行时间过长,匹配率不高的问题,本发明提出了一种改进的SIFT算法。在原来经典的SIFT算法的基础上,引入了二维Mallat快速小波变换算法,重建图像的低频成分,再对高斯金字塔组数进行调整,减少降采样次数,最后通过优化的RANSAC算法剔除误匹配点。改进后的算法不仅减少了匹配耗时,而且匹配率也得到了提高,优于原SIFT算法。
Description
技术领域
本发明涉及计算机视觉中的图像匹配领域,具体指的是一种基于小波变换的改进的尺度不变特征匹配算法。
背景技术
图像匹配在近几十年来一直是人们研究的热点和难点,它是在变换空间中寻找一种或多种变换,使来自不同时间、不同传感器或者不同视角的同一场景的两幅或者多幅图像在空间上一致,目前已经应用于许多领域,其中应用最广泛的是图像配准领域和运动目标识别与跟踪领域。因此图像匹配技术占据着至关重要的地位。
由于拍摄时间、拍摄角度、自然环境的变化,使得拍摄的图像受到各种噪声的影响。在这种条件下,匹配算法如何达到精度高、匹配正确率高、速度快、鲁棒性强以及并行实现成为人们追求的目标。针对这一问题,很多国内外学者进行了广泛的研究。基于匹配的基本原理将图像匹配算法分为四种:基于灰度相关的匹配、基于特征的匹配、基于模型的匹配以及基于变换域的匹配。目前,研究最广泛的是基于特征的匹配,其中最经典的算法是由D.G.Lowe于2004年完善总结的SIFT(尺度不变特征匹配)算法,该算法对平移、旋转、尺度缩放、亮度变化均能保持很好的不变性。后来,很多学者依据SIFT算法提出了不同的改进算法。
陈抒瑢等提出了Contourlet-SIFT特征匹配算法,对尺度空间下旋转不变特征进行Contourlet变换后再进行匹配,但是计算量偏大,不满足实时性要求。曹娟等提出了基于D2OG特征点检测算子的改进SIFT特征匹配算法,适用于图像信息丰富且对实时性要求较高的场合,但是算法提取的匹配点对数相对较少,限制了此算法处理的图像类型。杨幸芳提出了以街区距离代替欧氏距离作为特征描述符之间的相似性度量,降低了相似性度量公式的时间复杂度,但是没有提高鲁棒性。于丽莉提出了一种基于图像Radon变化的改进的SIFT特征匹配算法,降低了SIFT特征向量的维数,提高了特征匹配效率,但是在实际场景使用时性能有待提高。孔军提出了多尺度特征提取的双目视觉匹配,虽然匹配率得到了提高,但是匹配耗时较长,时效性较差。为了进一步提高正确匹配率、增强鲁棒性及实时性,本发明提出了基于小波变换的改进的尺度不变特征匹配算法。
发明内容
本发明的目的在于针对现有方法中存在正确匹配率不高、鲁棒性不强、算法运行时间过长等问题,在原来经典尺度不变特征匹配算法的基础上,提出了基于小波变换的改进的尺度不变特征匹配算法技术,开发出一种鲁棒性强,正确匹配率高,适用于实时性要求高的场景中的图像匹配方法。
本发明是基于如下考虑:为了解决原SIFT算法运行时间过长,匹配率不高的问题,提出了一种改进的SIFT算法。在原来经典的SIFT算法的基础上,引入了二维Mallat快速小波变换算法,重建图像的低频成分,再对高斯金字塔组数进行调整,减少降采样次数,最后通过优化的RANSAC算法剔除误匹配点。改进后的算法不仅减少了匹配耗时,而且匹配率也得到了提高。
本发明基于小波变换的改进的尺度不变特征匹配算法的技术方案如下:
(1)对待配准的两幅图像进行二维Mallat小波变换分解,得到图像的低频成分和水平与垂直高频成分,舍弃经小波变换分解后的高频成分,对图像的低频成分进行重构,得到新的图像;
(2)利用两幅新图像构造尺度空间(DoG),通过图像与不同尺度的高斯差分卷积核生成高斯金字塔,由于新图像经过小波变换,舍弃了部分信息,在构建高斯差分金字塔时,减少降采样次数,比原始生成层数少一层,减少构造尺度空间的时间;
(3)在DoG空间寻找关键点,把中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的18点共26个点进行比较,确保最终能够获得足够多的关键点。
(4)由于DoG值对噪声和边缘比较敏感,在上面DoG尺度空间中检测到局部极值点还要经过进一步的检验才能精确定位为特征点。通过拟合三维二次函数来精确确定关键点的位置和尺度。
其梯度值m(x,y)和方向θ(x,y)的计算表达式为
{[L(x+1,y)-L(x-1,y)]2+[L(x,y+1)-L(x,y-1)]2}1/2
(5)特征点描述通过对关键点周围区域进行图像分块,计算各块内的梯度直方图,生成独特性的向量描述符。为了增强匹配的稳健性,对每个关键点使用4×4共16个种子点来描述,这样对于一个关键点就可以产生128个数据,最终形成128维的SIFT特征向量。
(6)当两幅图像的SIFT特征向量生成后,下一步我们采用关键点特征向量的欧式距离来作为两幅图像中关键点的相似性判定度量。取样本特征点和样本特征点欧氏距离最近的特征点,在这两个特征点中,如果最近的距离除以次近的距离少于某个比例阈值,则接受这一对匹配点。降低这个比例阈值,SIFT匹配点数目会减少,但更加稳定。在计算特征点之间的欧氏距离时,采用了BBF算法来处理128维的特征向量。
(7)在对所有特征点进行粗匹配之后,使用RANSAC算法估计两个图像对之间的单位变换矩阵并将其作为几何约束,进而去除一些误匹配点,完成图像之间的精确匹配,提高匹配效率。
本发明的有益效果:本发明采用二维Mallat小波变换对图像进行分解与重构,舍弃图像的包含大量噪声和少量有用信息的高频成分,仅对图像的低频成分进行重构。经二维小波变换处理后的待配准图像,一方面可以减少每次参与匹配的像素点,提高了匹配速度,另一方面减少了弱匹配点,从而使误匹配率下降。本发明在构造尺度空间时,由于高斯差分金字塔的最后一层包含了很少的兴趣点,对最终的匹配结果没有太大的影响,而且经过图像小波变换处理后包含的信息也减少一部分,所以可以减少降采样次数,使高斯差分金字塔的层数减少一层,减少构造尺度空间的时间,同时还可以去除部分误匹配点,提高匹配效率。本发明在对图像所有特征点进行粗匹配后使用RANSAC算法估计两个图像对之间的单位变换矩阵并将其作为几何约束,进而去除一些误匹配点,完成图像之间的精确匹配,提高匹配效率。
附图说明
图1是SIFT算法步骤。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合具体实例,并参照附图,对本发明的具体实施方式作详细说明,本发明包含但不限于所举实例。
本发明的具体步骤如下:
1、二维Mallat小波变换
Mallat在小波变换多分辨率分析理论与图像处理的应用研究中受到塔式算法的启发,提出了信号的塔式多分辨率分解与重构的快速算法,即为马拉特(Mallat)算法。
使用两个相同的一维小波函数和一维尺度函数的乘积构造二维小波基,生成的尺度函数和三个小波函数分别为:
设为待分析的图像信号,其二维逼近图像为
式中
利用尺度函数和小波函数的正交性,可得:
上式说明,j+1尺度空间的尺度系数cj+1(m,n)可以由j尺度空间的尺度系数cj(k,l)经二维滤波器系数进行加权求和得到。
又
引入矩阵算子,令Hr和Hc分别表示用尺度滤波器系数对阵列的行和列作用的算子,Gr和Gc分别表示用小波滤波器系数对行和列作用的算子,则二维Mallat分解算法为
二维Mallat重构算法为
利用上述二维Mallat小波变换算法对图像进行分解与重构,得到新的图像。
2、改进的SIFT算法
SIFT算法是在不同的尺度空间上查找关键点,并计算出关键点的方向。SIFT算法的实现包括两个方面,一个是图像特征点的生成,另一个是不同图像之间SIFT特征点的匹配。SIFT特征提取可分解为四个步骤,如图1所示。
2.1构造尺度空间
一幅二维图像I(x,y)的尺度空间L(x,y,σ)定义为一个变化尺度的高斯函数与原图像的卷积,即
L(x,y,σ)=G(x,y,σ)*I(x,y)
式中,σ为尺度空间的空间尺度因子,G(x,y,σ)为高斯核函数,其定义为
为了能在尺度空间中检测到稳定的关键点,使用高斯差分(DoG)算子近似尺度归一化的拉普拉斯——高斯(LoG)算子。通过图像与不同尺度的高斯差分卷积核生成:
D(x,y,σ)=L(x,y,kσ)-L(x,y,σ)
高斯金字塔共O组、S层,一般取为4组、5层,每组第一层是由上一组最后一层降采样得到的。在构造尺度空间之前,本文已先利用二维小波变换对待配准图像进行预处理,舍弃了高频成分,只保留了低频成分对其进行重建,所以无需做和原图大小时一样的降采样次数。因此,本发明针对高斯金字塔的组数进行调整,减少降采样次数,使高斯差分金字塔的层数减少一层。
2.2极值点检测
关键点是由DoG空间的局部极值点组成的。为了寻找DoG函数的极值点,把中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的18点共26个点进行比较,最终确保在尺度空间和二维图像空间都能够检测到极值点。
2.3关键点定位
由于DoG值对噪声和边缘比较敏感,因此,在上面DoG尺度空间中检测到局部极值点还要经过进一步的检验才能精确定位为特征点。为了增强匹配的稳定性、提高抗噪声能力,通过拟合三维二次函数来精确确定关键点的位置和尺度,通过去除低对比度的关键点和不稳定的边缘响应点。
通过求解每个极值点的梯度来为关键点赋予方向,采用梯度直方图统计法来确定关键点的方向,其梯度值m(x,y)和方向θ(x,y)的计算表达式为
{[L(x+1,y)-L(x-1,y)]2+[L(x,y+1)-L(x,y-1)]2}1/2
2.4特征描述子生成
特征点描述通过对关键点周围区域进行图像分块,计算各块内的梯度直方图,生成独特性的向量描述符。为了增强匹配的稳健性,对每个关键点使用4×4共16个种子点来描述,这样对于一个关键点就可以产生128个数据,最终形成128维的SIFT特征向量。
2.5特征点匹配
当两幅图像的SIFT特征向量生成后,下一步我们采用关键点特征向量的欧式距离来作为两幅图像中关键点的相似性判定度量。取样本特征点和样本特征点欧氏距离最近的特征点,在这两个特征点中,如果最近的距离除以次近的距离少于某个比例阈值,则接受这一对匹配点。降低这个比例阈值,SIFT匹配点数目会减少,但更加稳定。在计算特征点之间的欧氏距离时,采用了BBF算法来处理128维的特征向量。
在对所有特征点进行粗匹配之后,使用RANSAC算法估计两个图像对之间的单位变换矩阵并将其作为几何约束,进而去除一些误匹配点,完成图像之间的精确匹配,提高匹配效率。
Claims (5)
1.一种基于小波变换的改进的尺度不变特征匹配算法,其特征在于对待配准的两幅图像进行二维Mallat小波变换分解,得到图像的低频成分和水平与垂直高频成分,舍弃经小波变换分解后的高频成分,对图像的低频成分进行重构,得到新的图像;利用两幅新图像构造尺度空间(DoG),通过图像与不同尺度的高斯差分卷积核生成高斯金字塔,由于新图像经过小波变换,舍弃了部分信息,在构建高斯差分金字塔时,减少降采样次数,比原始生成层数少一层,减少构造尺度空间的时间;在DoG空间寻找关键点,把中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的18点共26个点进行比较,确保最终能够获得足够多的关键点。当两幅图像的SIFT特征向量生成后,下一步采用关键点特征向量的欧式距离来作为两幅图像中关键点的相似性判定度量。取样本特征点和样本特征点欧氏距离最近的特征点,在这两个特征点中,如果最近的距离除以次近的距离少于某个比例阈值,则接受这一对匹配点。降低这个比例阈值,SIFT匹配点数目会减少,但更加稳定。在计算特征点之间的欧氏距离时,采用了BBF算法来处理128维的特征向量。在对所有特征点进行粗匹配之后,使用RANSAC算法估计两个图像对之间的单位变换矩阵并将其作为几何约束,进而去除一些误匹配点,完成图像之间的精确匹配,提高匹配效率。
2.根据权利要求1所述的基于小波变换的改进的尺度不变特征匹配算法,其特征是:采用二维Mallat小波变换对图像进行分解与重构,舍弃图像的包含大量噪声和少量有用信息的高频成分,仅对图像的低频成分进行重构。在构造尺度空间时,由于高斯差分金字塔的最后一层包含了很少的兴趣点,对最终的匹配结果没有太大的影响,而且经过图像小波变换处理后包含的信息也减少一部分,所以可以减少降采样次数,使高斯差分金字塔的层数减少一层。在对图像所有特征点进行粗匹配后使用RANSAC算法估计两个图像对之间的单位变换矩阵并将其作为几何约束,进而去除一些误匹配点,完成图像之间的精确匹配。
3.根据权利要求1和2所述的基于小波变换的改进的尺度不变特征匹配算法,其特征在于:所述的二维Mallat小波变换对图像进行分解,舍弃图像的高频成分,只对图像的低频成分进行重构。
4.根据权利要求1和2所述的基于小波变换的改进的尺度不变特征匹配算法,其特征在于:在构造尺度空间时,减少了降采样次数,使高斯差分金字塔的层数减少一层,降低了算法的冗余计算,提高了实时性。
5.根据权利要求1和2所述的基于小波变换的改进的尺度不变特征匹配算法,其特征在于:使用RANSAC算法去除部分误匹配点,提高了匹配的准确性和精确性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510111168.4A CN104834931A (zh) | 2015-03-13 | 2015-03-13 | 一种基于小波变换的改进的尺度不变特征匹配算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510111168.4A CN104834931A (zh) | 2015-03-13 | 2015-03-13 | 一种基于小波变换的改进的尺度不变特征匹配算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104834931A true CN104834931A (zh) | 2015-08-12 |
Family
ID=53812809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510111168.4A Pending CN104834931A (zh) | 2015-03-13 | 2015-03-13 | 一种基于小波变换的改进的尺度不变特征匹配算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104834931A (zh) |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106204440A (zh) * | 2016-06-29 | 2016-12-07 | 北京互信互通信息技术有限公司 | 一种多帧超分辨图像重建方法及*** |
CN106558072A (zh) * | 2016-11-22 | 2017-04-05 | 重庆信科设计有限公司 | 一种基于改进sift特征在遥感图像上配准的方法 |
CN106920557A (zh) * | 2015-12-24 | 2017-07-04 | 中国电信股份有限公司 | 一种基于小波变换的分布声纹识别方法和装置 |
CN109101979A (zh) * | 2018-07-11 | 2018-12-28 | 中国艺术科技研究所 | 一种紫砂壶底部款识真伪鉴别方法 |
CN110141208A (zh) * | 2019-04-12 | 2019-08-20 | 上海健康医学院 | 一种动态静态图像相结合的血流成像***和方法 |
CN110490872A (zh) * | 2019-08-27 | 2019-11-22 | 北京理工大学 | 加工设备的异物检测方法和*** |
CN110650295A (zh) * | 2019-11-26 | 2020-01-03 | 展讯通信(上海)有限公司 | 图像处理方法及装置 |
CN111257872A (zh) * | 2020-01-07 | 2020-06-09 | 哈尔滨工业大学 | 基于Radon变换与拉普拉斯算子的微多普勒抑制方法 |
CN111739073A (zh) * | 2020-06-24 | 2020-10-02 | 刘秀萍 | 高效快速的手持装置的影像配准优化方法 |
CN112434705A (zh) * | 2020-11-09 | 2021-03-02 | 中国航空工业集团公司洛阳电光设备研究所 | 一种基于高斯金字塔分组的实时sift图像匹配方法 |
CN112488958A (zh) * | 2020-12-15 | 2021-03-12 | 西安交通大学 | 一种基于尺度空间的图像对比度增强方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915540A (zh) * | 2012-10-10 | 2013-02-06 | 南京大学 | 基于改进的Harris-Laplace和SIFT描述符的影像匹配方法 |
CN103077528A (zh) * | 2013-02-25 | 2013-05-01 | 南京大学 | 基于DCCD-Laplace和SIFT描述符的快速影像匹配方法 |
CN103593832A (zh) * | 2013-09-25 | 2014-02-19 | 重庆邮电大学 | 一种基于高斯二阶差分特征检测算子的图像拼接方法 |
-
2015
- 2015-03-13 CN CN201510111168.4A patent/CN104834931A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102915540A (zh) * | 2012-10-10 | 2013-02-06 | 南京大学 | 基于改进的Harris-Laplace和SIFT描述符的影像匹配方法 |
CN103077528A (zh) * | 2013-02-25 | 2013-05-01 | 南京大学 | 基于DCCD-Laplace和SIFT描述符的快速影像匹配方法 |
CN103593832A (zh) * | 2013-09-25 | 2014-02-19 | 重庆邮电大学 | 一种基于高斯二阶差分特征检测算子的图像拼接方法 |
Non-Patent Citations (1)
Title |
---|
李龙龙: "结合小波变换和SIFT算法的遥感图像快速配准算法", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106920557A (zh) * | 2015-12-24 | 2017-07-04 | 中国电信股份有限公司 | 一种基于小波变换的分布声纹识别方法和装置 |
CN106204440A (zh) * | 2016-06-29 | 2016-12-07 | 北京互信互通信息技术有限公司 | 一种多帧超分辨图像重建方法及*** |
CN106558072A (zh) * | 2016-11-22 | 2017-04-05 | 重庆信科设计有限公司 | 一种基于改进sift特征在遥感图像上配准的方法 |
CN109101979A (zh) * | 2018-07-11 | 2018-12-28 | 中国艺术科技研究所 | 一种紫砂壶底部款识真伪鉴别方法 |
CN109101979B (zh) * | 2018-07-11 | 2022-03-18 | 中国艺术科技研究所 | 一种紫砂壶底部款识真伪鉴别方法 |
CN110141208A (zh) * | 2019-04-12 | 2019-08-20 | 上海健康医学院 | 一种动态静态图像相结合的血流成像***和方法 |
CN110490872B (zh) * | 2019-08-27 | 2022-03-01 | 北京理工大学 | 加工设备的异物检测方法和*** |
CN110490872A (zh) * | 2019-08-27 | 2019-11-22 | 北京理工大学 | 加工设备的异物检测方法和*** |
CN110650295A (zh) * | 2019-11-26 | 2020-01-03 | 展讯通信(上海)有限公司 | 图像处理方法及装置 |
CN110650295B (zh) * | 2019-11-26 | 2020-03-06 | 展讯通信(上海)有限公司 | 图像处理方法及装置 |
CN111257872A (zh) * | 2020-01-07 | 2020-06-09 | 哈尔滨工业大学 | 基于Radon变换与拉普拉斯算子的微多普勒抑制方法 |
CN111739073A (zh) * | 2020-06-24 | 2020-10-02 | 刘秀萍 | 高效快速的手持装置的影像配准优化方法 |
CN112434705A (zh) * | 2020-11-09 | 2021-03-02 | 中国航空工业集团公司洛阳电光设备研究所 | 一种基于高斯金字塔分组的实时sift图像匹配方法 |
CN112488958A (zh) * | 2020-12-15 | 2021-03-12 | 西安交通大学 | 一种基于尺度空间的图像对比度增强方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104834931A (zh) | 一种基于小波变换的改进的尺度不变特征匹配算法 | |
CN103077512B (zh) | 基于主成分析的数字图像的特征提取与匹配方法 | |
CN105956582B (zh) | 一种基于三维数据的人脸识别*** | |
CN102722890B (zh) | 基于光流场模型的非刚性心脏图像分级配准方法 | |
CN101930537B (zh) | 基于弯曲不变量相关特征的三维人脸识别方法及*** | |
CN103400388B (zh) | 一种利用RANSAC消除Brisk关键点错误匹配点对的方法 | |
CN104050681B (zh) | 一种基于视频图像的道路消失点检测方法 | |
CN108052942B (zh) | 一种飞机飞行姿态的视觉图像识别方法 | |
CN103778626B (zh) | 一种基于视觉显著区域的快速图像配准方法 | |
CN103839265A (zh) | 基于sift和归一化互信息的sar图像配准方法 | |
CN106919944A (zh) | 一种基于orb算法的大视角图像快速识别方法 | |
CN101639947A (zh) | 基于图像的植物三维形态测量与重建方法及*** | |
CN110222661B (zh) | 一种用于运动目标识别及跟踪的特征提取方法 | |
Zhang et al. | KDD: A kernel density based descriptor for 3D point clouds | |
CN102074015A (zh) | 一种基于二维图像序列的目标对象的三维重建方法 | |
CN112150520A (zh) | 一种基于特征点的图像配准方法 | |
CN106408597A (zh) | 基于邻域熵和一致性检测的sar图像配准方法 | |
Zhao et al. | Aliked: A lighter keypoint and descriptor extraction network via deformable transformation | |
CN107180436A (zh) | 一种改进的kaze图像匹配算法 | |
CN110443261A (zh) | 一种基于低秩张量恢复的多图匹配方法 | |
CN103700135B (zh) | 一种三维模型局部球面调和特征提取方法 | |
CN106127258A (zh) | 一种目标匹配方法 | |
CN112308873A (zh) | 多尺度Gabor小波PCA融合图像边缘检测方法 | |
CN116758126A (zh) | 一种基于相似三角形的误匹配剔除的快速点云配准方法 | |
CN103336964B (zh) | 一种基于模值差镜像不变性的sift图像匹配方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20150812 |
|
WD01 | Invention patent application deemed withdrawn after publication |