基于改进SIFT算法的山谷地形影像匹配

来源:用户上传      作者:

　　摘  要： 针对山谷地形的低空影像中地貌单一且特征不易提取的问题，本文对SIFT算法改进，融合Harris特征提取算法优势，得到一种可用于山谷地形下低空无人机影像特征提取与匹配的算法。算法首先利用Harris算法和SIFT算法分别提取特征点，对两种算法提取的特征点进行合并，然后运用SIFT算法对合并后的特征点进行描述，再利用特征点特征向量的欧氏距离进行粗匹配，最后利用RANSAC算法进行精匹配来提高匹配精度。为了验证该算法的有效性，选用一组山地影像数据进行实验并与SIFT算法进行比较，结果表明：算法有效地提升了山谷地形影像上特征点匹配精度。
　　关键词： 特征提取;SIFT算法;Harris算法;影像匹配;RANSAC算法
　　中图分类号： TP75    文献标识码： A    DOI：10.3969/j.issn.1003-6970.2020.02.056
　　【Abstract】： Aiming at the problem of single landform and difficult to extract features in low-altitude images of valley terrain， this paper improves the SIFT algorithm and combines the advantages of Harris feature extraction algorithm to obtain an algorithm that can be used for feature extraction and matching of low-altitude UAV images under valley terrain. . The algorithm first uses Harris and SIFT algorithms to extract feature points respectively， combines the feature points extracted by the two algorithms， and then uses SIFT algorithm to describe the combined feature points， and then uses the Euclidean distance of the feature point feature vectors for rough matching. Finally， the RANSAC algorithm is used for precise matching to improve the matching accuracy. In order to verify the effectiveness of the algorithm， one sets of mountain image data were selected for experiments and compared with the SIFT algorithm. The results show that the algorithm effectively improves the accuracy of feature point matching on valley terrain images.
　　【Key words】： Feature extraction; SIFT algorithm; Harris algorithm; Image matching; RANSAC algorithm
　　0  引言
　　随着科学技术不断的发展，倾斜摄影测量技术在军事、农业、城市以及灾害检测等各个领域。利用无人机拍摄的影像通常存在旋转角过大，影像容易发生畸变等问题，使得在后期影像配准阶段容易产生较大的误差，而影像配准阶段主要分为三大  类[1]：基于区域特征的匹配、基于变化域的匹配以及基于特征的匹配。其中基于特征的匹配匹配有着精度较高，速度较快等特点，并且对图像中的某些特征，如光照、仿射变换和噪声等都有着较好的鲁棒性，是一种经常使用的匹配方法。
　　在一些山区中由于山谷地形特征复杂不明显，噪声以及遮挡物的影响使得后期在图像处理过程中难以进行有效的识别和匹配。针对以上问题，基于特征的匹配算法能有效解决上述问题。David.Lowe教授出基于尺度空间不变的SIFT图像匹配算法[2，3]是目前公认的较为稳定的特征匹配算法。该算法所提取的特征是基于影像中物体上的一些局部外观的兴趣点，与影像的旋转关系和大小无关，同时对于光线、噪声及轻微的视角改变有相当高的容忍度。同时在其他经典的特征检测算子（如Susan算子，Moravec算子，Forstner算子，Harris算子等）中，Harris角点检测算法计算过程较为简单，对光照、旋转、噪声等有较好的容忍性[4-6]。但Harris算子不具有尺度不变性，同时在匹配过程中由于角点存在定位偏差的问题，可能导致匹配偏差，误匹配。
　　因此本文结合Harris算法的優势，与SIFT算法进行结合，利用Harris算法和SIFT算法提取特征点，然后运用SIFT算法对合并后的特征点进行描述，利用欧氏距离进行粗匹配，最后利用RANSAC算法进行精匹配来提高匹配精度。
　　1  SIFT算法
　　SIFT图像匹配算法基本步骤为：（1）特征点提取（2）特征点描述（3）特征点匹配[7]。其中特征点提取包括生成尺度空间、寻找局部极值点、特征点精确定位以及特征点方向的确定。
　　（2）寻找局部极值点 　　在DoG中检测局部极值点，对每一个采样点与其周围邻域内26个点（所在层8个邻域点以及上下层区域的18个邻域点）进行比较，判断是否为极值点，即选取的粗略的特征点。
　　（3）特征点筛选
　　通过拟合三维二次函数的方法来精确确定所选取的关键点的位置和尺度，同时剔除对比度较低关键点以及由于高斯差分运算所造成的具有不稳定边缘效应的候选关键点。用来提高匹配的稳定性，提高抗噪能力。
　　（4）确定关键点方向
　　為了使描述符具有旋转不变性，需要为每一个关键点分配一个或多个基准方向。高斯平滑图像在点处梯度的模值和方向。如下公式所示：
　　1.2  生成局部描述子
　　在关键点所在的尺度空间，以关键点为中心取16×16像素大小的区域，再将此区域均匀地化分为16个4×4像素大小的子区域，统计每个子块八个方向的梯度直方图。然后对4×4像素子区域的8个方向的梯度直方图进行排序，构成4×4×8=128维的特征向量。特征向量生成后，为了去除光照等影响，还需进行归一化处理。
　　1.3  特征点匹配
　　两幅图像的特征向量生成后，利用关键点特征向量的欧氏距离来作为判断两幅图像相似性的判定标准。欧式距离越小相似度越高，反之则越低。通过设定一定的阈值来作为匹配的标准。
　　2  改进的SIFT算法
　　2.1  Harris算法概述
　　Harris算法是Harris和Stephens于1988年在Moravec算法的基础上进行改进提出的一种通过自相关矩阵的角点提取算法[8-11]。对Moravec算法在旋转性和部分辐射性上存在的问题进行了改进，提高了算法的稳定性与均匀性。
　　2.2  改进的SIFT算法
　　SIFT算法在尺度空间检测极值点时，不能有效的对角点等较为显著的特征点进行定位。由于山地中地形复杂部分特征点较为模糊，没有规则的形状，部分角点特征无法提取，用SIFT算法提取的特征点存在遗漏，从而影响匹配的成功率。本文结合Harris算法角点检测的特征，对SIFT算子进行了改进，增加了SIFT无法检测的角点特征，提升了特征点的检测率，正确匹配的特征点变多，同时进一步提高了匹配正确率。
　　首先利用Harris算法和SIFT算法分别提取特征点，对两种算法提取的特征点进行合并，用以提高特征点的检测率，然后运用SIFT算法的描述符对合并后的特征点进行描述，再利用特征点特征向量的欧氏距离进行粗匹配，最后利用RANSAC算法进行精匹配来提高匹配精度。
　　具体算法步骤如图1所示。
　　3  实验分析
　　3.1  实验数据及环境
　　本实验采用iFly D3八旋翼无人机拍摄的位于昆明市东川小白泥河流域，由于地处云贵高原北部边缘，由于山体岩层古老并多以泥质岩类、碳酸   盐类以及基性岩为主，易发生山体滑坡、泥石流等灾害。
　　此次实验平台为Windows10版本，64位操作系统，matlab2017a。
　　3.2  实验结果与分析
　　分别采用本文算法和传统SIFT算法，对一组山谷地形数据进行特征点的提取与匹配。实验结果如图2。
　　SIFT算法与改进后算法的比较结果如表1所示。
　　由图3和图4可知，与传统的SIFT方法相比，本文算法可以检测出更多的特征点，同时可以看出特征点的分布情况，经过改进后的算法所提取的特征点分布密度较为高，为后续的匹配工作提供了有利条件。
　　由图5和图6得到的匹配结果图中可以看出，本文算法匹配的对数明显要比SIFT算法多出许多，同时由于本文中算法在匹配过程中通过RANSAC算法对SIFT算法欧式匹配的结果进行了精匹配，使得误匹配的对数大大减少，提高了匹配精度。
　　由表1中数据可以看出由于特征点提取数目变多，导致最终的匹配时间有所增加，但是在匹配点对数以及成功匹配率上本文算法都要比SIFT算法要好出许多。由实验结果表明，本文算法能够有效地提高山谷地形影像上的特征点匹配对数以及正确匹配率。
　　4  结论
　　本文针对山谷地形影像特征复杂，部分特征点难以识别的问题，提出了一种利用Harris与SIFT算法结合的改进算法。结果表明，改进后的算法可以提取到更多的特征信息，同时也提高了匹配正确率，因此本文算法适用于山谷地形影像的匹配算法中。
　　参考文献
　　许佳佳， 张叶， 张赫. 基于改进Harris-SIFT算子的快速图像配准算法[J]. 电子测量与仪器学报， 2015， 29（01）： 48-54.
　　任忠良. 一种基于 SIFT 特征的快速图像匹配算法[J]. 软件， 2015， 36（6）： 53-57.
　　Lowe D G. Distinctive Image Features from Scale-Invariant Keypoints[J]. International Journal of Computer Vision， 2004， 60（2）： 91-110.
　　刘志文， 刘定生， 刘鹏. 应用尺度不变特征变换的多源遥感影像特征点匹配[J]. 光学 精密工程， 2013， 21（8）.
　　余先川， 吕中华， 胡丹. 遥感图像配准技术综述[J]. 光学 精密工程， 2013， 21（11）.
　　苏培峰， 黄世奇， 王艺婷， et al. 具有SIFT描述的多尺度角点图像配准[J]. 计算机工程与科学， 2017（9）.
　　黄海波， 李晓玲， 熊文怡， et al. 基于SIFT算法的图像配准综述[J]. 软件导刊， 2019， 18（01）： 7-10.
　　陈白帆， 蔡自兴. 基于尺度空间理论的Harris角点检测[J]. 中南大学学报（自然科学版）， 2005（05）： 37-40.
　　Qi Z， Ting R， Husheng F， et al. Particle Filter Object Tracking Based on Harris-SIFT Feature Matching[J]. Procedia Engineering， 2012， 29（none）： 924-929.
　　吴鹏， 徐洪玲， 李雯霖， 宋文龙， 张佳薇. 基于区域检测的多尺度Harris角点检测算法[J]. 哈尔滨工程大学学报（7期）： 969-973.
　　郭晨曦. 基于Harris角点检测算法的图像拼接技术的研究与应用[D]. 2016.
转载注明来源:https://www.xzbu.com/8/view-15233560.htm