[发明专利]融合颜色信息和全局信息的SIFT特征匹配算法

说明书

技术领域

本发明涉及到一种基于SIFT的改进图像匹配算法——SCARF(Shape-Color Alliance Robust Feature)算法。此方法主要是对两幅相同场景的图像进行匹配，且具有丰富的全局形状信息和颜色信息，增强了匹配的效果，运算量适中，能够应用于要求匹配精度较高的图像处理设备。本方法能够广泛应用于医学图像处理、遥感图像、模式识别、3D重建等领域。

背景技术

图像匹配是计算机视觉和图像处理领域中一项非常重要的工作。主要用于将不同时间、不同传感器、不同视角及不同拍摄条件下获取的两幅或多幅图像进行匹配。图像匹配是多种图像处理及应用的基础，匹配的效果直接影响到其后续图像的处理工作。

在对图像进行匹配的过程中，检测适于图像匹配的关键点(Interest Point Detection)是一个不可或缺的重要环节。在检测图像的关键点过程中，为了减少图像匹配的复杂度，通常利用一些不变性特征来进行图像关键点的提取和选择。另外，由于视角、尺度等变换，在图像间通常存在差异，因此，通常选取具有旋转、灰度、平移和尺度不变的图像特征来提取图像关键点，进而描述关键点附近的图像子块。

在目前的图像匹配方法中，由David Lowe提出的尺度不变特征变换(Scale Invariant Feature Transform，SIFT)描绘算子较为常用。在该方法中，通过在关键点为中心的邻域窗口内采样，并用直方图统计邻域像素的梯度方向，直方图的峰值代表该关键点处邻域梯度的主方向，即作为该关键点的方向，然后根据主方向进行调整来消除仿射变换中的旋转造成的差异。然而由于是为灰度图像而设计的局部算子，SIFT匹配会出现匹配模糊等问题。

发明内容

鉴于SIFT匹配是为灰度图像而设计的局部算子，在处理彩色或局部有相似形状的图像时会出现匹配模糊等问题，本发明提供了一种结合全局形状信息和颜色信息的SIFT匹配算法，具体步骤如下：

1)首先对匹配图像进行特征点的提取。本方法采用SIFT检测子来进行特征点的提取，这样我们所提取的特征点具有很好的尺度不变性和旋转不变性。

2)构造合适的坐标系。本方法构造一个简单的同心圆坐标系，对提取到的每个特征点，以它为圆心，以k×σ为半径，建立同心圆坐标。其中，k是实验参数，σ是特征点所对应的尺度。

3)对特征点进行描述。本方法从局部信息、全局信息、颜色信息三个方面分别对特征点进行描述，从而得到一个综合性的描述子。SIFT本身即是一种鲁棒性很强的局部描述子，因此在对特征点进行局部信息提取时本方法采用SIFT描述子；同时，对每个特征点分别计算它的主曲率信息和颜色不变量，并统计它们在同心圆坐标系中的分布，可以分别得到32维全局描述子G，32维颜色信息描述子C和128维局部信息描述子S，组合上述三种描述子可得到如式(1)所示的192维SCARF(Shape-Color Alliance Robust Feature)特征描述子。

其中，α和β是相对应的权重参数。

4)对特征点的描述子进行匹配，计算匹配代价函数。对两幅图像所计算得到的特征点描述子分别计算它们的欧式距离，设立相应的阈值参数，低于阈值的即为对应的正确匹配点。

与现有的算法相比，本发明所获得的技术效果，通过融入了全局信息和颜色信息这两个分量，形成了全新的特征点描述子框架，从而提高了匹配算法的鲁棒性和稳定性。尤其是利用同心圆坐标系融入了全局信息，既很好的保持了特征点的旋转不变性，又拓展了形状信息，在处理有大量相似区域的图像匹配时，很好的解决了图像匹配中易出现的匹配模糊问题。

附图说明

图1为本发明优化的算法流程；

图2为本发明仿真实验的第一组图像序列：wall；

图3为本发明仿真实验的第二组图像序列：graffiti；

图4为本发明仿真实验的第三组图像序列：boat；

图5为本发明仿真实验的第四组图像序列：bark；

图6为本发明仿真实验的第五组图像序列：bikes；

图7为本发明仿真实验的第六组图像序列：trees；

图8为本发明仿真实验的第七组图像序列：leuven；

图9为本发明仿真实验wall和graffiti的结果；

图10为本发明仿真实验boat和bark的结果；

图11为本发明仿真实验trees和leuven的结果；