改進的AKAZE圖像匹配算法

陸曉燕

1.引言

圖像配準指的是對描述同一對象或場景的兩幅或多幅圖像進行匹配、變換的過程。通過對各種圖像數據的綜合提取有用信息的圖像分析技術而言，圖像配準是關鍵的步驟[1]。圖像配準技術在衛星遙感圖像處理、醫學診斷輔助、計算機視覺等領域都有著廣泛的應用。

圖像配準算法中基于特征點圖像匹配算法一直處于重要的地位，該類算法針對產生尺度，亮度，視角，光照變化的圖片匹配效果優于其他匹配算法。SIFT（Scale Invariant Feature Transfom）算法[2]和基于SIFT改進的算法如SURF（speeded up robust features）、GLOH（gradient location-orientation histogram）和PCA-SIFT在基于特征點的圖像匹配算法中被廣泛使用。但是這類算法主要是依賴高斯模糊構建線性的尺度空間，容易在過濾噪聲的同時也模糊了圖像從而使得圖像細節特征的局部準確性和區分性降低。為解決這一問題，Alcantarilla 提出了一種新的特征檢測算法 KAZE算法[3]，該算法利用一個非線性擴散濾波器來構造尺度空間，由于各項異性擴散濾波性質能夠保留了圖像邊緣和細節信息。雖然KAZE算法能夠保留圖像細節信息避免邊緣模糊，但是非線性尺度空間構建耗時太長特征檢測的速度接近SIFT，所以2013年9月 Pablo F.發布了加速版KAZE算法，稱為AKAZE[4]。

AKAZE算法采用的差分二進制描述符，雖然大幅度縮短了特征描述的時間，但是該描述符的穩定性不如SIFT描述符，同時該算法的特征描述的魯棒性、穩健性也不如SIFT描述。在對于影像場合質量及處理精度要求較高的時候AKAZE算法匹配效果較差，為了提高AKAZE算法的性能提出了用采用基于壓縮感知的SIFT描述符替代AKAZE算法原有的M-LDB描述符策略，改進后AKAZE算法在配準速度和精度優于其他配準算法。具體圖像配準流程如下圖1所示：

2.改進的AKAZE圖像配準算法

AKAZE圖像配準算法主要步驟有四步：1）通過非線性濾波函數和快速顯式擴散 FED算法構造非線性尺度空間；2）利用不同尺度歸一化的Hessian矩陣尋找局部極值點；3）計算特征點主方向，然后用M-LDB算法計算二值特征描述符；4）利用Hamming距離作為特征匹配的相似性度量，對特征點進行度量和配準。改進的AKAZE算法在第一步和第二步不變的基礎上對第三步、第四步進行改進。

改進的AKAZE算法在關鍵點描述向量生成階段，用SIFT特征描述符代替二進制描述符，再利用壓縮感知矩陣對替代后的關鍵點SIFT特征向量的提取做出簡化和改進，用稀疏特征向量作為關鍵點特征描述向量，將高維梯度導數向量降為低維稀疏特征向量。該算法不僅保持了非線性尺度空間的優點同時結合了尺度不變特征變換關鍵點檢測的穩定性、魯棒性，而且能有效降低特征描述向量的計算復雜度，減少特征向量的維數，提高特征提取的有效性和配準速度。下面是對改進的AKAZE算法進行描述。

3.實驗結果與分析

實驗平臺為Windows 7操作系統，CPU2.8 GHz， 2G內存的個人電腦，編程環境VS2013。本節將通過實驗來驗證改進的AKAZE算法的性能并給出改進的AKAZE算法與其他匹配算法之間的性能對比。將改進的AKAZE算法和AKAZE算法分別用于實際應用中包含復雜背景結構的內容圖像配準。

通過表3-1算法性能對比可以看出：改進的AKAZE算法雖然在匹配時間高于AKAZE算法但是相比于SIFT算法提高3倍，同時改進后的算法的正確率遠高于其它配準算法。說明改進的算法更加實用對配準精度較高工程場合，具有實踐意義。

參考文獻：

[1]G. Arman， Development and status of image matching in photogrammetry， Photogramm. Rec. 27 （137） （2012） 36-57.

[2]D G.LOWE， "Distinctive Image Features from Scale-Invariant-Keypoints."International Journal of Computer Vision. 60.2（2004）91-110.

[3]P.F. Alcantarilla， A. Bartoli， A.J. Davison， KAZE features， Eur. Conf. on Comput. Vision （ECCV）， Fiorenze， Italy， October 2012.

[4]P.F. Alcantarilla， J. Nuevo， Adrien Bartoli， Fast Explicit Diffusion for Accelerated Features in Nonlinear Scale Spaces， British Machine Vision Conference （BMVC）， Bristol， UK， 2013.