基于改進SIFT算法的山谷地形影像匹配

張博文　甘淑

摘 ?要： 針對山谷地形的低空影像中地貌單一且特征不易提取的問題，本文對SIFT算法改進，融合Harris特征提取算法優(yōu)勢，得到一種可用于山谷地形下低空無人機影像特征提取與匹配的算法。算法首先利用Harris算法和SIFT算法分別提取特征點，對兩種算法提取的特征點進行合并，然后運用SIFT算法對合并后的特征點進行描述，再利用特征點特征向量的歐氏距離進行粗匹配，最后利用RANSAC算法進行精匹配來提高匹配精度。為了驗證該算法的有效性，選用一組山地影像數(shù)據(jù)進行實驗并與SIFT算法進行比較，結(jié)果表明：算法有效地提升了山谷地形影像上特征點匹配精度。

關(guān)鍵詞：?特征提取;SIFT算法;Harris算法;影像匹配;RANSAC算法

中圖分類號： TP75????文獻標(biāo)識碼：?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

隨著科學(xué)技術(shù)不斷的發(fā)展，傾斜攝影測量技術(shù)在軍事、農(nóng)業(yè)、城市以及災(zāi)害檢測等各個領(lǐng)域。利用無人機拍攝的影像通常存在旋轉(zhuǎn)角過大，影像容易發(fā)生畸變等問題，使得在后期影像配準(zhǔn)階段容易產(chǎn)生較大的誤差，而影像配準(zhǔn)階段主要分為三大 ?類[1]：基于區(qū)域特征的匹配、基于變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著精度較高，速度較快等特點，并且對圖像中的某些特征，如光照、仿射變換和噪聲等都有著較好的魯棒性，是一種經(jīng)常使用的匹配方法。

在一些山區(qū)中由于山谷地形特征復(fù)雜不明顯，噪聲以及遮擋物的影響使得后期在圖像處理過程中難以進行有效的識別和匹配。針對以上問題，基于特征的匹配算法能有效解決上述問題。David.Lowe教授出基于尺度空間不變的SIFT圖像匹配算法[2，3]是目前公認(rèn)的較為穩(wěn)定的特征匹配算法。該算法所提取的特征是基于影像中物體上的一些局部外觀的興趣點，與影像的旋轉(zhuǎn)關(guān)系和大小無關(guān)，同時對于光線、噪聲及輕微的視角改變有相當(dāng)高的容忍度。同時在其他經(jīng)典的特征檢測算子（如Susan算子，Moravec算子，F(xiàn)orstner算子，Harris算子等）中，Harris角點檢測算法計算過程較為簡單，對光照、旋轉(zhuǎn)、噪聲等有較好的容忍性[4-6]。但Harris算子不具有尺度不變性，同時在匹配過程中由于角點存在定位偏差的問題，可能導(dǎo)致匹配偏差，誤匹配。

因此本文結(jié)合Harris算法的優(yōu)勢，與SIFT算法進行結(jié)合，利用Harris算法和SIFT算法提取特征點，然后運用SIFT算法對合并后的特征點進行描述，利用歐氏距離進行粗匹配，最后利用RANSAC算法進行精匹配來提高匹配精度。

1 ?SIFT算法

SIFT圖像匹配算法基本步驟為：（1）特征點提取（2）特征點描述（3）特征點匹配[7]。其中特征點提取包括生成尺度空間、尋找局部極值點、特征點精確定位以及特征點方向的確定。

（2）尋找局部極值點

在DoG中檢測局部極值點，對每一個采樣點與其周圍鄰域內(nèi)26個點（所在層8個鄰域點以及上下層區(qū)域的18個鄰域點）進行比較，判斷是否為極值點，即選取的粗略的特征點。

（3）特征點篩選

通過擬合三維二次函數(shù)的方法來精確確定所選取的關(guān)鍵點的位置和尺度，同時剔除對比度較低關(guān)鍵點以及由于高斯差分運算所造成的具有不穩(wěn)定邊緣效應(yīng)的候選關(guān)鍵點。用來提高匹配的穩(wěn)定性，提高抗噪能力。

（4）確定關(guān)鍵點方向

為了使描述符具有旋轉(zhuǎn)不變性，需要為每一個關(guān)鍵點分配一個或多個基準(zhǔn)方向。高斯平滑圖像在點處梯度的模值和方向。如下公式所示：

1.2??生成局部描述子

在關(guān)鍵點所在的尺度空間，以關(guān)鍵點為中心取16×16像素大小的區(qū)域，再將此區(qū)域均勻地化分為16個4×4像素大小的子區(qū)域，統(tǒng)計每個子塊八個方向的梯度直方圖。然后對4×4像素子區(qū)域的8個方向的梯度直方圖進行排序，構(gòu)成4×4×8=128維的特征向量。特征向量生成后，為了去除光照等影響，還需進行歸一化處理。

1.3??特征點匹配

兩幅圖像的特征向量生成后，利用關(guān)鍵點特征向量的歐氏距離來作為判斷兩幅圖像相似性的判定標(biāo)準(zhǔn)。歐式距離越小相似度越高，反之則越低。通過設(shè)定一定的閾值來作為匹配的標(biāo)準(zhǔn)。

2??改進的SIFT算法

2.1??Harris算法概述

Harris算法是Harris和Stephens于1988年在Moravec算法的基礎(chǔ)上進行改進提出的一種通過自相關(guān)矩陣的角點提取算法[8-11]。對Moravec算法在旋轉(zhuǎn)性和部分輻射性上存在的問題進行了改進，提高了算法的穩(wěn)定性與均勻性。

2.2 ?改進的SIFT算法

SIFT算法在尺度空間檢測極值點時，不能有效的對角點等較為顯著的特征點進行定位。由于山地中地形復(fù)雜部分特征點較為模糊，沒有規(guī)則的形狀，部分角點特征無法提取，用SIFT算法提取的特征點存在遺漏，從而影響匹配的成功率。本文結(jié)合Harris算法角點檢測的特征，對SIFT算子進行了改進，增加了SIFT無法檢測的角點特征，提升了特征點的檢測率，正確匹配的特征點變多，同時進一步提高了匹配正確率。

首先利用Harris算法和SIFT算法分別提取特征點，對兩種算法提取的特征點進行合并，用以提高特征點的檢測率，然后運用SIFT算法的描述符對合并后的特征點進行描述，再利用特征點特征向量的歐氏距離進行粗匹配，最后利用RANSAC算法進行精匹配來提高匹配精度。

具體算法步驟如圖1所示。

3??實驗分析

3.1??實驗數(shù)據(jù)及環(huán)境

本實驗采用iFly D3八旋翼無人機拍攝的位于昆明市東川小白泥河流域，由于地處云貴高原北部邊緣，由于山體巖層古老并多以泥質(zhì)巖類、碳酸 ??鹽類以及基性巖為主，易發(fā)生山體滑坡、泥石流等災(zāi)害。

此次實驗平臺為Windows10版本，64位操作系統(tǒng)，matlab2017a。

3.2??實驗結(jié)果與分析

分別采用本文算法和傳統(tǒng)SIFT算法，對一組山谷地形數(shù)據(jù)進行特征點的提取與匹配。實驗結(jié)果如圖2。

SIFT算法與改進后算法的比較結(jié)果如表1所示。

由圖3和圖4可知，與傳統(tǒng)的SIFT方法相比，本文算法可以檢測出更多的特征點，同時可以看出特征點的分布情況，經(jīng)過改進后的算法所提取的特征點分布密度較為高，為后續(xù)的匹配工作提供了有利條件。

由圖5和圖6得到的匹配結(jié)果圖中可以看出，本文算法匹配的對數(shù)明顯要比SIFT算法多出許多，同時由于本文中算法在匹配過程中通過RANSAC算法對SIFT算法歐式匹配的結(jié)果進行了精匹配，使得誤匹配的對數(shù)大大減少，提高了匹配精度。

由表1中數(shù)據(jù)可以看出由于特征點提取數(shù)目變多，導(dǎo)致最終的匹配時間有所增加，但是在匹配點對數(shù)以及成功匹配率上本文算法都要比SIFT算法要好出許多。由實驗結(jié)果表明，本文算法能夠有效地提高山谷地形影像上的特征點匹配對數(shù)以及正確匹配率。

4??結(jié)論

本文針對山谷地形影像特征復(fù)雜，部分特征點難以識別的問題，提出了一種利用Harris與SIFT算法結(jié)合的改進算法。結(jié)果表明，改進后的算法可以提取到更多的特征信息，同時也提高了匹配正確率，因此本文算法適用于山谷地形影像的匹配算法中。

參考文獻

許佳佳， 張葉， 張赫. 基于改進Harris-SIFT算子的快速圖像配準(zhǔn)算法[J]. 電子測量與儀器學(xué)報， 2015， 29（01）： 48-54.

任忠良. 一種基于?SIFT 特征的快速圖像匹配算法[J]. 軟件， 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.

劉志文， 劉定生， 劉鵬. 應(yīng)用尺度不變特征變換的多源遙感影像特征點匹配[J]. 光學(xué)?精密工程， 2013， 21（8）.

余先川， 呂中華， 胡丹. 遙感圖像配準(zhǔn)技術(shù)綜述[J]. 光學(xué)?精密工程， 2013， 21（11）.

蘇培峰， 黃世奇， 王藝婷， et al. 具有SIFT描述的多尺度角點圖像配準(zhǔn)[J]. 計算機工程與科學(xué)， 2017（9）.

黃海波， 李曉玲， 熊文怡， et al. 基于SIFT算法的圖像配準(zhǔn)綜述[J]. 軟件導(dǎo)刊， 2019， 18（01）： 7-10.

陳白帆， 蔡自興. 基于尺度空間理論的Harris角點檢測[J]. 中南大學(xué)學(xué)報（自然科學(xué)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.

吳鵬， 徐洪玲， 李雯霖， 宋文龍， 張佳薇. 基于區(qū)域檢測的多尺度Harris角點檢測算法[J]. 哈爾濱工程大學(xué)學(xué)報（7期）： 969-973.

郭晨曦. 基于Harris角點檢測算法的圖像拼接技術(shù)的研究與應(yīng)用[D]. 2016.