改进的SURF算法在图像匹配中的应用
surf特征点的匹配过程
surf特征点的匹配过程
Surf特征点的匹配过程包括以下步骤：
1. 提取特征点：通过Surf算法提取两幅图像中的特征点。
Surf算法通过计算图像中的Hessian矩阵的行列式来检测潜在的特征点，然后通过计算特征点的主方向和构建特征描述子。
2. 计算特征描述子：对于每个特征点，Surf算法会将其周围的图像区域划分为若干个子区域，然后提取每个子区域的Haar小波响应。
这些Haar小波响应将组成特征描述子。
通过这种方式，每个特征点都能够具有一个128维的特征描述子。
3. 特征点匹配：通过计算两幅图像中特征点的相似度来进行匹配。
常用的方法是计算两个特征描述子之间的欧氏距离或是余弦相似度。
对于每个特征点，选择在另一幅图像中与其具有最小距离的特征点作为匹配点。
4. 特征点筛选：根据匹配点之间的距离进行筛选，排除一些不太可信的匹配点。
常用的方法是计算匹配点的距离与次近距离之间的比值，如果这个比值小于一个给定的阈值，就将匹配点保留下来。
5. 可选的优化步骤：可以通过使用RANSAC（随机抽样一致性）算法进一步筛选匹配点，消除由于噪声或误识别造成的错误匹配。
RANSAC算法会随机选择一组匹配点，并计算这些匹配点与模型之间的误差，然后根据误差进行筛选，最后得到更准确的匹配结果。
通过以上步骤，Surf特征点的匹配过程可以得到两幅图像中匹配点的对应关系，从而进行图像配准、目标跟踪等应用。
Hausdorff距离在图像匹配中的应用
！墨垡皇ｉ垫查！墨ＱＱ圣±蔓旦塑整蔓！兰Ｑ塑：Ｉ团岛圈墨髓＾…ｆ４．曰、：土§Ｊ。
ｒ小，¨的外部点被剔除。
同时参数ｆ也影响着计算速度，因此钆ＴＳ似徊卜击蚤姒口）（。
㈤塞篡薹主蓍慧雾慧？地肭耕鞑威毗其中参数Ⅳ同部分ＨＤ中的志相似，表示＾×Ⅳ＾，＾是一个给定的分数＾∈［ｏ，１］，Ｎ＾表示集合Ａ中点的个数。
如（口）（１）表示序列（如（口）（１）≤如（口）。
，≤…≤如Ｑ）。
Ⅳ．，）中的第ｉ个距离值。
可见＾ＬＴｓ（Ａ，曰）是将大的距离值剔除后，再对保留下来的距离值求平均。
所以，即使目标被遮掩或因噪声而退化，这种匹配方法也能产生较好结果。
因为在距离序列（如（拉）㈣≤如（口）。
∞≤…≤如（口）ｃⅣ．，）中，大的距离值通常是从外部点计算得到的，所以，在实验中，我们用可以剔除外部点的代价函数来代替欧几里德距离范数。
有向距离ｂ（Ａ，曰）定义为：１旦＾（Ａ，曰）一吉∑ＩＤ（ｄ口（口））（订（５）代价函数Ｐ是凸的对称函数，而且在零点有唯一的一个最小值。
在实验中，采用的代价函数ｌＤ定义为：ｆＩ引，ＩｚＩ≤ｒＰ∽净Ｉｒ，…＞ｒＩｒ，Ｊｚｌ＞ｒ其中ｒ是用来剔除外部点的域值，因此产生较大距离３实验结果图１（ａ）为一幅１６０×１６０像素的灰度图像，图中的多边形物体为目标图像，它被圆形、三角形等物体所遮掩。
图１（ｂ）为用于匹配的多边形的模板。
图１（ｃ）为图１（ａ）经过边缘检测等预处理后的二值化边缘图像，图１（ｄ）为图１（ｂ）的二值化边缘图像。
图ｌ（ｅ）为采用改进的Ｈａｕｓｄｏｒｆｆ距离作为度量，图１（ｃ）与图１（ｄ）的匹配结果，所保留窗口的中心即为目标中心，可以看到匹配结果是正确的。
图１（ｆ）为采用基于点点对应的传统的匹配算法，图１（ｃ）与图１（ｄ）的匹配结果，可以看到匹配结果有误。
在实验中，因为在改进的Ｈａｕｓｄｏｒｆｆ距离中嵌入了求平均运算，所以比部分ＨＤ得到更加准确的匹配位置；因为有效地剔除了外部点，所以它们得到比ＭＨＤ更好的结果。
SURF算法在图像处理中的应用
SURF算法在图像处理中的应用SURF算法是一种被广泛应用于计算机视觉领域的算法，其全称是Speeded Up Robust Features。
它是一种特征提取算法，可以在图像中检测出具有特殊性质的关键点，并生成具有鲁棒性的特征描述子。
这些特征可以用于识别相似的图像，比较相似度，并在图像配准、图像跟踪、三维重建等领域中发挥重要作用。
本文将探讨SURF算法在图像处理中的应用。
一、 SURF算法的原理SURF算法是基于SIFT算法的一种改进，它的主要优势在于速度更快、鲁棒性更强。
下面简单介绍SURF算法的原理。
1. 尺度空间构建SURF算法首先对原始图像进行尺度变换，通过高斯金字塔来构建尺度空间。
尺度空间的不同层次可以检测到不同大小的特征。
通过不同层次检测的关键点可以估计出原始图像中的关键点，这个过程被称为尺度空间极值点检测。
2. 关键点定位在尺度空间中，SURF算法通过Hessian矩阵的行列式求解得到图像局部极值点位置，这些点是具有高强度、对光照变化鲁棒等性质的关键点。
3. 方向确定为了使SURF算法对旋转和光照变化更加鲁棒，需要为每个关键点确定一个主方向，这个方向是在关键点周围采用Hessian矩阵主方向确定的。
4. 特征描述为了描述关键点的局部特征，SURF算法使用了一种统计学上的方法，即将关键点周围的区域分解成小的子区域，每个子区域在水平和竖直方向上计算Haar小波变换，形成特征向量。
这些特征向量组成的特征描述子具有鲁棒性，可以用来评估关键点的稳定性。
5. 特征匹配在进行图像匹配时，SURF算法使用了一种快速的近似最近邻搜索方法，称为快速最近邻搜索（FLANN）。
它可以在大规模的特征库中快速找到与查询特征最相似的特征。
二、 SURF算法可以被广泛应用于图像处理中，下面介绍一些应用领域。
1. 图像配准SURF算法可以被用来匹配两幅图像之间的关键点，通过计算两幅图像中关键点的相似度来实现图像配准。
基于SURF算子与FLANN搜索的图像匹配方法研究
文章编号：1007-1423（2020）14-0049-05DOI：10.3969/j.issn.1007-1423.2020.14.011基于SURF算子与FLANN搜索的图像匹配方法研究徐明，刁燕（四川大学机械工程学院，成都610065）摘要：对于在传统的图像匹配过程中，存在误匹配率高和匹配效果不佳的问题，提出基于加速鲁棒特征（SURF）算法与快速近似最近邻查找（FLANN）搜索的图像匹配方法。
首先采用Hessian矩阵来获知图像的局部最值，然后在图像上构建尺度空间，通过不同的尺度空间定位出特征点，并确立特征点的主方向，再生成特征点描述子，最后结合FLANN搜索算法对图像进行匹配。
实验表明，该算法相对传统的图像匹配方法提高准确度和匹配效果。
关键词：SURF；特征提取；FLANN；图像匹配基金项目：四川大学泸州市人民政府战略合作项目（No.2018CDLZ-22）0引言图像匹配是指在两幅或者多幅图像中通过一定的算法找到相似影像的方法[1]。
在数字图像处理的研究过程中，图像的特征提取以及图像匹配一直是一个关键问题，在图像配准、目标检测、模式识别、计算机视觉等领域发挥着至关重要的作用[2]。
1998年，Harris和Stephens在工作的启发下提出Harris角点检测算法[3]，是对Moravec算法的扩充和完善。
通过分别计算像素点在x和y方向上的梯度，利用高斯核函数对图像进行高斯滤波，然后根据角点响应函数计算原图像上对应的每个像素点的响应值，最后通过给定的阈值选取局部极值点来确定图像的特征点。
Harris算法是直接通过灰度图像然后进行角点提取，该算法适用于L型的角点检测，稳定性好，但是容易出现角点信息丢失和角点的位置偏移以及聚簇现象，运行速度也比较慢。
2004年，Lowe发表了尺度不变特征（Scale Invari⁃ant Feature Transform，SIFT）算法[4]，通过构建高斯尺度空间，寻找极值点，剔除不稳定特征点，确定关键点方向和生成特征点描述子来提取图像的特征点。
基于SURF算法的微观驱替图像配准
检 测 的 方 法 ， 筛 选 出那 些 满 足 设 定 条 件 的 稳 定 的 特 征 点 。 实 验 证 明 ， 本 文 提 出 的 方 法 在 匹配 正 确
率上 得到 了提 高 。 同时 ，特 征 点匹配 的耗 时有所减 少。 关键 词 ：微观驱 替 ；图像 配准 ；边界提 取 ；Ｓ Ｕ Ｒ Ｆ算 法
Ｇ Ｕ Ｏ Ｌ ｉ ａ ｎ ｇ ．Ｔ Ｅ Ｎ Ｇ Ｑ ｉ — ｚ ｈ ｉ
（ Ｃ ｏ ｌ ｌ ｅ ｇ ｅ ｏ ｆ Ｅｌ ｅ ｃ ｔ ｒ ｏ ｎ ｉ ｃ ｓ ａ ｎ ｄ Ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ，Ｓ ｉ ｃ ｈ ｕ ａ ｎ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ，Ｃ ｈ ｅ ｎ ｇ ｄ ｕ Ｓ ｉ ｃ ｈ ｕ ａ ｎ ６ １ ０ ０ ６ ４，Ｃ ｈ ｉ ｎ ａ ）
中 图 分 类 号 ：Ｔ Ｎ９ ５ ７ ． ５ ２ ３ ；Ｔ Ｐ ３ ９ １ 文 献 标 识 码 ：Ａ
Ｍｉ ｃ ｒ ｏ ｓ ｃ ｏ ｐ ｉ ｃ ｄ ｉ ｓ ｐ ｌ ａ ｃ ｅ ｍｅ ｎ ｔ ｉ ｍａ ｇ ｅ ｒ ｅ ｇ ｉ ｓ ｔ ｒ ａ ｔ ｉ ｏ ｎ ｂ ａ ｓ ｅ ｄ ｏ ｎ Ｓ ＵＲＦ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ
Ｖｏ １． １ １． Ｎｏ． ２ Ａｐ ｒ ． ，２ ０１ ３
文章 编号 ：２ ０ ９ ５ － ４ ９ ８ ０ （ ２ ０ １ ３ ） ０ ２ － ０ ２ ７ １ － ０ ６
基于SURF的图像配准与拼接技术研究共3篇
基于SURF的图像配准与拼接技术研究共3篇基于SURF的图像配准与拼接技术研究1近年来，图像配准与拼接技术已经成为了数字图像处理的重要研究方向之一。
在许多应用领域中，例如遥感影像、医学影像、三维建模等，图像配准与拼接技术已经得到了广泛的应用。
随着计算机视觉技术的不断发展，图像配准与拼接技术也在不断的完善和提高。
其中一种最具有代表性的图像配准与拼接技术就是基于SURF的图像配准与拼接技术。
SURF（Speeded-Up Robust Features）是一种高效的图像特征提取算法，它可以在保证特征点数量和质量的同时，提高提取速度。
利用SURF算法提取的特征点几乎不受图像缩放、旋转、平移等变换的影响，具有较好的鲁棒性和准确性。
基于SURF算法的图像配准与拼接技术，可以较好地解决图像缩放、旋转、平移等问题，为数字图像处理提供了更好的技术保障。
在基于SURF的图像配准与拼接技术中，首先需要选取参考图像和待配准图像。
然后，利用SURF算法对两幅图像提取特征点，并进行特征点匹配。
通过对特征点的匹配，可以找到两幅图像之间的几何变换关系。
接下来，可以利用图像配准技术对待配准图像进行校正对准，从而使其与参考图像达到一致。
最后，可以利用图像拼接技术将校正后的待配准图像与参考图像进行拼接，得到最终的拼接结果。
其中，特征点匹配是图像配准与拼接的关键步骤之一。
SURF算法的特征点匹配策略使用的是一种特殊的描述子匹配算法——KD树。
KD树是一种数据结构，在高维空间中构建KD树，可以实现高效的最近邻搜索。
通过KD树可以快速地找到两幅图像中距离最近的特征点，并将其匹配起来。
通过特征点的匹配，可以计算出两幅图像之间的变换关系，并对待配准图像进行校正对准。
除了特征点匹配外，还有一些其他的关键步骤也需要注意。
例如，在图像配准中，需要对待配准图像进行坐标转换，从而使得其与参考图像的坐标系一致。
在图像拼接中，需要实现拼接过程中的图像去重、光照一致性等问题。
找特征点的算法SIFT和SURF算法
找特征点的算法SIFT和SURF算法SIFT算法和SURF算法是用于图像特征点的检测与描述的两种经典算法。
它们在图像处理、计算机视觉和模式识别等领域得到广泛应用。
下面将分别介绍SIFT算法和SURF算法，并对其原理和应用进行详细阐述。
一、SIFT算法（Scale-Invariant Feature Transform）SIFT算法是由Lowe于1999年提出的一种用于图像特征点检测与描述的算法。
它通过分析图像的局部特征来提取与尺度无关的特征点，具有尺度不变性、旋转不变性和仿射不变性等优点。
1.特征点检测SIFT算法首先通过高斯差分金字塔来检测图像中的特征点。
高斯差分金字塔是由一系列模糊后再进行差分操作得到的，通过不同尺度的高斯核函数对图像进行卷积，然后对结果进行差分运算，得到图像的拉普拉斯金字塔。
在拉普拉斯金字塔上，通过寻找局部最大值和最小值来确定特征点的位置。
2.特征点描述在确定特征点的位置后，SIFT算法使用梯度直方图表示特征点的局部特征。
首先，计算特征点周围邻域内每个像素点的梯度幅值和方向，然后将邻域分为若干个子区域，并统计每个子区域内的梯度幅值和方向的分布，最后将这些统计结果组合成一个向量作为特征点的描述子。
3.特征点匹配SIFT算法通过计算特征点描述子之间的欧式距离来进行特征点的匹配。
欧式距离越小表示两个特征点越相似，因此选择距离最近的两个特征点作为匹配对。
二、SURF算法（Speeded Up Robust Features）SURF算法是由Bay等人于2024年提出的一种在SIFT算法的基础上进行改进的图像特征点检测与描述算法。
它通过加速特征点的计算速度和增强特征点的稳定性来提高算法的实时性和鲁棒性。
1.特征点检测SURF算法使用Hessian矩阵来检测图像中的特征点。
Hessian矩阵是图像的二阶导数矩阵，通过计算Hessian矩阵的行列式和迹来确定图像的局部最大值和最小值，从而找到特征点的位置。
计算机视觉中的特征匹配工具介绍(Ⅱ)
计算机视觉中的特征匹配工具介绍近年来，随着计算机技术的不断发展，计算机视觉技术也日渐成熟。
其中，特征匹配是计算机视觉中的一个重要环节，它能够帮助计算机识别和匹配图像中的特征点，从而实现图像识别、目标跟踪等功能。
本文将介绍几种常见的特征匹配工具，包括SIFT、SURF、ORB等，并分析它们的特点和适用场景。
SIFT（尺度不变特征转换）SIFT是一种基于局部特征的图像配准算法，最早由David Lowe在1999年提出。
它通过寻找图像中的关键点，并计算这些关键点的局部特征描述子，实现图像的匹配和识别。
SIFT算法具有尺度不变性和旋转不变性，能够在不同尺度和角度下对图像进行特征匹配，因此在目标识别、图像配准等领域有着广泛的应用。
SURF（加速鲁棒特征）SURF是一种基于SIFT算法的改进算法，由Herbert Bay等人于2006年提出。
它主要针对SIFT算法在计算效率上的不足进行了优化，采用快速Hessian矩阵的计算方法和积分图像的技术，大大提高了特征点的计算速度。
同时，SURF算法在保持SIFT算法的稳健性的基础上，进一步提高了特征匹配的准确性和鲁棒性。
因此，SURF算法在实时图像处理、目标跟踪等领域具有很高的实用价值。
ORB（Oriented FAST and Rotated BRIEF）ORB是一种结合了FAST关键点检测算法和BRIEF特征描述子的图像配准算法，由Ethan Rublee等人于2011年提出。
ORB算法在保持FAST算法处理速度快的特点的同时，引入了BRIEF算法的旋转不变特征描述子，克服了FAST和BRIEF算法在旋转不变性上的缺陷。
因此，ORB算法在计算效率和匹配准确性上都有很好的表现，适用于实时图像处理、SLAM（Simultaneous Localization and Mapping）等领域。
总结总的来说，SIFT、SURF和ORB是计算机视觉中常用的特征匹配工具，它们各自具有特点和优势，在不同的应用场景下有着不同的适用性。
基于改进SURF的图像配准关键算法研究
对于一 幅灰 度 的 图像 ， 积 分 图像 中 的任 意像 素 点 （ ， Ｙ ）的值 是 指 从 图像 的左 上 角 到这 个 点 的 所 构成 的矩 形 区域 内所 有 的 点 的灰度 值 之 和 ： 设 Ｇ表 示原 始 图像 ， Ｉ ｓ （ ， Ｙ ）表示积 分 图像 ， 则有 ：
度 空间 中提取 Ｓ Ｕ Ｒ Ｆ特征 点， 并 生成扩展 的特 征描述 向量。然后建立 Ｋ Ｄ ． Ｔ ｒ ｅ ｅ特征结构 ， 采用 Ｂ Ｂ Ｆ查询机制进行最近邻查询 实现特征 点快速 匹配。实验 结果表 明， Ｓ Ｕ Ｒ Ｆ算法进行特征检测 的时间是 Ｓ Ｉ Ｆ Ｔ算法的 １ ／ ３ ； 使用 Ｂ Ｂ Ｆ进行特征 匹配 ， 匹配速度
有很 大 的稳健 性 。
所 以本文采 用基 于 Ｋ Ｄ树 的 Ｂ Ｂ Ｆ 检 索算 法进 行 特
征 匹配 ， 提高 匹配速 度 。
Ｌ ｏ ｗ ｒ 的Ｓ Ｉ Ｆ Ｔ算 法被 认 为 是 效率 较 高 的一 种 特 征点 提取 算 法 ， 但 它 生 成 的特 征 描 述 子 维 数 过 高 ， 匹 配 时 不 能 达 到 实 时 性 的 要 求 。２ ０ ０ ６年 Ｂ ａ ｙ在 Ｓ Ｉ Ｆ Ｆ 算 法 的基 础上 提 出 了 Ｓ Ｕ Ｒ Ｆ局部 特 征 ， 通 过积 分 图像 和离 散 小 波 变 换 响应 的 相 结 合 ， 生成 Ｓ Ｕ Ｒ Ｆ 描述 子 ， 它在运 算 速 度 上要 比 Ｓ Ｉ Ｆ Ｔ快 好 多倍 ， 而且
≤ ≤ｙ
建设项 目（ ２ ０ １ ０ ０ ６ １ ０ ２ ３ ） 资助 第一作 者简介 ： 张开玉 （ １ ９ ８ ７ 一） ， 女， 汉族 ， 山西晋 中平遥人 ， 硕 士研 究生。研究方 向： 图像处理 。Ｅ ・ ｍａ ｉ ｌ ： ｚ ｈ ａ ｎ ｇ ｋ ａ ｉ ｙ ｕ ｈ ａ ｈ ａ ＠１ ６ ３ ． ｃ ｏ ｎ。 ｒ
基于SURF的图像匹配算法改进
龙源期刊网
基于SURF的图像匹配算法改进
作者：顾大龙曾峦翟优
来源：《现代电子技术》2012年第14期
摘要：在图像匹配中，SURF算法采用最邻近与次邻近欧式距离比查寻匹配点，当阈值过大时，这种方法会产生大量误匹配点，从而严重影响图像配准的精度。
RANSAC算法是一种
有效剔除误匹配点的方法，但需要人工确定部分参数值。
提出一种多层次图像匹配方法，不仅能够剔除误匹配点还可以无需人工参与完成图像匹配。
实验表明，该匹配方法能够精确提取匹配点和实现自动匹配，很好地满足图像配准的要求，具有一定的应用价值。
关键词：SURF；欧式距离；图像配准；自动匹配。
SURF与FLANN算法结合的图像匹配方法
SURF与FLANN算法结合的图像匹配方法【摘要】本文介绍了一种基于SURF和FLANN算法结合的图像匹配方法。
首先分别介绍了SURF算法和FLANN算法的原理，然后详细阐述了SURF与FLANN算法结合的优势所在。
接着描述了实验设计与方法，并对实验结果进行了分析。
通过实验结果验证了这种结合方法的有效性和优势。
最后总结了本文的研究成果，并展望了未来的研究方向。
该方法在图像匹配领域具有重要的研究意义和应用价值，为提高图像匹配的准确性和效率提供了新的思路和方法。
【关键词】SURF算法、FLANN算法、图像匹配、结合、优势、实验设计、实验结果分析、总结、未来展望1. 引言1.1 背景介绍图像匹配是计算机视觉领域中的重要问题之一，其主要目标是在两幅或多幅图像中找到相同或相似的物体或场景。
在图像处理和计算机视觉任务中，图像匹配被广泛应用于目标识别、物体跟踪、图像配准等领域。
传统的图像匹配算法如SIFT（尺度不变特征变换）和SURF （快速可加速特征）在一定程度上取得了成功，但是它们在效率和准确度方面存在一定的局限性。
随着计算机视觉和深度学习技术的快速发展，基于特征的图像匹配算法越来越受到关注。
SURF（加速稳健特征）是一种采用Hessian 矩阵来检测兴趣点的快速特征提取算法，FLANN（快速库近似最近邻）是一种最近邻搜索库，可以快速找到最相似的特征点。
将SURF和FLANN这两种算法结合起来，可以在提高匹配速度的保持较高的匹配准确度，从而解决传统算法中的一些问题。
本文将研究SURF与FLANN算法结合的图像匹配方法，并探讨其在实际应用中的意义和优势。
1.2 问题提出在图像处理领域，图像匹配是一个具有挑战性的问题。
由于图像中可能存在旋转、尺度变化、视角变化等因素，传统的图像匹配方法在处理这些情况时表现不佳。
SURF（Speeded-Up Robust Features）和FLANN（Fast Library for Approximate Nearest Neighbors）是两种常用的图像处理算法，它们在图像匹配中具有一定的优势。
影像匹配算法
影像匹配算法影像匹配算法主要可以分为基于特征的匹配和基于深度学习的匹配两大类。
基于特征的匹配算法是通过提取图像中的特征点或描述符，然后寻找这些特征点之间的对应关系来完成匹配的。
而基于深度学习的匹配算法则是通过神经网络来学习图像之间的相似性，从而实现匹配的过程。
在基于特征的匹配算法中，最常见的方法之一是SIFT（Scale-Invariant Feature Transform）算法。
SIFT算法是一种对尺度、旋转、光照变化具有不变性的特征点提取算法，在图像匹配中表现出色。
SIFT算法通过检测图像中的关键点，并计算这些关键点周围的局部特征描述符，然后通过比较这些描述符的相似度来确定图像之间的匹配关系。
另一个常用的基于特征的匹配算法是SURF（Speeded Up Robust Features）算法。
SURF算法是SIFT算法的改进版本，具有更快的计算速度和更高的匹配准确性。
SURF算法同样也是通过检测图像中的关键点和计算特征描述符来实现匹配的。
除了SIFT和SURF算法之外，还有一些其他常见的基于特征的匹配算法，如ORB （Oriented FAST and Rotated BRIEF）算法、BRISK（Binary Robust Invariant Scalable Keypoints）算法等。
这些算法各有其优缺点，可以根据具体应用场景来选择合适的算法进行图像匹配。
另一方面，基于深度学习的匹配算法在近年来得到了快速发展。
深度学习技术的兴起为图像匹配提供了新的思路和方法。
以Siamese神经网络为例，该网络可以学习图像之间的相似性，并生成一个嵌入空间，使得相似的图像在这个空间中距离更近，不相似的图像距离更远。
Siamese神经网络在图像匹配任务中表现出很好的性能。
另外，基于卷积神经网络（CNN）的匹配算法也取得了一些进展。
CNN在图像识别和分类任务中取得了很大的成功，同时也可以应用于图像匹配任务中。
基于改进 SURF 算法的 SAR 图像目标匹配
基 于 改进 Ｓ ＵＲ Ｆ算 法 的 Ｓ Ａ Ｒ 图像 目标 匹 配
雷 禹 ， 何 家峰
（ 广 东工 业大学 信息工程学院 ， 广东 广州 ５ １ ０ ０ ０ ６ ）
摘要 ： 由于 Ｓ Ａ Ｒ（ Ｓ ｙ ｎ ｔ ｈ ｅ ｔ ｉ ｃ Ａ ｐ ｅ ｒ ｔ ｕ ｒ ｅ Ｒ ａ ｄ ａ ｒ ） 图像 纹理丰富且存在大量 的噪声 ， 使得传统 Ｓ Ｕ Ｒ Ｆ （ Ｓ ｐ ｅ ｅ ｄ Ｕ ｐ Ｒ ｏ ｂ ｕ ｓ ｔ Ｆ ｅ ａ — ｔ ｕ ｒ ｅ ｓ ） 算子对 Ｓ Ａ Ｒ图像 的 目标兴趣点检测并不理想 ， 存在兴趣点检测适应性不强 和Ⅲ现大量无用特征点 ， 致使 日标
第３ １卷 第 １期
２ ０ ｌ ４年 ３月
广 东 工业 大学 学报
Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｇｕ ａ ｎ ｇ ｄ ｏ ｎ ｇ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ｏ ｆ Ｔｅ ｃ ｈ ｎ ｏ ｌ ｏ ｇ ｙ
Ｖｏ １ ． ３ｌ Ｎｏ ．１ Ｍａ ｒ ｃ ｈ ２ ０ｌ ４
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｂｅ ｃ ａ ｕ ｓ ｅ ｔ ｈ ｅ Ｓ ＡＲ ｉ ｍａ ｇ ｅ ｈ ａ ｓ ｒ ｉ ｃ ｈ ｔ ｅ ｘ ｔ ｕ ｒ ｅ ａ ｎ ｄ ａ ｌ ｏ ｔ ｏ ｆ ｎ ｏ ｉ ｓ ｅ，ｔ ｈｅ ｔ ｒ ａ ｄ ｉ ｔ ｉ ｏ ｎａ ｌ ＳＵＲＦ ｏ ｐ ｅ ｒ ａ ｔ ｏ ｒ ｉ ｓ ｎ ｏ ｔ
图像识别中的特征提取方法综述
图像识别中的特征提取方法综述图像识别是计算机视觉领域中的重要研究方向，它涉及许多应用领域，如人脸识别、目标检测和场景理解等。
在图像识别中，特征提取是至关重要的步骤之一，它通过从图像中提取出具有代表性的特征来帮助计算机理解图像。
本文将综述图像识别中常用的特征提取方法，并对它们的原理和应用进行介绍。
一、基于点特征的提取方法1. SIFT（尺度不变特征变换）：SIFT是一种局部特征描述算法，它通过检测图像中的关键点，并计算这些关键点周围区域的局部特征向量。
SIFT具有尺度不变性和旋转不变性，适用于各种尺度和旋转变换的图像匹配任务。
2. SURF（加速稳健特征）：SURF是一种基于SIFT的改进算法，它借鉴了SIFT的思想并进行了优化，提高了特征提取的速度和鲁棒性。
SURF通过计算图像中的快速Hessian矩阵来检测关键点，并通过计算Haar小波响应来描述关键点的局部特征。
二、基于区域特征的提取方法1. HOG（方向梯度直方图）：HOG是一种用于目标检测的特征描述算法，它通过计算图像中的梯度直方图来描述图像的局部特征。
HOG通过将图像划分为小的区域块，并计算每个块内像素的梯度方向直方图来表示图像的特征。
2. LBP（局部二值模式）：LBP是一种用于纹理识别的特征描述算法，它通过将图像中的像素值与其邻域像素值进行比较，并构造局部二值模式来表示图像的纹理特征。
LBP具有旋转不变性和光照不变性，适用于纹理分类和人脸识别等任务。
三、基于深度学习的特征提取方法1. CNN（卷积神经网络）：CNN是一种基于深度学习的特征提取方法，它模拟了生物视觉系统中的神经元连接模式，能够自动学习图像中的特征表示。
CNN通过堆叠多个卷积层、池化层和全连接层来提取图像的特征，并用于图像分类、目标检测和物体分割等任务。
2. GAN（生成对抗网络）：GAN是一种基于生成模型的特征提取方法，它由生成器和判别器组成，通过对抗训练的方式来学习图像的特征表示。
基于SURF的连续帧图像配准及高光去除
3文章编号：1007-757X(2011)01-0037-03基于SURF 的连续帧图像配准及高光去除卓武汉，严京旗摘要：物体上的高光直接影响工业检测、模式识别和计算机视觉等领域中后续处理的算法性能。
如何检测和消除图像中的高光区域一直是个热点问题。
这里介绍了一种基于SURF 的连续帧图像配准及高光去除的方法。
首先，利用SURF 特征检测及其特征描述方法，对连续帧图像进行自动配准；其次，在连续帧图像配准后，对图像进行融合；最后，输出去除高光的图像。
实验表明：该方法用于消除或消弱高光区域有比较好的效果，有一定的理论和应用价值。
关键词：图像配准；图像融合；SURF ；高光去除中图分类号：T P317文献标志码：A0引言工业检测、模式识别和计算机视觉等应用领域中，高光是普遍存在着的，当我们对图像进行处理时，图像中的高光就经常成为图像检测识别的一大障碍，严重影响着对图像的后续处理。
例如，高光的存在会极大地影响条形码、二维码、关键字符等的识别；并对图像分割、边缘检测、目标跟踪等算法的精度和鲁棒性也有很大的影响。
如图1所示的是工业生产线上所拍的9张连续的饮料瓶图像，我们可以很明显看出每张图像中均存在着较大范围的高光区域。
图1具有高光的饮料瓶连续图像现在已有的去高光处理方法主要是针对单幅图像的，但是单幅图像的处理比较困难，去除高光的结果很难到达预期。
例如，针对单幅图像去高光的处理，Lee[1]曾经提出了一个在色度空间估计光源色度的方法，但是由于图像噪声的影响，直接利用该方法估计光源色度，往往得不到理想的结果。
Novak 和Shafer[2]曾经从RGB 空间中的像素分布估计表面的粗糙程度和物体的几何形状，并以此估计高光像素簇的扭曲程度，以便获得一个更精确的光源颜色估计，但是由于图像噪声等的影响，仅仅从像素的分布形状往往很难可靠地估计出这些信息。
对于单张图像去高光而言，并且由于图像中经常有其他颜色的物体存在，完全自动检测高光区域是一个非常困难的问题。
surf特征描述
"surf"特征描述通常是指在计算机视觉和图像处理领域中，使用surf （Speeded Up Robust Features）算法提取图像特征的过程。
SURF是一种基于Hessian矩阵的局部特征描述子，主要用于图像的识别和匹配。
以下是surf特征描述的一些主要步骤：1. 构建Hessian矩阵：在图像的每个像素点处，计算一个二阶Hessian矩阵。
这个矩阵可以反映出像素点邻域内的强度变化情况。
2. 计算Hessian矩阵的行列式：对于每个像素点，计算其Hessian矩阵的行列式。
行列式的值可以反映出像素点的局部结构信息。
3. 选择候选特征点：根据行列式的值，在图像中选取一系列候选特征点。
这些特征点通常具有独特的局部结构信息，例如角点、边缘点等。
4. 确定特征点的主方向：对于每个候选特征点，计算其邻域内的梯度方向。
梯度方向可以反映出像素点的局部纹理信息。
然后，选取邻域内最具代表性的梯度方向作为特征点的主方向。
5. 计算特征点的描述子：以特征点为中心，沿着主方向选取一个邻域。
在这个邻域内，对像素点的梯度值进行统计，得到一个特征向量。
这个特征向量就是surf特征描述子。
6. 特征点匹配：将图像中的特征点与另一幅图像中的特征点进行匹配。
匹配的依据是特征点之间的距离度量，例如欧氏距离、马氏距离等。
匹配成功的特征点对可以用来估计两幅图像之间的变换关系，例如旋转、缩放等。
总之，surf特征描述是一种提取图像局部特征的有效方法。
通过计算像素点的Hessian矩阵、行列式、主方向和描述子，可以在图像中找到具有独特性质的feature points。
这些特征点在图像匹配、识别等任务中具有重要作用。
Matlab中的图像特征匹配方法
Matlab中的图像特征匹配方法引言在现代科技的发展中，图像处理技术被广泛应用于各个领域。
图像特征匹配作为图像处理中的重要技术，可以在图像中寻找相似的特征，以实现目标检测、图像配准等应用。
在Matlab这一强大的计算工具上，有许多图像特征匹配方法可以被使用。
本文将介绍几种常用的图像特征匹配方法，并对其原理和应用进行探讨。
一、SIFT特征匹配尺度不变特征转换（Scale-Invariant Feature Transform，SIFT）是一种用于图像特征检测与描述的算法。
该算法通过在空间尺度和方位角上寻找稳定的图像特征点，并对其进行描述，实现了对图像特征点的尺度与旋转不变性。
在Matlab中，可以使用VLFeat工具箱中的函数进行SIFT特征匹配。
SIFT特征匹配的基本步骤包括特征点检测、特征点描述和特征匹配。
首先，使用尺度空间极值检测算法寻找关键点。
然后，在每个关键点处计算图像的局部梯度，并根据梯度方向和幅值构建特征描述符。
最后，通过计算两个图像中特征描述符之间的欧氏距离，进行特征匹配。
SIFT特征匹配在计算机视觉领域有广泛的应用，在目标检测、图像配准等方面发挥着重要作用。
然而，由于其计算复杂度较高，在实际应用中可能存在一些限制。
二、SURF特征匹配速度加快的尺度不变特征转换（Speeded Up Robust Features，SURF）是对SIFT算法的改进，旨在提高特征提取和匹配的速度。
在Matlab中，可以使用SURF函数进行SURF特征匹配。
SURF特征匹配的关键是对图像中的关键点进行描述。
与SIFT算法类似，SURF算法也使用局部梯度来构建特征描述符。
但不同的是，SURF算法使用了积分图像来加速特征描述符的计算，并采用了一种更快的方法来计算特征点之间的欧氏距离。
SURF特征匹配相对于SIFT算法在速度上有明显的优势，同时也具有一定的旋转和尺度不变性。
在实际应用中，SURF特征匹配常被用于图像拼接、目标跟踪等方面。
基于改进SURF算法的图像拼接研究
第４５卷第２期２０２１年４月南京理工大学学报ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙＶｏｌ.４５Ｎｏ.２Ａｐｒ.２０２１㊀收稿日期:２０２０－０１－０７㊀㊀修回日期:２０２０－０５－１７㊀基金项目:国家自然科学基金(６１９７６１１６)ꎻ中央高校基本科研业务费专项资金(３０９２００２１１３５)㊀作者简介:徐启文(１９９５－)ꎬ男ꎬ硕士生ꎬ主要研究方向:计算机视觉㊁图像处理ꎬＥ￣ｍａｉｌ:９９５３３８４３７＠ｑｑ.ｃｏｍꎻ通讯作者:唐振民(１９６１－)ꎬ男ꎬ博士ꎬ教授ꎬ博士生导师ꎬ主要研究方向:智能机器人系统技术㊁图像处理与模式识别ꎬＥ￣ｍａｉｌ:ｔｚｍ.ｃｓ＠ｎｊｕｓｔ.ｅｄｕ.ｃｎꎮ㊀引文格式:徐启文ꎬ唐振民ꎬ姚亚洲.基于改进ＳＵＲＦ算法的图像拼接研究[Ｊ].南京理工大学学报ꎬ２０２１ꎬ４５(２):１７１－１７８.㊀投稿网址:ｈｔｔｐ://ｚｒｘｕｅｂａｏ.ｎｊｕｓｔ.ｅｄｕ.ｃｎ基于改进ＳＵＲＦ算法的图像拼接研究徐启文ꎬ唐振民ꎬ姚亚洲(南京理工大学计算机科学与工程学院ꎬ江苏南京２１００９４)摘㊀要:快速鲁棒特征(Ｓｐｅｅｄｅｄ￣ｕｐｒｏｂｕｓｔｆｅａｔｕｒｅꎬＳＵＲＦ)算法在图像匹配㊁模式识别㊁图像拼接等众多领域有着广泛的应用ꎮ随着摄像机的更新换代ꎬ照片分辨率逐渐提升ꎬ传统的ＳＵＲＦ算法已经无法满足图像拼接的效率要求ꎻ针对以上问题ꎬ该文提出了一种具有动态阈值的改进ＳＵＲＦ算法ꎬ该算法依据图像位置的相关性ꎬ生成用于规划拼接区域的动态阈值ꎬ利用该阈值缩小特征提取和匹配的有效区域ꎬ从而提升算法的执行效率ꎮ针对传统的渐进渐出图像融合算法失真严重的问题ꎬ该文提出了一种新的非线性权重模型ꎬ利用该模型ꎬ有效降低了拼接图像的重影现象ꎬ提升了视觉效果ꎮ关键词:快速鲁棒特征算法ꎻ图像拼接ꎻ动态阈值ꎻ图像融合中图分类号:ＴＰ３９１㊀㊀文章编号:１００５－９８３０(２０２１)０２－０１７１－０８ＤＯＩ:１０.１４１７７/ｊ.ｃｎｋｉ.３２－１３９７ｎ.２０２１.４５.０２.００６ＲｅｓｅａｒｃｈｏｎｉｍａｇｅｍｏｓａｉｃｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＳＵＲＦａｌｇｏｒｉｔｈｍＸｕＱｉｗｅｎꎬＴａｎｇＺｈｅｎｍｉｎꎬＹａｏＹａｚｈｏｕ(ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇꎬＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙꎬＮａｎｊｉｎｇ２１００９４ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:Ｓｐｅｅｄｅｄ￣ｕｐｒｏｂｕｓｔｆｅａｔｕｒｅ(ＳＵＲＦ)ｈａｓａｗｉｄｅｒａｎｇｅｏｆａｐｐｌｉｃａｔｉｏｎｉｎｍａｎｙｆｉｅｌｄｓｓｕｃｈａｓｉｍａｇｅｍａｔｃｈｉｎｇꎬｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎａｎｄｉｍａｇｅｓｔｉｔｃｈｉｎｇ.ＷｉｔｈｔｈｅｕｐｄａｔｉｎｇｏｆｃａｍｅｒａｓꎬｔｈｅｒｅｓｏｌｕｔｉｏｎｏｆｐｈｏｔｏｓｉｓｇｒａｄｕａｌｌｙｉｍｐｒｏｖｅｄꎬａｎｄｔｈｅｔｒａｄｉｔｉｏｎａｌＳＵＲＦａｌｇｏｒｉｔｈｍｈａｓｇｒａｄｕａｌｌｙｆａｉｌｅｄｔｏｍｅｅｔｔｈｅｅｆｆｉｃｉｅｎｃｙｒｅｑｕｉｒｅｍｅｎｔｓｏｆｉｍａｇｅｓｔｉｔｃｈｉｎｇ.ＩｎｖｉｅｗｏｆｔｈｅｐｒｏｂｌｅｍｓꎬｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｎｉｍｐｒｏｖｅｄＳＵＲＦａｌｇｏｒｉｔｈｍｗｉｔｈａｄｙｎａｍｉｃｔｈｒｅｓｈｏｌｄꎬｗｈｉｃｈｇｅｎｅｒａｔｅｓａｄｙｎａｍｉｃｔｈｒｅｓｈｏｌｄｆｏｒｐｌａｎｎｉｎｇｔｈｅｓｔｉｔｃｈｉｎｇａｒｅａｂａｓｅｄｏｎｔｈｅｃｏｒｒｅｌａｔｉｏｎｏｆｔｈｅｉｍａｇｅｐｏｓｉｔｉｏｎꎬａｎｄｕｓｅｓｔｈｉｓｔｈｒｅｓｈｏｌｄｔｏｎａｒｒｏｗｔｈｅｅｆｆｅｃｔｉｖｅａｒｅａｆｏｒｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎａｎｄｍａｔｃｈｉｎｇꎬｔｈｅｒｅｂｙｉｍｐｒｏｖｉｎｇｔｈｅｅｘｅｃｕｔｉｏｎｅｆｆｉｃｉｅｎｃｙｏｆｔｈｅ南京理工大学学报第４５卷第２期ａｌｇｏｒｉｔｈｍ.Ａｉｍｉｎｇａｔｔｈｅｐｒｏｂｌｅｍｏｆｓｅｒｉｏｕｓｄｉｓｔｏｒｔｉｏｎｏｆｔｈｅｔｒａｄｉｔｉｏｎａｌｌｉｎｅａｒｗｅｉｇｈｔｅｄｉｍａｇｅｆｕｓｉｏｎａｌｇｏｒｉｔｈｍꎬｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｎｅｗｎｏｎｌｉｎｅａｒｗｅｉｇｈｔｍｏｄｅｌ.Ｕｓｉｎｇｔｈｉｓｍｏｄｅｌꎬｔｈｅｇｈｏｓｔｉｎｇｐｈｅｎｏｍ￣ｅｎｏｎｏｆｔｈｅｓｔｉｔｃｈｅｄｉｍａｇｅｉｓｅｆｆｅｃｔｉｖｅｌｙｒｅｄｕｃｅｄａｎｄｔｈｅｖｉｓｕａｌｅｆｆｅｃｔｉｓｉｍｐｒｏｖｅｄ.Ｋｅｙｗｏｒｄｓ:ｓｐｅｅｄｅｄ￣ｕｐｒｏｂｕｓｔｆｅａｔｕｒｅａｌｇｏｒｉｔｈｍꎻｉｍａｇｅｍｏｓａｉｃꎻｄｙｎａｍｉｃｔｈｒｅｓｈｏｌｄꎻｉｍａｇｅｆｕｓｉｏｎ㊀㊀目前ꎬ随着无人机控制㊁定位以及稳定飞行技术的日渐提升ꎬ无人机应用领域也日渐广泛ꎮ在交通检测领域ꎬ通过无人机进行桥梁㊁道路质量检测也成为配合传统的人工检测㊁桥检车检测的有效手段ꎮ通过无人机搭载摄像机进行桥梁㊁道路图像的采集ꎬ这一过程将产生大量的位置相关联的桥梁㊁道路图像ꎮ在桥梁㊁道路图像的采集过程中ꎬ为了保持信息的完整ꎬ往往会在相邻图像之间保留一定重叠ꎬ依赖这部分重叠信息ꎬ对相邻图像进行拼接ꎬ从而展示出更加完整的图像信息ꎮ这类场景以及类似场景图像集的相互关联性以及实际应用中的实时性ꎬ既对图像拼接算法提出了新的要求ꎬ也为图像拼接的效率提升提供了可能性ꎬ因此ꎬ研究效率更高㊁质量更好的图像拼接和图像融合算法有着非常重要的价值ꎮ在图像拼接质量方面ꎬ诸如针对单视角拼接的Ａｓ￣ｐｒｏｊｅｃｔｉｖｅ￣ａｓ￣ｐｏｓｓｉｂｌｅｉｍａｇｅｓｔｉｔｃｈｉｎｇｗｉｔｈｍｏｖｉｎｇＤＬＴ(ＡＰＡＰ)[１]算法和针对多视角拼接的Ｎａｔｕｒａｌｉｍａｇｅｓｔｉｔｃｈｉｎｇｗｉｔｈｔｈｅｇｌｏｂａｌｓｉｍｉｌａｒｉｔｙｐｒｉｏｒ(ＧＳＰ)[２]算法等优秀图像拼接算法在优化特征点提取和图像融合方面有了长足的进步ꎬ极大地改进了拼接图像的视觉效果ꎬ质量提升明显ꎮ但在算法效率方面ꎬ由于摄像机分辨率的日益提升ꎬ被广泛使用的Ｈａｒｒｉｓ角点检测算法㊁尺度不变特征变换(Ｓｃａｌｅ￣ｉｎｖａｒｉａｎｔｆｅａｔｕｒｅｔｒａｎｓｆｏｒｍꎬＳＩＦＴ)[３]算法以及快速鲁棒特征(Ｓｐｅｅｄｅｄ￣ｕｐｒｏｂｕｓｔｆｒｅａｔｕｒｅｓꎬＳＵＲＦ)[４]算法等均难以提供令人满意的拼接效率ꎻ其中ꎬ在时间效率方面最高效的ＳＵＲＦ算法在进行２张高分辨率图像的拼接时ꎬ特征提取和匹配阶段普遍要花费数秒乃至更长的时间ꎬ整体效率不高ꎮ结合已有经典算法ꎬ为了提升图像拼接的效率和获取更加高质量的拼接图像ꎬ本文通过动态规划特征提取㊁描述区域的方式改进传统的ＳＵＲＦ算法ꎬ依赖相邻图像空间重叠区域比例的相似性获取动态阈值ꎬ只对阈值内的区域进行特征提取和描述ꎬ以此提升拼接效率ꎮ同时ꎬ提出了新的非线性权重图像融合模型ꎬ以非线性权重重新规划拼接区域的权重占比ꎬ改进传统的渐进渐出图像融合算法ꎬ以期获取更高质量的拼接图像ꎬ有效提升多摄像机拍摄场景下的视频拼接效率ꎮ１㊀具有动态阈值的改进ＳＵＲＦ算法１.１㊀图像拼接算法基本流程为实现位置相关联图像集合的图像拼接ꎬ本文采用改进ＳＵＲＦ算法进行特征点提取㊁描述和匹配以完成图像的机械拼接ꎬ应用非线性权重图像融合模型完成图像像素级融合ꎬ主要流程如图１所示ꎮ图１㊀本文算法基本流程图１.２㊀特征提取与描述ＳＵＲＦ算法优化了传统ＳＩＦＴ算法的特征提取和描述过程ꎬ通过改进高斯金字塔的构建过程以及降低特征描述子的维度等方法ꎬ提升了执行效率和算法稳定性ꎮ在算法执行效率方面ꎬＳＵＲＦ算法的执行效率约为ＳＩＦＴ算法的３倍ꎬ能明显减少算法执行时间ꎻ在稳定性方面ꎬＳＵＲＦ算法也在多幅图片场景下有更稳定的表现ꎬ其主要步骤如算法１所示ꎮ算法１㊀ＳＵＲＦ算法执行过程输入:一张待处理图像ꎮ输出:特征描述向量集ꎮ１:构造图像的Ｈｅｓｓｉａｎ矩阵ꎮ２:构造高斯金字塔ꎮ３:特征点初步定位ꎮ４:计算特征点的矢量方向ꎮ５:形成特征点的描述子ꎮ２７１总第２３７期徐启文㊀唐振民㊀姚亚洲㊀基于改进ＳＵＲＦ算法的图像拼接研究㊀㊀１.３㊀生成用于规划特征点检测区域的动态阈值传统的ＳＵＲＦ算法在进行特征点提取和描述的过程中ꎬ会对整幅图像的所有区域进行特征点提取和描述ꎬ而进行特征匹配阶段时ꎬ通常只会用到与待拼接图像相邻部分的特征点进行特征匹配ꎬ从而协助变换矩阵[５]和变换图像的生成ꎬ而大部分特征点成为冗余特征点ꎬ这部分冗余特征点将产生以下负面影响:(１)在消耗了大量计算和存储资源进行特征点的提取㊁描述和存储后ꎬ没有得到有效利用就被释放ꎬ加重了时间和空间负载ꎬ降低了算法性能ꎮ(２)处于非拼接区域的无效冗余特征点在特征点匹配阶段将对特征点的正确匹配产生干扰ꎬ增加了特征点误匹配的可能性ꎮ图２和３是模拟环境下无人机自动拍摄的实例图ꎮ图２为待拼接原图ꎬ图３为特征点配对图ꎬ其左右两侧代表相邻的两张图片ꎬ其中位置 ０２ 和位置 ０３ 是处于背景布边缘两侧的特征点ꎬ位置 ０１ 和位置 ０４ 是处于背景布支架上的特征点ꎬ这几处特征点处于图像的边缘位置ꎬ并不在拼接区域内ꎬ但由于其所处位置图像特征的相似性ꎬ产生了误匹配ꎬ从而影响了匹配效率ꎬ若误匹配数量过多ꎬ将直接影响拼接质量ꎮ图２㊀待拼接原图图３㊀传统ＳＵＲＦ算法特征匹配图因此ꎬ选取最有重叠可能的一部分区域进行特征点提取和描述ꎬ而舍弃重叠可能性不高的图像区域的特征点ꎬ能够有效减少冗余特征点的数量ꎬ从而加快特征点提取和匹配速度ꎮ通常ꎬ为进行质量检测而采集的图像集会存在明显的邻接关系ꎬ如图４所示ꎮ图４㊀模拟环境图像集图４为无人机在模拟环境中采集的一组图像ꎬ它们在水平方向的重叠程度都极其相似ꎬ因此ꎬ在这一类图像集中ꎬ一对图像的特征提取结果可以为同一横向或同一纵向的其他图像的拼接提供协助ꎮ以横向拼接为例ꎬ主要方法如式(１)所示㊀Ｓ１＝５０％Ｓｉ＝Ｓ１＋ðｉ－１ｋ＝１ｆｋｉìîíïïïï(１)式中:Ｓ１为初始阈值ꎬＳｉ为第ｉ次(ｉ>１)拼接的阈值ꎮ通常情况下ꎬ在图像边缘５０％以外的特征点对图像拼接的影响不大ꎬ因此ꎬ取Ｓ１为５０％ꎬ即只取与待拼接图像相邻一侧的那一半区域进行特征点的提取和匹配ꎮｆｋ为第ｋ次图像拼接的阈值变化贡献因子ꎬ其表示如式(２)所示㊀ｆｋ＝ｄｋｗｋ(２)式中:ｗｋ为第ｋ次拼接右图的图像宽度ꎬｄｋ为舍弃部分稀疏的边缘特征点后剩余有效特征点与拼接左边界的最大距离ꎬｄｋ的具体生成步骤如下ꎮ(１)选取待拼接图像中的一幅图像(右图或下图)为待处理图像ꎮ(２)将图像等分成Ｎ个区域(Ｎ＝ＮＦ４ꎬ其中ꎬＮＦ为特征点匹配对总数)ꎬ获取每个区域的匹配对数量ｎ１ꎬｎ２ꎬｎ３ꎬ ꎬｎＮꎮ(３)从最右侧的区域开始(如果是上下结构的图像ꎬ则从最下方区域开始)ꎬ若满足式(３)ꎬ则将区域ｉ作为边缘区域ꎬ抛弃区域ｉ之外的其他特３７１南京理工大学学报第４５卷第２期征点匹配对ꎬ从而获得ｄｋ的数值ꎮ㊀ｎｉ＋ｎｉ＋１＋ ＋ｎＮȡ０.１ˑＮＦꎬｎｉ＋１＋ ＋ｎＮ<０.１ˑＮＦ(３)边缘特征匹配对去除后ꎬ获取第一次拼接的阈值变化贡献因子ｆ１ꎬ将该数值与初始阈值求均值ꎬ生成新的阈值Ｓ２用于下一组图像的拼接ꎻ拼接完成后ꎬ生成新的阈值变化贡献因子ｆ２ꎬ将ｆ１㊁ｆ２和初始阈值３个数值求均值ꎬ生成第３次拼接的阈值Ｓ３继续用作下一组图像拼接ꎬ以此类推ꎬ直到阈值变化趋于稳定ꎬ当第ｉ次拼接满足式(４)时㊀｜Ｓｉ－Ｓｉ－１｜<３％ꎬ｜Ｓｉ－１－Ｓｉ－２｜<３％(４)即认定阈值稳定ꎬ将该阈值作为之后图像的拼接阈值ꎮ若出现个别图像在当前阈值下无法正确拼接的情况ꎬ则仅对当前图像做阈值增加０.１的操作ꎬ其他图像继续使用当前阈值ꎮ在完成２０~５０轮拼接操作后ꎬ将该阈值作为新的初始阈值重新获取新的拼接阈值ꎬ直到所有工作完成ꎮ以图２的待拼接图像为例ꎬ本文算法的特征匹配图如图５所示ꎮ图５㊀本文算法特征匹配图与图３的传统算法匹配图相比ꎬ本文改进算法的匹配图有效控制了特征匹配的范围ꎬ使得匹配正确率有所上升ꎬ并显著控制了特征点的数目ꎬ使得算法效率提升ꎬ具体数据将在第５节详细介绍ꎮ２㊀特征点匹配本文使用近似最近邻快速搜索库(ＦａｓｔｌｉｂｒａｒｙｆｏｒａｐｐｒｏｘｉｍａｔｅｎｅａｒｅｓｔｎｅｉｇｈｂｏｒｓꎬＦＬＡＮＮ)算法进行特征匹配[６]ꎬＦＬＡＮＮ算法能够有效清除大部分复杂图像的特征误匹配[７]ꎮＦＬＡＮＮ算法的执行步骤如下:第１步:以第一幅图像的特征点为训练集ꎬ第二幅图像的特征点为查询集ꎬ获取训练集中所有特征点与查询集中特征点的欧氏距离ꎮ第２步:通过比较欧氏距离ꎬ保留每个训练集特征点与查询集特征点欧氏距离的最近点和次近点ꎬ放弃其余匹配ꎮ第３步:若最近欧氏距离和次近欧氏距离满足㊀最近欧式距离次近欧氏距离<ｒａｔｉｏ(５)则保留该匹配对ꎬ否则抛弃该匹配对ꎮ其中ꎬｒａｔｉｏ是判别最近欧氏距离的匹配对与次近欧氏距离匹配对差异程度的阈值(０<ｒａｔｉｏ<１)ꎻｒａｔｉｏ取值越大ꎬ匹配对数目越多ꎬ匹配精度越低ꎻｒａｔｉｏ取值越小ꎬ匹配对数目越少ꎬ匹配精度越高ꎮ一般情况下ꎬｒａｔｉｏ的取值在０.４~０.６时ꎬ匹配的整体效果较好ꎬ本文实验中使用的ｒａｔｉｏ取值为０.６ꎮ３㊀图像对齐本文算法使用单应性变换(Ｈｏｍｏｇｒａｐｈｙ)算法进行图像翘曲ꎬ使得左右图像基本对齐ꎮ单应性变换就是将一张图像上的点映射到另一张图像上对应的点的３ˑ３变换矩形Ｈꎬ其表达式为㊀Ｈ＝ｈ００ｈ０１ｈ０２ｈ１０ｈ１１ｈ１２ｈ２０ｈ２１ｈ２２éëêêêêùûúúúú(６)对于图像翘曲前后的一组对应点(ｘ１ꎬｙ１)和(ｘ２ꎬｙ２)ꎬ二者的映射关系如式(７)所示㊀ｘ１ｙ１１éëêêêêùûúúúú＝Ｈｘ２ｙ２１éëêêêêùûúúúú＝ｈ００ｈ０１ｈ０２ｈ１０ｈ１１ｈ１２ｈ２０ｈ２１ｈ２２éëêêêêùûúúúúｘ２ｙ２１éëêêêêùûúúúú(７)应用上述映射公式进行图像变换ꎬ生成变换后图像ꎬ进行机械拼接ꎮ４㊀改进的非线性权重图像融合算法图像融合是图像拼接的关键步骤ꎬ其作用是消除机械拼接产生的拼接裂缝以及亮度㊁色调等图像信息的跃迁ꎬ使得图像拼接区域的过渡更为自然ꎮ目前ꎬ针对不同的应用场景ꎬ渐进渐出融合[８]和缝合线融合[９]等图像融合算法均有一定的应用ꎬ在本文算法中ꎬ考虑到算法执行效率的要求ꎬ应用渐进渐出图像融合算法的改进算法进行图像融合ꎮ传统的渐进渐出图像融合算法以线性权重生成重叠区域像素ꎬ以２张图像的横向拼接为例ꎬ其４７１总第２３７期徐启文㊀唐振民㊀姚亚洲㊀基于改进ＳＵＲＦ算法的图像拼接研究㊀㊀权重示意图如图６所示ꎬ在非重叠区域Ｃ１和Ｃ２中ꎬ非重叠区域Ｃ１由待拼接左图贡献１００％权重生成ꎬ非重叠区域Ｃ２由待拼接右图贡献１００％权重生成ꎬ而在重叠区域中ꎬ最终产生的像素遵循㊀Ｃ(ｘꎬｙ)＝Ｗ１Ｃ１(ｘꎬｙ)＋Ｗ２Ｃ２(ｘꎬｙ)(８)式中:Ｗ１为左图的权重ꎬＷ２为右图的权重ꎬＣ１ｘꎬｙ()为左图的像素值ꎬＣ２ｘꎬｙ()为右图的像素值ꎮ渐进渐出图像融合权重Ｗ１和Ｗ２的值遵循㊀Ｗ１＝Ｄ１－Ｄ２Ｄ１Ｗ２＝１－Ｗ１ìîíïïïï(９)式中:Ｄ１为重叠区域总宽度ꎬＤ２为当前像素与重叠区域左边界的距离ꎮ图６㊀渐进渐出图像融合算法权重示意图传统的渐进渐出图像融合算法虽然被广泛应用ꎬ但在进行扭曲角度较大㊁信息较为复杂的图像拼接时ꎬ这类图像融合算法存在以下缺陷:(１)拼接区域重影严重ꎬ严重影响拼接后图像的视觉观感ꎮ(２)拼接区域像素信息过渡较快ꎬ可能会产生拼接裂缝ꎬ视觉效果较差ꎮ为降低渐进渐出算法的缺陷对图像拼接视觉效果的影响ꎬ本文提出了新的非线性权重模型ꎬ其权重示意图如图７所示ꎬ非重叠区域的权重与线性算法相同ꎬ重叠区域权重遵循Ｗ１＝０.５＋３０.５３－Ｄ２Ｄ１æèçöø÷３ｌｅｆｔɤｘ<ｌｅｆｔ＋ｒｉｇｈｔ２０.５－３０.５３－Ｄ１－Ｄ２Ｄ１æèçöø÷３ｌｅｆｔ＋ｒｉｇｈｔ２ɤｘɤｒｉｇｈｔìîíïïïïïïＷ２＝１－Ｗ１ìîíïïïïïïïï(１０)式中:Ｄ１为重叠区域总宽度ꎬＤ２为当前像素与重叠区域左边界的距离ꎬｌｅｆｔ为拼接重叠区域左边界坐标ꎬｒｉｇｈｔ为拼接重叠区域右边界坐标ꎮ图７㊀非线性权重图像融合算法权重示意图该模型放大了左图像对靠近左边界部分重叠图像的影响以及右图像对靠近右边界部分重叠图像的影响ꎬ将使得拼接区域靠近边界的像素变化更加平滑ꎬ能够有效减少重叠部分的图像重影ꎬ从而有效减少重影㊁裂痕等视觉干扰因素ꎮ５㊀实验结果本文应用１１组连续的并具有相互临接关系的图像集进行拼接实验ꎬ这１１组图像集包括１组无人机模拟图像集㊁７组路面图像集以及３组墙壁图像集ꎬ１１组图像集共包含１３２张(６６对)待拼接图像ꎬ在不使用ＣＰＵ和ＧＰＵ加速的前提下ꎬ按照相关实验结果指标将本文算法与传统ＳＵＲＦ算法进行算法效率比较ꎮ５.１㊀实验环境本次实验操作系统为Ｗｉｎｄｏｗｓ１０专业版ꎬ编译环境为ＶｉｓｕａｌＳｔｕｄｉｏ２０１２ꎬ处理器为Ｉｎｔｅｌ®ＣｏｒｅＴＭｉ７￣６７００ＨＱＣＰＵ＠２.６０ＧＨｚꎮ５.２㊀实验结果相关参数为量化本文算法与传统算法的差异ꎬ统计特征点提取时间㊁特征点描述时间㊁特征点匹配时间㊁特征点总数目㊁匹配对总数目㊁参与精匹配的匹配对数目㊁特征点利用率㊁匹配正确率[１０]等参数并对其进行比较ꎮ㊀特征点利用率＝参与精匹配的匹配对数目匹配对总数目(１１)５.３㊀本文算法与传统算法的对比５.３.１㊀具有动态阈值的改进ＳＵＲＦ算法与传统ＳＵＲＦ算法对比如表１所示ꎬ其中各个数值均为１１组图像集拼接实验的平均数组ꎮ５７１南京理工大学学报第４５卷第２期表１㊀本文算法与传统ＳＵＲＦ算法效率对比表处理阶段参数类型本文算法传统ＳＵＲＦ算法特征点提取时间/ｓ特征点总数目１.０３１２５３２.００２８１５特征点描述时间/ｓ０.２５０.４６特征点粗匹配时间/ｓ匹配对数目０.２９５５９０.７８１４０７特征点精匹配时间/ｓ匹配对数目特征点利用率/％匹配正确率/％０.０５９１１９.９８９３.８５０.０８１０２７.４７８６.２９拼接总时间时间/ｓ２.４２４.１１㊀㊀文献[１１]介绍了一种拼接图像质量评估方法(ＳｔｉｔｃｈｅｄｉｍａｇｅｑｕａｌｉｔｙｅｖａｌｕａｔｏｒꎬＳＩＱＥ)ꎮ此方法使用可操作金字塔ꎬ利用边缘统计模型和二变量模型获取共３６维的特征描述向量ꎬ将拼接图像与组成图像特征描述向量的差值导入支持向量回归模型(ＳｕｐｐｏｒｔｖｅｃｔｏｒｒｅｇｒｅｓｓｏｒꎬＳＶＲ)中ꎬ获取差异评分ꎬ能从客观角度验证拼接图像和原图的相似性ꎬ从而获取客观质量评分ꎮ质量评分获取公式如式(１２)所示Ｑｕａｌｉｔｙ(ｘ)＝β１ｌｏｇｉｓｔｉｃ(β２ꎬ(ｘ－β３))＋β４ｘ＋β５(１２)β１－β５为非线性５参数逻辑函数的５个参数ꎬ详细介绍可参考文献[１１]ꎬ其中ｌｏｇｉｓｔｉｃ函数表示如式(１３)所示㊀ｌｏｇｉｓｔｉｃ(ꎬｘ)＝１２－１１＋ｅｘｐ(ꎬｘ)(１３)以图４所示的图像集为例ꎬ使用本文算法和传统算法的质量评价分数如表２所示ꎮ表２㊀本文算法和传统ＳＵＲＦ算法质量评价分数对比表算法第一组第二组第三组第四组第五组平均本文４４.９１５４.８０５７.８５５９.３０５３.２５５４.０２ＳＵＲＦ４５.３３５４.８１４９.５８５９.３１５３.２５５２.４６㊀㊀从表１中可以看出ꎬ在不改变原图像像素级[１２]的前提条件下ꎬ本文改进方法在时间效率方面有了较大的提升ꎬ在特征点提取㊁描述㊁匹配方面均获得了更高效的执行效率ꎬ在总时间方面减少了４１.１２％ꎬ在特征检测时间方面减少了５８.５０％ꎻ有效提升了特征点利用率ꎬ相比较传统ＳＵＲＦ算法ꎬ本文的方法在传统方法的基础上提升了１２.５１％ꎻ在特征点匹配正确率方面也获得了７.５６％的提升ꎬ使最终的正确率超过９３％ꎮ从表２的质量评价分数对比中可以看出ꎬ改进算法与传统算法获得的拼接图像的质量基本较为接近ꎬ对于部分图像ꎬ改进算法更是取得了更高的客观质量评价分数ꎬ证明此算法在拼接质量方面依旧保持了不低于传统算法的性能ꎮ５.３.２㊀改进的非线性权重图像融合算法与其他算法对比结果以图４中第３行的２张图像的拼接和融合实验为例ꎬ将拼接结果与文献[１３]的平方权重模型㊁文献[１４]的三角函数权重模型㊁文献[１５]的曲线权重模型以及传统的渐进渐出图像融合算法的拼接结果进行对比ꎮ选取拼接图像部分区域进行放大对比ꎬ其对比结果如图８所示ꎮ图８㊀图像融合效果对比从图８可以看出ꎬ图８(ｃ)㊁(ｄ)㊁(ｅ)对应的３个改进模型的拼接图像的椭圆框内均发生了明显的重影ꎬ虽然重影程度较传统算法的拼接结果图８(ｂ)有了一定的降低ꎬ但依旧有不同程度的重影现象发生ꎬ如图８(ｃ)㊁(ｄ)㊁(ｅ)椭圆框中所示ꎬ而在使用本文模型的拼接结果图８(ａ)中ꎬ整体图像表现良好ꎬ没有明显的图像重影ꎬ各部分信息均得到了良好展示ꎬ效果提升明显ꎮ本文应用文献[１１]的ＳＩＱＥ方法对各个改进算法和传统算法的拼接图像进行质量评分对比ꎬ６７１总第２３７期徐启文㊀唐振民㊀姚亚洲㊀基于改进ＳＵＲＦ算法的图像拼接研究㊀㊀此处以两组图像拼接结果的质量评分为例ꎬ分数对比如表３所示ꎮ表３㊀各个图像融合算法的质量评价分数对比表算法本文算法传统渐进渐出算法文献[１３]平方权重算法文献[１４]三角函数权重算法文献[１５]曲线权重算法第一组５７.６３５５.２９５６.６９５５.９２５７.０２第二组５３.６８５２.１２５３.６５５３.０１５２.８８㊀㊀从表３的几组质量评分对比中可以看出:在客观质量评价方面ꎬ各个改进算法均表现出了高于传统渐进渐出算法的质量评分ꎬ其中ꎬ本文算法的质量评分在几组图像拼接中均优于其他改进算法ꎮ综合以上结果ꎬ应用本文模型的图像融合算法明显地提升了拼接图像的主观视觉效果ꎬ降低了重影发生的可能性ꎬ并取得了较为优秀的客观质量评分ꎮ因此ꎬ本文算法在主客观评价方面对比传统算法和本文提及的几种改进算法均表现出更加优异的性能ꎮ６㊀结束语本文提出的具有动态阈值的改进ＳＵＲＦ算法在算法效率方面有了较大的提升ꎬ有效减少了冗余特征点的数目ꎬ从而减少了特征点提取㊁描述以及匹配的时间㊁空间开销ꎻ在算法质量方面ꎬ通过应用非线性权重图像融合算法ꎬ有效减少了重影和几何失真ꎬ拼接图像质量提升明显ꎮ本算法对于连续㊁有规律的图像集合的图像拼接在拼接效率方面有了明显提升ꎬ拼接质量也有一定提高ꎻ但对于整体不规律的图像集合的提升不明显并且不够稳定ꎬ有待进一步研究ꎮ本方法主要针对ＳＵＲＦ特征点的提取过程进行优化ꎬ通过避免非重叠区域的特征点参与特征提取和匹配ꎬ降低冗余特征点对时间㊁空间开销的影响ꎬ可以与描述子降维算法[１６]等其他效率提升算法结合ꎬ进一步提升特征提取㊁描述和匹配的效率ꎮ参考文献:[１]㊀ＺａｒａｇｏｚａＪꎬＣｈｉｎＴＪꎬＴｒａｎＱＨꎬｅｔａｌ.Ａｓ￣ｐｒｏｊｅｃｔｉｖｅ￣ａｓ￣ｐｏｓｓｉｂｌｅｉｍａｇｅｓｔｉｔｃｈｉｎｇｗｉｔｈｍｏｖｉｎｇＤＬＴ[Ｊ].ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰａｔｔｅｒｎＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅꎬ２０１４ꎬ３６(７):１２８５－１２９８.[２]ＣｈｅｎＹｕｓｈｅｎｇꎬＣｈｕａｎｇＹＹ.Ｎａｔｕｒａｌｉｍａｇｅｓｔｉｔｃｈｉｎｇｗｉｔｈｔｈｅｇｌｏｂａｌｓｉｍｉｌａｒｉｔｙｐｒｉｏｒ[Ｃ]//Ｐｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅ１４ｔｈＥｕｒｏｐｅａｎＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ－ＥＣＣＶ２０１６.ＣｈａｍꎬＳｗｉｔｚｅｒｌａｎｄ:ＳｐｒｉｎｇｅｒＩｎｔｅｒｎａｔｉｏｎａｌＰｕｂｌｉｓｈｉｎｇꎬ２０１６:１８６－２０１.[３]ＬｏｗｅＤＧ.Ｄｉｓｔｉｎｃｔｉｖｅｉｍａｇｅｆｅａｔｕｒｅｓｆｒｏｍｓｃａｌｅ￣ｉｎｖａｒｉａｎｔｋｅｙｐｏｉｎｔｓ[Ｊ].ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＣｏｍｐｕｔｅｒＶｉｓｉｏｎꎬ２００４ꎬ６０(２):９１－１１０. [４]ＢａｙＨꎬＥｓｓＡꎬＴｕｙｔｅｌａａｒｓＴꎬｅｔａｌ.Ｓｐｅｅｄｅｄ￣ｕｐｒｏｂｕｓｔｆｅａｔｕｒｅｓ(ＳＵＲＦ)[Ｊ].ＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＩｍａｇｅＵｎｄｅｒｓｔａｎｄｉｎｇꎬ２００８ꎬ１１０(３):３４６－３５９. [５]刘鹏飞ꎬ高如新.基于相位相关法与改进ＳＵＲＦ算法的图像拼接方法[Ｊ].软件导刊ꎬ２０１９ꎬ１８(１１):１５７－１６０ꎬ１６４.ＬｉｕＰｅｎｇｆｅｉꎬＧａｏＲｕｘｉｎ.ＩｍａｇｅｓｔｉｔｃｈｉｎｇｍｅｔｈｏｄｂａｓｅｄｏｎｐｈａｓｅｃｏｒｒｅｌａｔｉｏｎａｎｄｉｍｐｒｏｖｅｄＳＵＲＦ[Ｊ].ＳｏｆｔｗａｒｅＧｕｉｄｅꎬ２０１９ꎬ１８(１１):１５７－１６０ꎬ１６４. [６]刘海洋ꎬ李春明ꎬ王萌萌ꎬ等.基于ＳＵＲＦ和改进ＲＡＮＳＡＣ算法的图像自适应匹配[Ｊ].机械与电子ꎬ２０１７ꎬ３５(３):７３－７６.ＬｉｕＨａｉｙａｎｇꎬＬｉＣｈｕｎｍｉｎｇꎬＷａｎｇＭｅｎｇｍｅｎｇꎬｅｔａｌ.ＩｍａｇｅａｄａｐｔｉｖｅｍａｔｃｈｉｎｇｂａｓｅｄｏｎＳＵＲＦａｎｄｉｍｐｒｏｖｅｄＲＡＮＳＡＣａｌｇｏｒｉｔｈｍ[Ｊ].Ｍａｃｈｉｎｅｒｙ＆Ｅｌｅｃｔｒｏｎｉｃｓꎬ２０１７ꎬ３５(３):７３－７６.[７]罗守品ꎬ杨涛ꎬ梅艳莹.基于改进ＯＲＢ和网格运动统计的图像匹配算法[Ｊ].传感器与微系统ꎬ２０１９ꎬ３８(７):１２５－１２７ꎬ１３０.ＬｕｏＳｈｏｕｐｉｎꎬＹａｎｇＴａｏꎬＭｅｉＹａｎｙｉｎｇ.ＩｍａｇｅｍａｔｃｈｉｎｇａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＯＲＢａｎｄｇｒｉｄ￣ｂａｓｅｄｍｏｔｉｏｎｓｔａｔｉｓｔｉｃｓ[Ｊ].ＴｒａｎｓｄｕｃｅｒａｎｄＭｉｃｒｏｓｙｓｔｅｍＴｅｃｈｎｏｌｏｇｉｅｓꎬ２０１９ꎬ３８(７):１２５－１２７ꎬ１３０. [８]姚伟ꎬ胡虹.基于ＳＩＦＴ的自适应旋转图像无缝拼接算法[Ｊ].南京理工大学学报ꎬ２０１９ꎬ４３(２):２５０－２５４.ＹａｏＷｅｉꎬＨｕＨｏｎｇ.ＲｅｓｅａｒｃｈｏｎｓｅａｍｌｅｓｓｍｏｓａｉｃａｌｇｏｒｉｔｈｍｏｆａｄａｐｔｉｖｅｒｏｔａｔｉｎｇｉｍａｇｅｂａｓｅｄｏｎＳＩＦＴ[Ｊ].ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙꎬ２０１９ꎬ４３(２):２５０－２５４.[９]张翔ꎬ王伟ꎬ肖迪.基于改进最佳缝合线的图像拼接方法[Ｊ].计算机工程与设计ꎬ２０１８ꎬ３９(７):１９６４－１９７０.７７１南京理工大学学报第４５卷第２期ＺｈａｎｇＸｉａｎｇꎬＷａｎｇＷｅｉꎬＸｉａｏＤｉ.Ｉｍａｇｅｍｏｓａｉｃｍｅｔｈｏｄｂａｓｅｄｏｎｉｍｐｒｏｖｅｄｂｅｓｔｓｅａｍ￣ｌｉｎｅ[Ｊ].ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＤｅｓｉｇｎꎬ２０１８ꎬ３９(７):１９６４－１９７０.[１０]赵小强ꎬ岳宗达.一种面向图像拼接的快速匹配算法[Ｊ].南京理工大学学报ꎬ２０１６ꎬ４０(２):１６５－１７１.ＺｈａｏＸｉａｏｑｉａｎｇꎬＹｕｅＺｏｎｇｄａ.Ｆａｓｔｍａｔｃｈｉｎｇａｌｇｏｒｉｔｈｍｆｏｒｉｍａｇｅｍｏｓａｉｃ[Ｊ].ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙꎬ２０１６ꎬ４０(２):１６５－１７１. [１１]ＭａｄｈｕｓｕｄａｎａＰＣꎬＳｏｕｎｄａｒａｒａｊａｎＲ.Ｓｕｂｊｅｃｔｉｖｅａｎｄｏｂｊｅｃｔｉｖｅｑｕａｌｉｔｙａｓｓｅｓｓｍｅｎｔｏｆｓｔｉｔｃｈｅｄｉｍａｇｅｓｆｏｒｖｉｒｔｕａｌｒｅａｌｉｔｙ[Ｊ].ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＩｍａｇｅＰｒｏｃｅｓｓｉｎｇꎬ２０１９ꎬ２８(１１):５６２０－５６３５.[１２]陆柳杰ꎬ胡广朋ꎬ包文祥.基于优化的ＳＵＲＦ算法的图像融合技术[Ｊ].计算机与数字工程ꎬ２０１９ꎬ４７(７):１６８４－１６８７ꎬ１８１４.ＬｕＬｉｕｊｉｅꎬＨｕＧｕａｎｇｐｅｎｇꎬＢａｏＷｅｎｘｉａｎｇ.ＩｍａｇｅｆｕｓｉｏｎｔｅｃｈｎｏｌｏｇｙｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＳＵＲＦａｌｇｏｒｉｔｈｍ[Ｊ].Ｃｏｍｐｕｔｅｒ＆ＤｉｇｉｔａｌＥｎｇｉｎｅｅｒｉｎｇꎬ２０１９ꎬ４７(７):１６８４－１６８７ꎬ１８１４.[１３]ＸｉｕＣｈｕｎｂｏꎬＭａＹｕｎｆｅｉ.Ｉｍａｇｅｓｔｉｔｃｈｉｎｇｂａｓｅｄｏｎｉｍｐｒｏｖｅｄｇｒａｄｕａｌｆｕｓｉｏｎａｌｇｏｒｉｔｈｍ[Ｃ]//第３１届中国控制与决策会议论文集.南昌:ＩＥＥＥꎬ２０１９:２９３３－２９３７.㊀[１４]汪丹ꎬ刘辉ꎬ李可ꎬ等.一种三角函数权重的图像拼接算法[Ｊ].红外技术ꎬ２０１７ꎬ３９(１):５３－５７.ＷａｎｇＤａｎꎬＬｉｕＨｕｉꎬＬｉＫｅꎬｅｔａｌ.Ａｎｉｍａｇｅｆｕｓｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｔｒｉｇｏｎｏｍｅｔｒｉｃｆｕｎｃｔｉｏｎｓ[Ｊ].ＩｎｆｒａｒｅｄＴｅｃｈｎｏｌｏｇｙꎬ２０１７ꎬ３９(１):５３－５７.[１５]王帅ꎬ孙伟ꎬ姜树明ꎬ等.基于亮度统一的加权融合图像拼接算法[Ｊ].山东科学ꎬ２０１４ꎬ２７(３):４４－５０.ＷａｎｇＳｈｕａｉꎬＳｕｎＷｅｉꎬＪｉａｎｇＳｈｕｍｉｎｇꎬｅｔａｌ.Ｂｒｉｇｈｔｎｅｓｓｕｎｉｆｉｃａｔｉｏｎｂａｓｅｄｗｅｉｇｈｔｅｄｆｕｓｉｏｎｉｍａｇｅｍｏｓａｉｃａｌｇｏｒｉｔｈｍ[Ｊ].ＳｈａｎｄｏｎｇＳｃｉｅｎｃｅꎬ２０１４ꎬ２７(３):４４－５０. [１６]卢清薇ꎬ罗旌钰ꎬ王云峰.ＳＵＲＦ算法的降维研究[Ｊ].软件ꎬ２０１７ꎬ３８(１２):１４８－１５２.ＬｕＱｉｎｇｗｅｉꎬＬｕｏＪｉｎｇｙｕꎬＷａｎｇＹｕｎｆｅｎｇ.ＲｅｓｅａｒｃｈｏｎｄｉｍｅｎｓｉｏｎａｌｒｅｄｕｃｔｉｏｎｆｏｒＳＵＲＦａｌｇｏｒｉｔｈｍ[Ｊ].ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇ＆Ｓｏｆｔｗａｒｅꎬ２０１７ꎬ３８(１２):１４８－１５２.８７１。
基于旋转SURF算子的图像配准新方法
基 于 旋 转 犛犝犚犉 算 子 的 图 像 配 准 新 方 法
顾 漪
（西北工业大学 电子信息学院，西安 ７１０１２９）
摘要：针对 ＳＵＲＦ 算法中快速 Ｈｅｓｓｉａｎ矩阵行列式检测出的特征点的不连 续 现 象， 从 而 造 成 的 旋 转， 模 糊 和 光 照 变 化 适 应 性 较 差 的 不足，提出一种旋转 ＳＵＲＦ 检测算子的图像配准新方法；该算法通 过 将 ＳＵＲＦ 算 法 的 积 分 图 像 盒 子 滤 波 模 板 逆 时 针 旋 转 ４５ 度， 引 入 一 种可以检测角度旋转的滤波核提升检测算子对不同图像变换的匹配性能，保证新的检测算子与原算法较好的结合，同时利用改进的单纯 形算法依据输入图像进行参数优化；仿真结果表明，该方法不仅保留了算法的速度优势，缩短了配准时间，而且在图像模糊变换，光照 变换和ＪＰＥＧ 压缩变换方面性能有明显的提升，此外对视角变换以及小尺度变换性能也有提高。
SURF算法在小尺寸图像拼接中参数配置的优化
SURF算法在小尺寸图像拼接中参数配置的优化周宇浩崴;应忍冬;蒋乐天【摘要】在图像拼接领域，SURF算法因其出众的时效性和鲁棒性，有着十分广泛的应用。
针对SURF算法中特征点提取和描述过程中参数固定，对侧重点不同的图像拼接应用存在变通性较差的问题，提出了从窗口滤波器权值，特征点周围子区域的选择以及子区域内Haar小波变换的采样点范围三方面进行参数配置优化。
针对目前主流的流媒体尺寸图像，利用控制变量法在不同的SURF参数配置下，对算法的时效性、准确性和鲁棒性等性能进行了分析；通过特征点匹配率和特征点匹配效率的比较，给出了SURF算法参数的选择策略。
仿真结果表明该策略可以有效提高SURF算法在图像拼接中的运算速度和准确性，丰富算法在实时领域的应用。
%In the field of image stitching, SURF algorithm is widely used for its excellent real-time procedure and robust. Due to the fixed parameter settings in interest point detection and description, the adjustability of SURF algorithm to different applying situation is relatively weak. In order to improve the range of SURF application, this paper looks into three aspects in the algorithm:the weight of box filter, the sub-region selection and the Haar wavelet sampling point range within the sub-region. In comparing the real-time quality, the stitching accuracy and the robust quality of the algorithm, the experiments using variable control method propose a parameter setting strategy based on small scale image which is widely used in nowadays stream media. In analyzing the interest points match rate and efficiency, the strategies proposed in characterizing the algorithm can extend the use of SURF in real-time field.【期刊名称】《计算机工程与应用》【年(卷),期】2013(000)019【总页数】5页(P191-195)【关键词】加速鲁棒特征(SURF)算法;图像拼接;小尺寸图像;参数配置;特征点匹配;窗口滤波器;特征点子区域【作者】周宇浩崴;应忍冬;蒋乐天【作者单位】上海交通大学电子工程系，上海200240;上海交通大学电子工程系，上海 200240;上海交通大学电子工程系，上海 200240【正文语种】中文【中图分类】TP391图像拼接分为直接拼接和融合技术，在目前融合技术中主要分为基于灰度信息和基于特征信息两种模式。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
改进的SURF算法在图像匹配中的应用作者：黄春凤刘守山别治峰许广会来源：《现代电子技术》2020年第10期摘; 要：针对加速稳健特征（Speeded Up Robust Features，SURF）算法在三维重建中匹配准确率低的问题，提出基于SURF算法的改进算法。
首先利用SURF算法提取特征点，通过近邻搜索（Best Bin Fast，BBF）算法实现Kd⁃Tree快速查找最近邻特征点，结合双向唯一性匹配的方法完成图像匹配，然后在视差约束下，利用视差梯度约束对初始特征匹配对进行预处理，筛选掉一些偏差较大的匹配对，最后采用随机抽样一致（Random Sample Consensus，RANSAC）算法对特征点二次优化和去噪处理。
将其他改进算法和提出的改进算法分别进行图像匹配处理比较，分析算法的性能，得到提出的改进算法匹配成功率达96.3%。
实验结果证明提出的改进算法简单快速，匹配精度高。
关键词：图像匹配; 特征点提取; 双向匹配; 视差梯度; 随机抽样一致; 匹配精度中图分类号： TN911.73⁃34; TP391.9; ; ; ; ; ; ; 文献标识码： A; ; ; ; ; ; ; ; ; ; ;文章编号：1004⁃373X（2020）10⁃0111⁃05Application of improved SURF algorithm in image matchingHUANG Chunfeng， LIU Shoushan， BIE Zhifeng， XU Guanghui（College of Electronic Information Engineering， Shandong University of Science and Technology， Qingdao 266590， China）Abstract： An improved algorithm based on SURF algorithm is proposed to improve the matching accuracy of SURF （speeded up robust features） algorithm in three⁃dimensional reconstruction. The feature points are extracted by means of the SURF algorithm， Kd⁃Tree searches the nearest neighbor feature points quickly by means of BBF （best bin fast） algorithm， and then the image matching is completed in combination with the biuniqueness matching method. Under the disparity constraint， the initial feature matching pairs are preprocessed by means of the disparity gradient constraint， some matching pairs with large deviation are screened out， and the quadratic optimization and de⁃noising processing of feature points are carried out by means of RANSAC （random sample consensus） algorithm. The performance of other improved algorithms and the proposed improved algorithm were compared and analyzed respectively for image matching， from which the matching success rate of the proposed improved algorithm is 96.3%. The experimental results show that the proposed improved algorithm is simple， fast and has high matching accuracy.Keywords： image matching; feature point extraction; bidirectional matching; disparity gradient; random sample consistency; matching precision0; 引言近年來，随着科技的进步，双目立体视觉[1]技术被广泛应用，例如图像检索[2]、三维重建[3]、目标识别[4]、图像配准[5]等。
其中，特征点检测与匹配作为双目立体视觉技术中的关键一步，显得尤为重要。
常见的适用于特征匹配的算法中，较为成熟的有SIFT算法和SURF 算法。
SIFT算法[6]具有尺度不变性和旋转不变性，图像在尺度变化和旋转变化的情况下匹配效果受影响很小，由于采用差分高斯金字塔[7⁃8]进行特征点[7，9]提取，所以算法运行时间相应增加，降低了运行速度。
1999年David Lowe提出了SURF[10]算法，由于SURF算法采用积分图像[11]、Harr小波变换[12]和近似Hessian矩阵[10]来提高速率，增加算法鲁棒性，所以相比SIFT算法，SURF算法运行速率快，鲁棒性强。
但在求主方向过程中依赖局部梯度区域像素程度较大，匹配成功率并没有达到理想的效果，匹配精确度偏低。
本文首先在SURF算法的基础上通过BBF算法实现Kd⁃Tree快速查找最近邻特征点，结合双向唯一性匹配的方法完成图像匹配，然后在RANSAC算法之前利用视差梯度[13]约束对提取的特征点预处理，剔除大部分错误特征点，减少RANSAC算法计算量，对匹配结果中仍存在的偏差较大的伪匹配点，最后利用RANSAC算法进行二次优化和去噪处理。
实验结果证明，该方法简单快速，图像匹配成功率高。
1; SURF算法原理与分析1.1; 提取特征点Hessian[10]矩阵是SURF算法提取特征点的核心步骤，可以理解为一个多元函数在某一点处的二次偏导构成的方阵，是泰勒展开式的矩阵形式。
对于一个图像中的点P=（x，y），尺度为[σ]的矩阵[H（X，σ）]定义为：[H（X，σ）=Lxx（X，σ）Lxy（X，σ）Lxy（X，σ）Lyy（X，σ）] （1）式中：[Lxx]指高斯滤波二阶微分，即[∂2y∂2xg（σ）]与像素点P = （x，y）的卷积，其中[g（σ）=12πσ2e-x2+y22σ2];类似地，[Lxy]和[Lyy]表示[g（σ）]在各个方向的二阶微分与像素点P = （x，y）的卷积。
通过盒子滤波运算，进一步求得矩阵H的判别式：[det（Happ）=LxxLxy-（0.9Lxy）2] （2）1.2; 特征点描述通过在圆形邻域内计算特征点的Harr小波响应确定特征点的主方向。
把与主方向水平的Haar小波响应称为[dx]，垂直方向的称为[dy]。
通过计算[dx]，[dy] ， [|dx|] ， [|dy|]得到每個子区域的4个特征向量，则四维描述向量[Vden=dx，dy，|dx|，|dy|]，计算所有的4×4个矩形区域块，一共得到4×（4×4）=64维向量。
1.3; 特征点匹配采用欧氏距离的方法进行特征点匹配，针对一幅图像中的某一个特征点，在另一幅图像中搜索出两个距离它最近的特征点。
在这两个特征点中，如果最近的距离[r1]除以次近的距离[r2]小于设定的阈值[14]P，则表示这两个特征点匹配度好，可以作为匹配点，否则抛弃。
1.4; SURF算法的图像匹配结果分析根据以上所述过程，利用SURF算法进行图像匹配，匹配结果如图1所示。
从匹配结果来看，图像中匹配对较多，并且含有大量错误匹配对，匹配正确率低。
针对此种情况，本文对SURF算法做了一系列改进。
2; 改进的匹配算法本文对SURF算法进行改进，基于改进的SURF算法系统框图如图2所示。
2.1; 双向匹配算法SURF算法配合双向匹配算法完成图像匹配，并初步筛选错误匹配点，匹配过程中需要处理的数据量巨大，Kd⁃Tree在维数较多的情况下，运行速率会大幅度降低，为了提高匹配速度，结合BBF算法实现Kd⁃Tree快速检索符合条件的特征点，完成双向SURF算法匹配。
假设有两幅待匹配图像，分别为图像1、图像2。
采用双向匹配的方法改进SURF算法，增加了匹配结果的可靠性，目的是使图像1中的特征点唯一对应图像2中某个特征点，同时图像2中的特征点唯一对应图像1中某个特征点。
原始的SURF算法匹配过程是以两幅图像中的一幅作为基准图像，在另一幅图像中寻找其对应的特征点，完成图像匹配。
双向匹配算法在此基础上增加了相反方向的单向匹配过程。
具体步骤是：首先把图像1作为基准图像，针对已经提取的图像1中的所有特征点，利用SURF算法中采用欧氏距离实现匹配的方法，通过BBF 算法实现Kd⁃Tree快速检索特征点，在图像2中找到与之对应的特征点，匹配结果如图3a）所示;然后把图像2反过来作为基准图像，通过相同的方法，在图像1中找到与之对应的特征点，匹配结果如图3b）所示。
采用运行在SURF算法之后的双向匹配算法初步消除SURF算法匹配结果中的部分歧义匹配点和伪匹配点，参照图3，双向匹配过后图像中仍含有错误匹配点，需要进一步剔除。
2.2; 改进的RANSAC算法优化处理2.2.1; RANSAC算法通过RANSAC算法过滤误匹配，首先要求出一个最佳单应矩阵，将此矩阵记作H，H矩阵如式（1）所示，大小为3×3。
为了找到最佳参数矩阵，最佳参数矩阵是指满足此矩阵的匹配点数量最多的矩阵，一般设定[h33=1]，目的是使矩阵归一化。
参数线性方程如下：[sx′y′1=h11h12h13h21h22h23h31h32h33xy1] （3）式中：坐标（x，y）表示目标图像的角点位置;坐标（[x′]，[y′]）表示场景图像的角点位置;s为尺度参数。
2.2.2; 基于视差梯度约束的RANSAC算法引入视差梯度定义[14]，假如在一幅图像中存在两个相邻的角点p，q，这两个角点分别匹配于另一幅图像中的角点[p′]，[q′]，如果它们是相匹配的，那么视差梯度[Gd]应该小于或者等于2。