摘 要

尺度不变特征转换是一种计算机视觉算法，通常用来提取并描述视频图像中局部的特征。此算法在建立的高斯差分金字塔中寻找极值点，并获取出其坐标、尺度、旋转不变量，得到可以描述特征的描述子。论文的主要工作是详细研究了SIFT提取图像特征点的原理，采用特征向量（128维）间的欧式距离作为两幅图像特征点的相似性判定标准进行图像配准，并使用RANSAC算法完成误匹配消除，完成简单的图像识别。研究结果表明，SIFT算法对图像平移变化、缩小放大以及旋转变化具有不变性，对于仿射变换、视线变化、光线变化及噪声等具有高配准鲁棒性。论文利用SIFT特征子进行配准，通过对比不同最近距离对次近距离比值，得出了比值阈值设为0.6进行匹配可兼顾匹配点数和匹配正确率的结论，此研究结果对于图像识别有重要意义。

关键词: SIFT；特征点；配准；RANSAC

Abstract

Scale-invariant feature transform is a kind of computer vision algorithm used to detect and describe Local characteristics in images. It finds extreme-points in DOG and gets its coordinate, scale, orientation, which in final come into being a descriptor. The major work is studying the theory of SIFT, matching key-points(128D) obtained by means of SIFT using euclid distance and eliminating error matches using RANSAC and finally achieving simple image recognition in this paper.The result shows that SIFT algorithm is invariant under rotations, translations and scaling. SIFT features have strong matching robustness for radiation transformation, perspective changes, illumination changes and noise and so on. When doing the matches , the paper contrasts different ratio threshold and finally comes to the conclusion that 0.6 is the best one because it can balance number of matched points and matching accuracy. This is of great importance to image recognition.

Key Words：SIFT；Features；Match；RANSAC

目 录

第1章 绪论 1

1.1 图像特征提取研究背景及现状 1

1.2 SIFT算法研究背景及现状 1

1.3 图像配准及误匹配消除研究背景及现状 2

1.4 本文的主要工作 3

第2章 基于图像的SIFT特征提取 4

2.1 SIFT特征简介 4

2.2 尺度空间构造 5

2.2.1 建立高斯金字塔 5

2.2.2 建立高斯差分金字塔 6

2.2.3 尺度的连续性 7

2.2.4 算法具体实现思想 8

2.3 极值检测 10

2.4 关键点定位 11

2.4.1 关键点的精确定位 11

2.4.2 滤除低对比度点 12

2.4.3 去除边缘响应极值点 12

2.5 关键点的方向分配 14

2.6 生成特征点描述子 16

2.6.1 特征点描述 16

2.6.2 描述子归一化 19

2.7 图像SIFT特征提取实例 20

2.8 本章小结 23

第3章 基于SIFT特征配准的图像识别 24

3.1 SIFT特征点匹配 24

3.2 RANSAC算法消除误匹配 26

3.3 本章小结 28

第4章 算法处理结果 29

第5章 总结及展望 36

参考文献 37

附录A 39

致 谢 49

第1章 绪论

1.1 图像特征提取研究背景及现状

特征提取指的是使用计算机提取所需处理的图像信息，将像素点分为不同子集。其最常被利用的特性之一就是可重复性：从同一场景不同影像中获得的特征应该是一样的。由于特征提取是很多计算机图像处理算法的初级计算步骤，所以研究特征提取算法的人很多，取得的成果也不少，针对不同问题研究的算法提取会不一样的特征，甚至是研究同一问题提取同一特征算法的可重复性和时间复杂度也可能相差甚大。

除了形状特征、颜色特征外，常用的图像特征还有纹理特征、空间关系特征等。越来越多效果良好且高效特征提取算法被发展并应用于图像处理、电脑视觉等方面，但基于图像像素、结构、颜色、外形等信息的应用犹存在一些弊端：颜色信息对图像方向、缩放等变化等不敏感，纹理信息对光照变化不具备不变性且它不是图像本质属性的表示。SIFT特征不随旋转变换、缩小放大、光线变化等变化，受仿射、视线变化影响小，且对噪声有强鲁棒性。因此，本文使用SIFT技术提取特征。

1.2 SIFT算法研究背景及现状

1999年，David G.Lowe提出一种提取局部特征的SIFT(Scale Invariant Feature Transform)算法^[1]，对于图像平移、缩放、旋转具有不变性，对于仿射变换、视角变化、光照变化及噪声等具有很强的匹配鲁棒性^[2]。算法先将待处理图像转换为灰度图像，再通过不同尺度的高斯平滑建立高斯金字塔，高斯金字塔层间图像相减就可以得到高斯差分金字塔，然后取出差分金字塔的极值点并进行精确定位，高斯差分代替了高斯拉普拉斯的做法减少了提取特征所需时间，算法实时性强，于2004年完善。同时，Mikolajczyk和Schmid通过实验证明，针对光照变化、解析度、几何变形、旋转等多种情况，SIFT算子对于特征提取具有最优性能^[3]。由于SIFT特征向量拥有良好的旋转不变性和稳健的特征配准结果，它被广泛应用于遥感图像识别、全景图像拼接、三维模型检索、机器人导航制图等领域的特征提取中。

Yang Ke等提出的PCA-SIFT算法，结合主成分分析法，先提取处SIFT特征向量再利用PCA对其维数进行约减，通过减少计算数据量的方法节约了生成描述子部分的时间，但其需要事先学习一组图像并训练，对于可预测的离线情况PCA-SIFT是有用的，但不适用于处理实时情况^[4]；Yang Zhan-Long等人提出的BI-SIFT算法将局部的目标边缘信息与SIFT关键点结合起来构造SIFT特征向量，此方案能进一步提高算法的有效性，但得到的SIFT特征描述向量是基于灰度信息的，辨识形状相似或者颜色差异较大的图像效果很差^[5]；张羽等为加快SIFT算法运行速度，建立DoM尺度空间代替DoG，并选择在检测到特征点的均值差尺度空间上描述特征点，减少精确定位步骤，还借用积分图像计算特征描述符，大大节约了算法运行时间，使实现实时跟踪应用成为可能，但算法精确性和稳定性有所下降，其次算法实现过程中存储信息也需要很大空间，如果要做硬件实现，这就是一个弊端了^[6]；万雪等在原始SIFT算法基础上，于特征提取时获取图像中具有几何属性的特征点使其关键点能更好地分布在角点边缘这类纹理较强的地方，改进后算法在特征提取重复率及速度、特征匹配点数及正确率上均有大幅提升，然而如果图像数据量较大，由于算法增加了交叉零点的处理，特征提取耗时比原始SIFT长很多^[7]；Yong Chen等提出了一种基于统计特征分布和一致性约束的改进SIFT算法，此算法在关键点方向分配部分选择直方图的最高柱方向作为主方向，提高了图像配准的正确率并降低了几何误差，但是由于忽略了分散方向的影响，此做法对图像特征及特征分布缺乏考虑^[8]；刘小军等在特征提取过程中加入多尺度Harris检测算子，使算法能处理相似变换的图像匹配，但此算法引入的Harris角点检测算法却无法适应图像的尺度变化，此举会限制它的应用^[9]。

目前，SIFT算法已经在图像匹配、全景图像拼接和视觉导航等领域被很好地应用^[10]。但是关于SIFT算法特征提取的详细步骤介绍较少，且使用MATLAB语言实现的SIFT算法几乎没有，虽然常用的OPENCV速度快，可对于未学过此语言的人来说理解较为困难。

1.3 图像配准及误匹配消除研究背景及现状

图像配准在目标检测、肿瘤检测、模型重建、运动估计、特征匹配、病变定位、地质勘探、航空侦察等领域都有广泛的应用。SIFT方法所提取的特征点不随图像缩小放大、位移变化和旋转变换而变化，且对光照变化以及仿射、噪声等有一定稳定性，非常适合于如遥感图像这种图像的配准^[11]。