基于改进SIFT算法的建筑物图像特征点提取

来源:用户上传      作者:

　　摘 要：针对SIFT算法对建筑物图像进行匹配时会出现大量误匹配点问题，本文先采用像素方差生成灰度图的方法对图像显著区域进行检测，消除背景区域的干扰。实验结果表明，改进后的算法可提高匹配速度和准确率。
　　关键词：SIFT;特征点提取;像素方差;显著性区域
　　1 绪论
　　图像的特征点提取是计算机视觉的一个重要问题。为了解决图像的特征点识别问题，相关学者提出了SIFT算子，这种算子对图像的几何变形和仿射变换都具有不变性。但是，在建筑物的图像识别方面，SIFT算法存在一些问题。[1]对于一个有背景的建筑物图像，提取出来的特征点一般均匀分布在建筑物区域和背景区域，背景的特征点匹配不仅增加了匹配时间，还容易引起特征点的误匹配，进而影响整个图像的匹配结果。[2]针对以上问题，本文在SIFT 算法基础上进行改进，进而提高 SIFT 算法匹配率和匹配速度。
　　2 SIFT算法简介
　　SIFT（Scale Invariable Feature Transform，SIFT）即尺度不变特征变换算法。[3]这种算法是用来进行局部特征的提取和描述，并广泛应用于计算机图像处理邻域。该算法在处理目标图像时可以消除的光线、噪声和尺度变换和各种环境因素带来的影响，因此SIFT 算法的处理速度快，有良好的鲁棒性。该算法的基本原理是将不同尺度下的特征點提取出来，生成特征描述子，再把它们依次进行比对，找出原图和目标图中若干对相互匹配的特征点。[4]
　　3 改进的算法
　　图像的显著性区域是指在人类视觉注意力模型中的能吸引观察者注意力的区域，在建筑物图像中就是除背景图以外的带有建筑物图像的区域。
　　大量实验表明，使用常用的人类视觉注意力模型来提取显著性区域，时间开销大，使图像匹配速度得不到提升。[5]如果只对显著性区域进行图像匹配，匹配的速度和准确率都会得到提升，并且不会影响到原算法的鲁棒性。
　　本文中首先使用基于像素方差来进行显著性区域的检测，利用像素方差来衡量像素的显著程度，并通过一个修正因子k来调节图像显著性区域的大小。具体流程如图1所示：
　　与原算法不同的是，原算法采用的是直接通过RGB图像生成灰度图，本文是利用RGB图像转换成的Lab图像求出每个像素的像素方差，通过像素方差和调节因子共同作用产生灰度图。产生的灰度图消除部分背景的影响，使生成的SIFT特征点向图像的建筑物区域集中，如下图所示：
　　对比图2的（a）和（b）可以看出，采用改进的算法来提取的特征点大部分集中在建筑物区域上，只有少部分特征点在背景区域上.这样一来，就可以减小背景区域对图像匹配的影响.然后再使用SIFT算法来进行图像的特征点匹配，匹配效果图如下所示：
　　4 结语
　　本文算法结合像素方差对SIFT算法进行改进。实验结果表明，算法的改进使目标图像中的特征点个数减少，匹配时间缩短了，匹配准确率也有所提升。
　　参考文献：
　　[1]蔡兴泉，柳静华.建筑物图像识别系统设计与实现[J].现代计算机（专业版），2015（21）：18-20.
　　[2]Lowe D G.Distinctive Image Features from Scale-Invariant Keypoints[J].International Journal of Computer Vision，2004，60（2）：91-110.
　　[3]聂春鹏，张广辉，宋婷.SIFT特征匹配算法的研究[J].装备制造技术，2014（6）：182-183.
　　[4]于明，王倩，郭迎春.一种图像的显著区域提取方法[J].光电工程，2012，39（8）：18-25.
　　[5]柳静华.面向移动应用的建筑物图像识别技术研究[D].北方工业大学，2015.
转载注明来源:https://www.xzbu.com/1/view-15113509.htm