基于SIFT算法的图像配准模型研究

李劲达

【摘要】 以提高图像配准效率、减少配准时间为目的，提出SIFT特征图像配準模型，该算法通过建立S层金字塔，达到降低多尺度空间和减少特征点数量的目的，将当前检测到的特征点与最近更新的目标模块相匹配，从而更加鲁棒性地应对图像的配准问题。

【关键字】 图像 SIFT 尺度空间 适应值

引言

图像特征点是图像中具有鲜明特性并能把图像中的目标物体识别出来的点[1][2]。特征点的信息含量较高，可以对处理提供足够的约束，其数目相对于图像像素点来说微不足道，这样就可以提高计算速度，使实时处理成为可能。在特征点的提取和匹配方法中，David G. Lowe在2004年提出的一种基于尺度空间的尺度不变特征变换算法——SIFT（Scale Invariant Feature Transform）算法[3]，它具有对平移、旋转、尺度缩放、亮度变化保持不变性。

一、SIFT算法改进

SIFT算法主要步骤能够总结为四点：

（1）生成尺度空间；

（2）极值点检测；

（3）精确定位极值点；

（4）生成特征描述符。

但是对于图像而言，实时获取的图像与预存图像之间的尺度变换不大，所以只需关心特征点的配准，图像尺度无关紧要，SIFT算法不需要搜索整个尺度空间。于是对SIFT算法进行改进，改进算法主要从两方面着手，降低尺度空间复杂度和减少特征点的数量[7]。

造了高斯差分图像，其他组仅有一幅图像，所以第一组采用同经典SIFT算法极值检测方法，其他组仅对每个像素与周围8领域的像素进行比较，判断其是否为极值点。如果是极值点，然后计算这个像素点8领域的像素平均值，假如该平均值也是另外一组的16领域的极值点，则采样点设为改进算法的极值点[6]。改进算法后面的步骤与原SIFT算法相同。

把一幅图像按照SIFT算法进行特征点检测，可以发现检测到非常多的极值点。

如果采用改进后的SIFT算法进行特征点检测的结果就可以看出得到的特征点明确、稳定，并且数量适中，如果像传统SIFT算法检测到的特征点太多，则会严重影响处理速度，但太少了也不利于精确配准。

二、实验结果

对于采集到的多幅图像进行实验仿真，改进后的SIFT算法在MATLAB R2010a仿真环境中进行，并且实验参数设置为：粒子数N=30，迭代次数i=6，其中，配准时间表示对前1000个特征点进行配准的时间。

三、总结

首先在SIFT算法的基础上提出了改进后的SIFT算法，该算法通过建立S层金字塔，达到降低多尺度空间和减少特征点数量的目的，接着进一步对改进后的算法进行优化，将改进后的SIFT中适应值函数相融合，将当前检测到的特征点与最近更新的目标模块相匹配，两种方式的结合可以最大提高图像配准时效性和精确性。

参 考 文 献

[1] Barmca D I Silvcrman. A class of algorithms for fast digital image registration. IEEE Transactions on Copputers，20022（2）：179-186.

[2] David G.Lowe. Distinctive image feature from scale-invariant keypoints [J]. IEEE International Journal of Computer 2004，60（2）：91-110.

[3] Zhang Yu， Zhu Dan， Wang Yu-liang. Improved fast feature matching method of SIFT[J]. Control and Automation Publication Group， 2008，24（11）：220-222.

[4] 肖健.SIFT特征配准算法研究与改进[D].重庆：重庆大学，2012.4.

[5] Cordeliaschmid， Rogermohr. Loeal gray value invariants for image retrieval[J]. IEEE Pattern Analysis and Machine Intelligence， 1997，25（8）：15-19.