论文部分内容阅读
图像匹配是指通过一定的匹配算法在两幅或多幅图像之间识别特征点,从而分析图像相似性的方法。尺度不变特征转换(Scale Invariant Feature Transfonm,SIFT)是一种以局部特征为基础的重要图像匹配算法。因该算法在图像局部特征发生旋转、缩放、平移、光照影响和投影变换时保持不变的优点,而得到广泛关注。本文主要的工作是对传统SIFT算法中的特征点生成以及匹配方法进行改进。首先,对SIFT算法以及加速稳健特征(Speeded Up Robust Features,SURF)算法中的图像特征提取和匹配方法展开系统性的探究,并进行了实验分析对比。然后,在实验的基础上发现SIFT算法存在因特征点的维度高导致计算量大和因匹配条件单一导致容易误匹配等不足之处。最后,对于这些不足之处,提出了改进的方法,并进行了实验分析。具体如下:(1)由于传统SIFT算法生成的描述子具有高维性,在描述子的生成以及匹配阶段,计算过程复杂且计算量大。对于这个问题,本文提出了一种改进的方法,通过重新划分矩形像素区域来减少子像素区域的个数,从而达到减少特征向量维度,降低算法时间复杂度的目的;(2)在特征匹配阶段,传统SIFT算法仅通过欧式距离来进行匹配,当存在多个相似特征点时,易出现误匹配问题。为了解决这个问题,本文对传统SIFT算法的匹配条件进行了改进。与传统SIFT算法不同的是,本文的SIFT算法通过融入向量相关性系数,来对欧式距离无法判断的匹配点进行筛选,减少了误匹配点,达到了提高匹配正确率的目的。实验结果表明,本文提出的改进的SIFT算法在匹配时间以及匹配正确率方面相较于传统SIFT算法更佳。在特征点生成阶段,由于将特征向量的维度从128维降低到64维,所以匹配时间整体上比传统SIFT算法优化很多。在匹配阶段,由于扩增了向量相关系数的约束条件,因此其明显缩减了重复特征点的总量,并在很大程度上消除了由于相似区域较多带来的误匹配点多的问题,提高了匹配正确率。图[32个]表[4个]参[59个]