SIFT算法优化及其用于遥感影像自动配准

　　近几年来, SIFT (scale invariant featuretransform)特征在图像匹配领域取得了巨大成功,基于SIFT描述子的匹配方法已被成功应用到了很多领域,如目标识别[1]、全景图拼接[2]、从运动恢复结构[3]等。SIFT算法最初由Lowe[4,5]于1999年提出, 2004年总结完善。2005年,Mikolajczyk等[6]针对不同的场景,对光照变化、图像几何变形、分辨率差异、旋转、模糊和图像压缩等6种情况,就多种最具代表性的描述子进行了试验,结果表明SIFT描述子性能最好。

　　然而,目前将SIFT算法应用于遥感影像配准的研究还较少。主要原因如下:特征点提取方面,由于遥感影像数据量一般较大,加上SIFT算法本身复杂度较高,直接加以应用算法效率较低;特征点匹配方面,传统SIFT算法采用的是Lowe提出的最近邻次近邻距离比值法,阈值凭经验选取,精确度较低。

　　1　SIFT算法

　　SIFT算法是一种提取图像局部特征的算法。通过在高斯差分尺度空间(difference of gaussi-an,DOG)寻找极值点作为关键点,提取尺度、亮度、旋转不变量。

　　1.1　关键点检测及精确定位

　　关键点检测在多尺度空间完成。尺度空间理论最早出现于计算机视觉领域,其目的是模拟图像数据的多尺度特征。一幅二维图像的尺度空间定义为:

　　式中,G(x,y,σ)=12πσ2e-(x2+y2)/2σ2是尺度可变高斯函数。为了有效检测到关键点,Lowe[5]提出了在高斯差分尺度空间寻找极值点:

　　每一个采样点和它同尺度的8邻域点以及上下相邻尺度的18邻域点比较是否为极值点,作为关键点候选点。

　　然后,通过拟合泰勒公式展开的三维二次函数,精确定位关键点的位置和尺度。同时去除低对比度的关键点和不稳定的边缘响应点,以增强匹配稳定性,提高抗噪能力。

　　1.2　关键点方向分配及描述子构造

　　利用关键点邻域像素的梯度方向分布特性为每个关键点分配方向参数。一个关键点可能会被指定多个方向(一个主方向、一个以上辅方向)以增强匹配的鲁棒性。

　　然后以关键点为中心取16像素×16像素的窗口,并均匀地分为4×4个子区域(每个子区域大小为4像素×4像素),对每个子区域计算8个方向的梯度方向直方图,绘制每个梯度方向的累加值,即可形成一个种子点。这样对于一个关键点可以产生4×4×8共128维的SIFT特征向量。至此,一个完整的描述子构建完毕,也完成了特征点的提取过程。

　　2　SIFT算法优化

　　2.1　尺度空间构造算法优化

　　SIFT算法本身复杂度较高、参数较多,需要通过试验来确定最佳参数。通常采用的是Lowe[5]的建议值,但这些参数对算法复杂度影响较小。SIFT要应用于数据量较大的遥感影像,需要对其计算过程加以优化。