云底高度测量中SURF特征匹配的应用研究
基于SURF特征的高动态范围图像配准算法
定时，主要由曝光时问决定 。 出图像 的灰度级和场景光 输
线 辉度 之 间 的关 系 ，可 以用 相 机 响 应 函 数（ ａ ｅａＲ ｓｏ ｓ Ｃ ｍ ｒ ｅｐｎｅ Ｆ ｎｔ ｎ ｃ ） 示 。 ｂｖ ｃ Ｍａｉ 用 求 解 超 定 线性 方 ｕ ｃｉ ． Ｒ 表 ｏ Ｆ Ｄｅｅ ｅ 和 ｌ ｋ采 程 组 的 方 法 ， 从 多 曝 光 图 像 序 列 中 恢 复 Ｃ Ｆ。 随 后 Ｒ Ｍ ｉｕ ａａ Ｎ ｙ ｒ 表 了基 于 多项 式 逼 近 的 Ｃ Ｆ估 计 方 法 ｔ ｎｇ 和 ａａ发 ｓ Ｒ
文 献 标 志 码 ：Ａ
０ 引言
近 年来 ，高动 态范 围 图像 合成 （ ｇ ｙ ａ ｃＲｎ ｅ Ｈｉｈ Ｄ ｎ ｍｉ ａ ｇ
方向平移量 ， 从而实现配准。由于配准过程是大多进行位运
算 ， 故 而 速 度 较 快 。但 是 其 缺 点也 是 显 而 易 见 的 。主 要 是
Ｉ ｇ ｏ ｏｉｏ ） ｍａｅ Ｃ ｍｐ ｓ ｉｎ技术 获 得 了长 足 发 展 。真 实世 界 场 景 往 ｔ 往 具有 很 高 的动 态 范 围， 传 统 数 码 照 相 机 由于 只 具 有有 限 而
Ｍｉ ｏｏ ｕｅ Ａｐ ｌａｉｎ Ｖ １２， ． ２ １ ｃ ｃｍｐ ｔ ｒ ｒ ｐｉ ｔ ｓ ｏ．６Ｎｏ ， ００ ｃ ｏ ２
文 章 编号 ： １０ —５ Ｘ ２ １）—０ ８０ ０ ７７ ７ （０ ０２０ ０ －３
研 究与设计
微 型 电脑 应 用
２１ 年第 ２ ００ ６卷第 ２期
基于 Ｓ Ｒ Ｕ Ｆ特 征 的高 动 态 范 围 图像 配准 算 法
改进SURF算法的特征提取与匹配方法研究
改进SURF算法的特征提取与匹配方法研究
赵腾飞;辛大欣;华瑾
【期刊名称】《机械与电子》
【年(卷),期】2017(035)009
【摘要】针对门把手图像特征点提取与匹配对快速性和准确性的要求,提出一种改进SURF算法.该算法主要对图像较平滑区域难以提取出大量信息点的问题进行改进.增加了边缘检测算法,得到图像边缘信息后进行形态学处理,并通过膨胀运算和开运算后获得门把手图像边缘区域信息并提取出关键点,进而获得较多特征明显的信息.改进SURF算法和原始SURF算法相比,在平滑区域能够较好提取出特征点,匹配准确率也有明显的提升,并且增强了算法的实时性.
【总页数】4页(P77-80)
【作者】赵腾飞;辛大欣;华瑾
【作者单位】西安工业大学电子信息工程学院,陕西西安710021;西安工业大学电子信息工程学院,陕西西安710021;西安工业大学电子信息工程学院,陕西西安710021
【正文语种】中文
【中图分类】TP39
【相关文献】
1.基于改进SURF算法的工件图像特征匹配 [J], 张强;韩松奇;于微波
2.基于SURF算法的无坐标矿山空间位置匹配方法研究 [J], 杨雪
3.基于SURF算法的绿色作物特征提取与图像匹配方法 [J], 张志斌;赵帅领;罗锡文;魏凤岐
4.改进的SURF算法在图像匹配中的应用 [J], 黄春凤; 刘守山; 别治峰; 许广会
5.基于ROI提取和改进SURF算法的图像匹配方法研究 [J], 田杰;徐忠民
因版权原因，仅展示原文概要，查看原文内容请购买。
尺度与特征强度自适应的SURF特征点匹配算法
第34卷 第2期 2019年4月天津科技大学学报Journal of Tianjin University of Science & TechnologyV ol. 34 No. 2 Apr. 2019收稿日期：2018–05–06；修回日期：2018–09–11 基金项目：国家自然科学基金资助项目(61063035)作者简介：胡晓彤（1971—），男，河北人，副教授，huxt@尺度与特征强度自适应的SURF 特征点匹配算法胡晓彤，任 辉，刘 楠(天津科技大学计算机科学与信息工程学院，天津 300222)摘 要：为解决SURF (speeded-up rob ust features )图像匹配算法无法实现特征点定位精度和匹配成功率的同步提升问题，在深入研究SURF 特征点的尺度、特征强度与匹配性能间关系的基础上，提出了一种特征点尺度与特征强度自适应的SURF 特征点匹配算法．该算法通过不同尺度的特征点与不同的特征强度阈值相适应的特征点匹配机制，较好地保持了特征点定位精度与匹配成功率间的平衡，从而实现了高性能的SURF 特征点匹配．实验结果表明：与传统的SURF 算法相比，本算法能够获得更多高精度的匹配特征点对，对于基于特征点的图像配准与基于图像的三维坐标计算等图像处理算法的精度提升具有较大作用． 关键词：图像配准；SURF ；尺度；特征强度中图分类号：TP751 文献标志码：A 文章编号：1672-6510(2019)02-0070-05Adaptive SURF Feature Points Matching Algorithm Based onScale and Feature IntensityHU Xiaotong ，REN Hui ，LIU Nan(College of Computer Science and Information Engineering ，Tianjin University of Science & Technology ，Tianjin 300457，China )Abstract ：In order to solve the prob lem that SURF (speeded-up rob ust features )image matching algorithm now can not realize the synchronous promotion of feature point positioning accuracy and matching success ，b ased on the study of the relationship b etween the scale and intensity of the SURF feature points and their matching performance ，a SURF feature point matching algorithm is proposed ，which is adaptive to the scale and intensity of feature points. The new algorithm adopts a feature point matching search mechanism that matches the feature points of different scales and different intensity thresholds. It is good for keeping the balance between the matching accuracy of feature points and the matching success rate ，and thus the high performance precision of SURF feature point matching is realized. The experimental results show that ，compared with the traditional algorithm of SURF ，this algorithm can obtain more accurate matching feature points pairs. It has greatly improved feature points based image registration and 3D calculation based images. Key words ：Image registration ；SURF ；scale ；characteristic strength基于特征点的图像配准算法首先在图像中提取特征点，然后建立两幅图像之间特征点的配准关系，其广泛应用于图像匹配、三维成像等领域．Bay 等提出了SURF (speeded-up rob ust features )算法[1]，它是对SIFT (scale invariant feature transform )算法的一种改进，其性能超过了SIFT 且能够获得更快的速度[2]．文献[3]中的局部特征算法的性能比较实验表明：SURF 算法是性能最为鲁棒的局部特征算法[3] ．在对SURF 算法的改进研究方面，已经有许多的研究成果．潘建平等[4]通过图像分块策略改善提取特征点的均匀性，引用相对距离理论剔除异常匹配点，从而提高了匹配点的可靠性；常俊林等[5]将SVM 与SURFDOI:10.13364/j.issn.1672-6510.201801372019年4月 胡晓彤，等：尺度与特征强度自适应的SURF 特征点匹配算法·71·相结合，所得到的特征点欧氏距离归一化后输入到SVM 中，通过线下学习，对每幅图像自主地选取合适的阈值，实现了特征点之间的自适应匹配，使得匹配精度有了一定程度的提高；贡超等[6]提出采用扩散距离对SURF 特征进行匹配，提高了匹配的正确率与鲁棒性．在提高SURF 匹配速度方面，旻胡涛等[7]提出利用图像熵信息对特征点进行筛选，并利用快速近邻搜索算法进行特征匹配，有效地改善了匹配效率．上述改进算法对于提高SURF 算法的性能进行了有益的探索．但是，迄今为止尚无法实现SURF 特征点的匹配精度与匹配成功率间的平衡．为此，本文在深入研究SURF 特征点的尺度、特征强度与匹配性能间关系的基础上，提出了特征点尺度与特征强度自适应的SURF 图像特征点匹配算法，从而获得更多高精度的匹配特征点对，实现了高性能的SURF 特征点匹配．1 SURF 特征点检测SURF 算法是一种基于尺度空间的特征点检测与匹配算法，其不仅对图像旋转、平移、缩放和噪声具有较好的鲁棒性，而且在光照变化、视角变化及图像模糊等情况下也能得到较好的匹配结果[8]．SURF 算法首先对图像进行高斯平滑处理，并建立高斯尺度空间，然后通过计算Hessian 矩阵行列式的局部极值来确定特征点的位置．对于尺度为σ的空间中任一点ˆ(,)xx y =的Hessian 矩阵定义为 ˆˆ(,)(,)ˆˆ(,)(,)xx xy xy yy L xL x L x L x σσσσ⎡⎤=⎢⎥⎣⎦H (1)式中：xx L 是高斯二阶导22()σ∂∂g x 同(,)=I x y 卷积的结果，其中222()/221()e 2πσσσ−+=x y g ；xy L 、yy L 与xx L 具有相似的含义．1.1 特征点的描述为保持特征点的旋转不变性，在特征点位置确定后，计算每一个特征点的主方向．为此，在以特征点为中心，半径为6σ(σ为特征点的尺度)的圆形区域内，对图像在x 和y 方向进行Harr 小波响应运算，Harr 小波边长取4σ，并使用尺度为2σ的高斯加权函数对Harr 小波响应值进行高斯加权，使得越靠近特征点的响应贡献越大；然后，用π/3大小的扇形区域范围遍历整个圆形区域，并将水平方向响应和垂直方向响应的矢量和模的最大值的方向定义为特征点的主方向．以特征点为中心，构造一边垂直于主方向且边长为20σ的正方形窗口区域，并将该窗口区域划分成4×4的子区域，如图1所示．在每一个子区域内，进行5σ×5σ个采样点的水平方向和垂直方向的Harr 小波响应的计算，分别记作x d 和y d ，同样使用尺度为2σ的高斯加权函数对Harr 小波响应值进行高斯加权，以增加对几何变换的鲁棒性．然后将每个子区域的响应值和响应值的绝对值相加形成∑x d 、∑y d 、∑xd、∑y d ．图1 SURF 特征点的描述Fig. 1 SURF point features由此，每个子区域就形成了一个四维特征描述向量()y ,,,=ΣΣΣΣx x y d d d d V(2)对于每一个特征点，形成4×4×4＝64维的特征向量．同时，为保证对光照不变性，对特征向量进行归一化处理，得到最终的SURF 描述符． 1.2 特征点的匹配特征点的匹配是实现图像配准的关键，特征点匹配的精度直接影响着后续处理的准确性[9]．根据SURF 特征点描述符中包含的特征点邻域信息，采用K 最近邻法找出每个特征点潜在的两个最佳匹配点；最终，通过匹配点的距离最佳值与次佳值比率优选出最佳匹配点对．2 定位精度的影响因素在基于SURF 特征点的图像配准过程中，特征点的匹配精度影响图像间配准变换模型参数的估算．如何选取更多高精度匹配特征点对是提高图像配准精度的关键． 2.1 特征点尺度根据SURF 特征点的检测与描述方法可知，特征点的尺度是特征点具有的重要特征，同时也反映了用于描述该特征点的图像区域的大小．图2中的圆形·72·天津科技大学学报第34卷第2期区域即为计算圆心所代表的特征点的特征向量所使用的图像区域，而该圆的半径则被定义为该特征点的尺度．由于用于描述小尺度特征点的图像区域较小，能够更加准确地描述该点的特征，从而使得小尺度特征点间的匹配具有更高的定位精度[10]．不过，小尺度特征点只占图像中所有特征点的一部分，使不同尺度的特征点均能获得较高的定位精度是实现高性能SURF特征点匹配的关键．图2SURF 特征点的尺度描述Fig. 2SURF point scale目前，尚未见定量分析SURF特征点的尺度与定位精度间关系的研究．为此，需要定量分析SURF特征点的尺度对定位精度的影响程度，并在此基础上，探索受特征点尺度影响较小的匹配机制，为高性能的SURF特征点匹配提供保障．2.2 特征强度SURF特征点匹配算法采用K最近邻法搜索出每个特征点潜在的两个最佳匹配点，并定义相似度最高的待匹配特征点的特征向量的欧氏距离d1与相似度次高的待匹配特征点的特征向量的欧氏距离d2的比值d1/d2为该特征点的特征强度．同时，设定特征强度阈值，只有当待匹配特征点的特征强度值小于该阈值时，才将该特征点对作为匹配成功点对．由于相似度越高的特征点的特征强度值越小的可能性越高，故较小的特征强度阈值能够保证相似度较高的特征点对才被保留下来，从而提高配准的定位精度．然而，如果将特征强度阈值设置较小，即只保留特征强度较高的特征点，则可能导致匹配成功率降低，使最终获得的匹配点对数量不足，无法实现高性能的特征点匹配．因此，只有深度研究SURF特征点的特征强度阈值与匹配性能间的关系，才能够保持定位精度和匹配成功率的平衡，从而有望实现高性能的特征点匹配．2.3 尺度、特征强度与定位精度的关系虽然小尺度、高特征强度的特征点能够获得较高的定位精度，但可能造成匹配成功的特征点对数量不够多，无法实现高性能的特征点匹配的问题．同时，传统的SURF特征点匹配算法采用统一的特征强度阈值，当该阈值被设置得较小时，可能会造成部分定位精度较高的小尺度特征点未能匹配成功；而当该阈值被设置得较大时，可能会造成部分定位精度较低的大尺度特征点被保留下来．故采用统一的特征强度阈值，可能影响整体的定位精度，或使匹配成功的特征点对的数量减少，无法达到定位精度与匹配成功的特征点对数量间的平衡．为此，需要深入研究SURF特征点的尺度、特征强度与定位精度、匹配成功率间的关系，探索高性能的SURF特征点匹配．3 实验分析3.1 尺度与定位精度的关系在已知图像旋转角度(实验中取5°)的条件下，将图2所示与旋转后的图像进行特征点匹配；随后，基于原图上特征点的坐标与旋转角度计算旋转后匹配点的理论坐标值；最后，计算旋转图像上相匹配的特征点的真实坐标值与理论坐标值间的差作为定位误差进行分析．图3所示为特征点定位误差的绝对值．从图3可以看出：在特征强度一定的情况下，小尺度特征点(尺度＜20)的定位误差相对于大尺度特征点(尺度≥40)普遍较小，说明小尺度特征点具有较高的定位精度．图3不同尺度特征点的定位误差Fig. 3Positioning errors at different scale feature points 为了定量分析特征点尺度与定位精度间的关系，将图2所示图像与测试用图像进行特征点匹配，对匹配成功的特征点计算其定位误差，从而分析不同尺度的特征点的定位精度．分析时，采用待匹配图像中匹配成功的特征点坐标与原图中相应的特征点经旋转后坐标间的差值作为特征点的定位误差，结果见表1．2019年4月 胡晓彤，等：尺度与特征强度自适应的SURF 特征点匹配算法·73·表1 不同尺度特征点的平均定位误差Tab. 1 Average positioning errors of feature points ofdifferent scales尺度 匹配点对数量 平均定位误差/像素＜20 124 0.4373 20～＜40 127 0.5834 ≥40 651.1677从表1可以看出：随着特征点尺度的增大，其平均定位误差呈上升趋势，如尺度≥40的特征点的平均定位误差接近尺度＜20的特征点的定位误差的 3倍． 3.2 特征强度与定位精度的关系为了深入研究特征强度阈值与特征点定位精度间的关系，分别设置不同的特征强度阈值，分析高、中、低特征强度阈值下的特征点定位误差，结果见 图4．图4 不同特征强度特征点的定位误差Fig. 4 Positioning errors of feature points of differentintensity从图4可以看出，随着特征强度阈值的增大，定位误差呈逐步增大的趋势，表明特征强度阈值的设置对于特征点的定位精度确有影响．为了进一步定量分析特征强度阈值与定位精度间的关系，在尺度相同的情况下(实验中取尺度小于40)，分析不同特征强度阈值下匹配成功的特征点的数量与定位误差，结果见表2．表2 不同强度特征点的平均定位误差 Tab. 2 Average positioning errors of feature points ofdifferent strength特征强度 匹配点对数量 平均定位误差/像素＜0.2 78 0.33590.2～＜0.5 176 0.6107 0.5～＜0.8 58 1.0968从表2可以看出：随着特征强度阈值的提高，平均定位误差呈上升趋势．同时，不同特征强度的特征点间的定位误差差异也较大，如特征强度在0.5与0.8之间的特征点的平均定位误差接近特征强度小于0.2的特征点的定位误差的3倍． 3.3 尺度、特征强度与定位精度的关系上述实验结果表明：采用小尺度特征点或者降低特征强度阈值均能有效提高匹配成功的特征点对的定位精度，但可能造成匹配成功率的下降．为了进一步研究尺度、特征强度与定位精度间的关系，针对不同尺度的特征点，分别设置不同的特征强度阈值，进行特征点匹配实验，结果见表3．表3不同尺度和特征强度下特征点的平均定位误差Tab. 3Average positioning errors of feature points ofdifferent scales and characteristic intensities尺度 特征强度 匹配点对数量 平均定位误差/像素＜0.2 71 0.26790.2～＜0.5 176 0.5245 200.5～＜0.8 66 0.8263 ＜0.2 52 0.4183 0.2～＜0.5 129 0.9023 20～＜400.5～＜0.8 40 1.3166 ＜0.2 27 0.9589 0.2～＜0.5 40 1.4739 ≥400.5～＜0.8 12 1.9545从表3可以看出：特征点尺度越小，同时特征强度值越小的情况下，匹配点对间的平均定位误差越小，也即定位精度更高．同时，对于小尺度特征点来说，即便特征强度值稍大，也能够获得较高的定位精度．而对于大尺度特征点，只有当特征强度值较小时，才能获得高精度的匹配点对．4 改进算法前文分析表明，采用统一的特征强度阈值无法实现定位精度与匹配成功率间的平衡．因此，本文提出一种特征点尺度与特征强度自适应的SURF 特征点匹配算法．4.1 算法原理对定位精度较高的小尺度特征点，采用较大的特征强度阈值，以保留更多的小尺度特征点；对定位精度不高的大尺度特征点，采用较小的特征强度阈值，以剔除定位精度较低的大尺度特征点． 具体算法流程如下： (1)提取模板图像SURF 特征点； (2)根据尺度大小将SURF 特征点分为3类：尺度＜20、20≤尺度＜40、尺度≥40； (3)提取待测图像SURF 特征点，分别在0.2、0.5、0.8的特征强度阈值下与步骤(2)所得的3类特征点进行匹配，得到匹配结果．4.2 算法的比较为了验证算法的有效性，使用传统SURF算法以及基于SVM的改进SURF算法与本文提出的自适应算法对多幅图像对进行了特征点匹配实验．常俊林等[5]所提出的SVM与SURF相结合的算法采用SVM选取合适的匹配阈值，提高了匹配精度，与本文所提出的算法具有较高的可对比性，因此选取此改进算法进行对比．在传统的SURF匹配算法中，将特征强度阈值设置为被普遍采用的0.66．本文提出的自适应算法的参数设置为尺度小于20的特征点的特征强度阈值为0.8；尺度在[20，40]区间的特征点的特征强度阈值为0.5；尺度大于40的特征点的特征强度阈值为0.2，为不同尺度的特征点设置为不同的匹配规则．所选测试用图见图5，实验结果见表4．(a) 1号 (b) 2号 (c) 3号图5测试用图Fig. 5Test images表4算法匹配性能比较Tab. 4Matching performance of different algorithms匹配点对数量平均定位误差/像素图像编号本文算法传统SURF 改进SURF 本文算法传统SURF 改进SURF1 354 343 314 0.6380 0.7015 0.65362 553 541 372 0.5542 0.6452 0.56733 646 627 487 0.6485 0.7344 0.6346从表4可以看出：传统算法平均定位误差较大，而基于SVM的SURF改进算法针对整幅图像选取一个适宜的特征强度阈值，故其平均定位误差要小于传统的SURF算法，但匹配点对数量下降较明显；与传统的SURF算法相比，本算法在获得相近数量的匹配点对的情况下，平均定位误差降低了10%~15%；与基于SVM的SURF改进算法相比，本算法在定位误差基本相同的情况下，匹配成功的特征点数增加了11%~48%．上述结果表明，本算法较好地实现了特征点的平均定位误差与匹配成功率间的平衡．5 结 语本文在深入研究SURF特征点的尺度、特征强度与定位精度间关系的基础上发现：随着特征点尺度的减小，特征点的定位误差呈下降趋势；另外，随着特征强度阈值的降低，特征点的定位误差也呈下降趋势，但同时都伴随着匹配成功特征点对数量的下降．为此，本文提出了一种尺度和特征强度的自适应SURF特征点配准算法，通过特征强度阈值与尺度间的相互适应，使保持特征点的定位精度与匹配成功率间的平衡成为可能．实验结果表明：本算法在有效地提高了特征点的定位精度的同时，获得了数量更多的匹配特征点对．参考文献：［1］Bay H，Ess A，Tuytelaars T，et al. Speeded-up robust features[J]. Computer Vision and Image Understanding，2008，110(3)：404–417.［2］Juan L，Gwun O. A comparison of SIFT，PCA-SIF and SURF[J]. International Journal of Image Processing，2009，3(4)：143–152.［3］Mikolajczyk K，Schmid C. A performance evaluation of local descriptors[J]. IEEE Transactions on PatternAnalysis and Machine Intelligence，2005，27(10)：1615–1630.［4］潘建平，郝建明，赵继萍. 基于SURF的图像配准改进算法[J]. 国土资源遥感，2017，29(1)：110–115.(下转第80页)tance [J ]. Journal of Uncertain Systems ，2012，6(4)：256–262.［20］ Liu B D. Theory and P ractice of Uncertain P rogram-ming [M ]. 2nd ed. Berlin ：Springer-Verlag ，2009.［21］ Chen X W ，Liu Y H ，Ralescu D A. Uncertain stockmodel with periodic dividends [J ]. Fuzzy Optimization and Decision Making ，2013，12(1)：111–123.［22］ Zhu Y G. Uncertain optimal control with application to aportfolio selection model [J ]. Cybernetics and Systems ，2010，41(7)：535–547.［23］ Liu B D. Uncertainty Theory ：A Branch of Mathematicsfor Modeling Human Uncertainty [M ］. Berlin ：Springer-Verlag ，2010.责任编辑：常涛，周建军(上接第59页)and detoxicification of a Congo red dye solution by means of ozone treatment for a possible water reuse [J ]. Journal of Hazardous Materials ，2009，161(2)：974–981.［8］ He Z Q ，Lin L L ，Song S ，et al. Mineralization of C. I.Reactive Blue 19 by ozonation combined with sonolysis ：P erformance optimization and degradation mecha-nism [J ]. Separation and Purification Technology ，2008，62(2)：376–381.［9］ Zhang H ，LÜ Y J ，Liu F ，et al. Degradation of C. I. AcidOrange 7 by ultrasound enhanced ozonation in a rectan-gular air-lift reactor [J ]. Chemical Engineering Journal ，2008，138(1)：231–238.［10］ 吴耀国，赵大为，焦剑，等. 臭氧化的负载型非均相催化剂制备及其作用机理[J ]. 材料导报，2005，19(10)：8–11.［11］ 洪浩峰，潘湛昌，徐阁，等. 活性炭负载催化剂臭氧催化氧化处理印染废水研究[J ]. 工业用水与废水，2010，41(3)：29–33.［12］ 袁淼卉. 粉煤灰基催化剂催化臭氧氧化深度处理印染废水的研究[D ]. 苏州：苏州科技学院，2012.［13］ P atnaik P. Handbook of Inorganic Chemicals [M ]. New York ：McGraw-Hill ，2003.［14］ He K ，Dong Y ，Yin L ，et al. A facile hydrothermalmethod to synthesize nanosized Co 3O 4/CeO 2 and study of its catalytic characteristic in catalytic ozonation of phe-nol [J ]. Catalysis Letters ，2009，133(1/2)：209.［15］ Qi F ，Xu B ，Chen Z ，et al. Catalytic ozonation of 2-isopropyl-3-methoxypyrazine in water by γ-AlOOH and γ-Al 2O 3：Comparison of removal efficiency and mecha-nism [J ]. Chemical Engineering Journal ，2013，219：527–536.［16］ 张冉. 非均相催化臭氧氧化深度处理煤化工废水[D ].哈尔滨：哈尔滨工业大学，2011.［17］ Li W W ，Qiang Z M ，Zhang T ，et al. Kinetics andmechanism of pyruvic acid degradation by ozone in the presence of P dO/CeO 2[J ]. Applied Catalysis B ：Environmental ，2012，113：290–295.［18］ Qi F ，Xu B ，Zhao L ，et al. Comparison of the efficiencyand mechanism of catalytic ozonation of 2，4，6-trichloroanisole by iron and manganese modified baux-ite [J ]. Applied Catalysis B ：Environmental ，2012，121：171–181.责任编辑：周建军(上接第74页)［5］ 常俊林，魏巍，梁君燕. 基于支持向量机的SURF 改进算法[C ]// 第三十届中国控制会议论文集C 卷. 北京：中国自动化学会控制理论专业委员会，2011：3083–3087.［6］ 贡超，蒋建国，齐美彬. 基于扩散距离的SURF 特征图像匹配算法[J ]. 合肥工业大学学报：自然科学版，2015，38(4)：474–478.［7］ 旻胡涛，彭勇，赟徐. 基于改进SURF 的快速图像配准 算法[J ]. 传感器与微系统，2017，36(11)：151–153.［8］ 张锐娟，张建奇，杨翠. 基于SURF 的图像配准方法研究[J ]. 红外与激光工程，2009，38(1)：160–165.［9］ 尧思远，王晓明，左帅. 基于SURF 的特征点快速匹配算法[J ]. 激光与红外，2014，44(3)：347–350.［10］ 何周灿，王庆，杨恒. 一种面向快速图像匹配的扩展LSH 算法[J ]. 四川大学学报：自然科学版，2010，47(2)：269–274.责任编辑：常涛，周建军。
SURF算法的降维研究
SURF算法的降维研究
卢清薇;罗旌钰;王云峰
【期刊名称】《软件》
【年(卷),期】2017(038)012
【摘要】SURF(Speed-up robust features)算法进行图像特征点匹配时需要循环遍历待匹配图像所有特征点,计算特征点之间的SURF64描述距离,耗时大.本文对SURF算法进行了16维与4维的降维研究.实验结果表明,16维SURF算法性能与64维SURF算法基本相当,但能大幅度降低运算时间;4维运算性能降低较大,不能用于特征点匹配,但4维SUFR描述算法可以扩展到图像的各个像素点,用于ICP算法及图像的稠密匹配.
【总页数】5页(P148-152)
【作者】卢清薇;罗旌钰;王云峰
【作者单位】厦门大学厦门大学电子工程系,福建厦门 361005;厦门大学厦门大学电子工程系,福建厦门 361005;厦门大学厦门大学电子工程系,福建厦门 361005【正文语种】中文
【中图分类】TP391
【相关文献】
1.一种基于降维处理的二维谱估计算法研究 [J], 余忠华;吴昭同
2.机载预警雷达三维空时自适应处理及其降维研究 [J], 王万林;廖桂生
3.基于改进结构保持数据降维方法的故障诊断研究 [J], 韩敏;李宇;韩冰
4.基于局部质心均值最小距离鉴别投影的旋转机械故障数据降维分析研究 [J], 石明宽;赵荣珍
5.转子故障数据集降维的CKLPMDP算法研究 [J], 安煌;赵荣珍
因版权原因，仅展示原文概要，查看原文内容请购买。
SURF与FLANN算法结合的图像匹配方法
SURF与FLANN算法结合的图像匹配方法周志伟袁锋伟张亢吴智摘要：针对核环境下自主式导航机器人对目标识别与跟踪过程中提高特征点匹配的准确率和稳定性问题，提出一种基于加速鲁棒特征（speeduprobustfeatures，SURF）算法进行特征提取和特征描述，利用快速最近邻逼近搜索函数库（fastlibraryforapproximatenearestneighbors，FLANN）算法进行特征点预匹配，并使用随机采样一致性（randomsampleconsensus，RANSAC）算法优化匹配结果，从而实现图像实时匹配与识别。
实验结果表明，在不同实验条件下，包括角度变换、缩放变换、局部遮挡、局部光照等，本文算法均能匹配出目标区域内模板图像，具有较好的精确性和稳定性。
关键词：加速鲁棒特征：快速最近邻逼近搜索函数库：随机采样一致性0引言机器人识别安全警示标志是图像匹配技术的典型应用，图像匹配的前提是特征提取，特征点的优劣直接影响图像匹配效果。
目前，相关研究人员提出许多特征点检测、描述算法。
但在应用于机器人视觉时，相机的成像往往会被角度、障碍物遮挡、光照等因素影响，从而导致匹配效率不高的问题。
LoweDG提出SIFT算法和HerbenBay等人在2022年提出SURF算法，因为SURF特征提取结合了二维Haar小波响应、积分图像和Hessian 矩阵来加速算法的实现，使得SURF特征提取的运算时间大幅下降。
索春宝等人对主流的特征提取算法进行各项性能测试。
对比结果显示，特征检测性能表现较好的是SURF算法。
王金龙等人对SIFT算法特征提取和FLANN匹配进行研究，雖然在角度变换、图像缩放、光照变化等不同实验条件下有较好的准确度，但是算法运行时间较长，不能很好的应用于对实时性要求较高的机器人视觉场合中。
针对上述问题，本文采用鲁棒性较好的SURF算法对图像进行特征点提取，使用匹配精度和运算速度较好的FLANN算法进行预匹配。
一种基于雾天图像增强的SURF图像匹配方法
一种基于雾天图像增强的SURF图像匹配方法李骥;莫小锋;王威;杨蔚蔚【摘要】In the geological disaster monitoring system, the image change detection can be used to monitor the occurred disaster. Image matching is needed to change detection accurately. Aiming at the problem of low matching precision with the image in the fog condition, an image matching method based on image contrast enhancement of SURF is proposed, enhanceing the matching precision of the fog image efficiently. It uses multi-scale Retinex algorithm to enhance the fog image, and then completes the extraction of feature points with SURF algorithm, uses Euclidean distance to measure the similarity of characteristic points, according to the similarity triangular distance ratio invariance, it deletes point pairs of mismatch. Experimental results show that the method significantly improves the precision of image feature points match-ing, provides a good foundation for subsequent use of image change detection for disaster monitoring.%在地质灾害监测系统中，可以通过图像的变化检测对发生的灾害进行监测。
基于SURF特征的高动态范围图像配准算法
基于SURF特征的高动态范围图像配准算法葛成;胡福乔;赵宇明【摘要】同一场景的多曝光图像序列被广泛的应用于高动态范围图像(High Dynamic Range Image)的合成中.但是,在多曝光图像序列的采集过程中,相机抖动、场景运动等因素会对合成图像的质量产生较大的影响.此外,离镜头较近的大目标往往由于显著的三维形状,在序列图中产生较大的视差效应,也会对合成图像产生消极影响.该文提出一种基于SURF特征点的三维图像配准算法,实验证明该算法在近距离大目标情形下较之传统配准算法MTB(Mean Threshold Bitmap,均值二值化)可以获得更好效果.【期刊名称】《微型电脑应用》【年(卷),期】2010(026)002【总页数】3页(P8-9,17)【关键词】图像配准;HDR;SURF;MTB【作者】葛成;胡福乔;赵宇明【作者单位】上海交通大学自动化系,上海200240;上海交通大学图像处理与模式识别研究所,上海200240;上海交通人学图像处理与模式识别研究所,上海200240【正文语种】中文【中图分类】TP391.410 引言近年来，高动态范围图像合成（High Dynamic Range Image Composition）技术获得了长足发展。
真实世界场景往往具有很高的动态范围，而传统数码照相机由于只具有有限的位深度，难以捕捉到完整的动态范围。
一个弥补措施是通过拍摄多张相同场景不同曝光度的图像并合成，间接恢复出完整的动态范围，再通过色调映射（tone mapping）算法，将高动态图像压缩显示在低动态范围显示部件上（如LCD，CRT），实现图像质量的提升。
1999年Debevec和Malik在文献[1]中描述了数码相机成像的基本过程。
在该模型中，相机的输出主要由两个因素决定。
其一是场景的光线辉度（Scene radiance），在短时摄影中基本保持不变。
另一因素是相机自身参数，在光圈、增益等一定时，主要由曝光时间决定。
surf特征点检测原理
surf特征点检测原理一、引言surf特征点检测是一种在计算机视觉领域被广泛应用的算法，用于图像特征提取和匹配。
本文将介绍surf特征点检测的原理及其相关概念，以帮助读者更好地理解该算法的工作原理。
二、SURF特征点检测的概述SURF(Speeded Up Robust Features)是一种基于尺度空间理论的图像特征描述算法。
它的主要思想是通过检测和描述图像中的局部特征点，从而实现图像的匹配与识别。
SURF算法具有计算速度快、尺度不变性强等优点，因此得到了广泛的应用。
三、尺度空间理论尺度空间理论是SURF算法的基础。
它认为图像中的物体在不同尺度下都会呈现出不同的外观，因此在进行特征点检测时，需要考虑不同尺度下的图像特征。
SURF算法通过构建一个尺度空间金字塔来实现不同尺度下的特征点检测。
四、Hessian矩阵的计算SURF算法使用Hessian矩阵来检测图像中的局部极值点。
Hessian 矩阵描述了图像中的灰度变化情况，通过计算图像的二阶导数来得到Hessian矩阵。
在SURF算法中，为了加速计算速度，Hessian 矩阵的计算采用了一种近似方法。
五、关键点的定位在得到Hessian矩阵后，SURF算法通过计算特征点的行列方向和尺度来实现关键点的定位。
其中，行列方向表示特征点在图像中的位置，尺度表示特征点的大小。
SURF算法还引入了一种基于盒子滤波器的方法，用于对关键点进行定位。
六、关键点的描述关键点的描述是SURF算法的核心内容之一。
SURF算法采用了一种称为Haar小波的特征描述子，用于描述关键点的局部特征。
Haar小波通过计算图像中的水平和垂直边缘来描述图像的纹理特征。
SURF算法通过对Haar小波的积分图像进行快速计算，实现了关键点的快速描述。
七、关键点的匹配关键点的匹配是SURF算法的最后一步。
在进行关键点匹配时，SURF算法采用了一种称为海森距离的相似性度量。
海森距离可以有效地判断两个关键点之间的相似度，从而实现关键点的匹配。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
物理意义明显的优点而受到一线工作者的青睐。在经典的多项 权，值得进一步研究。
式回归模型中，我们把所有的观测值重要性看成一样的，对预报 参考文献：
来说，考虑的不尽周全，因为距离预报时刻越近的观测值，其蕴含 ［１］ 冯钟萱．基于时间序列分析组合模型的变形监测分析与预
的信息对预报来说就愈有价值。因此，可以根据观测值的重要程
第２０４５１卷９年第 ２６期月
山 西 建 筑
ＳＨＡＮＸＩ ＡＲＣＨＩＴＥＣＴＵＲＥ
ＦＶｅｏｂｌ．．４ ５２Ｎ０ｏ１．９６
·２０３·
文章编号：１００９６８２５（２０１９）０６０２０３０３
云 底 高 度 测 量 中 ＳＵＲＦ特 征 匹 配 的 应 用 研 究
由于高度、厚薄、分层、光照、能见度等因素的影响，使得空中
照，噪声等非常敏感，不够稳定，而基于特征的匹配可有效克服这 些缺点［４］。ＳＩＦＴ（ＳｃａｌｅＩｎｖａｒｉａｎｔＦｅａｔｕｒｅＴｒａｎｓｆｏｒｍ）［５］是经典的基 于特征的匹配算法，Ｗａｎｇ和 Ｂａｙ等［６，７］提出的 ＳＵＲＦ算法是加速 版的 ＳＩＦＴ，继承 了 它 的 不 变 性，并 在 运 算 速 度 上 比 它 快 ３倍 左 右［８］。
进行特征匹配，运用随机抽样一致性算法 ＲＡＮＳＡＣ（ＲａｎｄｏｍＳａｍｐｌｅＣｏｎｓｅｎｓｕｓ）过滤掉错误匹配。实验表明，该方法对多种云图像
匹配都具有良好的效果。
关键词：云图像，特征匹配，ＳＵＲＦ算法，ＦＬＡＮＮ
中图分类号：ＴＵ１９８
文献标识码：Ａ
１ 概述
基于双目成像的云底高度测量系统是利用立体视角差测距 原理，采用两个相 对 固 定 的 相 机 同 步 获 取 到 两 幅 图 像，通 过 图 像 匹配算法获得同名点，采用数字摄影测量中的空间前方交会算法 计算其云底高度［１］。
ＸｕＨｕａｎ ＤｏｎｇＨｏｎｇｐｅｎｇ ＷａｎｇＪｉｇａｎｇ （ＳｃｈｏｏｌｏｆＧｅｏｍａｔｉｃａｎｄＭａｒｉｎｅＩｎｆｏｒｍａｔｉｏｎｏｆＨｕａｉｈａｉＩｎｓｔｉｔｕｔｅｏｆＴｅｃｈｎｏｌｏｇｙ，Ｌｉａｎｙｕｎｇａｎｇ２２２０５９，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｔｉｍｅｌｙａｎｄａｃｃｕｒａｔｅｐｒｅｄｉｃｔｉｏｎｏｆｄｅｆｏｒｍａｔｉｏｎｉｓｏｎｅｏｆｔｈｅｃｏｒｅｃｏｎｔｅｎｔｓｏｆｄｅｆｏｒｍａｔｉｏｎｍｏｎｉｔｏｒｉｎｇ，ａｎｄｐｏｌｙｎｏｍｉａｌｒｅｇｒｅｓｓｉｏｎｍｏｄｅｌ ｈａｓｂｅｅｎｗｉｄｅｌｙｕｓｅｄｂｅｃａｕｓｅｏｆｆｅｗｆａｃｔｏｒｓａｎｄｌｏｗｏｒｄｅｒｏｆｅｑｕａｔｉｏｎ．Ｆｒｏｍｔｈｅｐｅｒｓｐｅｃｔｉｖｅｏｆｆｏｒｅｃａｓｔｉｎｇａｎａｌｙｓｉｓ，ｔｈｅｃｌｏｓｅｒｔｈｅｏｂｓｅｒｖａｔｉｏｎｄａ ｔａｉｓｔｏｔｈｅｄｅｆｏｒｍａｔｉｏｎｐｒｅｄｉｃｔｉｏｎｔｉｍｅ，ｔｈｅｍｏｒｅｉｍｐｏｒｔａｎｔｉｔｉｓｔｏｔｈｅｐｒｅｄｉｃｔｉｏｎ．Ｔｈｅｒｅｆｏｒｅ，ｔｈｉｓｐａｐｅｒｄｉｓｃｕｓｓｅｓｔｈｅｅｓｔａｂｌｉｓｈｍｅｎｔｏｆｗｅｉｇｈｔｅｄ ｐｏｌｙｎｏｍｉａｌｒｅｇｒｅｓｓｉｏｎｍｏｄｅｌ，ｆｏｃｕｓｅｓｏｎｔｈｅｅｓｔａｂｌｉｓｈｍｅｎｔｏｆｗｅｉｇｈｔｓ，ａｎｄｆｉｎａｌｌｙ，ｔｈｅｅｆｆｅｃｔｉｖｅｎｅｓｓｏｆｔｈｅｍｅｔｈｏｄｉｓｖｅｒｉｆｉｅｄｂｙａｎｉｎｓｔａｎｃｅ． Ｋｅｙｗｏｒｄｓ：ｐｏｌｙｎｏｍｉａｌｒｅｇｒｅｓｓｉｏｎｍｏｄｅｌ，ｄｅｆｏｒｍａｔｉｏｎ，ｐｒｅｄｉｃｔｉｏｎ
当然在实践中，可 以 根 据 本 文 的 思 路，基 于 变 形 体 的 变 形 特 征 和
基础［Ｍ］．武汉：武汉大学出版社，２０１４：９４．
距离变形预报时刻的远近等因素考虑其他的加权方法。加权多 ［５］ 伊晓东，李保平．变形监测技术及应用［Ｍ］．郑州：黄河水利
项式回归模型几乎没有增加算法的复杂度，但可以有效地提高预
报［Ｄ］．西安：长安大学，２０１３．
度，赋予观测值一个权值，进而改善预报精度。本文提出的基于 ［２］ 刘业克，万战胜，邱宏博．建筑物变形监测预报的方法研究
分段函数、倒指数 函 数 和 直 线 函 数 加 权 改 进 的 多 项 式 回 归 模 型，
［Ｊ］．矿山测量，２０１８，４６（４）：６３６５，１００．
并没有改变多项式回归模型的优良特性，也没有对数学建模的方 ［３］ 许春青．滑坡预测预报模型比较分析［Ｄ］．哈尔滨：哈尔滨
Байду номын сангаас
法做实质性的改变，只是通过权来调整了数据的重要性。实现加
工程大学，２０１１．
权改进的算法核心是定权，三种加权改进的方法简单易行有效。 ［４］ 武汉大学测绘学院测量平差学科组．误差理论与测量平差
櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅櫅
响，及时准确预报变形，一直是学术界探讨的主题。在众多预报 加客观地赋权，要依赖对变形体变形的进一步研究。同时，当建
变形的模型中，多项式回归模型以其考虑因素少，方程阶数低和 模存在不等精度观测值时，该如何根据数据对预报的重要程度赋
２ ＳＵＲＦ特征匹配算法
的云表面不连续，种 类 单 一，因 此，云 图 像 具 有 纹 理 缺 乏、对 比 度 低和边缘不清 晰 等 局 限 ［２］。而 且，对 同 一 块 云，从 不 同 角 度 观 察 也会有所差别，使得云图像在匹配时不易检测同名点。
图像匹配是云底高度测量系统的核心算法，主要分为基于灰
ＳＵＲＦ对图像的局部特征进行描述，具有高效性和高鲁棒性。 在图像发生平移、旋 转、尺 度 缩 放、光 照 变 化、视 角 变 化 和 噪 声 的 情况下具有极强的适应性［９］。ＳＵＲＦ特征匹配算法分 ３个步骤： 特征点检测、特征点描述和特征点匹配 。 ［１０］
度的匹配和基于特征的匹配两类［３］。其中，基于灰度的匹配对光 ２．１ 特征点检测
出版社，２００７：２９．
报精度，为变形预报提供了有益的尝试。
［６］ 刘祖强，张正禄，邹启新．工程变形监测分析预报的理论与
最后需要指出的是权的给定还存在着明显的主观性，如何更
实践［Ｍ］．北京：中国水利水电出版社，２００８：１６７．
Ｄｅｆｏｒｍａｔｉｏｎｐｒｅｄｉｃｔｉｏｎｂａｓｅｄｏｎｗｅｉｇｈｔｅｄｐｏｌｙｎｏｍｉａｌｒｅｇｒｅｓｓｉｏｎｍｏｄｅｌ★
张奇伟
（山东省国土测绘院，山东 济南 ２５０１０３）
摘 要：针对基于双目成像的云底高度测量中云图像不易检测同名点的特点，提出了基于 ＳＵＲＦ（ＳｐｅｅｄｅｄＵｐＲｏｂｕｓｔＦｅａｔｕｒｅｓ）特征
匹配算法的检测方法。利用 ＳＵＲＦ算法检测特征点并构建描述子，采用 ＦＬＡＮＮ（ＦａｓｔＬｉｂｒａｒｙｆｏｒＡｐｐｒｏｘｉｍａｔｅＮｅａｒｅｓｔＮｅｉｇｈｂｏｒ）算法