基于彩色的SIFT特征点提取与匹配
sfit特征提取和匹配的具体步骤
sfit特征提取和匹配的具体步骤
SIFT（尺度不变特征变换）是一种用于图像处理和计算机视觉的特征提取和匹配算法。
它能够在不同尺度和旋转下提取出稳定的特征点，并且对光照变化和噪声有一定的鲁棒性。
SIFT特征提取的具体步骤包括：
1. 尺度空间极值检测，在不同尺度下使用高斯差分函数来检测图像中的极值点，用来确定关键点的位置和尺度。
2. 关键点定位，通过对尺度空间的极值点进行精确定位，使用Hessian矩阵来确定关键点的位置和尺度。
3. 方向分配，对关键点周围的梯度方向进行统计，确定关键点的主方向，使得特征具有旋转不变性。
4. 关键点描述，以关键点为中心，划分周围的区域为小区块，计算每个区块内的梯度方向直方图，构建特征向量。
SIFT特征匹配的具体步骤包括：
1. 特征点匹配，使用特征向量的距离来进行特征点的匹配，通常使用欧氏距离或者近邻算法进行匹配。
2. 鲁棒性检验，对匹配点进行鲁棒性检验，例如RANSAC算法可以剔除错误匹配点，提高匹配的准确性。
3. 匹配结果筛选，根据匹配点的特征向量距离或一致性进行筛选，得到最终的匹配结果。
总的来说，SIFT特征提取和匹配的具体步骤包括特征点检测、定位、描述以及匹配过程。
这些步骤能够帮助我们在图像处理和计算机视觉中提取出稳定的特征并进行准确的匹配，从而实现目标识别、图像配准等应用。
基于特征点提取和匹配的点云配准算法
基于特征点提取和匹配的点云配准算法点云配准是指将多个点云数据组合成一个全局一致的点云模型的过程。
在点云数据的配准中，特征点提取和匹配是关键步骤之一、本文将介绍基于特征点提取和匹配的点云配准算法。
点云配准算法的目标是找到两个或多个点云之间的关系，以实现它们的对齐。
特征点提取是为了从点云数据中提取出具有代表性的特征点，以便进行后续的匹配操作。
特征点应具有独特性、具有代表性和稳定性。
常见的特征点提取方法包括SIFT（尺度不变特征变换）、SURF（快速无误匹配）和ORB（Oriented FAST and Rotated BRIEF）等。
在点云数据中，特征点可以通过计算点的尺度、法向量、曲率等属性来提取。
特征点提取后，接下来需要进行匹配操作，即将两个或多个点云之间的相似特征点进行对应。
匹配是通过计算特征点之间的距离或相似性度量来实现的。
常见的匹配方法有最近邻匹配、迭代最近点匹配以及RANSAC （随机一致性采样算法）等。
最近邻匹配是指通过计算两个特征点之间的欧氏距离来找到最相似的特征点对。
迭代最近点匹配算法是利用最近邻匹配进行粗略的配准，然后通过迭代的方式逐步优化匹配精度。
RANSAC算法则是通过随机选择最小集合进行匹配，并通过模型评估函数来判断匹配的一致性。
在进行特征点提取和匹配的过程中，可能会出现误匹配或多重匹配的情况。
为了解决这个问题，可以引入一些筛选机制，例如剔除孤立的点、限制匹配距离和确定相似性阈值等。
总结而言，基于特征点提取和匹配的点云配准算法是点云配准的关键步骤之一、通过提取具有代表性的特征点，并进行匹配操作，可以找到两个或多个点云之间的对应关系，最终实现点云数据的配准。
在实际应用中，特征点提取和匹配算法可以配合其他配准算法使用，以提高点云数据的配准精度和效率。
基于SIFT特征的图像检索技术研究
然而，现有的基于SIFT特征的图像检索方法还存在一些挑战和问题，如特征 选择的不准确性和跨域性问题等。未来的研究可以针对这些问题展开深入探讨， 进一步提高图像检索的准确性和效率。此外，随着深度学习技术的快速发展，研 究者可以尝试将深度学习与基于SIFT特征的图像检索技术相结合，探索更有效的 图像特征表达和匹配方法。
1、图像特征提取
图像特征提取是图像检索的核心，它通过一定的算法从图像中提取出能够代 表图像内容的关键信息，如颜色、纹理、形状等。这些特征可以有效地描述图像 的内容和特征，为后续的图像比较和分析提供基础。常用的特征提取方法包括 SIFT、SURF、ORB等。
2、相似度比较
在提取出图像的特征之后，我们需要对这些特征进行比较，以确定两幅图像 的相似度。常用的相似度比较方法包括欧氏距离、余弦相似度、交叉相关等。这 些方法通过计算特征向量之间的距离或者相关系数，来评估两幅图像的相似程度。
3、检索算法
基于特征的图像检索技术中常用的检索算法包括基于内容的检索、基于神经 网络的检索和基于深度学习的检索等。其中，基于内容的检索通过比较查询图像 和库中图像的特征，找出最相似的图像；基于神经网络的检索通过训练神经网络 来学习图像特征和标签之间的关系，从而对新的图像进行分类和检索；基于深度 学习的检索通过构建深度神经网络模型，对图像进行深度特征提取和分类，从而 实现高精度的图像检索。
SIFT特征最早由David Lowe在1999年提出，具有尺度不变性、旋转不变性、 亮度不变性等优点。自提出以来，SIFT特征在计算机视觉领域得到了广泛应用， 包括目标识别、图像配准、图像检索等。在图像检索领域，SIFT特征可以有效地 表达图像的内容和特征，提高检索准确率。然而，现有的基于SIFT特征的图像检 索方法还存在一些问题，如特征选择不准确、匹配效率低等。
sift特征提取的几个主要步骤
sift特征提取的几个主要步骤SIFT（Scale-Invariant Feature Transform）是一种能够提取图像中的稳定、具有尺度不变性的特征点的算法，它广泛应用于计算机视觉和图像处理领域。
SIFT特征提取主要有以下几个主要步骤：1. 尺度空间构建（Scale Space Pyramid）：SIFT算法首先通过使用不同尺度的高斯模糊函数对原始图像进行滤波，产生一系列图像金字塔，也称为尺度空间。
这是因为图像中的物体在不同尺度下具有不同的细节。
高斯金字塔的构建会产生一系列模糊程度不同的图像。
2. 特征点检测（Scale-Space Extrema Detection）：在尺度空间中，SIFT算法通过在每个尺度上对图像进行梯度计算，并寻找图像中的极值点来检测潜在的关键点。
这些关键点通常是在空间和尺度上稳定的，它们能够在不同尺度和旋转下保持一定的不变性。
3. 关键点定位（Keypoint Localization）：为了更准确地定位关键点，SIFT算法通过使用DoG（Difference of Gaussians）图像金字塔来检测潜在的关键点位置。
DoG图像是通过对高斯图像金字塔的相邻尺度进行相减得到的。
对DoG图像进行极值点检测可以找到潜在的关键点。
4. 关键点方向确定（Orientation Assignment）：在确定了潜在的关键点位置后，SIFT算法会对每个关键点周围的领域计算梯度幅度和方向。
然后，使用梯度直方图来确定关键点的主要方向。
这样做能够使得后续的特征描述过程对旋转更具有鲁棒性。
5. 特征描述（Feature Description）：在关键点方向确定后，SIFT算法会在每个关键点周围的邻域中构建一个针对尺度和旋转不变性的局部特征描述符。
这个描述符是由关键点周围的梯度直方图组成的，梯度直方图反映了关键点周围的图像局部特征。
6. 特征匹配（Feature Matching）：在特征描述生成后，可以使用一些匹配算法来比较两个图像之间的特征点，找到两个图像中相对应的关键点对。
图像处理中的特征提取和匹配算法
图像处理中的特征提取和匹配算法图像处理在日益热门的人工智能技术中扮演着一种重要的角色。
在图像处理中，特征提取和匹配算法是两个至关重要的步骤。
特征提取是通过分析图像的局部特点来创建描述图像内容的向量，而匹配是将不同图像的特征或特征向量进行比较，以确定它们是否相似。
本文将介绍几种常用的特征提取和匹配算法。
一、特征提取算法1.尺度不变特征变换（SIFT）SIFT是一种特征提取算法，它能够从不同的尺度和方向上提取图像的局部特征。
这种算法在检索和匹配图像中特别有用。
SIFT算法的基本思想是通过高斯差分算子得到一组尺度空间图像，通过高斯图像之间的差异来确定关键点，然后计算每个关键点的局部梯度的幅值和方向，最后形成一个基于梯度方向的特征描述符。
2.速度增强型稀疏编码（SLEEC）SLEEC是一种新型的高效特征提取算法。
与其他算法不同的是，SLEEC只需扫描一次训练数据即可获得最具代表性的特征。
该算法通过运用具有多个分辨率的降采样、随机稀疏和加速度分析三种技术提取特征，从而实现了比其他算法更高的准确性和速度。
二、特征匹配算法1.暴力匹配算法暴力匹配算法是一种基本的匹配算法，它实现了图像特征之间的精确匹配。
该算法通过比较两个图像之间的每个可能的匹配，来确定匹配的好坏。
虽然该算法的准确性很高，但是它非常耗时，因此只适用于小图像匹配。
2.基于Flann树的匹配算法基于Flann树的匹配算法通过对特征向量进行一系列分割和聚类，以快速找到大量数据中的相似匹配。
该算法不仅适用于大规模数据集，而且具有高效和稳定性。
3.随机抽样一致性算法（RANSAC）随机抽样一致性算法是一种常见的特征匹配算法。
该算法通过随机采样一对点来确定匹配，在这个过程中，通过迭代重复采样和检测结果，不断提高匹配模型的准确度。
结论：在图像处理和计算机视觉中，特征提取和匹配是核心算法。
不同的特征提取和匹配算法适用于不同的应用场合。
在实际应用中，为了达到对图像的快速识别和匹配，我们需要根据具体的需求，选择合适的特征提取和匹配算法。
基于SIFT特征提取与Delaunay三角网格剖分算法在图像匹配中的研究
（ ２ － ４ ）
其 中Ｇ（ ｘ ， ， 盯 ） 是 尺度 可变高斯 函数 ，
Ｏ （ ｘ ， ） ＝ｔ ａ ｎ 。 。 （ （ （ 三 （ ， Ｙ＋１ ） 一Ｌ （ ｘ ， 一 １ ） ） ／ （ 工（ ＋１ ， －Ｌ （ ｘ 一１ ， ） ） ）（ ２ ・ ５ ）
数Ｇ （ ｘ ， Ｙ ， ） 和 图像 ｌ （ ｘ ， ｙ ） 。 则可 以得到 ：
Ｌ （ ｘ ， ｙ ， ） ＝Ｇ（ ｘ ， ， ） ｝ ｌ （ ｘ ， ） （ ２ －１ ）
ｅ ｒ （ ｘ ， ＝ √ （ 三 （ ＋ Ｌ ） 一 Ｌ （ ｘ 一 １ ， ） ＋ （ 己 ， 十 １ ） 一 Ｌ （ ｘ ， Ｙ — １ ） ）
准， 对 于 图像 配准 ， 通常情 况下对 待 匹配 图像重 叠部分 的一 致性 求 解 出图像 的投影变 换 。 目前 针对遥感 图像 的配准 方法 ， 一般分 为基 于特 征点 的配 准法 ， 基于 变换 域的配 准法 。 ｌ 以及基于 灰度
的配 准法 。
≤
图２ ． ２ ＤＯＧ 尺 度 空 间局 部 极 值 检 测
＝
有点存入一个点集。 （ ２ ） 利用Ｓ Ｉ Ｆ Ｔ Ｊ ｇ 法提取特征点。 （ ３ 用三角构 网 最大化最小角以及 空圆特 性对 特征 点进行三角 网格剖分提出不符 （ ４ ） 将得到的ｎ 个点构成一个点集 ， 利用输 出的 ３ 在用Ｓ Ｉ Ｆ Ｔ算法 提取 特征 点过 程 中 ， 要 把每 一个特 征 采样点 合构网法则的点。 与其 相邻 点 做 比较 ， 判 断其 与尺度 域相 邻 点的 大小 。 如 图２ ． ２ 所 下转第 １ ５ ５ 页
（ ， ） 是空间坐标 ， 是尺 度坐标 。
我们把一个面剖开成一块块碎片 ， 要求满足下面 Ｓ Ｉ Ｆ Ｔ算法最根 本的思想是 用各个尺 度的高斯差分 核与 图像 基本 的研究方法。 条件 ： （ １ ） 每块碎 片都是一个三 角形 ， （ ２ ） 面上任何 两个这样 的三 角 ｌ （ ｘ ， ） 卷积 。 形 ， 要么 不相 交， 要么恰好相 交于一条公共边且不能 同时交两条 或 Ｄ（ ｘ ， Ｙ ， ） ＝（ Ｇ（ ｘ ， Ｙ ， 七 ） 一Ｇ（ ｘ ， Ｙ ， 仃 ） ） ｌ （ ｘ ， ） 两条 以上 的边 。 Ｌ （ ｘ ， Ｙ ， 七 ） 一Ｌ （ ｘ ， Ｙ ， ） 、 厶 Ｄｅ ｌ ａ ｕ ｎａ ｙ三角剖 分算 法相对 来 的说 较 多 ， 本文 采用Ｍ ａ ｔ 其 中 为 常数 。 ｌ ａ ｂ ２ ０ ０ ８ 封装的Ｄ ｅ ｌ ａ ｕ ｎ ａ ｙ 三角剖分算法 ， 构网 目的是为 了精 简特 征
基于特征点提取和匹配的点云配准算法
基于特征点提取和匹配的点云配准算法点云配准是将多个点云数据进行对齐，使之在同一个坐标系下重叠的过程。
它在三维重建、环境建模和机器人导航等领域中具有广泛的应用。
其中一种常用的点云配准算法是基于特征点提取和匹配的方法。
本文将详细介绍基于特征点提取和匹配的点云配准算法。
点云配准的目标是找到两个或多个点云之间的对应关系，使得它们在同一个坐标系下重叠。
特征点提取和匹配是点云配准的核心步骤。
特征点提取主要通过寻找点云中的关键点，这些关键点通常具有较好的稳定性和唯一性，可以被用作点云的特征描述符。
目前常用的特征点提取算法包括SIFT、SURF和ORB等。
这些算法在图像领域中得到了广泛应用，而在点云领域中也有相应的变种。
这些算法通常通过计算点云的法向量、曲率和几何属性等，来提取点云的特征点。
特征点匹配是将两个点云中的特征点进行对应的过程。
匹配过程中常采用诸如最近邻或KD树等数据结构，以在特征空间中找到最相似的特征点。
匹配算法的性能主要取决于特征描述符的选择和匹配准确度的评估。
在点云匹配中常用的评估方法包括特征向量法、三角法和ICP（Iterative Closest Point）等。
首先，对输入的点云进行特征点提取。
这里可以使用上述提到的SIFT、SURF和ORB等算法。
特征点提取后，可以计算每个点的特征描述符，以提高匹配精度。
接下来，对提取得到的特征点进行匹配。
可以使用最近邻或KD树等算法，在特征空间中找到最相似的特征点。
匹配的结果可以用相似度矩阵表示。
然后，根据匹配结果，通过配准转换将一个点云对齐到另一个点云。
常用的配准转换包括刚体变换、仿射变换和非刚体变换等。
这里可以使用ICP算法来进行刚体变换的估计。
最后，根据配准的结果，可以将两个点云融合成一个单一的点云，或者对其进行后续的处理和分析。
需要注意的是，在点云配准中，由于噪声、遮挡和镜面反射等因素的存在，匹配精度可能会受到一定的影响。
因此，需要考虑一些加权和筛选机制，以提高点云配准的精度和鲁棒性。
基于特征的匹配方法
基于特征的匹配方法特征点提取是基于特征的匹配方法的第一步。
特征点通常是图像中具有显著性的点，如角点、斑点等。
一般来说，特征点应该在图像变形、缩放、旋转等情况下有较好的稳定性。
常用的特征点提取算法包括Harris角点检测、SIFT（尺度不变特征变换）、SURF（加速稳健特征）等。
特征点描述是基于特征的匹配方法的第二步。
特征点描述是指将特征点的周围区域转化为一个向量或描述子，以便进行后续的分类和匹配。
特征点描述算法通常使用邻域像素的亮度、梯度、颜色等信息来表示特征点，以保证其唯一性和可区分性。
例如，SIFT算法通过将特征点周围区域分解为不同方向和尺度的梯度直方图来进行描述。
特征点匹配是基于特征的匹配方法的最后一步。
特征点匹配的目标是在不同图像中寻找相似的特征点。
经典的特征点匹配算法包括基于欧氏距离的最近邻匹配、基于鲁棒估计的RANSAC（随机一致性算法）等。
最近邻匹配算法通过计算描述子之间的距离，并选择最近邻特征点作为匹配点。
RANSAC算法则通过随机采样和模型评估的迭代过程来找到最佳的匹配。
基于特征的匹配方法的优点是可以在不同图像之间进行局部匹配，而不需要对整个图像进行处理。
这使得特征点匹配算法具有较强的鲁棒性和计算效率。
此外，基于特征的匹配方法还可以处理图像的平移、旋转、缩放等变换，对于遮挡、光照变化等情况也具有一定的鲁棒性。
然而，基于特征的匹配方法也存在一些挑战。
首先，特征点的选择和描述是一个复杂的任务，需要设计合适的算法来提取和描述特征。
其次，特征点匹配算法容易受到噪声、遮挡、光照变化等因素的影响，从而导致误匹配。
此外，在处理大规模图像数据时，特征点匹配算法的计算效率也面临一定的挑战。
总体来说，基于特征的匹配方法是一种成熟且有效的计算机视觉技术。
通过合理的特征点提取、描述和匹配算法，可以实现不同图像之间的匹配和识别，为图像处理和计算机视觉应用提供了重要的工具。
- 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)。
实现了尺度不变［４］。他指出当 γ等于 １ 时， 像素的 γ规格化后的
ｘ、ｙ 方向上的偏导数值不会因尺度的改变而变化。
生 成 图 像 尺 度 空 间 需 要 进 行 多 次 高 斯 卷 积 。为 了 增 强 特 征
点提取的实时性 ， Ｌｏｗｅ 在尺度空间中引入了金字塔结 构［２］。 从
连续图像的角度分析， 金字塔结构并没有改变原规格化导数函
Ａｂｓｔｒ ａｃｔ： Ｂｅｃａｕｓｅ ｏｎｌｙ ｔｈｅ ｇｒａｙ ｓｃａｌｅ ｉｎｆｏｒｍａｔｉｏｎ ｉｓ ｕｔｉｌｉｚｅｄ， ｔｈｅ ＳＩＦＴ ｍｅｔｈｏｄ ｃａｎ’ｔ ｄｉｆｆｅｒｅｎｔｉａｔｅ ｔｈｅ ｏｂｊｅｃｔｓ ｗｉｔｈ ｓｉｍｉｌａｒ ｓｈａｐｅ ｂｕｔ ｗｉｔｈ ｄｉｆｆｅｒｅｎｔ ｃｏｌｏｒｓ ｃｏｍｍｅｎｄａｂｌｙ．Ｉｎ ｏｒｄｅｒ ｔｏ ｓｏｌｖｅ ｓｕｃｈ ｐｒｏｂｌｅｍ， ｐｒｅｓｅｎｔｓ ａ ｃｏｌｏｒ－ ｂａｓｅｄ ＳＩＦＴ ｆｅａｔｕｒｅ ｐｏｉｎｔ ｄｅｔｅｃｔｉｎｇ ｍｅｔｈｏｄ ａｎｄ ａｎａｌｙｚｓ ｔｈｅ ｍｅｔｈｏｄ’ｓ ｐｅｒｆｏｒｍａｎｃｅ ｉｎ ｔｅｒｍｓ ｏｆ ｄｉｆｆｅｒｅｎｔ ｃｏｌｏｒ ｍｏｄｅｌｓ．Ｔｈｅ ｍｅｔｈｏｄ ｄｅｔｅｃｔｅｄ ｉｎｔｅｒｅｓｔ ｐｏｉｎｔｓ ｉｎ ｔｈｅ ｇｒａｙ ｉｍａｇｅ ｓｃａｌｅ ｓｐａｃｅ， ａｎｄ ｉｔｓ ｅｉｇｅｎｖｅｃｔｏｒｓ ａｒｅ ｃｏｍｐｏｓｅｄ ｏｆ ｔｈｅ ｍｅａｎ ｖａｌｕｅｓ ｏｆ ｄｉｆｆｅｒｅｎｔ ｃｏｌｏｒ ｍｏｄｅｌ ｃｏｍｐｏｎｅｎｔｓ ｉｎ ｅａｃｈ ｓｕｂｒｅｇｉｏｎ ａｎｄ ａｒｅ ｃｏｍｐｕｔｅｄ ｂａｓｅｄ ｏｎ ｔｈｅ ｏｒｉｇｉｎａｌ ｃｏｌｏｒ ｉｍａｇｅｓ．Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｈａｖｅ ｐｒｏｖｅｄ ｉｔｓ ｖａｌｉｄｉｔｙ． Ｋｅｙ ｗｏｒ ｄｓ： ｆｅａｔｕｒｅ ｐｏｉｎｔ ｄｅｔｅｃｔｉｏｎ； ｆｅａｔｕｒｅ ｍａｔｃｈｉｎｇ； ｃｏｌｏｒ ｍｏｄｅｌ； ＳＩＦＴ ｍｅｔｈｏｄ
彩色模型具有一定的彩色不变性， 也就是对照明的变化具有一
定的鲁棒性。常见的彩色模型有 ＲＧＢ 模型、ＣＭＹ 模型和 ＹＵＶ
模型等。这些模型在工业中得到了广泛地应用， 但是它们并不
完全具有彩色不变性。
对彩色不变特性的研究主要是基于双色性反射模型这样
的 物 理 模 型 。双 色 性 反 射 理 论 将 物 体 表 面 反 射 的 光 看 成 是 面 反
数所具有的对图像变化的适应能力， 但是数字图像中的混叠现
象以及金字塔结构中的抽样操作和一些近似处理都会对特征
点提取算法的性能产生影响。因而， 金字塔结构的使用会在一
定程度上降低算法的鲁棒性。但是另一方面， 金字塔结构的使
用却可以明显地减少计算量和储存量。
２．２ 具有彩色不变特征的彩色模型
在实际的彩色特征提取与匹配过程中往往需要所使用的
ＳＩＦＴ 算 法 在 尺 度 空 间 中 使 用 了 一 种 图 像 金 字 塔 结 构 ， 其 中 包 括 高 斯 金 字 塔 和 高 斯 残 差 金 字 塔 两 个 部 分 。高 斯 残 差 金 字 塔 由 对 应 相 邻 的 高 斯 金 字 塔 中 的 两 个 图 像 尺 度 层 相 减 获 得 。金 字塔由多级组成 ， 每级包 含 多 个 图 像 尺 度 层 ， 每 层 之 间 的 σ值 相差 ｋ 倍。每级的底层由下一级中对应的尺度层通过系数为 ２ 的抽样操作获得。高斯残差是尺度规格化 Ｌａｐｌａｃｉａｎ 算子的一 种近似， 因而 ＳＩＦＴ 算法直接选取高斯残差金字塔中在局部区 域内获得极值的像素点为特征点。具体的 ＳＩＦＴ 特征点提取过 程 可 参 见 文 献 ［２］。
１０ ２００７， ４３（ ３４）
Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ 计算机工程与应用
基于彩色的 ＳＩＦＴ 特征点提取与匹配
高 健， 黄心汉， 彭 刚， 王 敏， 吴祖玉 ＧＡＯ Ｊｉａｎ， ＨＵＡＮＧ Ｘｉｎ－ ｈａｎ， ＰＥＮＧ Ｇａｎｇ， ＷＡＮＧ Ｍｉｎ， ห้องสมุดไป่ตู้Ｕ Ｚｕ－ ｙｕ
（ ２）
ｃ３ ＝ａｒｃｔａｎ（ Ｂ／ｍａｘ（ Ｒ， Ｇ） ）
ｌ１ ｌ２ ｌ３ 模型通过求 ＲＧＢ 三个分量之间的差值来消除面反射
分量。它对反光较强的物体表面来说具有一定的彩色不变性。
其表达式如下：
２
２
２
２
ｌ１ ＝（ Ｒ－ Ｇ） （／ （ Ｒ－ Ｇ） ＋（ Ｒ－ Ｂ） ＋（ Ｇ－ Ｂ） ）
２
２
２
２
ｌ２ ＝（ Ｒ－ Ｂ） （／ （ Ｒ－ Ｇ） ＋（ Ｒ－ Ｂ） ＋（ Ｇ－ Ｂ） ）
在特征点被提取之后， 算法选取特征点对应原图像上的 ｘｙ 坐标表示其位置信息， 选取对应尺度层的 σ值表 示 其 尺 度 大小， 并通过计算 １６ 方向的梯度方向直方图以确定其主方向。
１ 引言
与 几 何 形 状 、纹 理 信 息 和 彩 色 直 方 图 等 图 像 特 征 相 比 ， 尺 度不变的特征点作为一种局部特征对多种图像变换具有更强 的适应能力性。因而近年来， 尺度不变的特征点提取算法及其 应用成为了图像处理领域中的一个研究热点。
目前， 研究较为广泛的尺度不变的特征点提取算法包括了 Ｈａｒｒｉｓ－ Ｌａｐｌａｃｉａｎ 算 法 和 ＳＩＦＴ 算 法 等 。Ｈａｒｒｉｓ－ Ｌａｐｌａｃｉａｎ 算 法［１］ 是一种基于 Ｈａｒｒｉｓ 角点的特征点提取算法。它在尺度空间中的 Ｌａｐｌａｃｉａｎ 极 值 的 提 取 克 服 了 ｈａｒｒｉｓ 角 点 不 能 适 应 尺 度 变 化 的 缺陷。ＳＩＦＴ 算法［２］是尺度空间中规格化 Ｌａｐｌａｃｉａｎ 算子的一种近 似计算。算法相对简单， 实时性较好。对于描述特征点的特征向 量的计算， Ｈａｒｒｉｓ－ Ｌａｐｌａｃｉａｎ 算法采用的是微分描述子。这种描 述子计算简单、维数较低， 但是对噪声的敏感性较强， 而且需要 通过大量的实验数据估 计 协 方 差 矩 阵 。ＳＩＦＴ 算 法 中 所 使 用 的 描述子通过计算特征点局部领域内的梯度方向直方图形成 １２８ 维 的 特 征 向 量 空 间 ， 并 使 用 ＢＢＦ 算 法 加 快 搜 索 过 程 ， 取 得 了较好的效果。Ｍｉｋｏｌａｊｃｚｙｋ 等［３］对多种描述子进行了比较， 结果 显示基于 ＳＩＦＴ 的一类描述子具有最佳性能。但是这些描述子 大多是利用图像的灰度信息， 对形状相似但颜色不同的物体的
识别能力较差。为了解决这个问题， 本文提取一种基于彩色的 ＳＩＦＴ 特征点提取算法。 这 种 算 法 利 用 图 像 的 彩 色 信 息 来 计 算 特征向量， 在一定程度上增强了对彩色物体的识别能力。而对 于彩色信息的选择， 本文则通过实验具体分析了多种彩色模型 对算法性能的影响。
２ 算法理论基础 ２．１ 尺度空间
ＢＸ２ ＢＸ１
ｍ３
＝
ＧＸ１ ＧＸ２
ＢＸ２ ＢＸ１
（ ４）
３ 特征点提取
在实际的特征点提取中， 图像尺度空间是通过图像与一系
ｎ
列按指数分布的 σ值的高斯核卷积而生成的， 也就是 σ＝ｋ σ０ （ σ０ 为起始尺度） 。在产生尺度空间后， 再对图像尺度层中的各 个像素求相应的规格化导数函数值， 并选取在尺度空间中取得 局 部 极 值 的 像 素 点 为 特 征 点 。这 样 就 保 证 了 所 提 取 的 特 征 点 对 多种图像变化的鲁棒性。
一幅图像的尺度空间由这幅图像在不同解析度下的各种 表 示 组 成 。图 像 在 某 一 解 析 度 下 的 表 示 可 以 利 用 与 高 斯 核 的 卷 积来获得。其中， 图像的尺度大小就是用高斯核的标准差 σ来 表示的。因此可以说， 一幅图像的尺度空间就是 ｘ、ｙ 和 σ组成 的一个三维空间。其中， ｘ、ｙ 决定位置， σ决定解析度。越接近底 层的图像尺度层 σ值越小 ， 图 像 越 清 晰 ； 越 接 近 顶 层 的 图 像 尺 度层 σ值越大， 图像越模糊。
（ ３）
２
２
２
２
ｌ３ ＝（ Ｇ－ Ｂ） （／ （ Ｒ－ Ｇ） ＋（ Ｒ－ Ｂ） ＋（ Ｇ－ Ｂ） ）
ｍ１ ｍ２ ｍ３ 模型是一种相邻两区域之间的彩色比率模型。在
忽略面反射并假定窄带滤波的前提下， 这种模型能够适应照明
光谱分布的变化。其表达式如下：
ｍ１
＝
ＲＸ１ ＲＸ２
ＧＸ２ ＧＸ１
ｍ２
＝
ＲＸ１ ＲＸ２
彩色不变特征的彩色模型［５］。其中比较典型的模型 包 括 ｒｇｂ 模
型、ｃ１ ｃ２ ｃ３ 模型、ｌ１ ｌ２ ｌ３ 模型和 ｍ１ ｍ２ ｍ３ 模型。 ｒｇｂ 模型是一种归一化的色度坐标模型。在忽略面反射的
情况下， 它对物体表面法向方向、光源照射方向、视角方向和白
照明强度都不敏感。其表达式如下：
ｒ＝ Ｒ
为了实现对图像移动和旋转的不变性， 特征点的提取中需 要计算像素的具有各向同性的导数函数值。但是在通常情况 下， 尺度空间内某一像素在 ｘ、ｙ 方向上的偏导数值在尺度方向 上是变化的。Ｌｉｎｄｅｂｅｒｇ 在尺度空间中 引 入 γ规 格 化 导 数 操 作
基金项目： 国家自然科学基金（ ｔｈｅ Ｎａｔｉｏｎａｌ Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ Ｆｏｕｎｄａｔｉｏｎ ｏｆ Ｃｈｉｎａ ｕｎｄｅｒ Ｇｒａｎｔ Ｎｏ．６０６７５０２８） 。 作 者 简 介 ： 高 健（ １９７７－ ） ， 男 ， 博 士 生 ， 主 要 研 究 领 域 为 计 算 机 视 觉 ； 黄 心 汉（ １９４６－ ） ， 男 ， 教 授 ， 博 士 生 导 师 ， 主 要 研 究 领 域 为 信 息 融 合 ； 彭 刚
ＧＡＯ Ｊ ｉａｎ， ＨＵＡＮＧ Ｘｉｎ － ｈａｎ， ＰＥＮＧ Ｇａｎｇ， ｅｔ ａｌ．Ｃｏｌｏｒ － ｂａｓｅｄ ＳＩＦＴ ｆｅａｔｕｒ ｅ ｐｏｉｎｔ ｄｅｔｅｃｔｉｏｎ ａｎｄ ｍａｔｃｈｉｎｇ．Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒ ｉｎｇ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ， ２００７， ４３（ ３４） ： １０－ １２．