一种提高SIFT特征匹配正确率的方法
一种提高SIFT特征匹配效率的方法
虽然 Ｓ 但 Ｉ Ｆ Ｔ 算 法 被 成 功 应 用 于 许 多 领 域， 由于 Ｓ 且Ｓ Ｉ Ｆ Ｔ 特征点数量庞大 ， Ｉ Ｆ Ｔ 特征描述符 这使得 Ｓ 效率 维数过高 ， Ｉ Ｆ Ｔ 特 征 匹 配 计 算 量 大、
８ － １ ２］ 。 许 多 学 者 进 行 了 研 究［ 不高 １ １期２ ０ １ ２ 年 ６ 月上半月
循环采样 ， 还需要 分 不 同 情 况 设 定 采 样 数 或 待 检 使得算法复杂 。 文献 ［ 以 测的特征点数目 ， １ ０ － １ １］ 基于圆形窗口的 １ 该方 ２ 维向量代替 １ ２ ８ 维向量 ， 但同时削弱了原算法邻 法提高了算法的 实 时 性 ， 域方向性信息联 合 的 思 想 ， 使得算法抗噪能力变 ］ 以街区距离和棋盘距离的线性组合 弱 。 文献 ［ １ ２ 代替欧氏 距 离 作 为 特 征 描 述 符 之 间 的 相 似 性 度 量， 并根据部分特 征 的 计 算 结 果 逐 步 减 少 参 与 计 算的特征点 数 ， 从 而 降 低 算 法 时 间 复 杂 度。线 性 组合系数和特征权重的选取均依赖于大量的实验 数据 ， 且针对不同 的 图 像 系 数 其 取 值 范 围 是 变 化 因 此， 应 用 起 来 并 不 方 便。 本 文 以 街 区 距 的，
SIFT特征匹配技术
确定特征点主方向
利用特征点邻域像素的梯度方向分布特性为每个特 征点指定方向参数, 使算子具备旋转不变性。公式 ( 9)为( x, y)处的梯度值和方向。L 所用的尺度 为每个特征点各自所在的尺度, ( x,y)要确定是哪 一阶的哪一层。
在实际计算过程中,在以特征点为中心的邻域窗口 内采样,并用梯度方向直方图统计邻域像素的梯度 方向。梯度直方图的范围是0～360°,其中每 10°一个柱,总共36个柱。梯度方向直方图的峰 值则代表了该特征点处邻域梯度的主方向, 即作为 该特征点的方向。在梯度方向直方图中, 当存在另 一个相当于主峰值80%能量的峰值时,则将这个方 向认为是该特征点的辅方向。一个特征点可能会被 指定具有多个方向(一个主方向, 一个以上辅方向) , 这可以增强匹配的鲁棒性。通过上面的3步,图像的 特征点已检测完毕,每个特征点有3个信息:位置、 对应尺度、方向。
Relationship of D to G
2 2
Diffusion equation: G 2G
Approximate ∂G/∂σ: giving,
G G ( x, y, k ) G ( x, y, ) k G ( x, y, k ) G ( x, y, ) 2G k
c) 多量性，即使少数的几个物体也可以产生大量SIFT特征向量。
d) 高速性，经优化的SIFT匹配算法甚至可以达到实时的要求。 e) 可扩展性，可以很方便的与其他形式的特征向量进行联合。
图像多尺度表示
(x,y)代表图像的像素位置，σ称为尺度空间因子， 其值越小则表征该图像被平滑的越少，相应的尺 度也就越小。
SIFT特征匹配技术
Scale Invariant Feature Transform
一种改进的SIFT特征匹配算法
一种改进的SIFT特征匹配算法李秀华;刘国锐【摘要】首先采用稀疏点匹配算法提取待匹配的两幅图像的轮廓,构建轮廓高斯金字塔,然后逐层进行SIFT特征匹配.仿真实验结果表明,该方法提高了匹配速度和准确性.%First the sparse point matching algorithm is applied to extract the contour of two images to build outline Gaussian Pyramids, and then SIFT feature matching is used layer by layer.Simulation results indicate the method can improve both matching speed and accuracy.【期刊名称】《长春工业大学学报（自然科学版）》【年(卷),期】2017(038)001【总页数】4页(P58-61)【关键词】特征匹配;稀疏匹配;高斯金字塔;SIFT算法【作者】李秀华;刘国锐【作者单位】长春工业大学计算机科学与工程学院, 吉林长春 130012;长春工业大学计算机科学与工程学院, 吉林长春 130012【正文语种】中文【中图分类】TP302三维重建系统的完成需要特征点提取、特征匹配等图像处理过程。
由于立体匹配效果关系到重建的效果，所以,立体匹配环节算法的改善至关重要。
常用的立体匹配方法有SIFT特征匹配方法和基于窗口稀疏匹配方法等。
SIFT特征匹配算法具有对平移、旋转、亮度的变化及尺度缩放保持不变性的优点，但是SIFT算法在匹配过程中总会出现少量误匹配的情况，这种情况需要改善。
基于窗口的稀疏匹配算法提取的特征点具有很强的特征性，匹配结果相对可靠。
但是当这种稀疏匹配方法用于比三棱柱结构复杂的绿色盆景植物进行匹配时，效率变低了，所以针对两种方法中存在的问题，提出了改进的SIFT算法，首先利用改进稀疏匹配算法提取物体的强特征点，然后结合改进的SIFT算法进行特征匹配。
图像识别中的SIFT算法实现与优化
图像识别中的SIFT算法实现与优化一、SIFT算法介绍SIFT算法（Scale-Invariant Feature Transform）是一种用于图像对比和匹配的局部特征提取算法，由David Lowe于1999年开发提出并持续改良。
SIFT算法可以检测出具有旋转、缩放、光照变化等不变性的图像特征点，被广泛应用于计算机视觉领域，如图像匹配、图像检索、物体识别等。
SIFT算法主要分为四步：尺度空间极值检测、关键点定位、关键点方向确定和描述子生成。
尺度空间极值检测：SIFT算法通过构建高斯金字塔来检测尺度下的极值点。
在高斯金字塔中，首先对原始图像进行下采样，生成一组不同尺度的图像。
然后在每个尺度上利用高斯差分来检测极值点，满足以下条件的点即为极值点：周围像素点中的最大值或最小值与当前像素点的差值达到一定阈值，而且是在尺度空间上达到极值。
关键点定位：对于极值点的定位，SIFT算法采用了一种基于拟合精细的方法来定位真实的关键点。
SIFT算法通过在尺度空间中计算极值点的DoG（高斯差分）的Hessian矩阵，来估计关键点的尺度和位置。
如果Hessian矩阵的行列式和迹符号都满足一定的条件，则认为该点为关键点。
关键点方向确定：在确定关键点的位置和尺度之后，SIFT算法还需要确定关键点的主方向。
该方向是通过计算关键点周围像素点的梯度方向和大小，并在组合后的梯度图像上寻找最大梯度方向得到的。
这个方向是在许多方向中确定的，而描述符是相对于主方向定义的。
描述子生成：最后，SIFT算法采用一个高维向量来描述关键点，并且具有不变性。
该向量的计算是在相对于关键点的周围图像区域内，采集图像梯度方向的统计信息来完成的。
描述符向量包含了关键点的位置、主方向，以及相对于主方向的相对性质。
二、SIFT算法优化思路尽管SIFT算法已经被广泛使用，但是由于算法复杂度和内存消耗等问题，使得在大数据和实时应用场景下，SIFT算法的运行速度和效果表现都有巨大限制。
基于sift特征的图像匹配算法
２１ ．特征点方向的确定
利用特征点邻域像素的的梯 度方 向分布特征 ，为每
一
个特征点指定方 向参数 ，使算子具有 尺度不变性 。
ｍｘ ）√ ＋ ｙ Ｌ 一） ＋ ， １ Ｌ ， ｌ （ ＝ ｌ） （ １） ） （Ｙ ， ， 一 ｘ ， ， ＋一 ｘ— ０ｘ ）ｏ ｎ ＯｙＯ Ｌ ， １／ （ １）三 一） ） ９ ， ＝ ２ ， －（ｙ ）（ ｘ ，一 Ｏ １） （ ） ｙ ｔ ｔ ａ ＋ ￣ －）Ｌ ＋ ，） ，
２２ ＊ 个种子 点 ，每个 种子 点８ 方 向 ，共可生 产３ 个数 个 ２
二 、算 法 实现 和 实验 结果
实验算法采用Ｖ ２ ０ 开发 。结果如下 ： Ｃ ０８ 第一 组实 验 ，上 图是 由下 图放大 而来 ，且 ±
光 照 强 度 。两 幅 图 中
的箭 头 方 向代 表 了该 像 素 点 的梯 度 方 向 ，
ＬｘＹｏ ＝Ｇ ｘＹ ） （，） （ ） （，， ） （， ，ｏ Ｉｘ ２
ＳＦ 特征匹配算法是Ｄａｉ Ｌ ｗｅ ０ ４ ＩＴ ｖｄＧ．ｏ 在２ ０ 年总结了
现有 的基于不变量特征检测技术的基 础上 ，提出的一种
基于尺度空 间的，对 图像缩放 、旋转甚至仿 射变换保持
不 变性 的 图像 局部特 征描述算 法 。ＳＦ 特征是 图像 局 ＩＴ
骤 ：１ 特征点 的检测 ；２特 征 向量 的生成 ；３特 征 向 ． 是 ． ．
量的匹配。
尺度对应 于图像 的概貌特征 ，小尺度对应于图像 的细节
特征 。选择 合适 的尺度 因子平 滑是建 立 尺度空 间 的关 键 。在这里 ，主要是建立高斯金字塔和Ｄ Ｇ（ ｉ ｅｅ ｃ Ｏ Ｄ ｆ ｒｎ ｅ
１ ． ．
一种改进的快速特征点信息匹配算法
一种改进的快速特征点信息匹配算法随着图像处理领域的发展，快速特征点信息匹配算法变得越来越重要。
在很多领域，如计算机视觉、机器人、无人机等，图像处理任务中的快速特征点信息匹配算法都扮演着重要的角色。
然而，现有的快速特征点信息匹配算法中存在一些问题，如误匹配率高、算法效率低等。
本文提出了一种改进的快速特征点信息匹配算法。
该算法主要针对现有算法存在的问题，采用了一些新的策略来提升匹配精度和算法效率。
首先，我们采用sift算法来提取图像的特征点，因为sift算法具有较高的特征点稳定性和鲁棒性，可用于不同视角和光照条件下的图像匹配。
其次，我们对现有的特征点匹配算法进行优化。
我们观察到，在现有的算法中，匹配过程中往往只使用了特征点的局部信息，而忽略了整个图像的全局信息。
因此，我们提出了一种新的匹配策略：将图像划分成若干个小的分块，在匹配时，首先对每个分块求出其特征向量，然后再根据分块之间的相似度计算整幅图像的相似度。
这种匹配策略能够有效利用整个图像的信息，从而提高匹配的精度和准确率。
另外，我们还采用了多尺度匹配策略。
在现有的算法中，往往只在同一尺度的图像上进行匹配。
然而，在不同尺度下的图像中具有不同的特征点密度和相对位置，因此，我们采用了多尺度匹配策略来提高匹配的覆盖率和准确率。
具体而言，我们将图像缩放到不同的尺度下，在每个尺度下提取特征点，并进行匹配。
最后，将匹配结果进行汇总，得到最终的匹配结果。
最后，我们采用了一些技巧来提高算法的效率。
首先，在特征点匹配前，我们采用了一些预处理的策略，如去除一些重复的特征点和不稳定的特征点。
此外，我们还采用了一些高效的数据结构和算法来加速匹配过程。
通过实验验证，我们发现，相比于现有的特征点匹配算法，我们提出的算法具有更高的匹配精度和覆盖率，同时算法效率也得到了一定程度的提高。
因此，我们相信该算法在实际应用中具有很大的潜力和价值。
又快又准的特征匹配方法
又快又准的特征匹配方法又快又准的特征匹配方法是计算机视觉领域中非常重要的一个问题。
特征匹配是指在两个或多个图像中找到具有相似性的特征点，并建立它们之间的对应关系。
特征匹配在很多应用中都有广泛的应用，如图像配准、目标检测和跟踪等。
在过去的几十年中，研究人员提出了许多特征匹配方法，其中一些方法即使在处理大规模数据集时也能提供很高的匹配准确性和效率。
下面将介绍几种又快又准的特征匹配方法。
1.SIFT（尺度不变特征变换）SIFT是一种非常经典的特征匹配算法，在很多应用中都被广泛使用。
它通过将图像中的特征点转换成尺度、旋转和亮度不变的向量，然后使用特征向量之间的欧氏距离来进行匹配。
SIFT算法具有很高的匹配准确性和鲁棒性，但在处理大规模数据集时会存在时间和空间复杂度较高的问题。
2.SURF（加速稳健特征）SURF是一种基于SIFT的改进算法，能够在保持较高匹配准确性的同时提高匹配的速度。
SURF算法用Hessian矩阵来检测特征点，并通过使用积分图像来加速特征描述子的计算。
这种基于加速稳健特征的特征匹配方法比SIFT更快、更鲁棒，适用于处理大规模数据集。
3.ORB（方向倒角二值描述子）ORB是一种在效率和准确性之间取得平衡的特征匹配算法。
它结合了FAST关键点检测器和BRIEF特征描述子，使用方向倒角二进制描述子来表示特征点，从而使得匹配速度更快。
ORB算法在实践中表现良好，尤其适用于移动设备上的实时应用。
4.BRISK（加速鲁棒特征）BRISK是一种能够提供快速、鲁棒特征匹配的算法。
它通过快速角点检测器来检测特征点，并使用二进制描述子来进行特征匹配。
BRISK算法具有较低的计算复杂度和内存消耗，并且能够在保持较高的匹配准确性的同时提供很高的速度。
TCH（局部联合二进制特征）LATCH是一种基于二进制特征匹配的算法，具有很高的匹配速度和鲁棒性。
LATCH算法通过使用快速特征检测器和局部联合二进制描述子来检测和匹配图像中的特征点。
SIFT算法原理
SIFT算法原理SIFT（Scale-Invariant Feature Transform）算法是一种用于检测和描述图像中的局部特征的算法，它具有尺度不变性和旋转不变性的特点。
SIFT算法由David G. Lowe在1999年提出，被广泛应用于计算机视觉领域的图像匹配、目标识别等任务。
1.尺度空间的构建：SIFT算法首先构建图像的尺度空间，通过对原始图像进行高斯模糊操作得到一组图像。
具体操作是利用高斯核对图像进行卷积，每次卷积后将图像尺寸缩小一半，得到不同尺度的图像。
这样可以在不同尺度上寻找到特征点，使算法具有尺度不变性。
2.关键点的检测：在不同尺度的图像中，SIFT算法通过在每个像素点周围进行高斯差分操作，来寻找潜在的关键点。
具体操作是计算每个像素点的高斯差分空间，找到极大值和极小值点。
这些极值点成为候选关键点。
3.关键点的定位：在候选关键点的基础上，SIFT算法通过对梯度方向和梯度幅值进行计算，进一步筛选出具有稳定性的关键点。
具体操作是在关键点周围的邻域内，计算图像的梯度方向和梯度幅值，并将邻域划分为8个方向的子区域，求出每个子区域内的梯度方向直方图。
通过梯度方向直方图的峰值来确定关键点的主要方向。
4.关键点的描述：SIFT算法通过关键点的主方向，对其周围的图像区域进行描述。
具体操作是在关键点周围的邻域内，将邻域划分为多个子区域，并计算每个子区域内的梯度方向和梯度幅值。
这样可以得到一个向量组成的特征向量，用来描述关键点周围的图像区域。
为了保持对尺度和旋转的不变性，SIFT算法对特征向量进行归一化和抗干扰处理。
5.特征点的匹配：在进行目标识别等任务时，SIFT算法需要对图像中的特征点进行匹配。
为了提高匹配的准确性，在进行特征点匹配时，SIFT算法采用了一种特殊的匹配方法，基于最近邻和次近邻的比值。
对于每个特征点，找到其在另一幅图像中的最近邻点和次近邻点，通过计算这两个点之间的距离比值，进行匹配判断。
一种基于SIFT的改进特征点匹配算法
一种基于SIFT的改进特征点匹配算法
徐澳;华云松;夏春蕾;陈诗雨
【期刊名称】《软件》
【年(卷),期】2022(43)9
【摘要】为了提高特征点匹配的准确率,本文提出了一种基于改进混合滤波、特征描述符降维、SIFT特征匹配、RANSAC剔除误匹配点以及PSO算法的特征点匹配。
首先将场景图像进行滤波处理达到去噪效果,然后通过特征描述符降维以减少计算量,再通过RANSAC对基于SIFT的特征点匹配进行误匹配的剔除,最后使用PSO算法进行优化以寻找到最佳的Ratio值。
通过在模糊、较暗、较亮和遮挡4种以机械手为背景的场景下的图像,进行4种算法的对比实验,最后表明本文算法的误匹配率最小,精确度最高。
【总页数】5页(P83-86)
【作者】徐澳;华云松;夏春蕾;陈诗雨
【作者单位】上海理工大学光电信息与计算机工程学院;上海海事大学海洋科学与工程学院
【正文语种】中文
【中图分类】TP751.1
【相关文献】
1.一种改进的SIFT特征点匹配算法
2.基于改进SIFT特征点匹配的图像拼接算法
3.基于相似特征点集的SIFT匹配改进算法
4.一种基于改进的SIFT特征点算法的无人机影像快速匹配研究
5.基于改进SIFT特征点匹配的图像拼接算法研究
因版权原因，仅展示原文概要，查看原文内容请购买。
改进的SIFT特征匹配算法
ＬＵ Ｃｈａ ｏ — ｌ ｉ ａ ｎｇ， Ｍ Ａ Ｌｉ — ｈｕ ａ， ＣＨ ＥＮ Ｈａ ｏ
（ Ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ ａ ｎ ｄ Ｎａ ｖ ｉ ｇ ａ ｔ ｉ ｏ ｎ Ｃｏ ｌ ｌ ｅ ｇ ｅ ，Ａｉ ｒ Ｆ ｏ ｒ ｃ ｅ Ｅｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ，Ｘｉ ａ ｎ ７ １ ０ ０ ７ ７，Ｃｈ ｉ ｎ ａ） Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ： Ａｉ ｍｅ ｄ ａ ｔ ｔ ｈ ｅ ｓ ｌ ｏ ｗ ｍａ ｔ ｃ ｈ ｉ ｎ ｇ ｓ ｐ ｅ ｅ ｄ ｏ ｆ Ｓ Ｉ ＦＴ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｍａ ｔ ｃ ｈ ｉ ｎ ｇ ｍｅ ｔ ｈ ｏ ｄ ｉ ｎ Ｓ ｅ ａ ｒ ｃ ｈ ｉ ｎ ｇ ｔ ｈ ｅ ｗｈ ｏ ｌ ｅ ｄ ａ ｔ ａ —
ｔ ｈｅ ｎ ｔ ｈ ｅ ｓ ｉ ｍｉ ｌ ａ ｒ ｉ ｔ ｙ ｂｅ ｔ ｗｅ ｅ ｎ ｉ ｎｐｕ ｔ ｉ ｍａ ｇｅ ｐｙ ｒ ａ ｍｉ ｄ ａ ｎｄ ｔ ｈｅ ｔ ｅ ｍｐｌ ａ ｔ ｅ ｐ ｙ ｒ ａ ｍｉ ｄ ｉ ｓ ｄ ｅ ｔ ｅ ｒ ｍｉ ｎｅ ｄ ．Ｆｉ ｎａ ｌ ｌ ｙ，ｔ ｈｅ ｍａ ｔ —
第 １ ５卷 第 １期
２ ０ １ ４年 ２月
空
军
工
程
大
学
学
报（ 自然科 学 版 ）
Ｖｏ １ ． １ ５ Ｎｏ ． １
Ｆｅ ｂ． ２０１ ４
Ｊ Ｏ Ｕ Ｒ ＮＡ Ｌ Ｏ Ｆ Ａ Ｉ Ｒ Ｆ Ｏ Ｒ Ｃ Ｅ Ｅ Ｎ Ｇ Ｉ Ｎ Ｅ Ｅ Ｒ Ｉ Ｎ Ｇ Ｕ Ｎ Ｉ Ｖ Ｅ Ｒ Ｓ Ｉ Ｔ ＹＩ Ｎ Ａ Ｔ Ｕ Ｒ Ａ Ｌ Ｓ Ｃ Ｉ Ｅ Ｎ Ｃ Ｅ Ｅ Ｄ Ｉ Ｔ Ｉ Ｏ Ｎ）
改进 的 Ｓ Ｉ Ｆ Ｔ特 征 匹配算 法
- 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)。
第38卷第6期2016年12月光学仪器OPTICAL INSTRUMENTSVol. 38，No. 6December，2016文章编号：1005-5630(2016)06-0497-04一种提高SIFT特征匹配正确率的方法郗航\贺腾\杨建莉2，胡斐3(1.西安工业大学理学院，陕西西安710021;2.西安应用光学研究所，陕西西安710065;3.空间电子信息技术研究院，陕西西安710100)摘要：针对尺度不变特征变换(S IF T)特征匹配算法存在计算量大、实时性差、误匹率高的问题，提出一种基于距离比率准则的方法来去除S I F T特征匹配中的错误匹配。
传统的方法是采用随机选取一致性(RA N SAC)方法选取出正确的匹配对，但是需要通过反复迭代，复杂、耗时并且仍存有部分误匹配的现象。
改进后的方法直接通过两条匹配直线斜率的一致性判断，剔除不在斜率范围内的匹配，此方法算法简单，省时高效，从而较大提高了特征匹配的正确率。
实验结果表明，通过采用距离比率准则方法具有较高的匹配精度，同时减少了匹配的时间，使实时性得到提尚。
关键词：尺度不变特征变换(S I F T);图像匹配；随机选取一致性(RA N SA C);距离比率准则中图分类号：TN 911. 73 文献标志码：A doi:10. 3969/j. issa 1005-5630. 2016. 06. 005A method for improving matching accuracy of SIFT featuresX I H an g1, H E Teng1, YANG Jia n li2, H U F ei3(1, School of Science，X i’an Technological University，X i’an 710021，China；2, X i’an Institute of Applied Optics，X i’an 710065，China;3, X i’an Institute of Space Radio Technology，X i’an 710100，China)Abstract：Aiming at solving the problems of large calculating scale, poor real-time performance and high false-matching rate in the scale invariant feature transform (S IF T) feature matching algorithm，this paper presents an improved S IFT feature matching algorithm based on the distance-ratio criterion to eliminate the matching errors. Traditional random selection consistency (RANSAC) method is used to select the correct matching pairs. However, it is complex and time-consuming for the repeat iteration process as well as its occasionally matching error occurrences. In the proposed improved algorithm, slope consistency of the two matching lines is directly compared while the matching pairs beyond the slope range are eliminated. The improved algorithm is simple and efficient. Experiments show that the improved algorithm based on distance-ratio has great matching accuracy，and short matching time with performance and efficiency enhanced.Keywords：scale invariant feature transform (S I F T); image matching; random selection consistency (RANSAC) ；distance-ratio criterion收稿日期：2016-01-20作者简介：郗航(1990 )，男，硕士研究生，主要从事光电望远系统视距扩展方面的研究。
E-mail: xihangl990@•498 •光学仪器第38卷引言图像配准是数字图像处理技术中的一个重要部分，它的优劣直接决定多传感器源图像的最终融合效 果。
图像配准的目的是对不同视角、不同时间或不同传感器所获得的同一场景的两幅或多幅图像做几个 对齐，以便用于后续图像融合等处理。
近年来，图像配准已成为图像处理领域中的一个研究热点，并已被 广泛应用在航空影像自动制图、图像的三维重构、遥感数据分析等诸多领域。
2004年，Lowe提出了尺度 不变特征变换(SIFT)算法[1]，该方法是把图像之间的匹配转化成特征点之间的匹配[2]。
正是由于SIFT 算法具有很高的鲁棒性和较快的运算速度，因此它被广泛地应用在图像配准领域。
之后采用欧氏距离法 的best-bin-firSt(BBF)算法对特征向量点进行匹配™，但是这会误匹配很多野点，降低匹配效果，严重地 影响后面图像融合拼接的结果。
对于以上问题有人提出基于置信度的匹配算法[4]，其本质还是对欧式距 离中最小值与次小值之比作匹配阈值，结果仍然不理想。
于是由Fischler等提出的随机选取一致性 (RANSAC)算法[5]，虽然可以很好地估计匹配点中的内、外点，去除错误的匹配，但随着外点比率的增大，运算时间随之增加并且算法上相当麻烦。
针对S IF T特征匹配中错误匹配率高的问题，本文对先前的方法进行改进，提出一种更为稳定高效的 图像匹配方法即基于距离比率准则的方法，从而使匹配更有效、更省时，降低S IF T匹配的误匹配率，达到 提高匹配效率的目的。
1 S I F T算法的基本原理1.1特征点提取S IF T特征点提取算法[6]有以下两个步骤：(1) 检测图像尺度空间的极值点。
尺度空间在待检图像中可表示成该图像和高斯函数的卷积，即L(x,y,a) =G(x,y,a) *I(x,y)(1)式中为尺度空间因子；/(■r o)为原始图像;为尺度可变高斯核函数，其数学表达式为〇(^^，(7)=^^-<^^2)&2。
为了能有效地检测出尺度空间中的稳定关键点，采用高斯差分尺度空间(difference of Gaussian)来表述，可利用原始图像J(_r，；y)和高斯差分核进行卷积计算出，公式如下：D(x,y,a) =(G(x,y,ka) —G(x,y,a)) *I(x,y) =L(x,y,ka) —L(x,y,a)(2)采用高斯差分函数能够获得比其他函数更高的计算效率，此外在对图像进行高斯滤波时，图像特征点不 受噪声影响，更重要的是该方法在提取极值点时优先保证了尺度的不变性。
(2) 精确确定极值点位置。
首先获取关键点处的拟合函数：D(.X) =D +d-^X+(3)对式（3)求导并使其等于零，可得极值点！=一(g p11|，然后得到在极值点的插值估计值为D(文若11)(文）|>0. 03,该特征点就保留下来，否则剔除。
最后对于高斯差分尺度空间 (DoG)算子产生的边缘响应，需要获取特征点的Hessian矩阵来剔除，设定阈值为7,检测主曲率是否在 某阈值7下，即验证1)2是否成立，通常7取值为1〇。
1.2 SIFT特征描述算子的生成利用特征点领域像素的梯度方向分布特征来确定关键点的方向，公式如下：m(x,y) =v7(L(x +l,y)—L(x —l,y)y + (L(x+ 1')—L(x, y —I')')2⑷〇(x,y')=arctan((L(x?^ +1)—L(x,y —1) )/(L(x+l,y)~L(x —l,y)))(5)在以关键点为中心的邻域窗口内取样，并采用梯度直方图来统计邻域像素的梯度方向，梯度直方图第6期郗航，等:一种提高SIFT特征匹配正确率的方法•499 •的横轴的取值范围是〇°〜360°，每10°为一个单位，总共有36个单位。
梯度方向的直方图的主峰值则表示 该关键点的主要方向，在每个区域里，只有保证大量的关键点都和主方向一致，才能确保旋转的不变性。
尽管只有少部分的关键点被赋予多个方向，但不会影响整体匹配的稳定性ra。
接下来对每个特征点建立 一个描述符，使其具有较高的独特性，以便更好地提高特征点的正确匹配率。
1.3 SIFT特征点的匹配对于生成的S IF T特征向量进行匹配是根据相似性度量来进行判定的，通常采用欧氏距离对SIFT 的特征向量进行匹配。
得到S IF T特征向量后，查找每个特征点的邻近特征点，如果最邻近的两个特征点 间的距离和次邻近两个特征点的距离的比值少于某个给定的阈值，则说明这两个特征点匹配是成功的。
降低此阈值，会减少匹配点的数目，使稳定性得到增加[8]。
2 SIFT匹配算法中消除错误匹配算法的改进在完成对应特征点的粗匹配后，为了更好地融合两幅图像，需要估计两幅图像的基础矩阵，使其满足 一定的射影关系[9]。
但是由于S IF T得到的粗匹配中存在很多的误匹配，很大程度上影响了后续图像的 融合，因此需要用一些算法对粗匹配进行提纯，从而提高特征点匹配准确率和速度，更高效地完成图像的融合。
2.1 RANSAC模型参数估计传统的做法是通过使用RANSAC算法[1°]，对S IF T得到的粗匹配进行提纯，主要是采用随机抽样的 方法，即在一定置信率的约束下选取正确的匹配点，其特点是降低外点比率时效率很高，同时在计算的精 度上也有提高。
S IF T和RANSAC算法的结合，也是当前图像匹配中采用的主流方法。
其过程是，首先 采用S IF T算法对两幅图像进行S IF T特征点的提取，然后对提取的特征点进行特征匹配，最后利用 RANSAC算法剔除匹配中错误的匹配点，同时计算变换矩阵。
2.2距离比率准则与传统RANSAC算法不同，本文对原先S IF T得到的粗匹配结果采用距离比率准则的方法来进行提 纯。