汪道寅,胡访宇

(中国科学技术大学,安徽合肥230027)

0 引言

图像配准技术是图像融合和图像重建等应用的前提,是不可缺少的关键步骤。图像配准可分为基于特征和基于区域的配准,其基本步骤为特征检测、特征匹配、匹配函数设计和图像的变换及重采样[1]。图像配准在医学、遥感和目标识别等众多图像分析领域得到了广泛地应用,是图像处理领域中研究的热点。

尺度不变特征SIFT是由David Lowe于1999年提出,并于2004年总结完善[2]。SIFT匹配算法主要可分为特征检测、特征描述和特征匹配3个部分。Mikolajczyk和 Schmid通过对比 SIFT、PCA-SIFT、Steerable Filter和Moment Invariants等数10种特征描述后指出[3],SIFT是目前最为有效地特征检测算子。SIFT算法存在需要完善的地方,如匹配部分的部分阈值参数不具有普遍适用性,并且误配点没有得到有效的剔除。针对以上问题提出相应改进,并将其应用到视频序列图像的配准当中。实验表明,改进算法实现了更有效的配准。

1 SIFT算子

1.1 检测尺度空间的特征点

图像在尺度空间中表示为图像和可变高斯核函数的卷积,LoG(Laplacian of Gaussian)算子表达式为:

对相邻层的卷积结果进行差值,得到差分金字塔DoG(Difference of Gaussian),DoG算子是对LoG算子的近似,其表达式为:

式中,因子k满足k=21/S;D(x,y,σ)在尺度空间中的极值点作为候选特征点。

1.2 精确定位特征点的位置

差分金字塔DoG的泰勒展开式为:

式中,X=(x,y,σ)T为包含特征点位置和尺度信息的向量。通过D(X)的幅值大小及其曲率来筛选特征点,D(X)的曲率特性通过其二阶微分组成的Hessian矩阵来度量。

1.3 确定特征点的主方向

点坐标为(x,y)处的梯度幅值和方向为: