白亚茜，刘著平，凌建国



基于纹理特征的SIFT算法改进

白亚茜1,3，刘著平2，凌建国1

（1.北京遥感设备研究所，北京 100854；2.中国航天科工集团，北京 100048；3.中国航天科工集团第二研究院，北京 100854）

针对SIFT（Scale Invariant Feature Transform）算法中使用固定对比度阈值提出了改进方法。当红外图像纹理特征不明显时，算法所能提取的特征点数量会大量减少，影响后续利用特征点进行如图像匹配、目标识别等处理。而人工改变对比度阈值具有局限性，不适用于很多场合。因此提出了一种基于纹理特征的自适应对比度阈值的SIFT算法。所使用的纹理特征提取方法是灰度共生矩阵，鉴于灰度共生矩阵并不能直接应用的特点，因此提取了特征参数。在图像纹理的特征参数如角二阶矩较大时，调低对比度阈值，使得特征点数量得以提高。此算法经验证表明能够在图像纹理特征不明显的情况下依然提取出大量的SIFT特征点。

纹理特征；SIFT；自适应对比度阈值；灰度共生矩阵

0 引言

SIFT算法自从1999年由Lowe提出，并于2004年进行完善总结后，一直受到广泛的关注。相对于其他图像特征算法，SIFT算法具有很多的优点[1-3]。经由SIFT特征提取法得到的特征点具有良好的旋转不变性、尺度不变性、对光照和视角变化具有较好的鲁棒性。但其缺点也较为明显，由于其固定对比度阈值的设置，并不适合于所有的红外图像。在实际应用中，取得的图像会因实际环境的影响而具有不同的特点。对于背景变化不明显的环境，其所得图像的纹理特征必然不明显，即图像灰度变化不明显，图像对比度低。此时，如果继续使用固定对比度阈值，那么所得到的SIFT特征点将是非常有限的。如果对图像进行增强，也可以提取到相应的SIFT特征点，但是这样会损坏图像的细节信息。本文提出了一种基于纹理特征的SIFT算法，该算法可以根据图像的具体纹理特征来改变对比度阈值，使得图像灰度变化不明显时仍能有效提取SIFT特征点。

1 SIFT特征提取算法

SIFT特征提取算法[4-5]主要分为4个步骤：

1）构建尺度空间

高斯差分尺度空间(,,)是两个尺度因子成比例变化的尺度空间相减构成的，Lowe提出高斯差分尺度空间的概念是为了能在尺度空间里检测出有效的极值点：

(,,)＝[(,,)－(,,)]×(,)

＝(,,)－(,,) (1)

原始图像与高斯函数进行卷积计算，得到高斯尺度空间，共计O阶（octave），每一阶有＋3层（scale）。每一阶的高斯尺度空间相减即得到高斯差分尺度空间，共计O阶，每一阶有＋2层。这样，就能在高斯差分尺度空间的层上检测候选特征点。这些高斯函数的尺度因子以倍递增。至此，尺度空间构建完成。

2）检测极值点

极值点的确定需要通过比较高斯差分尺度空间的层中每个采样点与它同尺度的8个相邻点与上下相邻尺度对应的9×2个点共计26个点即可得到。但这些点只能称为候选特征点，其中的低对比度以及处于边缘的点都属于不稳定的点，极易受到噪声的影响，需要剔除。因此设定了对比度阈值以及曲率阈值，分别滤除低对比度的点以及边缘点。

3）确定关键点的方向

关键点描述子转为由方向来描述，因此保证了图像的旋转不变性。对于每一个关键点(,)的梯度模值和方向的计算公式如下：

采用直方图统计法统计关键点邻域的梯度值，邻域点对梯度的贡献度随着与关键点的距离增加成高斯函数递减，直方图的峰值即为关键点的主方向。至此，关键点方向确定完成。

4）生成特征点描述子

取特征点周围16×16个像素的窗口，将此窗口均匀分为16个4×4的子区域。计算每个子区域8个方向的梯度直方图，即可得到4×4×8共128维的特征向量，再对特征向量进行归一化，即得到特征点描述子。

2 基于纹理特征的SIFT算法

2.1 灰度共生矩阵

纹理是图像的一个重要特征，而且不同物体的纹理特征区分较明显，是图像分析的一种常用工具。分析图像纹理有很多种方法，其中的统计分析方法是基础。而灰度共生矩阵分析法是其中应用较为广泛的一种方法。

灰度共生矩阵并不能直接用于描述图像的纹理特征，需要用一些特征参数来显示它所反映的纹理特征[8-9]。在灰度共生矩阵归一化的基础上，一般常采用角二阶矩（能量）、熵、对比度、相关性等4个特征参数来提取图像的纹理特征。

本文目的在于增加红外图像所能够提取的SIFT特征点数量，因此选取了某红外传感器所采集的3种不同背景下的红外图像数据来进行分析，其中包括农田背景，滩涂背景，树木背景。计算了3种图像序列的灰度共生矩阵及其4种特征参数，每一种都计算了4个方向。然后将这些参数与图像所提取到的特征点进行了研究。经分析发现，这些特征参数与特征点关系密切，或为正相关或为负相关。其中呈现最佳线形关系的是角二阶矩。

角二阶矩（angular second moment）的计算公式为：

角二阶矩是灰度共生矩阵各元素的平方和，也称为能量。反映的是图像灰度分布的均匀性，微纹理的角二阶矩较小，宏纹理的角二阶矩较大。

2.2 基于灰度共生矩阵的SIFT特征点提取

SIFT特征提取算法使用的是固定的对比度阈值，利用尺度空间函数的泰勒展开式：

所以当要处理的图像背景纹理特征不清晰时，意味着图像的对比度也低，剔除掉的点将非常多，将难以提取到足够数量的特征点。因此需要根据图像具体的纹理特征来改变对比度阈值。

而经验表明一个分辨率为256×256的图像所能提取到的特征点大约为1000个，此时的角二阶矩范围约为[0.016 0.022]。不同方向不同图像的角二阶矩值均不相同，但大体类似。

图1说明的是由图像的4个不同方向的灰度共生矩阵统计得到的角二阶矩与图像特征点数量的关系图。为了使图像的特征点数量能够在不牺牲图像质量的前提下增加，需要改变SIFT算法的对比度阈值CONth：

此处的ASM使用的是4个方向的平均值。至此，基于纹理特征的自适应对比度阈值SIFT算法完成。

3 实验结果

为了检验算法的可行性与适应性，本文在Windows XP系统上，采用MATLAB 7.0软件平台对农田背景、滩涂背景、树木背景的红外图像进行了仿真验证。农田背景的红外图像中各田地块中间的界限较为明显，但是田地内部的纹理信息很少。滩涂背景的红外图像中滩涂里的纹理信息时而多时而少，具有随机性，树木背景的红外图像中树叶以及草坪的纹理信息较为丰富，因此选用这3种比较有代表性的红外图像作为实验数据。由于红外图像灰度细节不明显、对比度低，传统的SIFT算法往往提取的特征点比较少，但采用本算法特征点数量大量提高，算法改进效果显著。实验图像效果如图2所示。

图2中选图为3种类型里的典型图像，图中带标记的点（绿色）为图像提取到的特征点。由图可知，特征点数量均有所提高。表1列出了3种背景的红外图像所提取到的特征点数量对比图。选用3种类型的红外图像各100帧，计算出平均特征点个数。

由表1可知，利用改进算法可以提取到的特征点个数增加效果显著。并且可以看出，由于图像类型不同，特征点数量增加也有所不同。这是由于，若原SIFT算法已经提取到了较多的特征点，说明可被挖掘的特征点比较少；若在原SIFT算法所能提取的特征点数量较少时，说明有很多变化较弱的纹理特征被忽略了，本文算法能够很好地挖掘出来这些特征点。

图2 算法改进前后特征点数量变化图

注： 彩色图片可查阅本刊网站稿件电子版本

表1 本文算法与SIFT算法特征点对比表

4 结论

本文在深入研究SIFT算法原理以及纹理特征的基础上，提出了基于纹理特征的自适应对比阈值的SIFT算法改进。在图像纹理特征较弱，图像对比度低时调整对比度阈值。相比于原算法，在不用改变图像质量的前提下，改进了对比度阈值的设定，提高了算法的适应性。此外，本文主要着眼于提高算法提取特征点的丰富度，并未对算法速度进行改进。

[1] 孟德剑. 基于SIFT算法的激光雷达图像拼接算法研究[D]. 哈尔滨:哈尔滨工业大学, 2014.

MENG Dejian. Research on algorithm of laser Lidar image mosaic based on SIFT[D]. Harbin : Harbin Institute of Technology, 2014.

[2] 赵爱罡, 王宏力, 杨小冈, 等. 融合几何特征的压缩感知SIFT描述子[J]. 红外与激光工程, 2015, 44(3): 1085-1091.

ZHAO Aigang, WANG Hongli, YANG Xiaogang, et al. Compressed sense SIFT descriptor mixed with geometrical feature[J]., 2015, 44(3): 1085-1091.

[3] 许佳佳. 结合Harris与SIFT算子的图像快速配准算法[J]. 中国光学, 2015, 8(4): 574-581.

XU Jiajia. Fast image registration method based on Harris and SIFT algorithm[J]., 2015, 8(4): 574-581.

[4] David G Lowe. Object recognition from local scale-invariant features[C]//, 1999(9): 1150-1157.

[5] David G Lowe. Distinctive image features from scale-invariant keypoints[J]., 2004, 60(2): 91-110.

[6] 宋新, 罗军, 王鲁平. 等. 一种基于小波纹理特征的目标检测方法[J]. 红外技术, 2006, 28(9): 545-548.

SONG Xin, LUO Jun, WANG Lu-ping. A target detection approach based on wavelet texture characterization[J]., 2006, 28(9): 545-548.

[7] 宋卫华, 张青. 灰度共生矩阵算法研究[J].黄山学院学报, 2014, 16(3): 34-37.

SONG Weihua, ZHANG Qing. A research on the algorithm of gray level co-occurrence matrix[J]., 2014, 16(3): 34-37.

[8] 梅浪奇, 郭建明, 刘清. 基于多特征的纹理特征提取方法研究与应用[J]. 交通信息与安全, 2015, 33(2): 31-38.

MEI Langqi, GUO Jianming, LIU Qing. Research and application of texture feature extraction based on multi-features[J]., 2015, 33(2): 31-38.

[9] 任国贞, 江涛. 基于灰度共生矩阵的纹理提取方法研究[J]. 计算机应用与软件, 2014, 31(11): 190-192.

REN Guozhen, JIANG Tao. Study on GLCM-based texture extraction methods[J]., 2014, 31(11): 190-192.

Improved SIFT Algorithm Based on Texture Features

BAI Yaxi1,3，LIU Zhuping2，LING Jianguo1

(1.,100854,;2..,100048,;3..,100854,)

An improved method used for changing the fixed threshold in Scale Invariant Feature Transform algorithm is proposed. If the texture features of the infrared image is not obvious, the feature points will be significantly reduced, so it will influence the subsequent procedure such as image registration, object recognition and etc. Modifying the contrast threshold artificially is not adapt to many occasions because of its limitation. Therefore, an adaptive contrast threshold SIFT algorithm based on texture features is necessary. Gray level co-occurrence matrix is one of the methods to represent the texture features. Owing to its feature that it could not analyze the image directly, the characteristic parameter must be extracted. The contrast threshold is modified lower only when the characteristic parameter of texture such as angular second moment becomes larger, so that the characters can be much more. The results indicate that even when the texture features of an image is not clear, large numbers of Scale Invariant Feature Transform characteristics can still be extracted.

texture features，SIFT，adaptive contrast threshold，gray level co-occurrence matrix

TP391

A

1001-8891(2016)08-0705-04

2015-12-13；

2016-02-29.

白亚茜（1991-），女，河北省邢台市人，硕士研究生，主要研究方向为红外图像处理，目标识别。E-mail:baiyaxi17@163.com。