第34卷第10期2009年10月武汉大学学报#信息科学版
Geo matics and Informat ion Science of W uhan U niver sity Vo l.34N o.10
Oct.2009
收稿日期:2009-08-10。
项目来源:湖北省自然科学基金资助项目(2008CDB388);湖北省教育厅自然科学基础研究资助项目(G200514001);国家863计划
资助项目(2007AA120203)。
文章编号:1671-8860(2009)10-1245-05文献标志码:A
SIFT 算法优化及其用于遥感影像自动配准
李芳芳1
肖本林2
贾永红1
毛星亮
3
(1 武汉大学遥感信息工程学院,武汉市珞喻路129号,430079)(2 湖北工业大学土木工程与建筑学院,武汉市李家墩1村,430068)(3 中共湖南省委互联网新闻宣传办公室,长沙市韶山路1号,410011)
摘 要:对传统SIF T 算法从特征点提取时间和匹配精度上进行了优化,基于优化算法提取的特征点对构建三角网进行小面元微分纠正配准。试验结果表明,该方法是一种有效的遥感影像自动配准方法。关键词:SIFT 算法;小面元微分纠正;影像配准中图法分类号:P237.3
近几年来,SIFT (scale invariant feature tr ansform )特征在图像匹配领域取得了巨大成功,基于SIFT 描述子的匹配方法已被成功应用到了很多领域,如目标识别[1]、全景图拼接[2]、从运动恢复结构[3]
等。SIFT 算法最初由Low e [4,5]
于1999年提出,2004年总结完善。2005年,
Mikolajczyk 等[6]针对不同的场景,对光照变化、
图像几何变形、分辨率差异、旋转、模糊和图像压缩等6种情况,就多种最具代表性的描述子进行了试验,结果表明SIFT 描述子性能最好。
然而,目前将SIFT 算法应用于遥感影像配准的研究还较少。主要原因如下:特征点提取方面,由于遥感影像数据量一般较大,加上SIFT 算法本身复杂度较高,直接加以应用算法效率较低;特征点匹配方面,传统SIFT 算法采用的是Low e 提出的最近邻次近邻距离比值法,阈值凭经验选取,精确度较低。
1 SIFT 算法
SIFT 算法是一种提取图像局部特征的算法。通过在高斯差分尺度空间(difference of g auss-i an,DOG)寻找极值点作为关键点,提取尺度、亮
度、旋转不变量。
1.1 关键点检测及精确定位
关键点检测在多尺度空间完成。尺度空间理论最早出现于计算机视觉领域,其目的是模拟图像数据的多尺度特征。一幅二维图像的尺度空间定义为:
L (x ,y ,R )=G(x ,y ,R )I (x ,y )
(1)
式中,G(x ,y ,R )=
12P R
2e -(x 2+y 2)/2R 2
是尺度可变高斯函数。为了有效检测到关键点,Low e [5]
提出了在高斯差分尺度空间寻找极值点:D(x ,y ,R )=(G(x ,y ,k R )-G(x ,y ,R ))I (x ,y)
(2)
每一个采样点和它同尺度的8邻域点以及上下相邻尺度的18邻域点比较是否为极值点,作为关键点候选点。
然后,通过拟合泰勒公式展开的三维二次函数,精确定位关键点的位置和尺度。同时去除低对比度的关键点和不稳定的边缘响应点,以增强匹配稳定性,提高抗噪能力。1.2 关键点方向分配及描述子构造
利用关键点邻域像素的梯度方向分布特性为每个关键点分配方向参数。一个关键点可能会被指定多个方向(一个主方向、一个以上辅方向)以增强匹配的鲁棒性。
然后以关键点为中心取16像素@16像素的
武汉大学学报#信息科学版2009年10月
窗口,并均匀地分为4@4个子区域(每个子区域大小为4像素@4像素),对每个子区域计算8个方向的梯度方向直方图,绘制每个梯度方向的累加值,即可形成一个种子点。这样对于一个关键点可以产生4@4@8共128维的SIFT特征向量。至此,一个完整的描述子构建完毕,也完成了特征点的提取过程。
2SIFT算法优化
2.1尺度空间构造算法优化
SIFT算法本身复杂度较高、参数较多,需要通过试验来确定最佳参数。通常采用的是Lo w e[5]的建议值,但这些参数对算法复杂度影响较小。SIFT要应用于数据量较大的遥感影像,需要对其计算过程加以优化。
2.1.1尺度空间构造耗时
作者通过对大量遥感影像进行试验,统计了算法各个阶段所需时间占总时间百分比,结果如表1所示。
表1SIFT算法各阶段所需时间
T ab.1T ime Co nsumpt ion of Different Stage
算法各个阶段所占百分比/%
尺度空间构造30~55
关键点检测10左右
关键点指定方向10左右
计算特征描述符30~50
由表1可知,构造尺度空间耗时较多,占算法总时间的30%~55%左右。此部分耗时将很大程度影响整个算法所需时间,因此优化空间较大。
2.1.2耗时原因
尺度空间的构建主要分为高斯金字塔影像和高斯差分尺度空间构建两部分,而后者在前者基础上进行相邻图层相减即可。因此,尺度空间构建耗时主要取决于高斯金字塔影像的构建。Lo w e[5]建议第一个octav e的首幅图像高斯核参数值为1.6,其他octav e的第一幅由前面octave 的首幅图像以尺度2向下采样得到。当octave 的个数s=3时,每个octav e中的其他图像R以k=21/s等比递增。
构建高斯金字塔影像时,高斯核尺寸的大小与其所需时间紧密相连。在不同核尺寸下,通过对不同尺度、旋转不同角度的遥感影像进行试验发现,随着核尺寸增大,构建金字塔影像消耗时间不断增加,检测出的关键点数目也逐步增多。但当核尺寸增大到一定程度,关键点数目开始呈现下降趋势。传统SIFT算法中采用固定核尺寸选择的方法来构建高斯影像,若尺寸选择过小,虽然耗时较少,但提取的特征点也较少,不利于后续影像配准;若尺寸选择过大,耗时较多,提取的特征点也不一定很多。为了避免上述情况,争取在较少时间内提取出较多特征点,本文采用了自适应高斯核尺寸选择的方法。
2.1.3自适应算法
通过试验统计发现,随着核尺寸从3@3、5@ 5逐渐增加到21@21的过程中,检测出的关键点数目在11@11到13@13之间开始出现临界值。虽然所需时间仍不断增加,但关键点数目开始逐渐减少。本文对多组遥感影像进行了试验,结论基本一致。由于篇幅有限,仅列举其中一组试验结果,如表2所示。
表2不同高斯核尺寸试验结果
T ab.2Ex periment r esults o f different
Gaussian kennel sizes
核尺寸/结果aGus/m s bGus/m s aKeys/个bKeys/个3@31587178400
5@5236423944456
7@72914304411241018
9@93535366527403111
11@114446463634543892
13@136359561836304067
15@158512778135623955
17@178732932434693802
19@19114361157633693714
21@21126591255833273671
自适应5536552737644098
表2为两幅同一地区不同时相的TM影像(尺寸大小为512像素@512像素)在不同高斯核尺寸下构造高斯金字塔影像所需时间及初始提取特征点数。其中,aGU S、bGU S分别代表两幅影像构建高斯金字塔所需时间,aKey s、bKey s代表各自提取特征点数。试验运行环境:CPU Celeron 2.2G,内存512MB。
在以上多组试验结果基础上,拟合了一次函数,得到如下自适应过程。
设高斯核尺寸为[w idth,height],其大小依据每个octave中图像对应的值自适应过程为: w idth=height=4+5,w idth<13
w idth=height=13,w idth>13。
2.1.4试验
对上述TM影像采用自适应核尺寸算法提取的特征点数目为3764和4098个,同等条件下比固定核尺寸所提最多数目分别多134和31个。如图1所示,横轴为不同核尺寸,纵轴为构建高斯影
1246
