[发明专利]一种基于余弦测度的改进PCA-SIFT图像配准方法

说明书

本发明公开了一种在实现SIFT特征描述符的降维技术基础上，结合欧式距离度量与余弦相似测度度量进行特征匹配的方法。根据PCA可以实现降低维度的特点，首先实现传统128维SIFT描述符的降维。在此基础上，结合欧式距离与余弦相似度，分别在距离与方向上进行特征点相似度的计算，从而实现快速、精确的图像特征匹配。

技术领域

本发明属于计算机视觉领域，特别是涉及图像的特征点提取、图像配准、图像识别等领域。

背景技术

SIFT(尺度不变特征变换)算法，是目前国内外特征点匹配研究领域的热点，其匹配能力很强，常用于处理两幅图像之间存在平移、旋转、仿射变换等条件下的配准。但是该方法存在两个缺点，一个是由于该特征描述子是通过对特征点邻域构建三维梯度方向直方图来产生128维特征向量，其维度很高，导致计算量大，耗时长；另一点是该方法用于图像配准时存在一定的错误率。针对特征向量维度太高的问题，使用PCA(主成分分析)技术可以将特征向量的维度降低，从而降低数据量，加快计算速度。针对匹配准确度的问题，常用的是距离测度函数，通过判定两向量的距离来判别两幅图像特征点集合是否配准，我们在此基础上引入余弦相似测度，进行方向上的限制，从而提高匹配的准确度。

发明内容

本发明的目的在于提供一种可以同时实现PCA技术对SIFT特征描述符降维以及在欧式距离测度基础上添加余弦相似测度，从而同时实现基于PCA技术的SIFT特征匹配方法的快速、准确图像配准。

实现本发明的技术方案为：一种基于余弦测度的改进PCA-SIFT图像配准方法，包括以下步骤：

步骤一:构建高斯差分(DOG)尺度空间，在DOG空间搜索极值点，初步确定特征点位置与所在尺度。

步骤二:特征点的精确定位，同时消除低对比度并消除边缘响应，获得稳定的关键点的准确信息。

步骤三:计算特征点邻域梯度直方图，为特征点分配方向信息。

步骤四:生成PCA-SIFT描述子。将每个以特征点为中心的41×41邻域并将其旋转到主方向，计算像邻域内(最外层不计算)每个像素的水平、竖直方向的梯度，得到描述该特征点的2×39×39＝3042维的描述子。所有特征点的描述子按顺序放入描述子矩阵中。

步骤五:计算描述子矩阵的协方差矩阵，得到该矩阵的特征值与特征向量，并按照特征值从大到小的顺序保留前k个特征值对应的特征向量，得到投影矩阵。

步骤六:将描述子矩阵与投影矩阵相乘，得到降维后的新的描述子矩阵，用于图像匹配。

步骤七:基于距离测度与余弦相似度，对特征描述符集合的匹配同时建立距离以及方向上的约束，提高匹配准确度。

在步骤一中，构建高斯差分尺度空间以及搜索极值点的具体做法为：

定义图像的尺度空间表达函数:

L(x,y,σ)＝G(x,y,σ)*I(x,y)

其中*代表卷积，I(x,y)代表输入图像，G(x,y,σ)为尺度为σ:

最后根据两个由常数因子k隔离开的相邻尺度生成高斯差分函数D(x,y,σ):

D(x,y,σ)＝L(x,y,kσ)-L(x,y,σ)

之后在DOG空间搜索极大值和极小值点，搜索策略为：

在DOG空间中，每一个像素点都与其所在同一尺度同一图像中的八邻域以及其所在相邻上下尺度的九邻域共26像素点进行比较，只有该像素点是最大或最小时才会被选为候选极值点。