论文部分内容阅读
当前国际上广泛使用的尺度不变特征变换(SIFT)算法及其改进算法在检测与描述特征点时基于平面直角坐标系下的高斯差分(DoG)函数,存在损失图像高频信息的缺陷,从而导致图像匹配时其性能随着图像变形的增加而出现急剧下降。针对SIFT算法及其改进算法的这一缺陷,本研究提出了一种新的、无图像信息损失的、在对数极坐标系下进行的图像匹配算法,该算法可以检测图像的泡点、角点和边缘点并对这些特征点进行描述。本研究提出的尺度不变特征点检测与描述算法首先将平面直角坐标系下以采样点为中心的圆形图块转换为对数极坐标系下的矩形图块,并以对数极坐标系下的矩形图块为基础对采样点进行检测与描述;该算法使用固定宽度的窗口在采样点的对数极坐标径向梯度图像的logtr轴上进行移动以计算采样点的特征尺度,并在具有局部极大窗口响应的特征尺度位置处提取特征点的描述符。该算法的描述符基于对数极坐标系下矩形图块梯度的幅值与取向,是一个192维向量,并具有对于尺度、旋转、明暗等变化的不变性。本研究使用法国国家信息与自动化研究所(INRIA)数据组根据K. Mikolajczyk等人提出的匹配性能指标对SIFT算法、加速健壮特征(SURF)算法、Harris-Laplace算法和本研究提出的尺度不变特征点检测与描述算法进行对比实验。实验结果表明:与SIFT算法、SURF算法和Harris-Laplace算法相比,本研究提出的尺度不变特征点检测与描述算法在对应点数、重复率、正确匹配点数和匹配率等方面均具有一定优势,具有优良的图像匹配性能。在本研究的最后,我们给出了本研究提出的尺度不变特征点检测与描述算法基于随机抽样一致性(RANSAC)算法和迭代最近点(ICP)算法的应用实例。