SCI论文（www.lunwensci.com）
摘要：由于影像匹配问题是图像处理中的关键技术内容,因此经过对影像匹配算法的深入研究,提出了一个ORB-DAISY算法,该算法首先通过ORB算法检出了影片的特征点,而后再通过DAISY算法对所检查到的特征点加以描述,最终使用RANSAC算法剔除其中的误差对,经过与其他算法进行对比,发现该算法影像匹配率高于其他算法。
关键词：ORB算法；DAISY描述符；RANSAC算法
ORB-DAISY Image Matching Algorithm
MIAO Luxin1,YANG Dehong1,PAN Junhua2,LI Liangsen3
(1.Faculty of Land and Resources Engineering,Kunming University of Science and Technology,Kunming Yunnan 650000;
2.Kunming Renfeng Technology Co.,Ltd.,Kunming Yunnan 650000;
3.Beijing Urban Construction Group Co.,Ltd.,Beijing 100000)
【Abstract】：Image matching is a key technology in image processing.Through the study of image matching algorithm,an ORB-DAISY algorithm is proposed.The algorithmfirst uses ORB to detect image feature points,uses DAISY algorithm to describe the detected feature points,and then uses RANSAC algorithm to eliminate error pairs.After comparing with other algorithms,it is found that the image matching rate of this algorithm is higher than other algorithms.
【Key words】：ORB algorithm;DAISY descriptor;RANSAC algorithm
0引言
影像匹配作为图像处理的关键技术内容,得到众多学者的关注,1999年David G.Lowe教授提出了SIFT算法[1],并于2004年对其进行改进。一般情况下,SIFT方法都能够获得令人满意的匹配结果,但是对于存在相同结构的图像加以匹配会产生巨大的误匹配点对。2010年,Engin T给出了一个Daisy描述符,它是通过使用圆的旋转不变性在SIFT和GLOH算符的基础上而形成的,它的目标是描绘图片中的所有像素点,单纯使用Daisy描述符会由于特征描述符维数太多而使得计算不够繁杂,从而造成了错误匹配[2]。Rublee等人在2010年发明了一个使图形的平移、翻转、压缩和矩阵变换都保持了不变的ORB算法[3],该方法具备计算速度快、占据存储器小的特点优点。Pablo等人在2012年给出了KAZE算法[4],但该算法受倾斜度影响较大[5,6]。
随着近年来越来越多的学者对其关注,不少人对以上算法提出改进,针对KAZE方法在遥感图像配准过程中出现的检测速度慢和误匹配严重的现象,保文星提供了一个更完善的基于信息熵约束和KAZE特征提取技术的预处理方法[7]。刘增峰阐述了SIFT、ORB和KAZE算法的基本原理和方法,并通过这3种方法对影像的特征点筛选和匹配研究,在运行时间和匹配效率等方面客观的研究了3种方法的效果优越性[8]。杨薇提出了将SIFT算法与DAISY描述子相结合的算法[9]。吴军根据倾斜航空摄影特点和匹配的特点,提供了结合尺度不变的转换SIFT与半全局匹配SGM的倾斜影像密集匹配技术[10]。闫利针对于倾斜摄影中涉及多种角度不同的图像因而使得各个角度不同的图像产生了很大的仿射畸变的实际问题,提供了一个采用几何约束和SIFT相结合的斜影像匹配方法[11]。
本文根据上述方法的特点,给出了ORB-DAISY方法,该方法先通过ORB方法获得图像特征点,接着在特征描述中再通过DAISY描述子实现特征描述,最后再通过单映射变换矩阵的RANSAC方法实现图像精确调整。
1 ORB-DAISY原理
1.1 ORB特征提取
ORB检测特征点,先在尺度空间的每一级包括中间层开展FAST角点测试,并选出待选点,接着再在整个尺度空间上对各个待选点实行非极大值抑制,与其左右两个邻近的区域进FAST值对比。如果该待选点在同层和邻层的极FAST值对比中都是最大,则此点即为ORB的极值特征点。步骤如下：
(1)粗提取,从图像中任意选取一点P,以P为圆心画一个半径为3pixel的圆。圆周上如果有n个像素点(必须是连续不间断的点)的灰度值比P点的灰度值大或者小,则认为P为特征点。
(2)利用机器学习的决策树算法进行特征筛选,使用ID3算法训练某个决策树,将特征点圆周上的16个连续像素点输入决策树中,以此来筛选出最优的FAST特征点。
(3)利用非极大值抑制算法消除临近位置上布设有多个特征点的问题。
(4)利用SIFT[1]算法中的构建金字塔图像原理来实现尺度不变性,不同比例的图像提取特征点总和成为该幅图像的oFAST特征点。
(5)用灰度质心法(Intensity Centriod)为每个特征点来计算其主方向。灰度质心法是假设某特征点的灰度值与该邻域重心值之间存在误差,通过这个特征点到重心的向量,就可以计算出该特征点的主方向。Rosin将邻域矩(moment)定义为如式(1)所示：
然后求取向量OC的方向值,同时如果把x,y的取值范围保持在[−r,r]之间(r为以该特征点邻域所设置的半径长度),以该特征点为坐标原点,则得到的方向角如式(3)所示：
θ=arctan(m01/m10) (3)
1.2 DAISY描述符
通过SIFT描述子的不足来改进的局部特征描述符,DAISY描述符具有抗旋转性能强、定位精度高等方面的优势,DAISY描述符包含M个围绕中心点的层次,各层次中又包含了T个采样点,整体结构如图1所示。
对于图像I及一个特定的方向o,确定方向o的方向图,可以通过如公式(4)所示来定义：
若方向图中包含N个方向,即o的取值范围即为{1,2…,N},在根据方向图实施卷积计算的过程中,如果卷积核的高斯函数值不同,则所生成的卷积方向图也具有一定程度的尺度差异。用GΣ表示高斯核,用Σ表示高斯尺度,用GoΣ表示卷积方向图,那么GoΣ的表达方式如式(5)所示:
利用公式(4)能够计算出图像上任一个点(u,v)的N个方向的方向图,N个方向的卷积图则可以通过公式(5)来计算。用hΣ(u,v)表示该点的梯度方向直方图,则可通过如式(6)所示的关系对hΣ(u,v)加以表示:
针对hΣ(u,v)实施归一化处理(加权处置)可以得到Σ(u,v),其中M代表DAISY描述符层数,N代表每一层的方向,l(u,v,R)表示以像素点(u,v)为中心的结构中第j层第i个采样点的坐标,就可以通过如式(7)所示的关系来表达点(u,v)的DAISY描述符：
2试验方案
本文选取了来自MorrlYu数据集Painting Zoomx1中的4张图像,这4张图像倾斜角变化分别为0°,45°,65°,75°,对4张图像命名其为img1,img2,img3,img4,分别采用ORB,ORB-DAISY,SIFT[1],KAZE[3]等4种特征检测算法+RANSAC算法对img1-img2,img1-img3,img2-img3,img2-img4,img3-img4等6幅影像对进行试验,并对特征提取数量,匹配时间,匹配率等指标进行对比分析。本文选取的运行环境为：Windows10,编程环境为：Visual Studio 2022 opencv 4.1.0。
3试验结果与分析
3.1匹配结果图
对ORB-DAISY进行匹配,得到匹配结果如图2、图3、图4、图5、图6、图7所示。
3.2匹配指标统计结果
如表1-表6所示,通过对数据分析可以看出：对于实验所用的影像对而言,本文算法和传统的ORB算法在获取影像对时,影像对通过这两种算法多提取的特征点数目相等,可见本文算法利用DAISY描述子进行影像的特征点描述,并没有改变传统ORB算法提取影像特征点的性能。
在表1、表2、表3中可以看到,随着倾斜度的增加,ORB、ORB-DAISY算法检测到的特征点数目并没有变化,说明无论倾斜角如何变幻,ORB、ORB-DAISY算法检测到的特征点数目为500,说明ORB、ORB-DAISY算法在特征点检测并不受倾角影响。而SIFT算法随着角度变化检测到的特征点数为642、432、318、290,SIFT算法检测特征点数目随着倾斜角变得更大而急剧下降。对比于KAZE算法随着角度变化检测到的特征点数213,215,201,200。说明尽管KAZE算法受到倾斜度影像检测到的特征点数目较少,但检测特征点数目性能并不受倾斜角变化的影像。
在表4、表5、表6中可以看到,ORB-DAISY算法的匹配率都明显优于其他算法,在表4中可以看到img2,img3即倾斜度为45,65的两张图像匹配率最高,为92.60%。
对比这4种算法的匹配,可以看到随着倾斜差的加大,对这4种算法粗匹配、精匹配、匹配率均在不断地降低,但ORB-DAISY、SIFT的精匹配点对在每次匹配数量都占优势,但对比来说SIFT下降较快。
从匹配结果上来看,SIFT虽然在匹配点对的占优势,但每次匹配率最低,ORB、KAZE匹配点对虽然较少,但其匹配率较高。
通过对比这几种算法的匹配时间并不受倾斜角度的影响,KAZE算法匹配时间最长,ORB-DAISY算法次之,并不占优势。
4结语
本文算法通过与ORB、ORB-DAISY、SIFT、KAZE算法进行比较发现：
(1)ORB-DAISY并没有改变ORB算法提取特征点的性能,且ORB-DAISY与ORB算法检测到的特征点并不受图像倾角变化的影响；
(2)匹配点对数方面远远超过ORB算法,与SIFT算法相当,但随着倾斜角差异增加,其性能优于SIFT算法；
(3)随着图像倾斜角差异变大,4种算法匹配后特征点数量快速变少,匹配率降低,当两张图像进行匹配时,如果两张均为倾斜图像,ORB-DAISY算法优于其他算法,倾斜度为45,65的两张图像匹配率最高；
(4)经过实验发现,ORB-DAISY在匹配时长并不占优势,接下来应该考虑的是如何在保证其匹配的同时提高其运算速度。
综合来看,ORB-DAISY算法匹配实现效果有明显改进。
参考文献
[1]LOWE D.Distinctive Image Features from Scale-invariant Key Points[J].International Journal of Computer Vision,2004,20:91-110.
[2]TOLA E,LEPETIT V,FUA P.DAISY:An Efficient Dense Descriptor Applied to Wide-Baseline Stereo[J].Pattern Analysis and Machine Intelligence,IEEE Transactions on,2010,32(5):P.815-830.
[3]RUBLEE E,RABAUD V,KONOLIGE K,et al.ORB:an efficient alternative to SIFT or SURF[C]//IEEE International Conference on Computer Vision,ICCV 2011,Barcelona,Spain,November 6-13,2011.IEEE,2011.
[4]ALCANTARILLA P F,BARTOLI A,DAVISON A J.KAZE Features[C]//Lecture Notes in Computer Science.Springer Berlin Heidelberg,2012:214-227.
[5]王春林,钱海明,孙金彦.一种抗仿射畸变的KAZE特征提取算法[J].遥感信息,2017,32(2):168-172.
[6]张岩,李建增,李德良,等.快速鲁棒性非线性尺度不变的特征匹配算子[J].西北工业大学学报,2016,34(6):1108-1119.
[7]保文星,桑斯尔,沈象飞.基于信息熵约束和KAZE特征提取的遥感图像配准算法研究[J].光学精密工程,2020,28(8):1810-1819.
[8]刘增峰,杨俊.SIFT、ORB及KAZE算法的分析和比较[J].江西科学,2017,35(6):952-955.
[9]杨薇,董洪伟,刘蕾.基于SIFT和Daisy相结合的立体匹配算法[J].计算机工程与应用,2014,50(12):147-150+165.
[10]吴军,姚泽鑫,程门门.融合SIFT与SGM的倾斜航空影像密集匹配[J].遥感学报,2015,19(3):431-442.
[11]闫利,叶志云.几何约束条件下的SIFT倾斜影像匹配[J].测绘通报,2016(1):37-40+44.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！ 文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/62118.html
