基于sift變換的圖檔拼接算法的研究

1.問題描述：

SIFT，即尺度不變特征變換（Scale-invariant feature transform，SIFT），是用于圖像處理領域的一種描述，具有非常強的穩健性。那先來了解一下它的特點和作用：

SIFT算法的特點有：

SIFT特征是圖像的局部特征，其對旋轉、尺度縮放、亮度變化保持不變性，對視角變化、仿射變換、噪聲也保持一定程度的穩定性；

獨特性好，資訊量豐富，适用于在海量特征資料庫中進行快速、準确的比對；

多量性，即使少數的幾個物體也可以産生大量的SIFT特征向量；

高速性，經優化的SIFT比對算法甚至可以達到實時的要求；

可擴充性，可以很友善的與其他形式的特征向量進行聯合。

SIFT算法可以解決的問題：

目标的自身狀态、場景所處的環境和成像器材的成像特性等因素影響圖像配準/目辨別别跟蹤的性能。而SIFT算法在一定程度上可解決：

目标的旋轉、縮放、平移

圖像仿射/投影變換

光照影響

目标遮擋

雜物場景

噪聲

2、SIFT算法

按照參考部落格所寫的内容可以将SIFT算法分解為如下四步：

尺度空間極值檢測：搜尋所有尺度上的圖像位置。通過高斯差分函數來識别潛在的對于尺度和旋轉不變的興趣點。

關鍵點定位：在每個候選的位置上，通過一個拟合精細的模型來确定位置和尺度。關鍵點的選擇依據于它們的穩定程度。

方向确定：基于圖像局部的梯度方向，配置設定給每個關鍵點位置一個或多個方向。所有後面的對圖像資料的操作都相對于關鍵點的方向、尺度和位置進行變換，進而提供對于這些變換的不變性。

關鍵點描述：在每個關鍵點周圍的鄰域内，在標明的尺度上測量圖像局部的梯度。這些梯度被變換成一種表示，這種表示允許比較大的局部形狀的變形和光照變化。

2.部分程式：

% [matchLoc1 matchLoc2] = siftMatch(img1, img2)

%

% This function reads two images, finds their SIFT features, and

%   displays lines connecting the matched keypoints.  A match is accepted

%   only if its distance is less than distRatio times the distance to the

%   second closest match.

% It returns the matched points of both images, matchLoc1 = [x1,y1;x2,y2;...]

%

% Example: match('scene.pgm','book.pgm');

function [matchLoc1 matchLoc2] = siftMatch(img1, img2)

% load matchdata

% load img1data

% load img2data

%{,

% Find SIFT keypoints for each image

[des1, loc1] = sift(img1);

[des2, loc2] = sift(img2);

% save img1data des1 loc1

% save img2data des2 loc2

% For efficiency in Matlab, it is cheaper to compute dot products between

%  unit vectors rather than Euclidean distances.  Note that the ratio of 

%  angles (acos of dot products of unit vectors) is a close approximation

%  to the ratio of Euclidean distances for small angles.

%

% distRatio: Only keep matches in which the ratio of vector angles from the

%   nearest to second nearest neighbor is less than distRatio.

distRatio = 0.6;   

% For each descriptor in the first image, select its match to second image.

des2t = des2';                          % Precompute matrix transpose

matchTable = zeros(1,size(des1,1));

for i = 1 : size(des1,1)

   dotprods = des1(i,:) * des2t;        % Computes vector of dot products

   [vals,indx] = sort(acos(dotprods));  % Take inverse cosine and sort results

   % Check if nearest neighbor has angle less than distRatio times 2nd.

   if (vals(1) < distRatio * vals(2))

      matchTable(i) = indx(1);

   else

      matchTable(i) = 0;

   end

end

% save matchdata matchTable

%}

% Create a new image showing the two images side by side.

img3 = appendimages(img1,img2);

% Show a figure with lines joining the accepted matches.

figure('Position', [100 100 size(img3,2) size(img3,1)]);

colormap('gray');

imagesc(img3);

hold on;

cols1 = size(img1,2);

for i = 1: size(des1,1)

  if (matchTable(i) > 0)

    line([loc1(i,2) loc2(matchTable(i),2)+cols1], ...

         [loc1(i,1) loc2(matchTable(i),1)], 'Color', 'c');

  end

end

hold off;

num = sum(matchTable > 0);

fprintf('Found %d matches.\n', num);

idx1 = find(matchTable);

idx2 = matchTable(idx1);

x1 = loc1(idx1,2);

x2 = loc2(idx2,2);

y1 = loc1(idx1,1);

y2 = loc2(idx2,1);

matchLoc1 = [x1,y1];

matchLoc2 = [x2,y2];

3.仿真結論：

C80