資源描述：
《基于典型相關(guān)分析方法的尺度不變特征變換誤匹配剔除》由會員上傳分享，免費(fèi)在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、基于典型相關(guān)分析方法的尺度不變特征變換誤匹配剔除 摘要：針對尺度不變特征變換(SIFT)描述子僅利用特征點(diǎn)的局部鄰域灰度信息而對圖像內(nèi)具有相似灰度分布的特征點(diǎn)易產(chǎn)生誤匹配的問題，提出一種基于典型相關(guān)分析(CCA)的SIFT誤匹配剔除方法。該方法首先利用SIFT算法進(jìn)行匹配，得到初始匹配對;然后根據(jù)典型相關(guān)成分的線性關(guān)系擬合直線，利用點(diǎn)到直線的距離剔除大部分誤匹配點(diǎn)對;對剩余的匹配點(diǎn)對，逐一分析其對典型相關(guān)成分的共線性的影響，剔除影響程度大的特征點(diǎn)對。實驗結(jié)果表明，該方法能夠在剔除誤匹配的同時保留更多的正確匹配，提高了圖像
2、配準(zhǔn)的精度。 關(guān)鍵詞：誤匹配;尺度不變特征變換;隨機(jī)采樣一致性算法;典型相關(guān)分析;圖像配準(zhǔn) 引言 圖像配準(zhǔn)是圖像處理和計算機(jī)視覺中的一個基本問題，是諸如圖像融合、變化檢測等許多應(yīng)用中的重要技術(shù)環(huán)節(jié)?；谔卣鞯膱D像配準(zhǔn)方法需要從待配準(zhǔn)圖像中提取一些共同的特征，然后建立這些特征之間的對應(yīng)關(guān)系，求解變換模型參數(shù)來完成配準(zhǔn)。所以，特征匹配是基于特征的圖像配準(zhǔn)方法中的關(guān)鍵步驟，匹配效果直接影響變換模型的求解?！ ‖F(xiàn)有的特征匹配方法主要包括圖匹配方法[1-2]、譜方法[3-4]和基于局部描述子的方法[5-8]等。近年來，大量基于
3、局部描述子的特征匹配算法被提出，此類方法首先對每個特征點(diǎn)進(jìn)行描述，然后通過計算特征描述之間的相似性來判斷特征點(diǎn)是否匹配。在現(xiàn)有的局部描述子中，尺度不變特征變換(ScaleInvariantFeatureTransform，SIFT)方法[5]應(yīng)用最為廣泛。大多數(shù)情況下，SIFT方法都可以得到滿意的匹配結(jié)果，然而對具有相似灰度分布的圖像進(jìn)行匹配時會產(chǎn)生大量的誤匹配點(diǎn)。為了消除誤匹配，提高匹配精度，常用的方法是對最近描述子和次近描述子之間的歐氏距離比設(shè)定閾值剔除誤匹配。此外，隨機(jī)采樣一致性(RANdomSampleConsen
4、sus，RANSAC)方法[9]在剔除誤匹配問題上得到了廣泛應(yīng)用[10]。近來，Kupfer等[11]提出了模式尋求(ModeSeeking，MS)方法，利用SIFT特征點(diǎn)中的尺度、方向和位置屬性建立尺度比、方向差和位移差直方圖，通過對位移差設(shè)定閾值剔除誤匹配。為了降低RANSAC算法的隨機(jī)性，Moisan等[12]提出了最優(yōu)化的RANSAC(OptimizedRANSAC，ORSA)算法，該方法具有較低的隨機(jī)性且能保留更多正確的匹配關(guān)系。文獻(xiàn)[13]通過比較對應(yīng)k最近鄰圖的鄰接矩陣消除誤匹配，該方法需要在每次剔除誤匹配后
5、重新建立k最近鄰圖，計算較復(fù)雜。文獻(xiàn)[14]利用偏最小二乘成分之間的共線關(guān)系擬合直線，根據(jù)點(diǎn)到直線的距離剔除誤匹配。但這些方法在剔除誤匹配的同時易丟失正確匹配，不利于圖像配準(zhǔn)?！ ∫虼?，在誤匹配剔除過程中需要解決兩個問題：1)剔除盡可能多的錯誤匹配;2)保留盡可能多的正確匹配。針對這兩個問題，本文在文獻(xiàn)[14]的基礎(chǔ)上利用典型相關(guān)分析(CanonicalCorrelationAnalysis，CCA)的仿射不變性提出一種由粗到細(xì)的誤匹配剔除方法，首先利用典型相關(guān)成分之間的共線關(guān)系擬合直線并對點(diǎn)到直線的距離設(shè)定閾值剔除大部分
6、誤匹配，改進(jìn)了文獻(xiàn)[14]中的直線擬合方法;其次，利用一種共線度量確定剩余的匹配中有無誤匹配，并通過分析每一對匹配對共線度的影響進(jìn)一步剔除誤匹配?！ ∫弧⒄`匹配剔除的CCA方法 1.1誤匹配剔除的典型相關(guān)成分直線擬合方法 假設(shè)經(jīng)過SIFT匹配后的特征點(diǎn)坐標(biāo)分別為X=[x1，x2，，xn]∈R2n和Y=[y1，y2，，yn]∈R2n，μx和μy分別為它們的均值向量，CCA算法的目標(biāo)是找到兩個投影方向u、v∈R2，使得si=uT(xi-μx)和ti=vT(yi-μy)(
7、1≤i≤n)的相關(guān)系數(shù)達(dá)到最大，其中si和ti分別表示特征點(diǎn)xi和yi對應(yīng)于投影方向u和v的典型相關(guān)成分。u和v可通過式(1)和式(2)的特征值問題求解： C-1xCxyC-1yCTxyu=r2u(1 v=(1/r)C-1yCTxyu(2) 其中：Cxy是X和Y之間的協(xié)方差矩陣，Cx和Cy分別是X和Y各自的協(xié)方差矩陣，r為典型相關(guān)系數(shù)?！ 「鶕?jù)文獻(xiàn)[14]，利用CCA算法求得所有匹配的第一典型相關(guān)成分{(si，ti)，i=1，2，，n}后，則可利用點(diǎn)集{(si，ti)，i=1，2，，n}擬合直線t=ks+
8、b，其中k和b分別為直線的斜率和截距。然后計算每個點(diǎn)(si，ti)到直線t=ks+b的距離di，若di大于給定的閾值T1，則(xi，yi)為一對誤匹配?！ 樵鰪?qiáng)直線擬合的穩(wěn)健性，本文采用直方圖的方法求解斜率k和截距b。首先計算點(diǎn)集{(si，ti)，i=1，2，，n}中每對點(diǎn)確定的直線的傾斜角： &t
