[发明专利]一种基于SIFT算法的侧扫声呐图像匹配方法

摘要

本发明公开了一种基于SIFT算法的侧扫声呐图像匹配方法：构建尺度空间；检测DOG尺度空间极值点；除去DOG局部曲率非常不对称的像素；SIFT特征点矢量生成；计算SIFT特征点矢量距离；SIFT特征点匹配。本发明在传统的SIFT算法基础之上对SIFT的特征点的矢量生成和SIFT的矢量距离进行改进，降低特征维度且用街区距离与棋盘距离的现行组合提到欧氏距离，节省计算特征时的计算量。

主权项

1.一种基于SIFT算法的侧扫声呐图像匹配方法，其特征在于，包括以下步骤：第一步：构建尺度空间将一幅获得的水下侧扫声呐图像的尺度空间L(x,y,σ)定义为：L(x,y,σ)＝G(x,y,σ)*I(x,y)    (1)其中，G(x,y,σ)是尺度可变高斯函数，I(x，y)为侧扫声呐图像；其中，(x,y)是空间坐标，代表侧扫声呐图像的像素位置；σ表示尺度空间因子；通过对两个相邻高斯尺度空间图像相减，得到一个DOG的响应的高斯差分图像D(x,y,σ)，差分图像函数D(x,y,σ)则表示为：D(x,y,σ)＝(G(x,y,kσ)‑G(x,y,σ))*I(x,y)        ＝L(x,y,kσ)‑L(x,y,σ)    (3)其中，k为正整数；第二步：检测DOG尺度空间极值点每一个采样点要和它所有的相邻点比较，看其是否比它的图像域和尺度域的相邻点大或者小；中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的9*2个点共26个点比较，以确保在尺度空间和二维图像空间都检测到极值点；第三步：除去DOG局部曲率非常不对称的像素；第四步：SIFT特征点矢量生成以检测到的特征点为中心取8*8的窗口，将窗口划分为4个2*2的子区域，在每个子区域计算12个方向上的梯度方向直方图，这样一共生成2*2*12＝48维特征向量，再对其进行归一化处理；第五步：计算SIFT特征点矢量距离采用街区距离与棋盘距离的线性组合来代替欧式距离，街区距离与棋盘距离的线性表示为：其中，d(x,y)为街区距离与棋盘距离的线性表示；48为生成的48维特征向量；a,b为实数；为街区距离的表示；为棋盘距离的表示；第六步：SIFT特征点匹配极线约束：特征点在垂直方向上的坐标差值小于1个像素；视差约束：特征点在水平方向上的坐标差值小于20个像素；方向约束：特征点方向的差值小于20°；尺度约束：左右特征点尺度差值小于1.5；唯一匹配约束：如果一个特征点有多个特征点满足约束条件与其匹配，则认为该特征点失效。