8、尺度空间SIFT流：解决大尺度差异图像匹配难题

尺度空间SIFT流：解决大尺度差异图像匹配难题

在计算机视觉领域，图像匹配与配准是一项基础且关键的任务，广泛应用于场景解析、图像/视频检索、运动估计和深度估计等众多方面。SIFT流算法作为一种常用的图像匹配方法，在处理相似场景但对象配置不同的图像对时表现出色。然而，它在处理具有大尺度变化的图像时却面临挑战。本文将介绍一种名为尺度空间SIFT流的新方法，旨在有效解决大尺度差异图像的匹配问题。

1. 背景与问题提出

传统的图像匹配方法可分为使用稀疏特征和密集特征两类。稀疏特征，如SIFT点和Harris角点，能在一定程度上自动确定特征尺度，适用于匹配图像中的相同对象，但在更一般的语义图像对齐任务中难以提供可靠结果。而密集特征在图像匹配算法中显著提升了性能，其中SIFT流和空间金字塔匹配在图像匹配和分类方面相较于以往方法有明显改进。

SIFT流算法通过最小化匹配成本并保持流场平滑来对齐两幅图像，使用密集SIFT（DSIFT）描述符在固定尺度下提取特征。但由于DSIFT特征仅在单一尺度下计算，SIFT流要求两幅图像中的对象具有相同或相似的尺度，这使得它在处理大尺度变化的图像时效果不佳。为解决这一问题，先前提出了无尺度SIFT（SLS）方法，该方法为每个像素提取多尺度的DSIFT特征，并使用集合到集合的距离来衡量匹配成本，但计算过程耗时且内存消耗大，几乎无法扩展应用。

2. 相关工作

相关工作大致可分为构建尺度不变图像表示和执行图像匹配/配准两类。构建尺度不变图像表示的方法大多基于自动尺度选择，通过在图像的三维尺度空间表示中搜索局部极值来为每个特征点找到稳定且具有特征性的尺度，如高斯拉普拉斯（LoG）和高斯差分（DoG）。此外，还有不进行尺度选择