图像匹配导航定位技术 第 11 章

第 11 章 基 于 改 进 SIFT 的 SAR 与 可 见光 图 像 匹 配 控 制 点 定 位 算 法

HOG 描述子也只是对整幅图像的特征向量进行匹配，但是仍然存在局部匹配误差。而局部不变特征（如 SIFT,Harris 等）是对特征点局部邻域的特征进行描述来构造局部特征向量 ，从而进行局部特征匹配的参数。采用这种方式选取初始匹配控制点不仅匹配位置精确，而且能抗局部形变 ，也能保持很好的匹配定位精度。

基于局部不变特征的匹配算法主要包括两+主要步骤 ：特征提取和特征匹配。首先简要介绍原始 SIFT 特征提取方法；再次简要介绍常用于特征向量匹配的度量准则及采用随机采样一致性（ RANSAC )算法剔除错误匹配控制点的方法；最后通过试验，分析在初始匹配控制点选取过程中.原始 SIFT 特征 、Harris 角点及改进 SIFT 特征对匹配性能的影响和改进 SIFT 特征对不同区域的
匹配适应性。

11.1 局部不变特征描述子的提取

局部不变特征描述子是对检测出的图像局部特征点进行描述形成的，即特征向量的建立过程，然后利用特征向量解决图像匹配的问题。
在 SAR 图像与可见光图像局部精确匹配以选取定位控制点的过程中，选择一个好的局部不变特征描述子进行特征匹配来降低控制点的匹配误差 、提高匹配性能是很重要的。图标尺度不变特征——SIFT ,由于其具有旋转 、缩放及仿射不变性，对视角亮度变化及噪声具有一定的稳定性，故广泛应用于遥感图像匹配及目标定位中。

11. 1. 1 SIFT 算 法 原 理

SIFT 特征的构造方法主要包含两个方面：一是利用高斯差分（DOG )算子提取具有尺度不变性的关键点 ,DOG 算子是对归一化 LOG 算子的简化，在保持 LOG 算子良好的不变性的同时，具有更快的计算速度；二是构造特征描述子，通过局部梯度直方图对这个区域进行描述 ，具有良好的尺度 、平移 、旋转和光照不变性。生成 SIFT特征描述子主要步骤如下。

(1 ) 尺度空间极值点检测。
首先建立图像的 DOG 尺度空间，在 DOG 尺度空间的 3 个相邻尺度上检测极值点时，将当前点与其周围邻域 8 个像素和上下相邻的两个 DOG 尺度上对应位置的9 X 2 个像素共 26 个点同时进行比较 ，检测出极大值点和极小值点，初步确定极值点的位置及所在的尺度，使极值点具有尺度不变性。

(2) 精确确定关键点位置。
由于 DOG 算子对边缘和噪声很敏感，为了提高特征点匹配的稳定性和抗噪声的能力，需要通过三维二次函数拟合的方法精确定位关键点的位置及尺度，然后删除对比度的绝对值大于设定阈值的点，以去除低对比度的点，并利用 Hessian 矩阵求出主曲率，以删除在主曲率中不满足条件的边缘点。

(3) 确定关键点主方向。
利用关键点邻域内所有像素点的梯度方向投影，确定关键点主方向，使关键点具有旋转不变性。

即在以关键点为中心的邻域内，将 0