基于SIFT的感兴趣区域检测与标定

基于SIFr的感兴趣区域检测与标定 。 魏积尚，王飞，郑南宁，刘跃虎 西安交通大学人工智能与机器人研究所，陕西西安，710049 jswei，知ang，n舵heng，ljuyh@aiar．xjtu．edu．饥 摘要：近来，越来越多的遥感图像被采集并保存， 造成了存储的负担。在实际应用中，遥感图像中存 在大量冗余信息，对于具体目的，我们仅仅关心其 中的特定区域 内容 财务内部控制制度的内容财务内部控制制度的内容人员招聘与配置的内容项目成本控制的内容消防安全演练内容 ，即感兴趣区域(regionof interest，ROI)。本文提出了一种基于S1Fr特征点 的ROI检测与标定方法。首先，采用SIFT算法进 行特征点的检测与匹配，以此确定ROI的粗略位 置；其次，文章通过对原算法加入了新的约束条件， 对随机抽样一致性算法(RaIldomSampling Consen跳s，RANSAC)进行了改进，以此提高图像 变换参数计算的鲁棒性，从而得到更加精确的图像 间旋转、平移和缩放参数。大量实验结果验证了该 算法的可行性与有效性，得到了令人满意的效果。 关键词：感兴趣区域，SlFT，改进m～NSAC 1引言 现今，越来越多的遥感图像被获取，并且被广 泛的应用于农业，林业，地理信息系统等各个领域。 但是各种各样的遥感图像是在不同的时间，不同的 条件下拍摄，存在着较大的差异性。对于某一特定 应用，使用者仅仅关心某一特定区域的信息，他们 希望能够快速准确的定位感兴趣区域，作为以后存 取和检索的参考。现实中，这种感兴趣区域的选定 往往是由特定领域的专家手工完成。这样的工作方 式费时费力，而对于不能够进行人工操作的场合， 特别是在太空中，我们将无法完成感兴趣区域的定 位。在此背景下。急需一种能够自动选定感兴趣信 息的有效方法。 本文第二章将对S耵算法进行介绍；在第三 章，我们着重讨论了计算图像间变换参数的方法， 主要针对旋转、平移和尺寸变换参数；第四章详细 论述了改进的鼢心SAC算法；最后，给出了实验 结果，并对 全文 企业安全文化建设方案企业安全文化建设导则安全文明施工及保证措施创建安全文明校园实施方案创建安全文明工地监理工作情况 进行了总结，提出了以后的研究方 向。 2SIFr算法回顾 该项工作受到国家自然科学基金项目支持(基金号 60021302)，国家科技支撑重点项目支持(幕金号 2006BAK31804) 2．1特征点提取 SIFr【1】算法对不同空间采样图像进行高斯核 尺度空间变换，并在某一空间采样图像内求取高斯 差分，进而求解极值点以获取稳定的，具有尺度不 变性的特征点。 Mil【olajczyk【2】通过对多种特征点提取算子比 较得出仃2V2G能够产生最稳定的特征点，Slflr算 法利用高斯差分， DDG=G@，y，七仃)一G@，y，盯)a∞一1)盯2V2G 来近似该算子，图1 表 关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf 示4维空间图像，x，v为图 像平面；盯表示不同方差的高斯 函数 excel方差函数excelsd函数已知函数     2 f x m x mx m      2 1 4 2拉格朗日函数pdf函数公式下载 ；o对应不同 空间采样。为在计算效率与求解尽可能多的极值点 之间取得折中，SlFr对图像进行采样，如图2所示。 进而得到的高斯差分图像DDG。某一像素点在26 邻域比较中为极值即为特征点。 厂_1，|．⋯ L————J， 1 o(如b．锄plillg) ————————————————————————————0 图l采样及尺度空间变换 。—’—1。”’。。。。。。。。——-——--H 图2采样后尺度空间图像 得到特征点后通过拟合三维二次函数精确定 位特征点位置和尺度，同时去除低对比度点和边缘 点以增强稳定性，提高抗噪能力。 接下来指定特征点方向，即特征点邻域内各点 梯度方向的直方图中最大值所对应的方向，实现了 旋转不变性。 2．2特征描述符生成 蛔agegradients Keypo-nidesc踮plor 图3特征描述符的获取【1】 SlFT的描述符计算如图3。思想是计算特征点 16×16邻域内每点梯度，并将16×16的区域划 分为4×4的小块，每个小块的点向8个方向投影， 总共可以得到4×4×8=128维的特征向量描述 符。最后将描述符 标准 excel标准偏差excel标准偏差函数exl标准差函数国标检验抽样标准表免费下载红头文件格式标准下载 化达到对不同光照条件下的 不变性。 ． 23匹配 特征点的匹配首先将特征点旋转到它的主方 向上，然后计算特征描述符的欧式距离。根据最近 距离点和第二近距离点的距离之比，如果大于某一 域值，则认为两点匹配，否则不匹配。 3计算变换参数 假设存在匹配点对集合fi，斟‘Ⅳ，其中Ⅳ表示总 的匹配点对的数目。对于匹配点对中点的集合 似L和1uL，他们满足如下的关系 i；s．尺·乏+7f；L2，．．．，Ⅳ (1) R。fco洲，凼P1 I—sinpcos8l 7一(r，^) (2) (3) 作为相应的其实值。根据引理，当且仅当满足条件 (7)时，误差函数(6)取得最小值。 F(s，月)一荛li(置‘尽‘乏+7)一巧眶， (6) · 7一专耋巧一专薹(s‘尺‘乏)． (7) 由于7一专差i一专冀(s‘R·乏)，我们可以得到函数 (8)。 F(5，R)一薹卜IR·i+(专萋西一专羹(s，尺·乏))一i眶 ．={||；卜R·(i一专蓦i)一(瓦一专薹西)眶 (8) 为描述简单起见，令 i口i一专善乏， i．口巧一专善i，那么F(5，R)可以表示为(9)· F(啦)一pR。面一硎 ≈2·耋(i7·i)一厶·耋仁7·月·i)+耋(i7·i) (9) 对于任意给定的尺度因子s，最小化F(s，R)等同于 最大化耋(i7·尺·i)，从而我们可以通过采用文献’· ÷4]中的暑法得到旋转矩阵尺·；而对于任意给定的≯ 旋转矩阵尺，当s满足下面的关系时，F(s，尺)取得 最小信。 其中s表示尺度因子；R表示旋转矩阵；7表 示平移向量；而8表示两幅图像对应目标旋转的角 ．． 度。 3_ 接下来我们利用一个引理，并给出计算尺，s， f的方法 引理[3]．给定两个m维的点的集合{i)二，和最吾， {科?，，存在以下关系，当条件(s)满足时，函数 (4)取得最小值。 朴扣‘一诬 7一专萋i一专薹面』． 耋(i·R·i)／耋(i7·夏)， 蒜．，怫(私‘虿胸≯讲 一ifs∈V【吼，吃】 我们可以计算出平移向量f’，如(10)。 芦a专薹巧_专耋(，’·尺’·乏) (·。) (4) 4．改进的：凡气NSAC算法 对于匹配点对集合1i，i)：。，我们可以通过使 误差函数(6)的值最小来计算出此时的s，尺和7 7RANSAC算法是由Fishler和Bolles于1981年 提出的一种鲁棒估计算法[5]，并得到了广泛的应 用。算法的计算效率主要取决于计算某一参数所需 要进行迭代计算的次数m，该值可由方程(11)获 得。 ’ P=1一【1一(1一￡)“]4 (11) 而真实图像则用来检验整体算法的性能。 其中g代表错误的匹配点在所有已获得匹配点对中 所占的比例，玎表示计算某一参数所需要的正确匹 配点对的数目。另外，算法的效率也受代价函数的 影响。 在我们的方法中，计算尺所需的正确匹配点对的 数目为2，所以以的值为2。m将根据算法进行过 程中获得的￡值进行更新。 在计算图像变换参数的过程中，我们应用改进的 RANSAC方法计算旋转矩阵尺。算法采用两个代价函 数来衡量R是否已经在某一可信程度下最为接近 真实值，如果满足条件，则认为这时的旋转矩阵尺 即为真实值，RANSAC迭代计算结束。通过采用这种 方法，算法的速度得到了提升。代价函数之一为连 续计算的两个旋转矩阵所对于对应的角度之差，如 果大于某一域值，则认为旋转矩阵R都不准确，继 续迭代；另一个代价函数为所有满足旋转矩阵尺的 匹配点对数目，根据概率知识，如果这个数目大于 所有匹配点对数目的～半，那么，我们认为此时的 尺即为正确值。算法的流程图如图6所示。获得尺 后，我们可以根据第三章的理论计算出s和f。 ，，7 sl=t州gimlrcpeating、、、 ti№s(m’offⅫdoTnj ＼懿mPliTlgtocoIllpu忙R／ f====i}孟=习 6 <：≤三：毫蔓：>～旦⋯j-~、、～，．／7 Y ，·一_——L_一、＼ ≮c0呷鬯罂蛐。j 、 lnIlers j 图4改进RANSAc算法流程图 5．实验与分析 』。 一 在实验中，我们采用人工合成和真实的遥感图像 作为测试图像。其中，合成图像用来检验采用了改 进黜气NSAC算法的旋转矩阵的计算结果的准确性； 124 5．1．利用改进的№悄酗心算法计算R 1h⋯■●¨1。叫M_-P州’ (b) 图5 RANSAC算法和改进RANSAC算法的比较(a)在不 同匹配错误率情况下的角度误差㈣在不同匹配错误率情 况下计算R所耗费的时间 从上面的图示可以看出，在大致相同的错误率 的条件下，改进的算法显著地提高了计算的效率。 但是随着匹配错误率的下降，特别是当几乎所有的 匹配点对都正确时，改进的RANSAC算法和一般 的算法性能相仿，因为一次RANSAC计算即可以 获得正确的尺 所有实验是在配置为2．8G双核CPU和’2．0G 内存的计算机下完成的。同时遥感图像的尺寸也被 缩小以提高计算效率。实际中，特别是在需要实时 计算的场合，计算量将非常大。 5．2：s，尺和t计算精度 表1真实值和估计值比较 Can、的n 2 尺(∞(度) j T E T E 兰掣 180 179．98o．692 o．701 3nlp TTC ，、。。 90 90．53 0．75 0．7432 1垫Y旦翌 表1中，T表示真实值，E表示估计值 图6—10表示ROI检测与标定过程。 (c) 图6经过旋转变换的ROI检测与选定(a)船为ROI(b)新 获得遥感图像中ROl的检测(c)ROI选定 图7经过尺度变换的ROI检测与选定：(a)船为ROI(b)新 获得遥感图像中ROI的检测(c)ROI选定 (c) 图8加入高斯噪声的ROI检测与选定：(a)船为RoI(b)新 获得遥感图像中ROl的检测(c)ROI选定 黑嗣 (b) 图9 ROI检测与选定：(a)大坝为ROI㈣新获得遥感图 像中ROl的检测(c)ROI选定 125 (a) (b) (c) 图硒R：0I检涓与选定：∞房屋为妁I蚴新获得遥感图 一。 像中肿I的检测(t'ROI选定 6．结论 本文采用了S扣F1r算法，由该算法获取的特征 点具备尺度、旋转和光照不变性的特点。在此基础 上，为了准确标定ROI，采用了改进的黜蛾sAC 算法来计算具有较强鲁棒性的图像变换参数：尺度 因子s，旋转矩阵R和平移向量f。大量实验验证 了方法的有效性。 126 作为下一步工作，我们将把该方法应用于基于ROI的麟2000遥感图像压缩方法中。 【1】 【2】 【3】 【4】 【51 【6】 【7】 【8】 参考文献 DavidGLOWe，“DistinctivelmagcFean鹏s f如mScak—lnvadant＆虾面ntS”，Int锄ational Jo姗alofCc吼put盯Ⅵsi∞，2004 Mikolajczyk，K，姐dSchmid，C．，‘‰a蜀丘ne invariantinte他stp血tdetector，，，IllEumpean ConferenceonComput盯Ⅵsi衄但CCV)， Copenhagen’Denmafk，2002：128．142． ShaoyiDu，奎nulningZ蛔岛 ShihuiY．mg， JiSh缸gWrei，“ICP、jl，ithBo衄dedScalefor Registnti∞ofm-DP0intsSets”IEEE Intema商onalCollfb他nceonMllltinledia& Exp0aC枷巳)，Be洳岛Ch纽a_，JIll2007，pp． 1291-1294． KS．Amm．龃dES．H吼鸭，‘‘I殷st啾luarcs FittiIlg0f’I怕3-DPDi矗tSels，”正EETraIls． PattemAnalysis锄dMachineInteu自gen∞，V01． 9，no．5，pp．698—700，Ma弘1987． MA．Fi∞hlcr柚dR．CBoⅡes，‘馄衄dom samplec彻鼹璐邯：Apa确d和formodel蠡tting 诵thappE∞ti彻st0 im廷gc跏由lsisand automatedc锄舯phy”，CAQl，24旧：381-395， J哪!981． DavidS．Taubm蛆蛆dMi吐扯lW：Marcellill． JPEG2000I嗽geComp珊ssionFtmd锄entals， StandafdsandPraclice，2nded，Ⅺu、)lrer AcademicPubl油懿，US八2002，pp．417-418． 1SO／难CI强alCommitteeDraft1544禾1．2000。 JPEG2000lmageCod_ingSystem． 八NgIr弦n，Va瑚ldran’S。Sridham，R． Pmdolini'“Intcrp他tabilityPe墒珊ance A雠豁m托lofJPEG2000柚dPan1o如加1iant RegionofIIlte心stCodin鸯”陋EE-】№nsactions onC0潞蚰财Elec舡孤ics，vol49，加4，仰．808 ．817'2003 基于SIFT的感兴趣区域检测与标定 作者： 魏积尚， 王飞， 郑南宁， 刘跃虎 作者单位： 西安交通大学人工智能与机器人研究所,陕西西安,710049 本文链接：http://d.g.wanfangdata.com.cn/Conference_6584853.aspx