计算机系统应用 ｈｔｔｐ：／／ｗｗｗ．Ｃ—Ｓ・１ｆ．ｏｒｇ．ｃｎ ２０１４年第２３卷第３期 基于ＳＵＲＦ特征提取的遥感图像自动配准① 葛盼盼，陈强 （南京理工大学计算机科学与技术学院，南京２１００９４） 摘要：基于ＳＵＲＦ（ＳｐｅｅｄｅｄＵｐＲｏｂｕｓｔＦｅａｔｕｒｅｓ）特征点提取是目前比较流行的图像配准方法．本文在ＳＵＲＦ基础 上，提出一种基于分块策略的改进方法：首先采用分水岭分割法确定图像的分块数量，然后对图像进行分块，每 个子块提取一定数量的特征点，以便实现特征点的均匀提取；再通过稀疏特征树法找出匹配的特征点对；最后用 ＲＡＮＳＡＣ算法剔除错误匹配特征点对，同时计算参考图像与待配准图像的变换关系．实验表明，该方法能够高 效、快速地解决遥感图像的自动配准问题． 关键词：ＳＵＲＦ；分块策略；稀疏特征树；特征点匹配；自动配准 Ｒｅｍｏｔｅ Ｓｅｎｓｉｎｇ Ｉｍａｇｅ Ａｕｔｏｍａｔｉｃ Ｒｅｇｉｓｔｒａｔｉｏｎ Ｂａｓｅｄ ｏｎ ＳＵＲＦ Ｆｅａｔｕｒｅ Ｅｘｔｒａｃｔｉｏｎ ＧＥ Ｐａｎ・Ｐａｎ，ＣＨＥＮ Ｑｉａｎｇ （Ｃｏｌｌｅｇｅ ｏｆＣｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｎａｎｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆＳｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｎａｎｊｉｎｇ ２１００９４，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：ＳＵＲＦ（Ｓｐｅｅｄｅｄ Ｕｐ Ｒｏｂｕｓｔ Ｆｅａｔｕｒｅｓ）ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ ｉｓ ｃｕｒｒｅｎｔｌｙ ｍｏｒｅ ｐｏｐｕｌａｒ ｉｍａｇｅ ｒｅｇｉｓｔｒａｔｉｏｎ ｍｅｔｈｏｄ． Ｔｈｉｓ ｐａｐｅｒ ｐｒｏｐｏｓｅｄ ａ ｉｍｐｒｏｖｅｄ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｂｌｏｃｋ ｓｔｒａｔｅｇｙ ｏｎ ｔｈｅ ｂａｓｉｓ ｏｆ ＳＵＲＦ．Ｆｉｒｓｔｌｙ，ｕｓｉｎｇ Ｗａｔｅｒｓｈｅｄ Ａｌｇｏｒｉｔｈｍ ｔｏ ｄｅｔｅｒｍｉｎｅ ｔｈｅ ｎｕｍｂｅｒ ｏｆ ｉｍａｇｅ ｂｌｏｃｋｓ；ｔｈｅｎ ｔｈｅ ｉｍａｇｅ ｗａｓ ｄｉｖｉｄｅｄ ｉｎｔｏ ｂｌｏｃｋｓ ａｎｄ ｅａｃｈ ｓｕｂ・ｂｌｏｃｋ ｅｘｔｒａｃｔｅｄ ａ ｃｅｒｔａｉｎ ａｍｏｕｎｔ ｏｆ ｆｅａｔｕｒｅ ｐｏｉｎｔｓ ｔｏ ｒｅａｌｉｚｅ ｕｎｉｆｏｒｍ ｆｅａｔｕｒｅ ｐｏｉｎｔ ｅｘｔｒａｃｔｉｏｎ；ｔｈｅｎ ｕｓｉｎｇ ｓｐａｒｓｅ ｆｅａｔｕｒｅ ｔｒｅｅ ｔｏ ｉｎｄ ｔｆｈｅ ｍａｔｃｈｉｎｇ ｆｅａｔｕｒｅ ｐｏｉｎｔｓ ａｎｄ ｆｉｎａｌｌｙ ｕｓｉｎｇ ｉｍｐｒｏｖｅｄ ＲＡＮＳＡＣ ａｌｇｏｒｉｔｈｍ ｔｏ ｅｌｉｍｉｎａｔｅ ｔｈｅ ｅｒｒｏｒ ｍａｔｃｈｉｎｇ ｆｅａｔｕｒｅ ｐｏｉｎｔ ｐａｉｒｓ，ｗｈｉｌｅ ｃａｌｃｕｌａｔｉｎｇ ｔｒａｎｓｆｏｒｍａｔｉｏｎ ｂｅｔｗｅｅｎ ｔｈｅ ｒｅｆｅｒｅｎｃｅ ｉｍａｇｅ ａｎｄ ｔｈｅ ｉｍａｇｅ ｔｏ ｂｅ ｒｅｇｉｓｔｅｒｅｄ．Ｅｘｐｅｒｉｍｅｎｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｉｓ ｍｅｔｈｏｄ ｃａｎ ｅｆｉｃｉｆｅｎｔｌｙ ａｎｄ ｑｕｉｃｋｌｙ ｓｏｌｖｅ ｔｈｅ ｐｒｏｂｌｅｍ ｏｆ ｒｅｍｏｔｅ ｓｅｎｓｉｎｇ ｉｍａｇｅ ａｕｔｏｍａｔｉｃ ｒｅｇｉｓｔｒａｔｉｏｎ． Ｋｅｙ ｗｏｒｄｓ：ＳＵＲＦ；ｂｌｏｃｋ ｓｔｒａｔｅｇｙ；ｓｐａｒｓｅ ｆｅａｔｕｒｅ ｔｒｅｅ；ｆｅａｔｕｒｅ ｐｏｉｎｔｓ ｍａｔｃｈ；ａｕｔｏｍａｔｉｃ ｒｅｇｉｓｔｒａｔｉｏｎ 遥感图像配准是指确定在相同或不同时间、通过 相同或不同传感器拍摄的两幅或多幅图像之间最佳匹 ＳＩＦＴ（Ｓｃａｌｅ．Ｉｎｖａｒｉａｎｔ Ｆｅａｔｕｒｅ Ｔｒａｎｓｆｏｒｍ）算子，并在２００４ 年进行总结和完善．Ｍｉｋｏｌａｊｃｚｙｋ与Ｓｃｈｍｉｄ提出了 Ｈａｒｒｉｓ．Ｌａｐｌａｃｅ和Ｈｅｓｓｉａｎ—Ｌａｐｌａｃｅ算法ｌ６】，该方法具有 仿射不变性，但检测到的特征点较少．ＳＩＦＴ具有旋转 配关系的过程 １．图像配准在遥感、医学诊断和计算机 视觉等领域有着广泛的应用．近年来，图像配准的方 法层出不穷，其中基于特征的方法取得了飞速的发展． 不变性、尺度不变性、亮度不变性及很好的抗噪声能 力．ＳＩＦＴ算法虽然可以适应亮度变化，但其计算速度 较慢【 、算法计算数据量大、时间复杂度高、算法耗时 长．针对上述缺点，研究者做了不同的改进，Ｙａｎｋｅ等 人［ 】提出用ＰＣＡ—ＳＩＦＴ方法对特征描述进行数据降维， 但在没有任何先验知识的情况下，反而增加了计算量； 常用的图像特征有特征点、边缘、区域和轮廓等．特征 的选择跟图像的内容有很大的关系，一般而言，提取 特征点相对容易，能对图像间的分辨率、旋转、平移、 光照变化等保持不变Ｌ２Ｊ．１９８８年，Ｈａｒｒｉｓ和Ｓｔｅｐｈｅｎｓ提出 Ｈａｒｒｉｓ角点【３Ｊ 检测算法；１９９７年，Ｓｍｉｔｈ和Ｂｒａｄｙ提出 ＳＵＳＡＮ（Ｕｎｉｖａｌｕｅ Ｓｅｇｍｅｎｔ Ａｓｓｉｍｉｌａｔｉｎｇ Ｎｕｃｌｅｕｓ）角点 Ｄｅｌｐｏｎｔｅ等人『９］提出用ＳＶＤ方法进行特征匹配，但匹 配过程计算复杂，且不能用于宽基线匹配；Ｇｒａｂｎｅｒ等 检测：结合尺度空间理论，陈白帆等人提出一种多尺 度的Ｈａｒｒｉｓ角点检测算法．Ｌｏｗｅ等人＿５】在１９９９年提出 人【 。 用积分图像虽提高了ＳＩＦＴ的计算速度，但却降 ①基金项目：‘青蓝工程’资助项目；江苏高校优势学科建设工程；国家自然科学基金（６０７７３１７２） 收稿时间：２０１３－０７．２６；收到修改稿时间：２０１３－０８—３０ １ ６专论－综述Ｓｐｅｃｉａｌ Ｉｓｓｕｅ ２０１４年第２３卷第３期 ｈｔｔｐ：ｌｌｗｗｗ．ｃ－Ｓ－ａ．ｏｒｇ．ｃｎ 计算机系统应用 低了ＳＩＦＴ方法的优越性．这些方法只是在特征描述或 者匹配阶段进行改进，而没有改变算法本身． ＳＵＲＦ（Ｓｐｅｅｄｅｄ Ｕｐ Ｒｏｂｕｓｔ Ｆｅａｔｕｒｅｓ）算法较ＳＩＦＴ在 参考图像 待配图像 图像分块 ｌ图像分块 计算速度和鲁棒性上有较大改进，它已经被广泛地应 用于目标识别和跟踪．ＳＵＲＦ是一种特征点提取算法， 由荷兰语鲁汶大学的Ｂａｙ Ｈ，Ｔｕｙｔｅｌａａｒｓ Ｇｏｏｌ Ｌ ｖ…】 提取特征点 ｊ 提取特征点 『特征点匹配 —————— ——— 一 于２００６年提出，该算法的性能接近ＳＩＦＴ，计算速度提 高了近３倍．与ＳＩＦＴ方法相比，ＳＵＲＦ算法具有估算参 剔除错误匹配点 数准确、计算量小、速度快等优点，但是获得的匹配 点数量少．在处理大图像时，最大的问题是图像数据 所需内存比计算机的实际内存大，解决此问题的关键 技术是图像分块．分块特征提取可以对每个分块提取 一定数量的特征点，确保特征点均匀选取的同时，可 以提高特征点的数量．基于特征点的图像配准方法速 度快、效率高，可以很好的实现遥感图像的自动配准． １ 基于分块策略的特征点提取 １．１分块策略 基于特征点的图像配准方法需要足够数量的特征 点，同时特征点的均匀分布是图像精确配准的前提． 传统的图像配准需要人工手动选择特征点。不但耗时 而且难以保证配准精度．为了克服这个缺点，研究者 提出了自动配准方法．但在实际应用中，一般都存在 提取的特征点数量不够、特征点分布不均匀或特征点 不够精确等缺点． 为了解决上述问题，本文提出一种改进的遥感图 像自动配准方法．分水岭算法是图像分割常用的方法， 为了在图像分块之前确定图像的分块数量，首先采用 分水岭方法根据不同的纹理特征对图像进行分割，确 定图像的分块数量．通常纹理较多的图像分块的数量 较多，反之较少．确定分块数量后对各个子块提取稳 定特征点，确保特征点的均匀选取．该方法可以减少 图像配准的工作量，提高图像的自动配准化程度．图１ 为本文算法的流程图． １．２ ＳＵＲＦ特征点提取 本文采用ＳＵＲＦ算法作为图像配准的特征点提取 算法，ＳＵＲＦ特征点的提取过程主要分为尺度空间极值 点检测、特征点定位、确定主方向和特征点描述四个 步骤Ｉ１ ．ＳＵＲＦ特征点提取过程如图２所示． １．２．１极值点检测 ＳＵＲＦ算子选择图像尺度空间中的极值点作为候 ：Ｉ：！．．—— 建立变换模型 空间几何变换和重采样 图像配准 图１本文算法流程图 极 特 确 特 值 征 定 征 点 点 主 点 检 定 方 描 测 位 向 述 图２ ＳＵＲＦ特征点提取过程 选特征点．图像 的尺度空间定义为 Ｌ（ｘ，Ｙ， ）＝Ｇ（ｘ，Ｙ， ） Ｉ（ｘ，Ｙ） （１） 其中， 代表二维卷积，盯是尺度因子，Ｇ（ｘ，ｙ， 是二维高 斯函数，如公式（２）所示． １ Ｘ２＋ ２ Ｇ（ ，Ｙ， ）＝ ｅ ２０＂ （２） ７ｔ＇Ｏ＂ 为了使ＳＵＲＦ算法具有尺度不变性，ＳＵＲＦ算法用 不同尺寸的框状滤波器对原始图像进行滤波处理，组 成图像金字塔…】，如图３右图所示，图３左图为ＳＩＦＴ 图像金字塔的生成方式．在图像金字塔中的每一层使 用Ｈｅｓｓｉａｎ矩阵进行极值检测．图像Ｉ（ｘ，ｙ）中的点Ｘ在 尺度 处的Ｈｅｓｓｉａｎ矩阵定义为 ～Ｈ－－Ｉ ｌ ＬｘＡ（Ｘｘ，， Ｏ＇）） （ （ ） ， ）ＩＩ （３） 其中，Ｌｘｘ（ｘ，ｃｒ）是高斯函数二阶偏导数和图像的二维卷 积，Ｌｘｙ和Ｌｙｙ的含义与之类似． 在建立图像的金字塔结构时，需要对图像进行下 采样，再与不同尺度的二维高斯函数进行卷积．为了 提高高斯卷积的计算速度，ＳＵＲＦ算子使用方框滤波器 Ｓｐｅｃｉａｌ Ｉｓｓｕｅ专论・综述１７ 汁算机系统应用 ｈｔｔｐ：／／ｗｗｗ．ｃ－Ｓ－ａ．ｏｒｇ．ｃｎ ２０１４年第２３卷第３期 作为二阶高斯滤波器的近似替代，并使用积分图像【“］ 对图像卷积进行加速．同时，为了避免对图像的迭代 、▲ － 气 ， 、 ■ ’ 向 采样过程，ＳＵＲＦ算子在建立图像金字塔结构时采 用增加方框滤波器尺寸的方法． ＿ｌ 图４特征点主方向计算 描述特征点局部邻域的二维坐标系统，并具有不变性． 图３ ＳＩＦＴ和ＳＵＲＦ图像金字塔比较 １－２．２特征点定位 根据Ｈｅｓｓｉａｎ矩阵求出尺度图像在 ，ｃｒ）处的极值 后，首先在极值点的３×３×３的立体邻域内进行非极 大值抑￣ｌＪ（Ｎｏｎ．Ｍａｘｉｍｕｍ Ｓｕｐｐｒｅｓｓｉｏｎ，ＮＭＳ）［１１１．为了 能够对候选特征点进行亚像素定位，可以在尺度空间 和图像空间中进行插值，插值使用的二次拟合函数为 Ｄｆ ）：Ｄ＋ ＯＸ ＋ ｒ２ Ｄ８Ｘ‘ ＿ （４） 对函数求导得到极值点为 ：一 （５） ＯＸ 函数在极值点处的极值为 Ｄｆ １：Ｄ＋ 垦 （６） ２ ８Ｘ 在实验中剔除Ｄ（∞＜０．０３的候选特征点． １－２＿３主方向确定 为了使提取出的特征点具有旋转不变性，可以对 每个特征点赋予一个主方向．首先以特征点为中心，计 算半径为６ｓ（ｓ为特征点的尺度）的邻域内的点在水平和 垂直方向边长为 的Ｈａｒｒ小波响应［“ ；然后按照距离 远近给这些响应值赋予高斯权重系数，使得靠近特征 点的响应贞献大，而远离特征点的响应贡献小：接着对 加权后的Ｈａｒｒ小波响应以圆形区域进行统计，将圆形 区域划分为７２组，每５。一组，将６０。［“ 范围内的Ｈａｒｒ 小波响应累加形成新的矢量；最后遍历整个圆形区域， 选择最长矢量方向作为特征点的主方向，如图４所示． １．２．４特征点描述 通过上面步骤的计算，可以为每一个特征点赋予 图像位置坐标、尺度和主方向，这些参数构成了一个 １ ８ 论・综述Ｓｐｅｃｉａｌ Ｉｓｓｕｅ 下一步就是对该局部区域进行量化描述，生成特征点 的描述符． １１首先以特征点为中心，按照主方向选取２０ｓ× ２０ｓ（采样步长为 １的正方形区域，并将该区域旋转到 主方向，以保证旋转不变性． ２）将该区域划分成４×４共１６个子区域，在每一 个子区域内，计算５ｓ×５ｓ范围内的Ｈａｒｔ小波响应，把 相对于主方向的水平和垂直方向的Ｈａｒｒ小波响应分别 记作出和 ，并用高斯函数对响应值赋予权重系数． ３）将每个子区域在水平和垂直方向的Ｈａｒｒ小波 响应及响应的绝对值分别进行累加，记为Ｘｄｘ、Ｘｄｙ、 Ｚｌｄｘｌ￣ｍ ．图５列举了三种ＳＵＲＦ特征描述子类 型，左图表示：在均匀区域中，所有的值相对较低；中 间图说明，在Ｘ方向存在固有频率， Ｉ 『ｊ艮高，但其他 部分依然很低．如果Ｘ方向强度逐渐增加，Ｘｄｘ和ｚｌａｘｌ 都高，如图５右图所示． ∑出 ＿咖ｌ ∑ｌａｘｌ ∑毋 ∑ Ｅ ｌ Ｉ Ｉ ＩＩ 图５ ＳＵＲＦ特征描述 ４１对每个子区域生成一个四维的描述符向量ｖ ＝ ，Ｚｄ，Ｘｌｄｘｌ，Ｚｌ １），每个特征点共有１６个子区域， 就形成了一个４×（４×４）＝６４维的描述符． ５）对这个６４维的向量进行归一化，去除光照变 化的影响，得到特征点的描述符． ２基于稀疏特征树的特征点匹配 ２．１稀疏特征树生成及查找 在本文中，基于特征的稀疏向量表示，采用一种 ２０１４年第２３卷第３期 ｈｔｔｐ：／／ｗｗｗ．ｃ—Ｓ—ａ．ｏｒｇ．ｃｎ 计算机系统应用 树状的数据结构一稀疏特征树（简称特征树）【 １８】来表示 特征集合，以提高特征匹配的效率．下面将具体描述 这种数据结构． 如果没有特征匹配实例Ｘ，那么这个过程可能在特征 树的某一层结束．第３步是累计 ，也就是把第２步找 到的所有特征按目标概念的类别 （１≤ ≤Ｉ１）分别累计 权重． 假设训练过程选择了ｎ个特征，并且估计了相应 的参数．那么，第ｉ个特征及其相应的参数可以表示成 （，ｌｆ： １，， ｆ： ｆ，…，ｊｋｉ：ｂｋｌ，ｔｉ，２ｉ）．特征集合可以用一棵树 来表示．特征树的层数和特征集的最大特征维数ｋ相 算法２．稀疏特征树查找算法 １）初始化：把根节点所有子节点从后面推入队列． ２）特征查找： 关，有（３＋２ 层．它有５类节点：根节点、属性节点、 属性值节点、指示节点、目标概念及参数节点． 特征树的生成算法如算法ｌ所示．这个算法首先 生成根节点，然后生成根节点和指示节点之间包括指 示节点的属性节点和属性值节点，最后生成指示节点 下所有的目标概念及参数节点．这个算法使用一个队 列作为广度优先的建树策略的载体． 算法１．稀疏特征树生成算法 １）生成根节点：把对应到整个特征集合的根节点 从后面推入队列． ２）生成属性层和属性值层： ①若队列的首节点是指示节点，则转到第３步， 否则，移出该节点： ②若该节点是属性值节点ｆ假设对应于第ｉ个属 性）或根节点（ｆ＝０），那么，把该节点对应的所有特征按 最小的非０属性分类：假设共 ０≤，≤＾ ｆ）类，生成 个节点作为该节点的儿子，分别对应于这１类特征．把 这些儿子节点推入队列；如果特征集合中存在没有非 ０属性的特征，那么生成指示节点作为根节点的儿子 来对应于这些特征： ③若该节点是属性节点（假设层次为ｆ），那么把该 节点对应的所有特征按第ｉ个属性值排序分类：假设共 ｎ（１≤，？≤，２ｆ＋１）类，生成 个节点作为该节点的儿子，分 别对应于这 类特征，把这些儿子节点推入队列； ④重复第２步． ３）生成目标概念及参数层： ①若队列为空，则结束； ②从队列中移出首节点，假设该节点对应ｎ（１≤ ≤】，）个特征，生成ｎ个参数节点作为该节点的儿子； ③重复第３步． 算法２描述了在特征树中查找匹配实例 ．， Ｘ２，…，ｘＭ）的所有特征的过程．第１步是初始化．第２ 步是特征查找，这其实是一个从特征树的第１层到叶 子层，从上到下查找匹配实例Ｘ的所有特征的过程． ①若队列为空，则转到第３步，否则，移出首节点； ②若该节点为指示节点，则保存该节点； ③若该节点为属性节点（第ｉ个属性），那么，如 果该节点所指的属性值节点中存在值为Ｘ 的子节点， 则把这个子节点推入队列： ④若该节点为属性值节点，则把该节点的所有 儿子节点推入队列： ⑤重复第２步． ３）累计 ：把所有保存指示节点下的目标概念及 参数节点按目标概念类别ｙ（１≤ｙ≤】，）分别累计权重． ２．２ ＳＵＲＦ特征点匹配 在使用ＳＵＲＦ方法获得参考图像与待配准图像的 特征点后，就要进行特征点匹配．在上文获得的特征 点相关信息（位置、尺度、主方向及特征向量）中，特征 向量包含了特征点周围领域的信息，使用特征向量的 最近邻匹配法可以求出图像潜在的匹配对而无需进行 额外信息量的计算．一般采用欧氏距离、马氏距离等 函数作为特征性的相似性度量．本文采用欧式距离作 为两幅图像间的相似性度量，首先在待配准图像中利 用稀疏特征树搜索，找到与原图特征点欧几里德距离 最近的前两个关键点。记这两个关键点的欧几里德距 离分别为 １、 ． ＜占 （７） ｄ２ 在这两个关键点中，如果最近的距离 １与次近的 距离 得比值小于某个阈值Ｅ（ｏ．６），则接受这一对匹 配点．降低这个比例阈值，匹配点数会减少，但产生 的匹配点对更加稳定可靠． 经过上述特征点匹配后，可以找出所有匹配的特 征点对，其中包括正确的与错误的点对．为了提高图 像的配准精度，我们必须去掉错误的匹配点对．解决 此问题常用的方法是ＲＡＮＳＡＣ，该方法虽然能有效剔 除错误匹配点对，但是由于其算法涉及多次循环迭代， 因此所耗时间相对较长． Ｓｐｅｃｉａｌ Ｉｓｓｕｅ专论・综述１ ９ 计算机系统应用 ｈｔｔｐ：／／ｗｗｗ．ｃ—Ｓ—ａ．ｏｒｇ．ｃｒｌ ２０１４年第２３卷第３期 图８（ａ）给出不同方法配准时间比较，蓝色表示本 文方法所用时间，红色和绿色分别表示ＳＩＦＴ和ＳＵＲＦ 所耗时间，从图形可以看出红色线在最上方，即所用 时间最长，蓝色线在红色和绿色线下方，表明本文方 法用时最短，而且图像尺寸越大，时问差值越明显： （ｂ）、（ｃ）、（ｄ）分别表示三种方法配准结果图与参考图 像的峰值信噪ＬＬ（ＰＮＳＲ）、相似性度量（ＳＳＩＭ）和互信息 量（ＭＩ），从图上可以看出本文方法的ＰＳＮＲ、ＳＳＩＭ和 ＭＩ比其他两种方法的值大一些． 实验三实验数据为同一地点不同时刻拍摄的图像． （ｄ）互信息量比较 待配准图像与参考图像亮度差别较大，采用本文改进 图８不同配准方法配准效果图比较 方法获得特征点匹配结果如图９所示 ２２号论－综述Ｓｐｅｃｉａｌ Ｉｓｓｕｅ ２０１４年第２３卷第３期ｈｔｔｐ：／／ｗｗｗ－ｃ＿ｓ—ａ．ｏｒｇ．ｃｎ 计算机系统应用 将实验三中的图像分别采用ＳＩＦＴ和ＳＵＲＦ进行特 征匹配，并与本文方法进行比较，所得实验数据如表３ 所示． 亮度差别较大的图像采用ＳＩＦＴ与ＳＵＲＦ两种方法正确 匹配率也低于亮度差异较小的图像．但是，这两种方 法的正确匹配率仍低于本文提出的改进方法．对亮度 表３不同亮度图像特征匹配结果 变化较大的图像，图像纹理信息不明显，提取的特征 点差别较大，容易导致错误匹配点对，使正确匹配率 降低． 综合上述实验结果可以得出：与ＳＩＦＴ方法相比， ＳＵＲＦ算法在时间和性能上有了一定的提高．ＳＩＦＴ提 图９给出不同光照条件下的图像配准结果，从特 征点匹配结果可以看出待配准图像与参考图像之间存 在很多错误匹配点对．从表３可知，本文改进方法正 取的特征点数量较多，其错误的匹配点对相应增加， ＳＵＲＦ提取的特征点数量少，错误的匹配点对也较少， 因此ＳＵＲＦ不但在耗时上要优于ＳＩＦＴ，同时也提高了 确匹配率仅为３４．６１５％，低于实验一的９６．７４７％．同时， 配准的效率与鲁棒性．从图８可以看出，本文算法与 Ｓｐｅｃｉａｌ Ｉｓｓｕｅ专论－综述２３
