CN106056551A

CN106056551A - 基于局部相似样例学习的稀疏去噪方法

Info

Publication number: CN106056551A
Application number: CN201610365171.3A
Authority: CN
Inventors: 高志升; 谢春芝; 胡占强; 裴峥
Original assignee: Xihua University
Current assignee: Xihua University
Priority date: 2016-05-27
Filing date: 2016-05-27
Publication date: 2016-10-26

Abstract

基于局部相似样例学习的稀疏去噪方法，本发明涉及图像去噪技术领域，其旨在解决现有技术中构造的字典与待去噪图像相关度低或所构造字典本身还有噪声造成去噪能力弱等技术问题。本发明通过构造与待去噪图像包含对象的相似样例，包括三维模型和二维图像；运用这些样例通过SIFT特征构造特征群Φ；对于输入的待去噪图像，通过相似度量在特征群Φ中寻找噪声图像相似的特征块作为构造字典的样例输入；在获得相似样例之后，由KSVD算法和相似的样例获得过完备字典D；通过字典D和正交匹配追踪算法对噪声图像进行稀疏分解与重构；对于重构后图像块选择最相似样例通过加权平均得到去噪后的图像。

Description

基于局部相似样例学习的稀疏去噪方法

技术领域

本发明涉及图像去噪技术领域，具体涉及基于局部相似样例学习的稀疏去噪方法。

背景技术

现有技术关键块分布并没有完全覆盖所有图像区域，图像块与块之间的间隙也可能是图像主要信息的一部分，忽略的信息不仅使得图像信息不完全而且让后续步骤中所训练完备字典中的原子更偏离无噪声图像，从而影响了去噪效果。

发明内容

针对上述现有技术，本发明目的在于提供，其旨在解决现有技术关键点或特征点的分布区域覆盖图像区域不完全，其关键块、特征块提取方法不能获得图像块与块之间的信息且样例输入与待去噪图像相关度低等技术问题。

为达到上述目的，本发明采用的技术方案如下：

基于局部相似样例学习的稀疏去噪方法，其步骤包括

步骤1、获取目标对象的三维模型M和目标对象的含噪声图像I_n；

步骤2、对三维模型M进行旋转、缩放和投影，获取其二维的不同角度投影平面的图像集合Ω；

步骤3、提取图像集合Ω中每一幅图像的SIFT关键块，并将SIFT关键块取集合作为SIFT特征群Φ；

步骤4、提取含噪声图像I_n的SIFT特征块，并在SIFT特征群Φ中找出与SIFT特征块相匹配的SIFT关键块，再将所有匹配到的SIFT关键块取集合作为相似样例集合Ψ；

步骤5、将相似样例集合Ψ中的图像块按列展开为列向量，再根据列向量获取样例输入矩阵S，n为集合Ψ所有元素的个数；

步骤6、样例输入矩阵S作为KSVD算法的样例输入，通过迭代学习获得过完备字典D；

步骤7、将含噪声图像I_n取滑窗，获得含噪声图像块，再根据正交匹配追踪算法，在过完备字典D下，将含噪声图像块进行稀疏分解、重构，得到重构图像块；

步骤8、将所有重构图像块中重叠像素分别求加权平均，得到去噪后图像

上述方法中，所述的步骤3，其步骤包括

步骤3.1、对图像集合Ω进行SIFT变换，提取关键点，并存储关键点特征描述符和对应关键点位置周围的图像块，共同作为SIFT关键块；

步骤3.2、将所有提取的SIFT关键块取集合作为SIFT特征群Φ。

上述方法中，所述的步骤4，其步骤包括

步骤4.1、对含噪声图像I_n进行SIFT变换，提取特征点，并存储特征点特征描述符和对应特征点位置周围的图像块，共同作为SIFT特征块；

步骤4.2、根据SIFT特征块与SIFT关键块之间的欧氏距离为最小值，判断出SIFT特征块与SIFT关键块相匹配；

步骤4.3、将所有匹配的SIFT关键块取集合作为相似样例集合Ψ。

上述方法中，所述的步骤4.2，其欧式距离公式如下：

D i s t (m_{s j}, m_{x y}) = \sqrt{{(\frac{m e a n (b_{s j}) - m e a n (b_{x y})}{255})}^{2} + {(f_{s j} - f_{x y})}^{2}}

其中，m_sj为含噪声图像I_n中第j个SIFT特征块，其中包含有特征点特征描述符f_sj和特征图像块b_sj；m_xy为图像集合Ω中第y个SIFT关键块，其中包含有关键点特征描述符f_xy和关键图像块b_xy；mean(b)为一个图像块所有像素的平均值函数。

上述方法中，所述的步骤4.2，其中，最小值为预设阈值，满足小于该预设阈值的前260000/C个SIFT关键块作为相似样例集合Ψ，C为含噪声图像I_n中SIFT特征块个数。

与现有技术相比，本发明的有益效果：

利用了图像中线条、边缘、角点、圆弧等在局部拥有相似的像素表现形式，并使用了SIFT特征，寻找与噪声图像局部图像块相似的块作为过完备字典学习的样例输入，增加了样例与待去噪图像的相关度，使得学习获取的字典最大可能的只包含有用信息，且字典中的原子更接近无噪声图像。

附图说明

图1为本发明的基于局部相似样例学习的稀疏去噪算法框架；

图2为多分辨金字塔示意图；

图3为高斯金字塔与DOG金字塔；

图4为DOG极值点的计算；

图5为部分图像块在SIFT特征群Φ中的相似块；

图6为噪声图像的关键块，(a)原图，(b)噪声图，(c)sift关键点，(d)关键块；

图7为第一组人造卫星图像实验结果；

图8为第一组人造卫星图像实验结果PSNR；

图9为第二组人造卫星图像实验结果；

图10为第二组人造卫星图像实验结果PSNR；

图11为左DCT字典，右全局字典；

图12为学习获取的字典；(a)(c)自适应字典；(b)(d)本章算法的字典；

图13为第一组人造卫星图像的去噪结果，(a)-(l)依次是噪声图像、原始图像、DCT字典去噪结果、全局字典去噪结果、本章算法的去噪结果；

图14为第二组人造卫星图像去噪结果，(a)-(l)依次是噪声图像、原始图像、DCT字典去噪结果、全局字典去噪结果、本章算法的去噪结果。

具体实施方式

本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。

下面结合附图对本发明做进一步说明：

实施例1

本申请节主要研究了稀疏去噪与SIFT特征。在SIFT特征基础上构造学习样例，并提出了一种基于局部相似样例学习的稀疏去噪算法。

以人造卫星图片作为实验数据进行实验验证，建立SIFT图像特征群。人造卫星的外观基本都有相似的结构和外观，而且很多卫星的三维模型都是已知的。例如大部分的人造卫星都有太阳能电池帆板、通信天线等。图1给出是本申请算法的整个框架。

SIFT特征：

图像的局部特征可以用一定的数据进行描述，在图像上表现出独特性、有别于其周围其他部分。一般局部特征都具备可重复性、可区分性、准确性、不变性、数量及效率。可重复性是指某个局部特征可以在多幅图像中同时存在，可区分性是指同一幅图像中的两个局部特征具有不同的描述，准确性是指局部特征的描述要巧当合适，不变性是指对于某个局部特征的描述不会因为描述的时间、位置不同而得到不同的描述，除了这些因素外数量和效率也决定了对局部特征的某个描述是否可行，如果数量和效率不满足实际要求，不能够解决实际问题，那么这个局部特征是没有任何意义的。

SIFT特征不仅具有尺度不变性，其对旋转、亮度变化、拍摄视角也能保持一定程度的稳定性。对于信息量丰富的海量特征数据库依然可以有快速、准确的匹配，即使少数的几个物体也可以产生大量的SIFT特征向量，很容易辨识物体而且鲜有误认，经优化的SIFT匹配算法甚至可以达到实时的要求，可以很方便的与其他形式的特征向量进行联合。其应用范围包含物体辨识、机器人地图感知与导航、影像缝合、3D模型建立、手势辨识、影像追踪和动作比对。

图像在尺度空间中随着尺度的增大其模糊程度随着变化，大的尺度对应图像的总体轮廓特征，小尺度则对应图像的局部细节特征。为了构建图像的尺度空间，尺度空间理论引入尺度的参数。

多尺度理论已经证明，高斯卷积核是唯一可以产生多尺度空间的线性核，于是图像的尺度空间可以定义为：

L(x,y,δ)＝G(x,y,δ)*I(x,y) (1)

G (x, y, δ) = \frac{1}{2 {πδ}^{2}} e^{- (x^{2} + y^{2}) / 2 δ^{2}} - - - (2)

其中G(x,y,δ)是二维高斯核函数，δ是图像的尺度，I(x,y)表示二维的图像。L(x,y,δ)是图像在尺度为δ时的二维表示。

在获取了有效的尺度空间之后，可以通过构建DOG(Difference Of Gaussian)高斯差分尺度空间的方式，检测图像在尺度空间的局部极值点，之所以构造DOG空间是因为在DOG空间检测极值点可以提高的计算效率，DOG空间与多尺度空间的关系可以用下面的公式描述：

D(x,y,δ)＝L(x,y,kδ)-L(x,y,δ) (3)

D(x,y,δ)＝G(x,y,kδ)*I(x,y)-G(x,y,δ)*I(x,y) (4)

图像的多分辨率：

多分辨率理论主要研究的是在多种分辨率下对信号进行分析和表示，其最明显的优点就是，可以发现信号在某一特定分辨率下的特性，而这种特性在其他分辨率下可能不存在。1987年，小波分析的出现将信号分析推向了新的发展阶段，从数学的角度分析了图像的多分辨率，是图像多分辨分析有了理论基础。

由与金字塔的结构可以简单有效地表示图像的多分辨，所以在早期机器视觉和图像压缩领域大多使用金字塔的形式表示图像的多分辨，图像的金字塔是一组不同分辨率图像按金字塔形状自下而上堆砌而成，从塔的最底部向上图像的分辨率和尺寸依次减小，在塔的最顶部图像辨率和尺寸最小。假设最底层的图像尺寸大小为2ⁿ×2ⁿ,中间层j的尺寸大小为2^j×2^j其中0≤j≤n。一幅图像完整的多分辨金字塔由n+1个分辨率组成，在实际应用中通常只取P+1级，其中j＝n-P，…，n-2，n-1，n，且1≤P≤n。图2简单显示了如何建立一副图像的多分辨金字塔。

图像的多尺度与多分辨率是有本质区别的，图像的尺度空间是客观存在的，通过将图像与不同的高斯核卷积可以得到不同尺度下的图像，在所有尺度上图像的分辨率是一样的，一个尺度下的图像可以有多幅不同分辨率的副本。图像的多分辨则是由图像下采样得到，层与层之间的分辨率有固定的比例关系，优点是多分辨金字塔生成快，占用存储空间少。与多分辨相比多尺度的优势在于有完整的理论基础，不同尺度上的局部特征表示形式相对简单，虽然多尺度在各方面具有其独特的优势，但是随着尺度的增加冗余信息也会增多。

提取SIFT特征：

高斯金字塔结合了多分辨与多尺度的优点，在多分辨率金字塔基础上引入了多尺度，通过使用不同尺度σ的高斯核进行对多分辨金字塔每层图像卷积，获得多张不同尺度的图像，因此每层金字塔包含了多张不同尺度的图像。金字塔每层多张不同尺度的图像合在一起构成高斯金字塔的一组，每组有多张图像。如图3所示，构建高斯金字塔之后，在每一组中用相邻图像相减构造DOG金字塔。高斯尺金字塔中每组有五层不同尺度的图像，相邻两层相减得到四层DOG金字塔。为了构造均匀变化的尺度空间序列，下采样时金字塔每一组图像中最底部的第一张图像通过前一组图像倒数第三张图像将采样得到。

如图4所示，SIFT的关键点就是四层DOG图像上的局部极值点，在寻找DOG极值点时，每一个像素点要和周围相邻点比较，比较的范围是个3×3的立方体，中间的待检测点和它周围8个相邻点，以及同一组中上下相邻尺度图像中对应的9个点，—共26个点比较，如果检测点的值最小或最大，那么这个点就是DOG空间的一个极值点。

检测到关键点之后需要生成描述符，为了使描述符具有旋转不变性，统计关键点在尺度空间邻域内所有像素在八个方向上的梯度直方图，以直方图的峰值所对应方向作为描述符的方向，Lowe建议对每个关键点使用4×4个4×4的子窗口的梯度直方图获取描述符，每个子窗口都计算8个方向的梯度直方图，因此每个描述符共有4×4×8＝128维。对于在DOG金字塔中检测出的关键点，用F表示一幅图像I的SIFT描述符，对于每一个特征描述符f_j∈F可以表示为

f_j＝v_j,l_j,s_j,o_j} (5)

v_j是第j个关键点在l_j＝x_j,y_j)位置处的128维向量描述符，s_j是尺度的取值，o_j是方向的取值。

局部相似样例的获取：

satellite Tool Kit是由Analytical Graphics公司开发的一款在航天工业领域中处于绝对领先地位的商品化分析软件。使用STK的三维人造卫星模型产生多姿态多角度的样例图像数据集Ω。

建立SIFT特征群：

对于样例图像数据集Ω中的每一幅图像I_i通过SIFT变换提取所有关键点位置并存储其特征描述符f_i和对应位置周围8*8的图像块b_i。将f_i，b_i结合起来记作m_i。

在本申请称M_i为图像I_i的所有SIFT特征集，对于特征集中的每个元素m_ij∈M_i称作特征块，记作

m_ij＝b_ij,f_ij} (6)

f_ij∈F_i，b_ij∈B_i分别代表图像样例数据集Ω中第i幅图像I_i的第j个关键点的SIFT特征描述符和关键点周围8×8的图像块。

于是将样例图像数据集Ω经过SIFT转换得到了特征群Φ，可以用下式表示

Φ＝m₁₁,m₁₂…m_1j…m₂₁,m₂₂…m_2k…m_m1,m_m2…m_mn…} (7)

其中j≥0，k≥0，m≥0，n≥0。

局部相似样例的获取：

在建立好特征群集合Φ后，接下来便是在特征群集合Φ中找出与噪声图像I_s特征块m_sj∈M_s相似的特征块m′_sj∈Φ。在本申请节中的算法采用欧氏距离最近的方法寻找相似的特征块。

根据欧氏距离的定义，定义两个特征块之间的距离为

D i s t (m_{s j}, m_{x y}) = \sqrt{{(\frac{m e a n (b_{s j}) - m e a n (b_{x y})}{255})}^{2} + {(f_{s j} - f_{x y})}^{2}} - - - (8)

mean(b)表示对图像块b所有像素值求平均值，对于I_s的第j特征块m_sj在特征群集合里按照上式的定义选取与噪声图像特征块距离相近的前260000/C个特征块，C表示噪声图像特征块的个数。于是可以获得约260000的特征块，对于其中的每一个特征块m_ij′＝b_ij′,f_ij′}取b_ij′放入相似样例数据集Φ^*中。由此得到了包含了约26000个相似样例的数据集Φ^*。

学习样例的处理：

为了使得学习样例既包含关键块的信息，又包含不是关键块的平滑区域的信息，图6展示了噪声图像的关键块检测结果，通过观察可以发现，关键块的分布并没有完全覆盖所有的区域，块与块之间的间隙也可能是图像主要信息的一部分，由于在噪声图像中不是关键块的区域也含有信息量，所以对噪声图像进行8×8滑窗取块处理，并将滑块后得到的图像块也添加到相似样例的数据集Φ^*中。由于将噪声图像加入学习样例中可以通过学习得到含有噪声图像块与不含噪声图像块所共有的信息，也就是不含噪声的部分，所以通过稀疏分解、重构可以有效地把噪声去除。将获取的相似样例数据集Φ^*作为通过KSVD算法的学习样例输入，通过迭代求解获得过完备字典D，然后使用过完备字典D和OMP算法对噪声图像进行稀疏分解、重构还原得到去噪后图像In*。

算法描述：

基于局部相似样例学习的稀疏去噪算法框架描述如下：

输入：人造卫星三维模型M，含噪声的人造卫星图像I_n

过程：执行(1)、(2)、(3)、(4)

(1)、对M进行旋转、缩放、投影获取多姿态多角度的二维图像集合Ω；

(2)、对图像集合Ω中每一幅图像提取SIFT关键块并放入SIFT特征群Φ中；

(3)、提取噪声图像的SIFT特征块并在SIFT特征群Φ中寻找相似的特征块，将所有匹配到的SIFT特征块放进入相似样例集合Ψ中；

(4)、相似样例集合Ψ中的8×8图像块按列展开为列向量，获取一个64×n的样例输入矩阵S，n为集合Ψ所有元素的个数；

(5)、矩阵S作为KSVD算的样例输入，通过迭代学习获得过完备字典D；

(6)、对噪声图像滑窗取8×8的图像块，使用字典D和OMP算法进行稀疏分解与重构；

(7)、将步骤(6)中所有重构图像块中重叠的像素求加权平均，得到去噪后图像

输出：去噪后图像

实验结果及分析：

为了客观评价去噪效果选取两个不同的人造卫星，分别人为的给原始人造卫星图像添加四种强度的高斯白噪声，噪声强度Sigma取值分别为10、20、40、80，获得两组实验数据。然后计算其峰值信噪比并作为评价去噪效果的客观指标。这里本申请算法采用的字典大小都取64×256。

如图7显示四种算法在第一组试验数据上的去噪结果，图7的纵轴表示PSNR值，横轴表示噪声强度Sigma值，是本申请算法的实验结果，从图7可以明显的看出本申请算法在PSNR上获得了较高的指标，其他三种算法在实验结果上都比较接近。

图8给出了四种算法在第一组试验数据上的具体PSNR值，通过比较图8的PSNR值可以看出，随着噪声强度Sigma由10增长到80，噪声图像的PSNR由30.8841减小到13.0110，四种算法的去噪效果都随着下降，在Sigma取80时与Sigma取10时相比的算法PSNR由43.9184dB降至28.5207总共降低了15.3977dB，自适应字典由35.8339dB降至17.9582dB,共降低了17.9154dB，全局字典由35.8339dB降至17.9582dB,共降低了17.9154dB，DCT字典由35.6968dB降至17.9169,共降低了17.7799dB比较结果证明四种方法中自适应字典对噪声最为敏感，其他的依次为DCT字典、全局字典、本申请算法获取的字典。由图8的去噪结果可以得出，自适应字典优于全局字典，全局字典优于DCT字典，自适应字典对噪声强度最为敏感。实验结果证明了本申请方法的优越性。

如图9显示四种算法在第二组试验数据上的去噪结果，纵轴表示PSNR值，横轴表示噪声强度Sigma值，从图9可以再次验证由图8分析得出的结论，随着噪声强度的增加四种方法去噪后的PSNR都逐渐下降，而本申请算法的下降趋势最缓，说明本申请算法与其他三种相比，对噪声强度最不敏感。

图10给出了四种算法在第二组试验数据上的具体PSNR值，当噪声强度Sigma由10增长到80，噪声图像的PSNR由30.6770减小到12.9459，与去噪前的噪声图像PSNR相比本申请算法的去噪结果将PSNR依次提高了8.4920dB、10.2972dB、12.7467dB、13.6748dB，自适应字典依次提高了4.0803dB、4.5734dB、4.9505dB、4.9393dB，全局字典依次提高了3.873dB、4.5114dB、4.9337dB、4.9369dB，DCT字典依次提高了3.9444dB、4.4075dB、4.8302dB、4.9174dB。与其他三种方法比较发现，随着噪声强度增加本申请所提出的算法提高的PSNR幅度会有所增长，而其他三种方法则相对平稳。

图11显示了本申请实验所使用的DCT字典和全局字典，左侧是DCT字典，右侧是中的全局字典，第一组实验数据和第二组实验数据使用相同的DCT字典和全局字典。

图12显示了在噪声强度Sigma＝40时第一组和第二组试验数据通过噪声图像学习获取的自适应字典和通过相似样例学习获取的字典，其中(a)、(b)为第一组试验数据的字典，(c)、(d)为第二组实验数据的字典，左侧一列是自适应字典，右侧一列是本申请算法的字典。通过观察可以从视觉上直观地发现自适应字典(a)，(c)中很多原子都包含了噪声，给人一种杂乱无章的感觉，而本申请算法获取的字典原子则比较干净。这里再次反映了自适应字典对噪声敏感的原因。字典原子的好坏决定了去噪结果，这是因为如果字典中的原子不含噪声，那么在稀疏分解时，噪声在稀疏度约束下只有极少部分可以投影到字典的某些原子上，因此大部分噪声在稀疏分解时被当做残差舍去了。

图13和图14分显示了第一组和第二组实验数据的去噪结果，为了显示结果的细节放大了图中的红色矩形区域。(a)、(b)是原始图像，(c)、(d)是人为添加噪声强度sigma＝40的高斯白噪声后的噪声图像，(e)、(f)是DCT字典的去噪结果，(g)、(h)是全局字典的去噪结果，(i)、(j)是自适应字典结果，(k)、 (l)本申请算法的去噪结果。从图13和14中可以看出，红色矩形标识的区域在视觉效果上本申请的算法也优于其他算法，尤其是对于背景全黑的区域本申请算法去噪效果明显好于其他三种字典。通过观察细节可以发现，DCT和全局字典的去噪结果给人以模糊和边缘错乱的假象，视觉效果很低，虽然使用自适应字典得了清晰地边缘，但是受到噪声的影响整幅图像的能量向高灰度值发生了偏移，对比度发生了变化。从视觉效果上分析，对于背景部分的去噪本申请算法获得的视觉效果远远好DCT、全局、自适应字典。

在图13中，对于竖向的条纹本申请算法的去噪效果和自适应字典很接近，但是在斜型的条纹处本申请算法好于自适应字典。在图14中同样可以清晰的发现，与其他三种字典的去噪方法相比，对于红色方框区域内成矩阵形状排列的小正方形边缘，本申请算法获得了较为清晰的边缘。

本申请详细介绍了所提出的基于局部相似样例学习的稀疏去噪算法框架，为了检验算法的有效性、优越性，选取了两组人造卫星图像作为去噪实验数据，并将实验结果与流行的DCT字典、KSVD全局字典及KSVD自适应字典做了对比。通过对实验结果的比较与分析发现本申请提出的算法不仅在客观指标PSNR上获得了优势，在视觉效果上也优于其他字典的去噪效果。本申请提出的方法有效的改善了学习获取的字典与噪声图像的相关度，提升了去噪图像的信噪比。分析其中的原理不难理解，全为局字典和DCT字典都为固定字典，但总体上全局字典好于DCT字典，这是因为全局字典是由大量的自然图像学习得到的，字典的元素反映了自然图像所共有的结构特征，相反DCT字典是由数学方法构造而成，字典原子只能反映特定的可以用数学描述的结构特征。自适应字典优于全局字典是因为与全局字典相比自适应字典的原子不仅能反映自然图像共有的结构特征，而且还能反映图像自身特有的结构特征。自适应字典对噪声敏感，则是因为当噪声强度过大时，图像自身的结构信息有所破坏，学习的字典原子不可避免地受到噪声影响。

技术的进步只是选用标准的参考。但是出于改劣发明,或者成本考量,仅仅从实用性的技术方案选择。以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。

Claims

1.基于局部相似样例学习的稀疏去噪方法，其特征在于，步骤包括

步骤2、对三维模型M进行旋转、缩放和投影，获取其二维的不同角度、不同尺度投影平面的图像集合Ω；

步骤5、将相似样例集合Ψ中的图像块按列展开为列向量，再根据列向量获取样例输入矩阵S；

2.根据权利要求1所述的基于局部相似样例学习的稀疏去噪方法，其特征在于，所述的步骤3，其步骤包括

步骤3.2、将所有提取的SIFT关键块取集合作为SIFT特征群Φ。

3.根据权利要求1所述的基于局部相似样例学习的稀疏去噪方法，其特征在于，所述的步骤4，其步骤包括

4.根据权利要求3所述的基于局部相似样例学习的稀疏去噪方法，其特征在于，所述的步骤4.2，其欧式距离公式如下：

D i s t (m_{s j}, m_{x y}) = \sqrt{{(\frac{m e a n (b_{s j}) - m e a n (b_{x y})}{255})}^{2} + {(f_{s j} - f_{x y})}^{2}}

5.根据权利要求4所述的基于局部相似样例学习的稀疏去噪方法，其特征在于，所述的步骤4.2，其中，最小值为预设阈值，满足小于该预设阈值的前260000/C个SIFT关键块作为相似样例集合Ψ，C为含噪声图像I_n中SIFT特征块个数。