CN109544609A - 一种基于sift算法的侧扫声呐图像匹配方法 - Google Patents
一种基于sift算法的侧扫声呐图像匹配方法 Download PDFInfo
- Publication number
- CN109544609A CN109544609A CN201811183901.3A CN201811183901A CN109544609A CN 109544609 A CN109544609 A CN 109544609A CN 201811183901 A CN201811183901 A CN 201811183901A CN 109544609 A CN109544609 A CN 109544609A
- Authority
- CN
- China
- Prior art keywords
- point
- distance
- scale
- sift
- image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 22
- 238000001514 detection method Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 3
- BBEAQIROQSPTKN-UHFFFAOYSA-N pyrene Chemical compound C1=CC=C2C=CC3=CC=CC4=CC=C1C2=C43 BBEAQIROQSPTKN-UHFFFAOYSA-N 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- GVEPBJHOBDJJJI-UHFFFAOYSA-N fluoranthrene Natural products C1=CC(C2=CC=CC=C22)=C3C2=CC=CC3=C1 GVEPBJHOBDJJJI-UHFFFAOYSA-N 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/30—Determination of transform parameters for the alignment of images, i.e. image registration
- G06T7/33—Determination of transform parameters for the alignment of images, i.e. image registration using feature-based methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10132—Ultrasound image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于SIFT算法的侧扫声呐图像匹配方法：构建尺度空间；检测DOG尺度空间极值点；除去DOG局部曲率非常不对称的像素；SIFT特征点矢量生成；计算SIFT特征点矢量距离；SIFT特征点匹配。本发明在传统的SIFT算法基础之上对SIFT的特征点的矢量生成和SIFT的矢量距离进行改进，降低特征维度且用街区距离与棋盘距离的现行组合提到欧氏距离，节省计算特征时的计算量。
Description
技术领域
本发明涉及一种侧扫声呐图像的特征提取算法，更具体的说，是涉及一种基于SIFT算法的侧扫声呐图像匹配方法。
背景技术
同步定位与构图(Simultaneous Localization and Mapping，SLAM)方法是定位与导航研究领域之一，SLAM地图构建中环境信息的获取和表示成为实现其完全自主导航的关键因素。随着海洋产业的发展，SLAM技术逐渐应用到水下航行器的自主导航当中，但当前水下航行器利用SLAM方法都是基于侧扫声呐图像的特征提取的，将水下航行器收集到的对环境的感知信息用侧扫获取的声呐图像表示出来，从中提取更为抽象的集合特征。但是由于水下环境的复杂性以及采集到的声呐图像的低分辨率，计算量成为一个很大的问题。
发明内容
本发明的目的是为了克服现有技术中的不足，提供一种基于SIFT算法的侧扫声呐图像匹配方法，主要应用于侧扫图像的处理，由于侧扫声呐图像分辨率低、目标特征少等缺点往往对其进行点特征提取，在此过程中本方法在传统的SIFT算法基础之上对SIFT的特征点的矢量生成和SIFT的矢量距离进行改进，降低特征维度且用街区距离与棋盘距离的现行组合提到欧氏距离，节省计算特征时的计算量。
本发明的目的是通过以下技术方案实现的。
本发明的基于SIFT算法的侧扫声呐图像匹配方法，包括以下步骤：
第一步：构建尺度空间
将一幅获得的水下侧扫声呐图像的尺度空间L(x,y,σ)定义为：
L(x,y,σ)＝G(x,y,σ)*I(x,y) (1)
其中，G(x,y,σ)是尺度可变高斯函数，I(x，y)为侧扫声呐图像；
其中，(x,y)是空间坐标，代表侧扫声呐图像的像素位置；σ表示尺度空间因子；
通过对两个相邻高斯尺度空间图像相减，得到一个DOG的响应的高斯差分图像D(x,y,σ)，差分图像函数D(x,y,σ)则表示为：
D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ))*I(x,y)
＝L(x,y,kσ)-L(x,y,σ) (3)
其中，k为正整数；
第二步：检测DOG尺度空间极值点
每一个采样点要和它所有的相邻点比较，看其是否比它的图像域和尺度域的相邻点大或者小；中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的9*2个点共26个点比较，以确保在尺度空间和二维图像空间都检测到极值点；
第三步：除去DOG局部曲率非常不对称的像素；
第四步：SIFT特征点矢量生成
以检测到的特征点为中心取8*8的窗口，将窗口划分为4个2*2的子区域，在每个子区域计算12个方向上的梯度方向直方图，这样一共生成2*2*12＝48维特征向量，再对其进行归一化处理；
第五步：计算SIFT特征点矢量距离
采用街区距离与棋盘距离的线性组合来代替欧式距离，街区距离与棋盘距离的线性表示为：
其中，d(x,y)为街区距离与棋盘距离的线性表示；48为生成的48维特征向量；a,b为实数；为街区距离的表示；为棋盘距离的表示；
第六步：SIFT特征点匹配
极线约束：特征点在垂直方向上的坐标差值小于1个像素；
视差约束：特征点在水平方向上的坐标差值小于20个像素；
方向约束：特征点方向的差值小于20°；
尺度约束：左右特征点尺度差值小于1.5；
唯一匹配约束：如果一个特征点有多个特征点满足约束条件与其匹配，则认为该特征点失效。
与现有技术相比，本发明的技术方案所带来的有益效果是：
本发明的主要目的在于解决提取侧扫声呐图像的特征点时，在水下环境中干扰因素较大的情况下快速去除无效信息，减少计算复杂度，是实现水下航行器实时定位的关键一步。
本发明首先对特征点的矢量生成进行改进，将原SIFT(Scale-invariant featuretransform，尺度不变特征转换)算法中的128维特征矢量减少至24维，减少了计算量；同时对原SIFT算法中的矢量距离进行改进，用街区距离和棋盘距离的线性组合代替欧氏距离，降低了计算复杂度。
附图说明
图1是本发明基于SIFT算法的侧扫声呐图像匹配方法的流程图。
具体实施方式
下面结合附图对本发明作进一步的描述。
本发明针对深海环境中的水下航行器利用同步定位与构图方法定位时，利用侧扫声呐图像提取出来的特征点作为环境路标，但在此过程中由于水下环境的特殊性，特征点提取时计算量较大、计算复杂度较高，从而影响了实时定位的性能，故本方法主要目的在于解决当前传统基于SIFT方法中计算量较大的缺点。
本发明的基于SIFT算法的侧扫声呐图像匹配方法，主要对水下获取的侧扫声呐图像进行特征提取，在此采用发明提出的改进的SIFT点特征提取方式。如图1所示，具体实现过程如下：
第一步：构建尺度空间
尺度空间理论可以模拟图像数据的多尺度特征，而高斯卷积核是实现尺度变换的唯一的线性核，所以在此，我们将一幅获得的水下侧扫声呐图像的尺度空间L(x,y,σ)定义为：
L(x,y,σ)＝G(x,y,σ)*I(x,y) (1)
其中，G(x,y,σ)是尺度可变高斯函数，I(x，y)为侧扫声呐图像。
其中，(x,y)是空间坐标，代表侧扫声呐图像的像素位置；σ表示尺度空间因子，其大小决定了侧扫声呐图像的平滑程度与尺度。
构造高斯差分尺度空间。为了有效的在尺度空间检测到稳定的关键点，在此需要构建高斯差分尺度空间，利用不同的高斯差分核与图像卷积生成。通过对两个相邻高斯尺度空间图像相减，得到一个DOG(Difference of Gaussians，高斯差分)的响应的高斯差分图像D(x,y,σ)，差分图像函数D(x,y,σ)则表示为：
D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ))*I(x,y)
＝L(x,y,kσ)-L(x,y,σ) (3)
其中，k为正整数。
第二步：检测DOG尺度空间极值点
为了寻找尺度空间的极值点，每一个采样点要和它所有的相邻点比较，看其是否比它的图像域和尺度域的相邻点大或者小。中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的9*2个点共26个点比较，以确保在尺度空间和二维图像空间都检测到极值点。
第三步：除去DOG局部曲率非常不对称的像素。
第四步：SIFT特征点矢量生成
SIFT原算法以检测到的特征点为中心取16*16的窗口，并将其等间距分成4*4个子区域。在每个子区域计算8个方向上的梯度方向直方图，绘制每个梯度方向的累加值。每个区域的直方图将0°～360°划分为8个方向范围，每个范围为45，这样一共生成4*4*8＝128个数据，故原算法最终生成128维特征向量。为了减少计算量，现以检测到的特征点为中心取8*8的窗口，将窗口划分为4个2*2的子区域，在每个子区域计算12个方向上的梯度方向直方图，这样一共生成2*2*12＝48维特征向量，再对其进行归一化处理。
第五步：计算SIFT特征点矢量距离
为了减少计算复杂度，本发明采用街区距离与棋盘距离的线性组合来代替欧式距离，街区距离与棋盘距离的线性表示为：
其中，d(x,y)为街区距离与棋盘距离的线性表示；48为生成的48维特征向量；a,b为实数；为街区距离的表示；为棋盘距离的表示。
第六步：SIFT特征点匹配
在此引入多项匹配约束，以减少误匹配点数。
极线约束：特征点在垂直方向上的坐标差值小于1个像素；
视差约束：特征点在水平方向上的坐标差值小于20个像素；
方向约束：特征点方向的差值小于20°；
尺度约束：左右特征点尺度差值小于1.5；
唯一匹配约束：如果一个特征点有多个特征点满足约束条件与其匹配，则认为该特征点失效。
基于上述约束条件进行图像特征匹配，提高了匹配精确度，减少误匹配特征点的个数。
尽管上面结合附图对本发明的功能及工作过程进行了描述，但本发明并不局限于上述的具体功能和工作过程，上述的具体实施方式仅仅是示意性的，而不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可以做出很多形式，这些均属于本发明的保护之内。
Claims (1)
1.一种基于SIFT算法的侧扫声呐图像匹配方法，其特征在于，包括以下步骤：
第一步：构建尺度空间
将一幅获得的水下侧扫声呐图像的尺度空间L(x,y,σ)定义为：
L(x,y,σ)＝G(x,y,σ)*I(x,y) (1)
其中，G(x,y,σ)是尺度可变高斯函数，I(x，y)为侧扫声呐图像；
其中，(x,y)是空间坐标，代表侧扫声呐图像的像素位置；σ表示尺度空间因子；
通过对两个相邻高斯尺度空间图像相减，得到一个DOG的响应的高斯差分图像D(x,y,σ)，差分图像函数D(x,y,σ)则表示为：
D(x,y,σ)＝(G(x,y,kσ)-G(x,y,σ))*I(x,y)
＝L(x,y,kσ)-L(x,y,σ) (3)
其中，k为正整数；
第二步：检测DOG尺度空间极值点
每一个采样点要和它所有的相邻点比较，看其是否比它的图像域和尺度域的相邻点大或者小；中间的检测点和它同尺度的8个相邻点和上下相邻尺度对应的9*2个点共26个点比较，以确保在尺度空间和二维图像空间都检测到极值点；
第三步：除去DOG局部曲率非常不对称的像素；
第四步：SIFT特征点矢量生成
以检测到的特征点为中心取8*8的窗口，将窗口划分为4个2*2的子区域，在每个子区域计算12个方向上的梯度方向直方图，这样一共生成2*2*12＝48维特征向量，再对其进行归一化处理；
第五步：计算SIFT特征点矢量距离
采用街区距离与棋盘距离的线性组合来代替欧式距离，街区距离与棋盘距离的线性表示为：
其中，d(x,y)为街区距离与棋盘距离的线性表示；48为生成的48维特征向量；a,b为实数；为街区距离的表示；为棋盘距离的表示；
第六步：SIFT特征点匹配
极线约束：特征点在垂直方向上的坐标差值小于1个像素；
视差约束：特征点在水平方向上的坐标差值小于20个像素；
方向约束：特征点方向的差值小于20°；
尺度约束：左右特征点尺度差值小于1.5；
唯一匹配约束：如果一个特征点有多个特征点满足约束条件与其匹配，则认为该特征点失效。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811183901.3A CN109544609A (zh) | 2018-10-11 | 2018-10-11 | 一种基于sift算法的侧扫声呐图像匹配方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811183901.3A CN109544609A (zh) | 2018-10-11 | 2018-10-11 | 一种基于sift算法的侧扫声呐图像匹配方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109544609A true CN109544609A (zh) | 2019-03-29 |
Family
ID=65843638
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811183901.3A Pending CN109544609A (zh) | 2018-10-11 | 2018-10-11 | 一种基于sift算法的侧扫声呐图像匹配方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109544609A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110471048A (zh) * | 2019-07-25 | 2019-11-19 | 南京信息工程大学 | 基于声呐三维图像置信度的自适应变尺度卷积核计算方法 |
| CN113313172A (zh) * | 2021-05-31 | 2021-08-27 | 江苏科技大学 | 一种基于高斯分布聚类的水下声呐图像匹配方法 |
| CN117826132A (zh) * | 2024-03-04 | 2024-04-05 | 河海大学 | 一种基于侧扫声呐图像的dvl速度野值检测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104574387A (zh) * | 2014-12-29 | 2015-04-29 | 张家港江苏科技大学产业技术研究院 | 水下视觉slam系统中的图像处理方法 |
| CN107180436A (zh) * | 2017-04-14 | 2017-09-19 | 西安电子科技大学 | 一种改进的kaze图像匹配算法 |
-
2018
- 2018-10-11 CN CN201811183901.3A patent/CN109544609A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104574387A (zh) * | 2014-12-29 | 2015-04-29 | 张家港江苏科技大学产业技术研究院 | 水下视觉slam系统中的图像处理方法 |
| CN107180436A (zh) * | 2017-04-14 | 2017-09-19 | 西安电子科技大学 | 一种改进的kaze图像匹配算法 |
Non-Patent Citations (1)
| Title |
|---|
| 郭文县;高晨曦;张智;张磊: "基于特征稀疏策略的室内机器人SLAM研究" * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110471048A (zh) * | 2019-07-25 | 2019-11-19 | 南京信息工程大学 | 基于声呐三维图像置信度的自适应变尺度卷积核计算方法 |
| CN110471048B (zh) * | 2019-07-25 | 2022-04-15 | 南京信息工程大学 | 基于声呐三维图像置信度的自适应变尺度卷积核计算方法 |
| CN113313172A (zh) * | 2021-05-31 | 2021-08-27 | 江苏科技大学 | 一种基于高斯分布聚类的水下声呐图像匹配方法 |
| CN117826132A (zh) * | 2024-03-04 | 2024-04-05 | 河海大学 | 一种基于侧扫声呐图像的dvl速度野值检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109035276B (zh) | 一种图像边缘提取方法、装置及自动驾驶系统 | |
| CN109859226B (zh) | 一种图形分割的棋盘格角点亚像素的检测方法 | |
| Wang et al. | Window detection from mobile LiDAR data | |
| CN105096317A (zh) | 一种复杂背景中的高性能相机全自动标定方法 | |
| CN104933434A (zh) | 一种结合LBP特征提取和surf特征提取方法的图像匹配方法 | |
| Wolff et al. | Regularity-driven facade matching between aerial and street views | |
| CN109712112B (zh) | 基于局部特征的航拍绝缘子图像的定位方法 | |
| CN109544609A (zh) | 一种基于sift算法的侧扫声呐图像匹配方法 | |
| CN110428425B (zh) | 一种基于海岸线矢量数据的sar图像海陆分离方法 | |
| Cheng et al. | Building boundary extraction from high resolution imagery and lidar data | |
| CN111242000A (zh) | 一种结合激光点云转向的道路边沿检测方法 | |
| Wang et al. | A method for detecting windows from mobile LiDAR data | |
| CN105678720A (zh) | 一种全景拼接判断图像匹配方法及装置 | |
| Wang | Automatic extraction of building outline from high resolution aerial imagery | |
| CN108062523B (zh) | 一种红外远小目标检测方法 | |
| CN104700359A (zh) | 像平面不同极轴方向图像序列进行超分辨率重建的方法 | |
| Parmehr et al. | Automatic registration of multi-source data using mutual information | |
| Sohn et al. | Sequential modelling of building rooftops by integrating airborne LiDAR data and optical imagery: preliminary results | |
| Haque et al. | Robust feature-preserving denoising of 3D point clouds | |
| Kang et al. | Line feature extraction from RGB laser point cloud | |
| Zhu et al. | A filtering strategy for interest point detecting to improve repeatability and information content | |
| CN113724277A (zh) | 一种基于Radon变换的电力线检测方法 | |
| Qayyum et al. | Monitoring of vegetation near power lines based on dynamic programming using satellite stereo images | |
| Wang et al. | The unified object detection framework with arbitrary angle | |
| Zhu et al. | Application of Hausdorff distance in image matching |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190329 |