基于图像SIFT特征的图像检索方法

关键词： 图像

1999年David G.Lowe提出SIFT不变量技术特征检测方法, 是一种对尺度空间、图像缩放、旋转图像局部特征描述算子。其具有局部性、特殊性、多量性和高效性等特征。SIFT特征提取算法能够处理两幅图像之间发生平移、旋转、仿射变换情况下的匹配问题。

本文基于SIFT方法提出了一种新的图像检索算法, 文中描述了SIFT特征向量的提取过程, 并给出实验验证该算法的检索功能。

1 SIFT特征的提取[1]

1.1 图像多尺度表示

多尺度技术也称为多分辨率技术, 指对图像采用多尺度的表达, 并在不同尺度下分别提取图像特征, 获取图像内容。Koendetink证明高斯卷积核是实现尺度变换的唯一变换核而二维高斯函数定义如下:

σ代表了高斯正态分布的方差。

一幅二维图像, 在不同尺度下的尺度空间表示可由图像与高斯核卷积得到:

(x, y) 代表图像像素位置, σ为尺度空间因子, σ值越小代表该图像被平滑的越少, 尺度也就越小。大尺度对应的是图像的大概样貌的特征, 小尺度对应于图像的细节特征, L代表了图像的尺度空间。DOG算子定义为:

采用DOG算子建立的尺度空间如图1左边所示。最底层图像没有进行高斯滤波, 整塔分为n阶, 每阶有s层, 为得到DOG金字塔, 则要在每层得到s+3幅图片, 对应产生是s+2幅DOG图像。在建立了多尺度图像空间后, 对不同尺度的图像进行比对, 在该空间中进行极值选取。选取方法为比较DOG图像中每个像素与其26个近邻像素的值。若像素 (x, y) 是周围的上一个尺度的9个点, 同尺度的8个点以及下一个尺度的9个点中是极值点, 如图2所示。所有这样的局部极值点, 就构成了一个SIFT候选关键点的集合。

1.2 关键点描述

利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数, 使算子具备旋转不变性, 点 (x, y) 处梯度的模值和方向的计算公式为:

其中L所用的尺度为每个关键点各自所在的尺度。我们在以关键点为中心的邻域窗口内采样, 用直方图统计邻域像素的梯度方向。梯度直方图的范围是0~360°其中每10°一个柱, 总共36个柱。直方图的峰值则代表了该关键点处邻域梯度的主方向, 即作为该关键点的方向。

以关键点为中心取8×8的窗口, 图1左部分的中央黑点为当前关键点的位置, 每个小格代表关键点邻域所在尺度空间的一个像素, 箭头方向代表该像素的梯度方向箭头长度代表梯度方向直方图, 绘制每个梯度方向的累加值, 形成一个种子点。每个关键点使用4×4共16个种子点来描述, 最终形成128维SIFT特征向量。

2 图像检索方法

我们采用关键点特征向量的欧式距离来作为两幅图像中关键点的相似性判定度量。取图像1中的某个关键点, 并找出其与图像2中欧式距离最近的前两个关键点, 在这两个关键点中, 如果最近的距离除以次近的距离少于某个比例阈值, 则接受这一对匹配点。

实际操作中, 一幅图有很多个特征值, 就要把这些特征值存入数据库中, 使用K-D树中的最邻近优先算法进行特征值的查找, 也就是对于相比之下尺度更大的图像中的特征在检测时给与的衡量权重更大一些, 使得较大尺度的图像特征对过滤在K-D树中最相似的相邻结点起更关键的作用。

3 实验结果

所使用的图像主要运用于对衣服的具体搜索, 经过实验采样, 建立共有5000幅各式衣服的图像库。

图4显示了通过SIFT算法得出的具体图像匹配, 分别计算检索图和匹配图的SIFT特征, 图像1找到85个关键点, 图像2找到52个关键点, 将两幅图结合起来得到图像3, 把原各自的两幅图中的关键点用直线连接起来, 即得出匹配结果, 如图4所示。

对图像1进行旋转后得到的匹配结果如图5所示。

最后对图像1进行检索所得结果如图6所示。

4 结语

本文基于SIFT特征提取的方法提出了一种能在目标发生一定变化的情况下很好实现检索的方法。该方法将图像转化为128维特征向量的集合, 再计算向量之间的欧式距离实现匹配。结果表明能较好对图像内容检索, 具有尺度缩放、平移、旋转不变性。

摘要：基于SIFT特征提取, 本文提出了一种多尺度的图像检索算法, 将一幅图像转化为多个特征的集合, 再通过计算两幅图像特征向量间的欧氏距离进行比较得出结果进而实现图像检索功能。实验结果说明该算法具有尺度、平移、旋转不变性, 可以进行良好应用。

关键词：图像检索,尺度不变特征,欧氏距离

参考文献

[1] LOW D G.Object recognition from local scale-invariant features[C].IEEE, 1999.

[2] 吴锐航.基于SIFT特征的图像检索[J].计算机应用研究, 2008:478-481.