面向图像素描的sift特征边缘图生成和特征匹配技术(2)
数字图像处理提高了在极不利的条件下所拍摄的图像的质量，具体方法有：调整亮度与对比度，边缘检测，降噪，调整重点，减少运动模糊等。图像包含了大量的信息，图像处理是当输入是图像时的信息处理方式，就像是帧视频，输出不一定是图像，也有可能是比如图像的一个特征。大多数图像处理技术包括把图像视为一个二文信号，以及包括信号处理技术的应用标准。这一过程涉及图像的增强或操纵，导致产生另一个图像，冗余数据的清除和2-D像素阵列到静态不相关数据集的转化。
由于图像包含大量的冗余数据，学者们发现最重要的信息在它的边缘。边作为像素的局部特征和最接近的近邻，特征边界。它们对应于对象的界限，表面方向的改变和一个小幅度的对比度的描述。边通常对应图像上的点，图像上的灰度明显地从一个像素变换到下一个。边代表图像上具有很强对比度的区域；以图像的边缘代表一幅图像有一个基本优点，当以高频率保留图像的大多数的重要信息时，数据量明显地减少。因此，检测边缘是一个定位图像边缘的一个过程。在一个图像中边缘检测是理解图像特征的一个重要步骤。边组成了有意义的特征并且包含了重要的信息。它显著的减少了图像尺寸的量并且过滤了一些可能被认为相关性较小的信息，保持了一幅图像的重要结构特征。当图像被改变时，大多数的图像包含一些当边被检测或更换时被移走的冗余。消除冗余可以通过边缘检测完成。当进行图像边缘检测时，图像中存在的每一种冗余都被删除。检测图像的亮度的急剧变化的目的是重要的事件。在保持重要结构特征的前提下，对一幅图像进行边缘检测会大大减少要处理的数据并且可能因此过滤那些被认为不太有关的信息。图像质量反映了输出边缘的重要信息，并且图像的尺寸是在减小的。这反过来又进一步解释了边缘检测是一种解决了高容量空间图像占用电脑内存的问题的方法。由于边缘通常出现在图像边界地区，边缘检测被广泛应用在当图像被分成对应不同对象区域的图像分割。
在本文中我们利用canny算法的改进算法（加入置信度）进行边缘检测，对于每一幅边缘图，我们通过垂直于边缘方向的最大值来决定边缘的位置。对于给定的图像，我们计算出一组特征描述符，特征描述符指的是检测图像的局部特征（比如边缘、角点、轮廓等）然后根据匹配目标的需要进行特征的组合、变换，以形成易于匹配、稳定性好的特征向量，从而把图像匹配问题转化为特征的匹配问题，进而将特征的匹配问题转化为特征空间特征向量的聚类问题。
在本论文中采用sift算法进行特征提取，特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。特征提取的结果是把图像上的点分为不同的子集，这些子集往往属于孤立的点、连续的曲线或者连续的区域。特征是一个数字图像中“有趣”的部分，它是许多计算机图像分析算法的起点。因此一个算法是否成功往往由它使用的特征决定。因此特征提取最重要的一个特性是“可重复性”：同一场景的不同图像所提取的特征应该是相同的。Sift是一种提取局部特征的算法，在尺度空间寻找极值点，提取位置尺度，旋转不变量，该算法是目前国内外特征点研究领域的热点与难点，sift特征是图像的局部特征，其对旋转、尺度缩放、亮度变化保持不变，对视角变化、仿射变换、噪声也保持一定程度的稳定性。
对于两张通过本论文中改进的canny边缘检测的方法得到的边缘图，并均经过sift算法的特征提取后的图片，采用ANN最近邻居相似法对两张图进行特征匹配。ANN也是一个包含了生成数据集，收集分析最近邻算法与数据结构性能数据和可视化数据结构几何结构的程序和过程的测试平台。最近邻规则的学习方法与分类过程融为一体，在分类过程中需要保存所有训练样本，对于未知样本X，首先利用某种相似度评价标准，从训练集中获得与其最相似的K个训练样本的类别，因此最近邻算法没有单独的学习阶段，是一种在分类中是实现学习的监督分类方法。在设计最近邻分类器时，需要一个衡量样本间距离的度量函数，该函数能够给出两个样本之间标量距离的大小，函数必须满足以下4个性质：非负性、自反性、对称性和三角不等式。通常情况下，最近邻规则使用最多的场合是包含多文特征的问题。其匹配能力较强，可以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，甚至在某种程度上对任意角度拍摄的图像也具有较为稳定的特征匹配能力。
下一篇：配置管理软件研究与实现