针对尺度不变特征变换(SIFT)算法在关键点(即尺度空间稳定的极值点)特征描述向量计算复杂且维数较高, 以及多项式确定性矩阵测量数取值受限等现象, 提出一种分块多项式确定性矩阵的SIFT图像配准算法。通过压缩感知的稀疏表示方法, 将SIFT提取的高维描述子向量降维到低维的稀疏特征向量, 降低了关键点描述向量维度, 并采取欧氏距离对图像关键点特征描述向量进行相似性度量。与传统算法的针对性比对分析表明, 改进算法有效提升了配准精度, 增强了实时性。
图像配准 分块多项式确定性矩阵 压缩感知 image registration SIFT SIFT block polynomial deterministic matrix compressive sensing
1 广东第二师范学院物理系, 广东 广州 510310
2 中山大学信息科学与技术学院, 广东 广州 510310
考虑到随机测量矩阵存在硬件上存在无法实现的缺陷，结合压缩感知的稀疏投影理论，提出了基于多项式确定性矩阵的尺度不变特征变换（SIFT）医学图像配准算法。通过增加方向梯度数提高特征向量的有效性，利用测量数为7的多项式确定性矩阵对关键点特征向量进行降维，用欧式距离作为特征向量匹配的相似性度量，kd数据结构避免穷举。实验结果表明，该算法和传统SIFT算法及几种改进的SIFT算法相比，配准性能有了显著提高，同时确定性矩阵有利于图像配准系统的硬件实现。
图像处理 图像配准 压缩感知 特征提取 多项式确定性矩阵 激光与光电子学进展
2016, 53(8): 081002
