基于改进sift的高鲁棒性特征点提取方法32613.pdf

基于改进 sift 的高鲁棒性特征点提取方法 当前，基于尺度的空间不变特征（SIFT）在图像处理和机器视觉领域中得到广泛应用，它提供了坚实的特征描述，但往往不具有足够的鲁棒性。SIFT 的主要缺点可以归结为：（1）其输出的特征点被定义为良好的空间对称性；（2）多边形格子的基本构建只适用于噪声很少的环境，因此具有紧靠性；（3）噪声很大的图像可能没有任何关键点。为了解决这些问题，研究人员提出了基于改进 SIFT 的高鲁棒性特征点提取方法，其中，改进 SIFT 提出了一种适用于极个别噪声或极近似图像的新算法。此外，通过使用新定义的空间对称函数和强力的异常检测方法，改进的 SIFT 在极小的计算复杂度下实现了鲁棒性提取。改进 SIFT 包括特征点定位，特征描述和特征匹配三个阶段。首先，在定位阶段，采用空间不变函数来检测关键点，并使用强力的异常检测方法剔除噪声，从而获得高精度的特征点位置。随后，在特征描述阶段，针对去噪后的关键点，利用改进的 SIFT 算法提取更加稳定的局部特征描述子。最后，在特征匹配阶段，采用的匹配策略是在提取的特征描述子上使用若干个粗定位器，以确定特征匹配对。值得注意的是，此外，为了提高 SIFT 的稳定性，还采用了孔径确定算法、自适应面积法以及模糊函数等方法。因此，基于改进 SIFT 的特征点检测具有较高的稳定性和鲁棒性，尤其是在噪声和异常情况下仍可以检测出高质量的特征点，发挥其独特的优势。可以说，基于改进 SIFT 的特征点提取方法在图像处理和视觉技术中具有重要的应用前景。