针对量子图像拼接使用传统尺度不变特征变换(SIFT)算法易造成 特征点数量不合理和误匹配率高的问题,提出基于动态阈值和全局信息的SIFT量子图像拼接算法。针对特 征点数量问题,利用特征点数量与量子点或量子环数量呈正比例关系这一特性,通过量子点或环的密度对SIFT算法 的对比度阈值进行设置,以得到合适的特征点数量。针对误匹配率问题,通过构建全局信息描述子,并与SIFT局部描 述子相结合,以降低误匹配率。实验结果表明:改进的算法有效地完成了量子环、量子线和量子点图像的拼接; 将量子图像的特征点有效地控制在一个合理的范围内,并将误匹配率从17.34%～33.02%降低至10.84%～20%, 使量子图像的拼接具有更好的可靠性。

由于尺度不变特征变换(SIFT)算法只针对图像的局部特征进行描述且忽略了图像的彩色信息, 当待匹配图像中存在大量形状相似区域时, 误匹配率很高。 本文对SIFT图像匹配法进行了改进, 提出了SCARF(Shape-color Alliance Robust Feature)图像匹配算法。为解决SIFT常出现的误匹配现象, 构造的SCARF算子利用SIFT检测子提取图像的特征点集, 通过建立同心圆坐标系, 在SIFT原有框架的基础上融入全局形状信息和颜色不变信息, 并采用欧氏距离作为匹配代价函数进行描述子匹配。对包括SCARF算法和SIFT算法在内的5种不同匹配算法通过INRIA数据库进行了实验验证, 实验结果表明: SCARF算法在图像模糊、局部特征相似、JEPG压缩和光照变化等复杂变换情况下, 匹配准确率优于SIFT等其他算法, 降低了误匹配的概率, 明显提高了匹配的稳定性和鲁棒性。

提出了结合全局信息的SIFT(Scale Invariable Feature Transformation)特征匹配算法,解决了图像中存在多个相似区域时造成的误匹配问题。在尺度空间检测出特征点,生成包含两基于局部信息的SIFT向量和基于全局信息的全局向量;采用BBF(Best Bin First)算法进行搜索,并采用欧氏距离作为度量函数进行特征向量的匹配。实验结果表明,由于在基于局部信息的SIFT向量中加入基于全局形状信息的全局向量,使得当特征点的尺度较小时,可以借助更大邻域范围内的信息对其进行描述,从而降低了由于局部信息相似而造成的误匹配的概率。所用图像误匹配的概率由19%下降到了11%,极大地改善了匹配效果。