基于光谱图像空间的F-SIFT特征提取与匹配

针对传统SIFT算法提取到的图像特征点数量稀少的问题,可利用高光谱图像的特性,在光谱维度上取差重构了图像的尺度空间,使得提取到的特征点数量得到了极大地提高。但特征点数量的大幅增加导致算法的时间开销随之增大,并且有效特征点的占比较低。为了解决特征点的冗余问题,提高匹配效率,提出了一种基于光谱图像空间的F-SIFT算法。利用FAST算法能够在像素层面上快速判断的特性,构建了以当前像素为中心的八邻域准则,在提取图像的特征点之前对差分金字塔的对应位置的像素点做预筛选,使得特征点数量降低到了原来的10%以下;另外传统的匹配方法只统计了目标象元邻域内的像素信息,而忽略了象元的几何位置信息,因此本文扩展了特征描述符向量,首先利用最近邻与次近邻之比对特征描述符做一次粗匹配,记录可靠性程度并将其纳入描述符向量,接着按照相似性程度的高低从前20组匹配中迭代选取4组匹配点用于构造三角平面,利用象元的位置信息进行精确匹配。实验结果表明本文方法能够有效降低冗余特征点的数量,剔除误匹配。