摘   要： SIFT算法是提取圖像局部特征的算法，應(yīng)用于物體識(shí)別,、圖像匹配等領(lǐng)域,對(duì)于旋轉(zhuǎn),、尺度縮放、亮度變化保持不變,，對(duì)于視角變化,、噪聲等也保持一定程度的穩(wěn)定不變性。為了提高光照不變性，獲得更高的識(shí)別率,，在SIFT特征描述子中加入顏色信息,。對(duì)SIFT特征進(jìn)行深入的研究，分析了SIFT算法,，歸納總結(jié)了SIFT彩色描述子的研究現(xiàn)狀,，給出了彩色描述子SIFT的性能評(píng)價(jià)及其發(fā)展趨勢(shì)。
關(guān)鍵詞： SIFT算法,； 局部特征,； 彩色描述子； 性能評(píng)價(jià)

    隨著多媒體技術(shù),、計(jì)算機(jī)技術(shù)迅速發(fā)展,，Internet上呈現(xiàn)大量的圖像信息。圖像中包含了很多的物體特性,，其中顏色是非常重要的特征之一,，顏色包含了圖像中更多有價(jià)值的識(shí)別信息。SIFT算法提取圖像局部特征,，成功應(yīng)用于物體識(shí)別、圖像檢索等領(lǐng)域,。該算法由DAVID G.L.于1999年提出[1],，并于2004年進(jìn)行了發(fā)展和完善[2]，MIKOLAJCZYK[3]對(duì)多種描述子進(jìn)行實(shí)驗(yàn)分析,，結(jié)果證實(shí)了SIFT描述子具有最強(qiáng)的魯棒性,。然而這些描述子僅利用圖像的灰度信息，忽略了圖像的彩色信息,。為了提高光照不變性,，獲得更高的識(shí)別率，研究者提出了基于顏色不變特性的SIFT彩色描述子,。目前彩色描述子主要分為基于顏色直方圖,、基于顏色矩、基于SIFT三類(lèi),。本文對(duì)彩色SIFT描述子進(jìn)行了深入的研究,，闡述了彩色SIFT描述子，給出了每種彩色描述子的性能評(píng)價(jià),。
1 SIFT算法分析
    SIFT描述子對(duì)圖像的局部特征進(jìn)行描述,，當(dāng)圖像進(jìn)行旋轉(zhuǎn)、平移,、尺度縮放,、仿射變換等，SIFT特征具有很好的穩(wěn)定性。SIFT算法主要分為四個(gè)步驟：檢測(cè)尺度空間極值點(diǎn),、精確定位極值點(diǎn),、為每個(gè)關(guān)鍵點(diǎn)指定方向參數(shù)、關(guān)鍵點(diǎn)描述子的生成,。
1.1 檢測(cè)尺度空間極值點(diǎn)
    計(jì)算SIFT描述子的第一步是搜索所有尺度和圖像位置,，它通過(guò)使用高斯差函數(shù)識(shí)別對(duì)尺度和方向不變的潛在興趣點(diǎn)來(lái)實(shí)現(xiàn)。關(guān)鍵點(diǎn)就是多尺度高斯差的極大值/極小值,。
    對(duì)輸入的圖像進(jìn)行尺度變換,，利用高斯核與二維圖像做卷積運(yùn)算：

    高斯核定義如下：

    實(shí)際計(jì)算中，是在特征點(diǎn)的領(lǐng)域內(nèi)采樣,，創(chuàng)建梯度方向直方圖,。直方圖每10度分為一柱，共36個(gè)柱,。然后將領(lǐng)域內(nèi)的每個(gè)采樣點(diǎn)按梯度方向Φ歸入適當(dāng)?shù)闹?，以梯度模m作為權(quán)重。選擇直方圖的主峰值作為梯度的主方向,，能量值達(dá)到主峰值80%以上的局部峰值作為輔助方向,。
1.4 關(guān)鍵點(diǎn)描述子的生成
     以特征點(diǎn)為中心取8×8的采樣窗口，在4×4的小塊區(qū)域上計(jì)算其梯度方向直方圖,。繪制好每個(gè)方向梯度累加值,，形成了一個(gè)種子點(diǎn)。每個(gè)特征點(diǎn)由4個(gè)種子點(diǎn)構(gòu)成,。在實(shí)際計(jì)算過(guò)程中,，通常使用4×4共16個(gè)種子點(diǎn)來(lái)描述特征點(diǎn)。這樣總共產(chǎn)生了4×4×8共128維的特征描述子向量,。
2 基于彩色的SIFT研究進(jìn)展
    SIFT描述子對(duì)圖像的高斯梯度進(jìn)行編碼,，該描述子在空間模式下描述了灰度圖像16個(gè)種子點(diǎn)及每個(gè)種子點(diǎn)8個(gè)梯度方向。由于SIFT算法只是利用圖像的灰度信息,，不能很好地區(qū)分形狀相似但顏色不同的物體,。光照的變化很大程度上影響著彩色物體識(shí)別的效果。在物體描述與匹配中,顏色可以提供更加有用的信息,，物體的顏色信息被忽略,，致使一些物體會(huì)被錯(cuò)誤地分類(lèi)。在圖像處理中彩色圖像能夠表達(dá)更多的信息,，彩色信息可以獲得更高的辨別率,。針對(duì)這一問(wèn)題，研究人員對(duì)基于彩色的SIFT特征點(diǎn)提取算法進(jìn)行了深入的研究,。
2.1 SIFT彩色描述子
    彩色描述子主要分為基于直方圖,、基于顏色矩和基于SIFT三類(lèi),。這三類(lèi)描述子的選取依據(jù)其具體的環(huán)境。彩色直方圖描述子丟失了顏色的空間分布,，彩色矩包含了圖像局部的光度信息與顏色空間信息分布,。SIFT描述子包含了顏色局部空間信息分布。為了提高光照不變性,獲得更高的識(shí)別率,基于SIFT的彩色描述子得到發(fā)展,例如: HSV-SIFT,、HueSIFT,、opponent SIFT、WSIFT,、rgSIFT和transformed Color SIFT,。
    彩色SIFT描述子基于顏色不變特性。在尺度空間中,，對(duì)彩色圖像特征點(diǎn)進(jìn)行檢測(cè),，確定特征點(diǎn)的位置，在顏色空間模型下計(jì)算特征點(diǎn)相關(guān)種子點(diǎn)的顏色梯度,，對(duì)每個(gè)特征點(diǎn)用128×3維的特征描述子進(jìn)行描述,。該描述子融合了特征點(diǎn)的顏色信息與幾何信息。
     HSV-SIFT HSV顏色空間中,，H表示顏色的色調(diào),，S表示顏色的純度，即表示一種顏色中加入了多少白光,，V表示顏色值的大小,。該顏色空間的模型對(duì)應(yīng)于圓柱坐標(biāo)系中的一個(gè)圓錐形子集。BOSCH[5]計(jì)算HSV顏色空間三個(gè)通道為每個(gè)特征點(diǎn)生成彩色描述子,。每個(gè)通道經(jīng)過(guò)計(jì)算生成128維向量，這樣總共生成128×3維的向量,。
    HueSIFT在HSV顏色空間中,，色調(diào)捕捉了顏色的主要波長(zhǎng)，描述了圖像的彩色信息,。VAN de Weijer[4]采用級(jí)聯(lián)色調(diào)直方圖的方法應(yīng)用于SIFT描述子,計(jì)算三個(gè)通道為每一關(guān)鍵點(diǎn)生成128×3維HueSIFT描述子向量,。
    OpponentSIFT對(duì)立色理論認(rèn)為人類(lèi)視網(wǎng)膜上存在三種光化學(xué)物質(zhì)－視素，每種視素都能發(fā)生同化和異化兩種變化,，在同化過(guò)程中,，視素產(chǎn)生合成，異化過(guò)程產(chǎn)生分解,。同化異化的發(fā)生完全是由于不同光譜組成的色光刺激的結(jié)果,。而同化異化的結(jié)果使人產(chǎn)生相應(yīng)的對(duì)立顏色感覺(jué)。即紅-綠,、黃-藍(lán),、黑-白等六種不同色覺(jué)。基于對(duì)立色理論,，對(duì)立色空間模型如下：
                     
該彩色模型具有O1,、O2、O3三個(gè)通道分量,。O3通道包含了大部分強(qiáng)度信息,，O1與O2通道包含了彩色信息。生成特征點(diǎn)描述子時(shí),，對(duì)模型中每一分量計(jì)算SIFT特征描述子,，這樣生成了128×3維的描述子向量，該描述子稱(chēng)為OpponentSIFT,。
    W-SIFT在對(duì)立色空間模型中O1與O2通道分量仍然會(huì)包含一些強(qiáng)度信息,，為使強(qiáng)度的變化不影響SIFT特征，GEUSEBROKE[6]提出了用于消除強(qiáng)度信息的方法,。消除強(qiáng)度信息直觀表示為在對(duì)立色空間模型中定義與,，對(duì)O1、O2分量做除法,，這樣去除了強(qiáng)度信息變化的干擾,，然后對(duì)每一分量計(jì)算生成特征描述子，該描述子稱(chēng)為W-SIFT,。
    rgSIFT rgb空間模型是一種歸一化的RGB模型,，定義如下：

r與g分量描述了圖像的顏色信息。由于歸一化的r與g分量具有尺度不變特征,，因此不受其光照強(qiáng)度的變化,、陰影與底紋的影響。計(jì)算rgSIFT特征描述子時(shí)結(jié)合了歸一化RGB彩色模型中r分量與g分量,。
      Transformed color SIFT在RGB空間模型中,，光照的變化對(duì)RGB直方圖穩(wěn)定性產(chǎn)生影響。光強(qiáng)度的變化引起顏色不規(guī)則分布,，致使直方圖產(chǎn)生偏移,。為了消除偏移，在RGB模型中對(duì)于每個(gè)通道顏色的分布減掉其顏色分布的均值μ,，除以該通道下分布的標(biāo)準(zhǔn)差δ,。定義后的空間模型如下：
     
    在該模型下計(jì)算每個(gè)通道分量的SIFT描述子,對(duì)特征點(diǎn)進(jìn)行描述，該描述子稱(chēng)為T(mén)ransformed color SIFT,。
2.2 彩色SIFT描述子的性能評(píng)價(jià)
    BURGHOUTS G J[7]在試驗(yàn)中對(duì)比彩色SIFT描述子與灰度SIFT描述子,，當(dāng)光照顏色變化與光散射時(shí)彩色SIFT描述子具有更好的性能。然而彩色空間的選擇與光照的變化對(duì)彩色SIFT描述子的性能還是有一定的影響,。為了得到各種彩色描述子的性能,，Koea[8]在光強(qiáng)度變化,、光強(qiáng)度偏移、光強(qiáng)度的變化與偏移,、光色的變化,、光色的變化與偏移等多種光照變化情況下對(duì)描述子進(jìn)行實(shí)驗(yàn)與分析，可以得到每種彩色描述子的性能如表1所示,。

    SIFT算法是多尺度空間理論提出后產(chǎn)生的,，對(duì)圖像的局部特征進(jìn)行提取，SIFT描述子對(duì)于旋轉(zhuǎn),、尺度縮放,、仿射變換、視角的變換具有很好的穩(wěn)定性,。對(duì)大多數(shù)圖像尺度變換,、旋轉(zhuǎn)、仿射變換等具有很強(qiáng)的不變性,?；陬伾蛔兲匦缘牟噬枋鲎硬粌H保留了SIFT原有特性，可以獲得更高的辨別率,而且對(duì)于光照的變化也保持了很好的不變性,。
    為了提高SIFT的一些能力和加快匹配速度,，對(duì)標(biāo)準(zhǔn)的SIFT描述子改進(jìn)的技能是：(1)在標(biāo)準(zhǔn)的SIFT上利用不同的直方圖、不同區(qū)域的形狀,、HSV組件,、使用 RGB 直方圖等等； (2)利用降維方法(如主成分分析(PCA)),，以減少SIFT的特征維數(shù),。
參考文獻(xiàn)
[1]     DAVID G L. Object recognition from local scale-invarint features[C]. International Conferenceon Computer Vision, 1999:1150-1157.
[2]     DAVID G L. Distinctive image features from scale-invariant key-points[J]. International Journal of Computer Vision，2004,60(2):91-110.
[3]     MIKOLAJCZYK K, SCHMID C. A performance evaluation of local descriptors[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2005,27(10):1615-1630.
[4]     WEIJER J, GEVERS T, BAGDANOV A. Boosting color  saliency in image feature detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2006,28(1):150-156.
[5]     BOSCH A, ZISSERMAN A, MUOZ  X. Scene classification using a hybrid generative /discriminative approach[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2008,30(04):712-727.
[6]    GEUSEBROEK J M, BOOMGAARD R, SMEULDERS A W M,et al. Color invariance[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2001,23(12):1338-1350,
[7]    BURGHOUTS G J, GEUSEBROEK J M. Performance evaluation of local color invariants[J]. Computer Vision and Image Understanding. 2009,133:48-62.
[8]     SANDE K E A, GEVERS T, SNOEK C G M. Evaluation of color descriptors for object and scene recognition[C]. IEEE Conference on Computer Vision and Pattern Recognition,Anchorage, Alaska, USA, June 2008.