云南大学学报 （ 自然科学版 ），２０１６，３８（６）：８４５～ ８５２ ＤＯＩ：１０．７５４０ ／ ｊ．ｙｎｕ．２０１６０２２６Ｊｏｕｒｎａｌ ｏｆ Ｙｕｎｎａｎ Ｕｎｉｖｅｒｓｉｔｙ

基于 ＳＵＲＦ 的图像拼接过程中配准算法的改进∗

曹君宇１， 周　 浩１，２， 高志山２， 焦红虹１， 李　 宁１

（１．云南大学 信息学院，云南 昆明　 ６５００９１；２．南京理工大学 电子工程与光电技术学院，江苏 南京　 ２１００９４）

摘要：用 ＳＵＲＦ 算法检测特征点进行图像拼接过程中，仅仅利用特征描述符进行图像配准时误匹配的概率很高．通常对视频图像进行拼接时，待拼接图像间的变化不会太大，所以图像中对应点主方向角和尺度因子相差不大，用这 ２ 种特征信息对待匹配特征点进行初筛，然后再取特征描述符之间的欧氏距离最小的点为正确匹配点，实现了多特征融合匹配，增加了匹配的正确率，提高了图像拼接的成功率．

关键词：图像拼接；图像配准；ＳＵＲＦ 算法；多特征融合匹配中图分类号：ＴＰ ３９１　 　 文献标志码：Ａ　 　 文章编号：０２５８－７９７１（２０１６）０６－０８４５－０８

　 　 图像拼接在目标检测、虚拟现实、医疗诊断、资源分析以及遥感监测等各种不同的领域都有着

许多重要的应用．目前常用的图像拼接的方法有 ２种，一种是基于特征的图像拼接，另一种是基于区域的图像拼接．而基于区域的图像拼接方法计算量大［１］，基于特征的拼接方法，则主要是找 ２ 幅图像间所对应特征点，计算量比较小．目前常用的局部特征点匹配算法是通过计算最小特征间距离或采

用最近邻次近邻的算法进行初次匹配的，然后采用ＲＡＮＳＡＣ（即随机抽样一致性算法）剔除误匹配点，估算单应性矩阵［２］，采用 ＬＭ 算法迭代优化，得到较准确的变换矩阵［３］ ．其中图像配准是整个拼接过程中比较重要的步骤，匹配的效果直接影响到拼接是否成功，使用 ＦＬＡＮＮ 的方法将导致用 ＳＵＲＦ 算法检测极值点后进行匹配的点对存在较多的误匹

配．针对以上问题，现有的图像配准改进算法一般是对 ＳＵＲＦ 特征点检测算法的过程进行改进或者是对精匹配过程中用到的 ＲＡＮＳＡＣ 算法进行改进，从而达到提高配准率的效果，本文使用特征点的现有特征进行多特征融合匹配，增加了配准的精确性，相对于其他改进算法具有较好的改进效果［４］ ．在大多数应用中，特别是对视频图像进行拼接时，待拼接的图像间的成像条件（如焦距、成像

位置等）变化有限，本文对此条件下图像间的配准进行了改进，对比改进之前，在保证效率的情况下，配准精度有明显提高．

１　 ＳＵＲＦ 特征点提取算法及改进的匹配算法

１．１　 ＳＵＲＦ 算法进行拼接的步骤 　 ＳＵＲＦ 算法进行拼接过程如下：使用不同的盒状滤波器建立图像的尺度空间，采用类似的 Ｈｅｓｓｉｏｎ 矩阵来检测极值点，并确定特征点的位置和尺度因子．对找到的极值点建立主方向，通过极值点邻域内的 Ｈａａｒ 小波的响应值确定该极值点的主方向［５］ ．对找到的极值点构建特征描述符，每个极值点都会沿着主方向建立 ６４ 维的特征描述符．基准图像上特征点的描述符用 ６４ 维向量表示，待拼接图像上特征点的描述符也用 ６４ 维向量 （ｘ１１，ｘ１２，…，ｘ１６４） 表示，（ｘ１１，ｘ１２，…，ｘ１６４） 与（ｘ２１，ｘ２２，…，ｘ２６４） 间的欧氏距离公式如

ｄ１２ ＝ ６４

ｊ ＝ １（ｘ１ｊ － ｘ２ｊ） ． （１）

取欧氏距离最小的点对认为是候选点对，此方法也称为是 ＦＬＡＮＮ 算法．直接用 ＦＬＡＮＮ 算法进行匹配后，由于错误率过高，用 ＲＡＮＳＡＣ 算法进行精确匹配的速度较慢，甚至找出的精匹配点对完全错误，

∗ 收稿日期：２０１６－０４－２５　 基金项目：国家自然科学基金（６１１６３０２４） ．　 作者简介：曹君宇（１９９０－），女，河南人，硕士生，主要研究方向为图像处理及图像拼接．Ｅ－ｍａｉｌ：２６０４８４３３２３＠ ｑｑ．ｃｏｍ．　 通信作者：周　 浩 （１９７２－），男，云南人，副教授，博士，主要研究方向为图像处理、图像拼接、目标跟踪、计算机视觉．

导致拼接错误．所以对 ＦＬＡＮＮ 算法进行下文的改进．１．２　 对 ＦＬＡＮＮ 匹配算法的改进　 上述步骤中用ＦＬＡＮＮ 算法匹配后，误匹配概率很高，以至于用ＲＡＮＳＡＣ 算法进行提纯之后仍然存在很多错误匹配，致使最终的拼接错误． 对于以上问题，结合ＳＵＲＦ 算法中提取的极值点的一些性质，对 ＦＬＡＮＮ匹配算法进行了如下改进：上述 ＳＵＲＦ 算法进行拼接的步骤中对极值点建立主方向，过程为用 ＳＵＲＦ算法抽取基准图像和待拼接图像的特征点后，为了保证旋转不变性，对提取的每一个特征点分配 １ 个主方向．需要以特征点为中心，以 ６σ（σ 为特征点的尺度）为半径的圆形区域内，对图像进行 Ｈａａｒ 小波响应运算．这样做实际就是对图像进行了梯度运算，为了求取主方向值，需要设计一个以方向为中

心，张角为π３的扇形滑动窗口，以步长为 ０．２ ｒａｄ 左

右，旋转这个滑动窗口，并对窗口内的图像 Ｈａａｒ 小波的响应值进行累加．主方向为最大的 Ｈａａｒ 响应累加值对应的方向，这个主方向就是后面要介绍到的 ａｎｇｌｅ，因为在旋转角度不大的情况下，２ 幅图中相同点的主方向角也应当相差不大，以此为依据，使用 ａｎｇｌｅ 初筛后的匹配成功率提高．

另外 在 ＳＵＲＦ 找 点 过 程 中， 采 用 近 似 的Ｈｅｓｓｉａｎ 矩阵的行列式的局部最大值来定位感兴趣点的位置．当 Ｈｅｓｓｉａｎ 行列式的局部值最大的时候，所检测出来的就是感兴趣点，感兴趣点的特征为比周围邻域更亮或者更暗一些［６］ ．对于一个图像函数为 ｆ（ｘ，ｙ） 的图像中，如果图像中的坐标点为 Ｘ ＝（ｘ，ｙ），那么这个点的 Ｈｅｓｓｉａｎ 矩阵 Ｈ（Ｘ，σ） 的公式为：

Ｈ（Ｘ，σ） ＝Ｌｘｘ（Ｘ，σ） Ｌｘｙ（Ｘ，σ）Ｌｘｙ（Ｘ，σ） Ｌｙｙ（Ｘ，σ）

é

ëêê

ù

ûúú ． （２）

公式（２） 中，Ｌｘｘ（Ｘ，σ） 是由 Ｘ ＝ （ｘ，ｙ） 与高斯二阶微分算子进行卷积得到的．σ 即为特征点的尺度因子，也即是这个特征点在 ６σ 为半径的圆内为极值点．

如图 １ 所示，圆圈内的线段指的是特征点的主方向，在本文的应用背景下，如果 ２ 个图中的两特征点为匹配点，那么在 ２ 幅图旋转状况不大的情况下，主方向的倾斜角度应该相差不大，圆圈指的是极 值点的尺度因子大小，如果２幅图中２个点匹

图 １　 显示主方向和尺度因子的效果图Ｆｉｇ．１ Ｔｈｅ ｆｉｎｇｅｒ ｏｆ ｍａｉｎ ｄｉｒｅｃｔｉｏｎ ａｎｄ ｓｃａｌｅ ｆａｃｔｏｒ

配，在 ２ 幅图伸缩变换程度不大的情况下，它们的尺度因子大小相差也不大，因为既然是同一位置的极值点，它们代表的都是周围一个尺度范围内的极值点．利用极值点的以上 ２ 点性质，对 ＦＬＡＮＮ 算法进行了如下改进．

图像中特征点的主方向，用 ａｎｇｌｅ 表示，特征点的尺度因子用 ｓｉｚｅ 表示，用 ｓｉｚｅ 和 ａｎｇｌｅ 进行初筛后，用 ＦＬＡＮＮ 算法找到待匹配点之间描述符的距离最小值．使用 ｓｉｚｅ 进行匹配的方法与 ａｎｇｌｅ 类似，只是效果不如 ａｎｇｌｅ．本文主要讲述使用 ａｎｇｌｅ和 ｓｉｚｅ 进行初筛后再检测最小的欧氏距离的点，并和直接用 ＦＬＡＮＮ 算法所得到的结果进行比较，可以得出加上 ａｎｇｌｅ 或 ｓｉｚｅ 初筛之后，效果有明显的改进．首先来说明加 ａｎｇｌｅ 的情况，让基准图中的找到的极值点与待拼接图中极值点的主方向进行比

较，基准图中选取的极值点的与待拼接图中极值点的差的绝对值小于某个值时，认为基准图中的这个极值点有可能与待拼接图中的这些极值点匹配，用公式表示为：

｜ ａｎｇｌｅ１－ａｎｇｌｅ２ ｜≤α， （３）式中 ａｎｇｌｅ１ 代表基准图像上特征点的主方向角，ａｎｇｌｅ２ 代表待拼接图像上的主方向角的大小，α 为角度差的阈值，当 ２ 个角度差小于某个值时，选出待拼接图中满足此条件的所有点，然后计算基准图中这个点和待拼接图中这些满足条件的点的欧氏

距离，也就是描述符之间的距离，取欧氏距离最小的点［７］，认为是和基准图中这个点匹配的点．这样做的依据是当 ２ 个点为匹配点时，在 ２ 幅图倾斜角度偏差不大的情况下，他们的主方向基本一致．

ｓｉｚｅ 这个条件是依据找到的极值点是在这个尺度范围内的极值点，也即是 Ｈｅｓｓｉａｎ 矩阵中的尺度因子 σ，如果 ２ 幅图像伸缩变换程度不大，那么

６４８ 云南大学学报（自然科学版） 　 ｈｔｔｐ： ／ ／ ｗｗｗ．ｙｎｄｘｘｂ．ｙｎｕ．ｅｄｕ．ｃｎ　 　 　 　 　 　 　 　 　 第 ３８ 卷

这 ２ 幅图像中匹配点的尺度 σ 大小相差不大，ｓｉｚｅ指的就是 ６σ 值大小，加上 ｓｉｚｅ 进行初筛的过程与加 ａｎｇｌｅ 过程一样，只是把初筛条件由 ａｎｇｌｅ 变成ｓｉｚｅ．公式与主方向角的公式类似，公式如下：

｜ ｓｉｚｅ１－ｓｉｚｅ２ ｜≤τ． （４）式中 ｓｉｚｅ１ 指的是基准图像中特征点尺度因子

的大小，ｓｉｚｅ２ 指的是待拼接图像中尺度因子的大小，τ 指的是尺度因子差的阈值．所谓初筛是指把不满足公式（３）或公式（４）的点从候选点集中剔除，提高了配准的准确率．

改进后 ＦＬＡＮＮ 算法进行匹配的步骤如下：（１） ＳＵＲＦ 检测点并对找到的点建立特征描

述符；（２） 使用公式（３）或者公式（４）进行初筛，或

同时满足公式（３）和（４）进行初筛；（３） 基准图像上的点与上步初筛后找出的对

应待配准图像上的点集一一计算欧氏距离，找出待拼接图像点集中与基准图像欧氏距离最小的点，则认为基准图像上的点和这个待拼接图像上的点是

配对的特征点；（４） 用 ＲＡＮＳＡＣ 算法估计找到的匹配点对内

点也即是正确匹配点的比例［８］ ．

２　 实验结果与分析

使用改进的 ＦＬＡＮＮ 匹配算法进行匹配，用ＲＡＮＳＡＣ 计算内点占所有匹配点的比例［９］，本文所使用的实验图片来自互联网图像拼接常用的经典

图片，实验的软件平台为 Ｖｉｓｕａｌ Ｓｔｕｄｉｏ ２０１０，配置的库位 Ｏｐｅｎｃｖ２．４．４，得出的数据如表 １．

表 １ 中的“ＦＬＡＮＮ”指的是直接由 ＦＬＡＮＮ 算法进行匹配的结果，“排序取 ０． ３ ／ ０． ５”指的是用

ＦＬＡＮＮ 算法进行匹配后按照匹配结果中特征描述符之间的欧氏距离从小到大排序后取特征描述符

之间的距离最小的 ３０％或者 ５０％的配对特征点．依据是特征描述符之间的欧氏距离越小，匹配正确的概率越大，所以把欧氏距离较大的点进行滤除，增大了匹配的正确率，也就是根据特征描述符之间的欧氏距离大小取欧氏距离小的匹配点认为是正确

的匹配点．表 １ 中，前 ５ 组实验取 ３０％，第 ６ 组实验取 ５０％．

“ａｎｇｌｅ”的意思是基准图像中的点在待拼接图像中找出与之主方向角的绝对值之差小于某个阈

值 α 的点，然后再在找到的点集中找到与基准图像上特征点的描述符欧氏距离最小的点，那么认为这 ２ 个点为正确的匹配点．为了取得更为准确的匹配点，仍需要将上一步过程中得到的匹配点进行排序，取特征描述符间欧氏距离较小的部分，也即是

从小到大排序后取欧氏距离较小的３１０

，选取的点是

按从特征描述符的欧氏距离最小的点从小到大选

取．与此类似，“ｓｉｚｅ”的意思是基准图像中的点在

待拼接图像中找出与之尺度因子的绝对值之差小

于某个阈值的点，然后再在找到的点集中找到与基准图像上特征点的描述符欧氏距离最小的点，那么认为这 ２ 个点为正确的匹配点，为了取得更为准确的匹配点．仍然将上一步过程中得到的匹配点进行排序，取特征描述符间欧氏距离较小的部分，也即

是从小到大排序后取欧氏距离小的３１０

认为是正确

匹配点．“ａｎｇｌｅ 和 ｓｉｚｅ”即使用 ａｎｇｌｅ 和 ｓｉｚｅ ２ 个条件同

表 １　 几种匹配算法实验结果对比图Ｔａｂ．１ Ｓｅｖｅｒａｌ ｋｉｎｄｓ ｏｆ ｍａｔｃｈｉｎｇ ａｌｇｏｒｉｔｈｍ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｃｏｎｔｒａｓｔ ｆｉｇｕｒｅ

图片名称 ＦＬＡＮＮ 排序取 ０．３ ／ ０．５ ａｎｇｌｅ ｓｉｚｅ ａｎｇｌｅ 和 ｓｉｚｅ

第 １ 组实验 ３５ ／ １９２≈０．１８ ６４ ／ １３５≈０．４７ ６８ ／ １３５≈０．５０ ６６ ／ １３４≈０．４９ ７７ ／ １５２≈０．５１

第 ２ 组实验 １０ ／ １６５≈０．０６ １５ ／ １２５≈０．１２ １３ ／ ７８≈０．１６ ３１ ／ ２４４≈０．１４ １２ ／ ７２≈０．１６

第 ３ 组实验 ２７ ／ ５４４（出错） ４０ ／ １６３≈０．２５ ２３ ／ ８５≈０．２７ ２３ ／ ８５≈０．２７ ２３ ／ ８０≈０．２９

第 ４ 组实验 ８ ／ １７２（出错） ７ ／ ８７≈０．０８ ９ ／ ７３≈０．１２ １０ ／ ７５≈０．１３ １０ ／ ７６≈０．１３

第 ５ 组实验 出错 １４ ／ ７７≈０．１８ ２１ ／ ９８≈０．２０ １９ ／ ９７≈０．２０ １８ ／ ７１≈０．２５

第 ６ 组实验 １２０ ／ ３７２≈０．３２ １２０ ／ １８６≈１．６５ １２０ ／ １６５≈０．７２ １２０ ／ １７５≈０．６９ ８７ ／ ８７≈１

７４８第 ６ 期　 　 　 　 　 　 　 　 　 　 　 　 　 　 曹君宇等：基于 ＳＵＲＦ 的图像拼接过程中配准算法的改进

时初筛后取欧氏距离小的３１０

，也即是在基准图像中

的特征点，在待拼接图像中找出与之主方向角的绝对值之差小于某个阈值 α，同时待拼接图像上特征点的尺度因子与基准图像上的尺度因子绝对值之

差小于某个阈值．之后再取基准图像与待拼接图像上特征点的描述符欧氏距离最小的 ２ 个点认为是正确匹配点，为了保证匹配的正确率，仍然将配对的点按描述符的欧氏距离排序，取欧氏距离较小的３１０

．

需要说明的是，取总数量的 ３１０

既能保证匹配点

的数量适中又能保证选取的匹配点具有较高的正

确率．但是对于第 ６ 组实验，排序后取 ３０％则全为正确的匹配点，所以取排序后的 ５０％，也就是“排序取 ０．５”，加上 ｓｉｚｅ 或者 ａｎｇｌｅ 进行初筛后取 ０．５，相对于不加 ａｎｇｌｅ 和 ｓｉｚｅ 进行初筛取 ０．５ 效果要好，而 ２ 个初筛条件同时加上，得到百分百的正确率．

由表 １ 中可以看出：（１） 数据如 ３５ ／ １９２，分子位置为用 ＲＡＮＳＡＣ

算法找出的内点个数，分母位置为初步匹配的点的个数，由于特征点的描述符之间的欧氏距离越小，匹配成功的概率越高，所以当对 ＦＬＡＮＮ 算法得到的匹配点按照欧氏距离由小到大排序，取前面特征描述符欧氏距离小的部分，匹配效果会变好．由于直接使用 ＦＬＡＮＮ 算法进行匹配的匹配点较多，并且结果很混乱，所以进行排序后取总数的 ０．３，即取得是前面 ０．３ 欧氏距离小的部分．

（２） 加上 ａｎｇｌｅ 或 ｓｉｚｅ 之后同样是取排序后的较小的 ０．３，但对于实验图片来说，效果要比不加ａｎｇｌｅ 或 ｓｉｚｅ 效果好，说明加上 ａｎｇｌｅ 或 ｓｉｚｅ 能起到一定的效果，让匹配结果变得更好．

（３） 根据实验结果可以看出，一般情况下加上ａｎｇｌｅ 之后的效果要比加 ｓｉｚｅ 效果好．对于有些图

片将 ２ 个初筛条件同时加上，效果相对于只加 １ 个初筛条件没有明显改进，但要比不加任何初筛条件效果好．因为在加了 １ 个初筛条件滤除掉了一部分符合另一个条件的可能点，所以效果并没有明显改进．而对于一些图片，如第 ６ 组实验，２ 个条件同时筛选则达到了百分百匹配的效果．

（４） 表 １ 中的 ８ ／ １７２≈０． ０５ （出错） 说明用ＲＡＮＳＡＣ 算法找出了一些认为对的匹配点对，但是实际上，这些点对也是错误的，所以最终的拼接结果出错．说明错误的点在整个匹配点集中的比例高，所以才会被 ＲＡＮＳＡＣ 算法找出来．

（５） 对于式（３）和式（４）中的阈值 α 和 τ，α 表示的是主方向角绝对值差的阈值，一般选在 ２０°左右，τ 表示尺度因子的绝对值之差的阈值，取值一般为 ４．经过多组实验，确定图像的旋转不大或者缩放不大的情况下，阈值进行这样选取，匹配效果较好．

由图 ２～７ 可看出，直接使用 ｆｌａｎｎ 算法进行图像配准错误率较高，图片中配准结果比较混乱，而按照欧氏距离由小到大排序后选取前面的部分会

使配准结果准确性提高，再加上主方向和尺度进行初筛后，配准的准确率又有所提高．

３　 结束语

本文提出的配准算法，针对待拼接图像间成像条件变化不大的图像拼接问题展开研究，算法首先通过特征点的 ａｎｇｌｅ 及 ｓｉｚｅ 信息进行初筛，在待配准图像上找到满足主方向及尺度因子变化小于阈

值的候选极值点，再利用最小特征描述子间欧氏距离进行特征点匹配．按照算法的思路，论文对不同场景下的多组图像进行了图像拼接实验，并与基于ＦＬＡＮＮ 的匹配进行了对比，实验结果表明，论文提出的方法提高了配对的成功率，从而提高了图像拼接的正确率．

８４８ 云南大学学报（自然科学版） 　 ｈｔｔｐ： ／ ／ ｗｗｗ．ｙｎｄｘｘｂ．ｙｎｕ．ｅｄｕ．ｃｎ　 　 　 　 　 　 　 　 　 第 ３８ 卷

图 ２　 表 １ 中第 １ 组实验结果对比图Ｆｉｇ．２ Ｔｈｅ ｆｉｒｓｔ ｇｒｏｕｐ ｏｆ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｃｏｎｔｒａｓｔ ｆｉｇｕｒｅ ｉｎ ｔａｂｌｅ １

图 ３　 第 ２ 组实验部分结果对比图Ｆｉｇ．３ Ｔｈｅ ｓｅｃｏｎｄ ｇｒｏｕｐ ｏｆ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｃｏｎｔｒａｓｔ ｆｉｇｕｒｅ ｉｎ ｔａｂｌｅ １

９４８第 ６ 期　 　 　 　 　 　 　 　 　 　 　 　 　 　 曹君宇等：基于 ＳＵＲＦ 的图像拼接过程中配准算法的改进

图 ４　 第 ３ 组实验正确和错误结果对比图Ｆｉｇ．４ Ｔｈｅ ｔｈｉｒｄ ｇｒｏｕｐ ｏｆ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｃｏｎｔｒａｓｔ ｆｉｇｕｒｅ ｉｎ ｔａｂｌｅ １

图 ５　 第 ４ 组实验部分结果对比图Ｆｉｇ．５ Ｔｈｅ ｆｏｕｒｔｈ ｇｒｏｕｐ ｏｆ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｃｏｎｔｒａｓｔ ｆｉｇｕｒｅ ｉｎ ｔａｂｌｅ １

０５８ 云南大学学报（自然科学版） 　 ｈｔｔｐ： ／ ／ ｗｗｗ．ｙｎｄｘｘｂ．ｙｎｕ．ｅｄｕ．ｃｎ　 　 　 　 　 　 　 　 　 第 ３８ 卷

图 ６　 第 ５ 组实验部分结果对比图Ｆｉｇ．６ Ｔｈｅ ｆｉｆｔｈ ｇｒｏｕｐ ｏｆ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｃｏｎｔｒａｓｔ ｆｉｇｕｒｅ ｉｎ ｔａｂｌｅ １

图 ７　 第 ６ 组实验部分结果对比图Ｆｉｇ．７ Ｔｈｅ ｓｉｘｔｈ ｇｒｏｕｐ ｏｆ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｃｏｎｔｒａｓｔ ｆｉｇｕｒｅ ｉｎ ｔａｂｌｅ １

参考文献：［１］ 　 ＺＨＡＮＧ Ｈ，ＨＵ Ｑ．Ｆａｓｔ ｉｍａｇｅ ｍａｔｃｈｉｎｇ ｂａｓｅｄ－ｏｎ ｉｍ⁃

ｐｒｏｖｅｄ ＳＵＲＦ ａｌｇｏｒｉｔｈｍ［Ｃ］ ／ ／ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅｏｎ Ｅｌｅｃｔｒｏｎｃｓ， Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ａｎｄ Ｃｏｎｔｒｏｌ， ２０１１：１ ４６０⁃１ ４６３．

［２］ 　 ＺＨＡＮＧ Ｘ，ＨＩＲＡＩ Ｓ． ＴＰＳ － ＳＵＲＦ－ＳＡＣ ｍａｔｃｈｉｎｇ ａｐ⁃ｐｒｏａｃｈ ｏｆ ｆｅａｔｕｒｅ ｐｏｉｎｔ ａｐｐｌｉｅｄ ｔｏ ｄｅｆｏｒｍａｔｉｏｎ ｍｅａｓｕｒｅ⁃ｍｅｎｔ ｏｆ ｎｏｎｒｉｇｉｄ ｔｉｓｓｕｅｓ ｆｒｏｍ ＭＲ ｉｍａｇｅｓ［Ｃ］ ／ ／ ＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｒｏｂｏｔｉｃｓ ａｎｄ Ｂｉｏｍｉｍｅｔｉｃｓ（ＲＯＢＩＯ），２０１１：５５１⁃５５６．

［３］ 　 ＴＡＯ Ｌ，ＪＩＮＧ Ｘ，ＳＵＮ Ｓ，ｅｔ ａｌ． Ｃｏｍｂｉｎｉｎｇ ＳＵＲＦ ｗｉｔｈＭＳＥＲ ｆｏｒ ｉｍａｇｅ ｍａｔｃｈｉｎｇ ［ Ｃ］ ／ ／ ＩＥＥＥ ＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅ ｏｎ Ｇｒａｎｕｌａｒ Ｃｏｍｐｕｔｉｎｇ （ＧｒＣ），ＩＥＥＥ Ｃｏｍ⁃ｐｕｔｅｒ Ｓｏｃｉｅｔｙ，２０１３：２８６⁃２９０．

［４］ 　 李登旺，李洪升，王惠，等．基于边缘保护尺度空间的

形变配准方法及在自适应放疗中的应用［Ｊ］ ．自动化学报，２０１２，３８（５）：７５１⁃７５８．ＬＩ Ｄ Ｗ，ＬＩ Ｈ Ｓ，ＷＡＮＧ Ｈ，ｅｔ ａｌ．Ｂａｓｅｄ ｏｎ ｔｈｅ ｄｅｆｏｒｍａ⁃ｔｉｏｎ ａｔ ｔｈｅ ｅｄｇｅ ｏｆ ｔｈｅ ｐｒｏｔｅｃｔｉｏｎ ｏｆ ｓｃａｌｅ ｓｐａｃｅ ｒｅｇｉｓｔｒａ⁃ｔｉｏｎ ｍｅｔｈｏｄ ａｎｄ ｉｔｓ ａｐｐｌｉｃａｔｉｏｎ ｉｎ ａｄａｐｔｉｖｅ ｒａｄｉａｔｉｏｎｔｈｅｒａｐｙ［ Ｊ］ ． Ｊｏｕｒｎａｌ ｏｆ Ａｕｔｏｍａｔｉｏｎ，２０１２，３８（５）：７５１⁃７５８．

［５］ 　 ＺＨＯＵ Ｗ，ＬＩ Ｈ，ＬＵ Ｙ，ｅｔ ａｌ．ＳＩＦＴ ｍａｔｃｈ ｖｅｒｉｆｉｃａｔｉｏｎ ｂｙｇｅｏｍｅｔｒｉｃ ｃｏｄｉｎｇ ｆｏｒ ｌａｒｇｅ－ｓｃａｌｅ ｐａｒｔｉａｌ－ｄｕｐｌｉｃａｔｅ ｗｅｂｉｍａｇｅ ｓｅａｒｃｈ［Ｊ］ ．Ａｃｍ Ｔｒａｎｓａｃｔｉｏｎｓ ｏｎ Ｍｕｌｔｉｍｅｄｉａ Ｃｏｍ⁃ｐｕｔｉｎｇ Ｃｏｍｍｕｎｉｃａｔｉｏｎｓ ＆ Ａｐｐｌｉｃａｔｉｏｎｓ， ２０１３， ９ （ １）：３１９⁃３３９．

［６］ 　 祝继华，周颐，王晓春，等．基于图像配准的栅格地图拼接方法［Ｊ］ ．自动化学报，２０１５（２）：２８５⁃２９４．ＺＨＵ Ｊ Ｈ，ＺＨＯＵ Ｙ，ＷＡＮＧ Ｘ Ｃ，ｅｔ ａｌ．Ｔｈｅ ｒａｓｔｅｒ ｍａｐｓｐｌｉｃｉｎｇ ｍｅｔｈｏｄ ｂａｓｅｄ ｏｎ ｉｍａｇｅ ｒｅｇｉｓｔｒａｔｉｏｎ［ Ｊ］ ．Ｊｏｕｒｎａｌ

１５８第 ６ 期　 　 　 　 　 　 　 　 　 　 　 　 　 　 曹君宇等：基于 ＳＵＲＦ 的图像拼接过程中配准算法的改进

ｏｆ Ａｕｔｏｍａｔｉｏｎ，２０１５（２）：２８５⁃２９４．［７］ 　 ＤＵ Ｍ，ＷＡＮＧ Ｊ，ＬＩ Ｊ，ｅｔ ａｌ．Ｒｏｂｏｔ ｒｏｂｕｓｔ ｏｂｊｅｃｔ ｒｅｃｏｇｎｉ⁃

ｔｉｏｎ ｂａｓｅｄ ｏｎ ｆａｓｔ ＳＵＲＦ ｆｅａｔｕｒｅ ｍａｔｃｈｉｎｇ［Ｃ］ ／ ／ ＣｈｉｎｅｓｅＡｕｔｏｍａｔｉｏｎ Ｃｏｎｇｒｅｓｓ，ＩＥＥＥ，２０１３：５８１⁃５８６．

［８］ 　 ＬＩＵ Ｙ，ＭＡ Ｓ． Ｒｅｓｅａｒｃｈ ｏｎ ｉｍａｇｅ ｂａｓｅｄ ｏｎ ｉｍｐｒｏｖｅｄＳＵＲＦ Ｆｅａｔｕｒｅ Ｍａｔｃｈｉｎｇ［Ｃ］ ／ ／ ７ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｓｙｍｐｏ⁃ｓｉｕｍ ｏｎ Ｃｏｍｐｕｔａｔｉｏｎａｌ Ｉｎｔｅｌｌｉｇｅｎｃｅ ａｎｄ Ｄｅｓｉｇｎ，ＩＥＥＥ，２０１４：５８１⁃５８４．

［９］ 　 ＺＨＡＮＧ Ｈ，ＺＨＡＮＧ Ｊ，ＤＡＩ Ｒ．Ａ ｆａｓｔ ｉｍａｇｅ ｍａｔｃｈｉｎｇ ｒｅ⁃ｓｅａｒｃｈ ｂａｓｅｄ ｏｎ ＭＩＣ － ＳＵＲＦ ａｌｇｏｒｉｔｈｍ ［ Ｃ］ ／ ／ Ｃｏｎｔｒｏｌａｎｄ Ｄｅｃｉｓｉｏｎ Ｃｏｎｆｅｒｅｎｃｅ，ＩＥＥＥ，２０１５：５４２⁃５４７．

［１０］ 　 韩天庆，赵银娣，刘善磊，等．空间约束的无人机影像 ＳＵＲＦ 特征点匹配［Ｊ］ ．中国图象图形学报，２０１３，１８（６）：６６９⁃６７６．ＨＡＮ Ｔ Ｑ，ＺＨＡＯ Ｙ Ｄ，ＬＩＵ Ｓ Ｌ，ｅｔ ａｌ．Ｔｈｅ ｓｐａｃｅ ｃｏｎ⁃ｓｔｒａｉｎｔｓ ｏｆ ｕａｖ ｉｍａｇｅ ＳＵＲＦ ｆｅａｔｕｒｅ ｐｏｉｎｔｓ ｍａｔｃｈｉｎｇ［Ｊ］ ．Ｃｈｉｎｅｓｅ Ｊｏｕｒｎａｌ ｏｆ Ｉｍａｇｅ ａｎｄ Ｇｒａｐｈｉｃｓ，２０１３，１８（６）：６６９⁃６７６．

［１１］ 　 ＪＩＮＧ Ｌ，ＸＵ Ｌ，ＬＩ Ｘ，ｅｔ ａｌ．Ｄｅｔｅｒｍｉｎａｔｉｏｎ ｏｆ ｐｌａｔｆｏｒｍ ａｔ⁃ｔｉｔｕｄｅ ｔｈｒｏｕｇｈ ＳＵＲＦ ｂａｓｅｄ ａｅｒｉａｌ ｉｍａｇｅ ｍａｔｃｈｉｎｇ［Ｃ］ ／ ／ ＩＥＥＥ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｆｅｒｅｎｃｅ ｏｎ Ｉｍａｇｉｎｇ Ｓｙｓ⁃ｔｅｍｓ ａｎｄ Ｔｅｃｈｎｉｑｕｅｓ，２０１３：１５⁃１８．

Ｔｈｅ ｉｍｐｒｏｖｅｍｅｎｔ ｏｆ ｒｅｇｉｓｔｒａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｉｎ ｔｈｅｐｒｏｃｅｓｓ ｏｆ ｉｍａｇｅ ｓｔｉｔｃｈｉｎｇ ｂａｓｅｄ ｏｎ ＳＵＲＦ

ＣＡＯ Ｊｕｎ⁃ｙｕ１， ＺＨＯＵ Ｈａｏ１，２， ＧＡＯ Ｚｈｉ⁃ｓｈａｎ２， ＪＩＡＯ Ｈｏｎｇ⁃ｈｏｎｇ１， ＬＩ Ｎｉｎｇ１

（１．Ｓｃｈｏｏｌ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ，Ｙｕｎｎａｎ Ｕｎｉｖｅｒｓｉｔｙ，Ｋｕｎｍｉｎｇ ６５００９１，Ｃｈｉｎａ；２．Ｓｃｈｏｏｌ ｏｆ Ｅｌｅｃｔｒｏｎｉｃ ａｎｄ Ｏｐｔｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｎａｎｊｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｎａｎｊｉｎｇ ２１００９４，Ｃｈｉｎａ）

Ａｂｓｔｒａｃｔ：Ｔｈｅ ａｌｇｏｒｉｔｈｍ ｔｈａｔ ｕｓｅｓ ＳＵＲＦ ａｌｇｏｒｉｔｈｍ ｔｏ ｄｅｔｅｃｔ ｆｅａｔｕｒｅ ｐｏｉｎｔｓ ｉｎ ｔｈｅ ｐｒｏｃｅｓｓ ｏｆ ｉｍａｇｅ ｍａｔｃｈｉｎｇｏｎｌｙ ｕｓｅｓ ｆｅａｔｕｒｅ ｄｅｓｃｒｉｐｔｏｒ ｆｏｒ ｉｍａｇｅ ｒｅｇｉｓｔｒａｔｉｏｎ ｗｉｔｈ ａ ｈｉｇｈ ｐｒｏｂａｂｉｌｉｔｙ ｏｆ ｍｉｓｍａｔｃｈ．Ｕｓｕａｌｌｙ ｃａｒｒｉｅｄ ｏｕｔ ｏｎ ｔｈｅｖｉｄｅｏ ｉｍａｇｅ ｓｔｉｔｃｈｉｎｇ，ｓｔｉｔｃｈｉｎｇ ｉｍａｇｅ ｃｈａｎｇｅ ｉｓ ｎｏｔ ｔｏｏ ｂｉｇ，ｓｏ ｉｓ ｔｈｅ ｉｍａｇｅ ｃｏｒｒｅｓｐｏｎｄｉｎｇ ｐｏｉｎｔｓ ｉｎ ｔｈｅ ｍａｉｎ ｄｉ⁃ｒｅｃｔｉｏｎ ａｎｇｌｅ ａｎｄ ｓｃａｌｅ ｆａｃｔｏｒ．Ｔｈｉｓ ａｒｔｉｃｌｅ ｕｓｅｓ ｔｈｉｓ ｔｗｏ ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ ｆｏｒ ｓｃｒｅｅｎｉｎｇ ａｎｄ ｔｈｅｎ ｔａｋｅ ｆｅａｔｕｒｅ ｄｅｓｃｒｉｐ⁃ｔｏｒ ｍｉｎｉｍｕｍ Ｅｕｃｌｉｄｅａｎ ｄｉｓｔａｎｃｅ ｂｅｔｗｅｅｎ ｐｏｉｎｔｓ ｆｏｒ ｔｈｅ ｃｏｒｒｅｃｔ ｍａｔｃｈｉｎｇ ｐｏｉｎｔｓ，ａｃｈｉｅｖｅｓ ｍｕｌｔｉ － ｆｅａｔｕｒｅ ｆｕｓｉｏｎｍａｔｃｈｉｎｇ，Ｉｎｃｒｅａｓｅｓ ｔｈｅ ｍａｔｃｈｉｎｇ ａｃｃｕｒａｃｙ，ａｎｄ ｉｍｐｒｏｖｅｓ ｔｈｅ ａｃｃｕｒａｃｙ ｏｆ ｉｍａｇｅ ｓｔｉｔｃｈｉｎｇ．

Ｋｅｙ ｗｏｒｄｓ：ｉｍａｇｅ ｓｔｉｔｃｈｉｎｇ；ｉｍａｇｅ ｒｅｇｉｓｔｒａｔｉｏｎ；ＳＵＲＦ ａｌｇｏｒｉｔｈｍ；ｍｕｌｔｉ－ｆｅａｔｕｒｅ ｆｕｓｉｏｎ ｍａｔｃｈ

２５８ 云南大学学报（自然科学版） 　 ｈｔｔｐ： ／ ／ ｗｗｗ．ｙｎｄｘｘｂ．ｙｎｕ．ｅｄｕ．ｃｎ　 　 　 　 　 　 　 　 　 第 ３８ 卷