BFSIFT算法简述
硕士阶段研究的是遥感图像处理领域SAR图像处理方面知识,自然在论文阅读中接触到了BFSIFT算法。其实BFSIFT主要改进了光学SIFT算法在SAR图像匹配性能低下的问题。下面对SAR图像做一下简单的介绍:我们大家所熟知的光学图像一般噪声默认都属于加性噪声,默认服从高斯分布。SAR图像由于合成孔径雷达独特的成像方式,一般SAR图像噪声都属于乘性噪声,经过统计分析归纳其分布属于瑞利分布(加性噪声一般梯度差分能够有效的抑制,但是无法有效抑制乘性噪声)。这样的话,如果直接采取SIFT算法会发现效果很差,主要原因就是噪声干扰无法有效去除(针对SAR图像工作最多的就是如何对相干斑噪声的抑制算法研究:图像取对数方法、均值比例算子等等)。SIFT算法提出主要就是针对光学图像处理的,所以SAR图像特殊噪声处理方式必须另辟蹊径,因此就出现了SIFT-OCT(主要就是去掉尺度空间第一塔的图像,为了降低噪声的干扰)、BFSIFT、AAG-SIFT等算法。后来我发现针对SAR图像做的工作最多的在于如何进行有效的滤除相干斑噪声。本文着重介绍一下BFSIFT算法,主要算法思想过程将在下一节讲述。
BFSIFT算法主要流程
BFSIFT算法主要思想如下:第一,SIFT算法采取高斯核函数进行尺度空间构建,速度快、尺度保持性好,但是高斯函数对图像中的高频与低频信息进行相同的滤波操作并没有特别处理。所以,作者将双边滤波引入进行尺度空间构建优势如下:其一双边滤波能够对边缘(高频)区域和平坦(低频)区域分开处理,其二双边滤波核函数是高斯核函数的组合,对尺度变化适应性较好。这样的话,双边滤波对SAR图像进行尺度空间构建时候,能够有效的保存图像中的边缘信息。同时,对SAR图像中的一些强散射点和平坦区域的相干斑噪声有一定的抑制能力。
另外,BFSIFT由于考虑到梯度直方图构建SIFT描述子鲁棒性在SAR图像上不是很高效,在匹配策略上采取双向匹配策略,提高其匹配性能。简单说一下双向匹配:假设我们图像特征点构建的描述子矩阵分别为A和B,采取暴力匹配方式。那么A先与B进行暴力匹配得到匹配集C,然后B再与A进行暴力匹配得到匹配集D。寻找C与D匹配集中的共有部分才确认是正确的匹配点。
当然,BFSIFT算法在提升SAR图像匹配性能的同时,算法耗时也是骤增(双边滤波、双向匹配耗时较高)。BFSIFT算法主要流程如下:
![](https://i-blog.csdnimg.cn/blog_migrate/0b94006c1bd7d402e1a159302b857214.jpeg)
下面来对比看一下BFSIFT算法在各阶段对比SIFT算法性能:
尺度空间构建图像对比:
双边滤波算法网上已经有很多解释与源码提供,构建尺度空间只需将双边滤波引入SIFT算法中的高斯滤波替代即可。当然,由于双边滤波算法耗时较大的问题,近年来也出现了改进双边滤波算法找寻速度与性能的折衷效果,具体参考[双边滤波算法改进]。论文中首先使用高斯滤波进行降低一些噪声干扰,随后进行不断与双边滤波卷积来构建BFSIFT尺度空间。
![](https://i-blog.csdnimg.cn/blog_migrate/7d6b705310e8d661b8dd3c46ccb45c0b.png)
![](https://i-blog.csdnimg.cn/blog_migrate/b04560f50c349e5a3ecdb28683eeb658.png)
上式中,参数 L ( x