在建筑物、室内工作环境等图像中，重复性纹理是广泛存在的。由于纹理的重复性，使得特征点周围的局部邻域内的图像信息不再具有唯一性，即很多特征点的局部邻域都具有相同的图像信息。因此，虽然基于局部描述子的图像匹配方法得到了广泛的研究，但是面对包含重复性纹理的图像匹配问题，这类方法都没法得到令人满意的匹配结果。此外，由于重复性纹理引起的局部二义性，使得这类图像即使视角变化不大也很难匹配。直观上来讲，只有从局部邻域出发，重复性纹理才会导致特征具有不唯一性，而随着特征点周围支撑邻域的不断扩大，这种唯一性会不断地被缓解。针对重复性纹理的图像匹配问题，Mortensen等人利用全局信息（Global Context）改进了SIFT特征描述子，以此来解决包含重复性纹理的图像特征匹配问题。由于全局信息是在一个更大的区域内通过曲率形状信息计算得到的，因此对具有相似区域的图像进行匹配时，改进后的SIFT特征描述子可以减少误匹配。此外，由于几何关系不受重复性纹理的影响，因此通常都是通过基于几何约束的特征点匹配方法处理重复性纹理图像匹配问题。
针对包含重复纹理的图像，Fan等人提出了一种可靠的特征点匹配方法。即从匹配特征点对出发，根据特征点对之间的小形变约束，定义匹配特征点与匹配特征点集合之间的兼容性度量，以此为基础从匹配的特征点在集合中搜索满足小形变约束的匹配特征点集合。该特征点匹配方法的正确率很高。
基于小形变约束的重复图像特征点匹配算法如下：
（1）分别提取参照图像和查询图像中的特征点，并生成特征点对。直观来讲，提取图像中的所有特征点，所有特征点的两两组合生成特征点对。然而，该方法将会生成太多的特征点对，其中还包含很多无用的特征点对，因此，需要从两个方面考虑生成特征点对：第一个方面是生成的特征点对在两幅图像中同时出现。此外，由于实际图像的几何变化只有局部区域才能近似为旋转变化，因此构成特征点对的两个特征点之间的距离不能太远。第二个方面是生成特征点对的两个特征点之间的距离也不能太近。如果两个特征点距离太近，特征点对邻域内所包含的信息并不会多于单个特征点邻域内所包含的信息，这将导致特征点对的区分能力降低。
（2）为特征点构造特征描述子。DAISY特征描述子与SIFT特征描述子类似，是通过统计特征点周围邻域内的梯度方向分布来构造描述子。单特征点的DAISY描述子通常根据特征点周围的局部图像特性，通过统计直方图获得主方向，将主方向作为一个参照。然而，对于特征点对来说，它本身便提供了方向信息，即从第一个点到第二个点所确定的方向。基于特征点对提供的方向信息构造描述子，得到改进后的DAISY描述子。
（3）根据构造的特征描述子对特征点进性匹配。特征点对的匹配方法与基于局部描述子的特征点匹配方法类似，也是计算特征点对描述子之间的欧式距离。此外，特征点对的匹配方法采用最近邻的匹配策略。由于通过对最近邻设置阈值可以消除很多误匹配的同时也会去掉很多正确的匹配，因此，采用基于特征点对之间的小形变约束从所有可能的匹配特征点对中搜索得到一个可靠的匹配特征点集合。基于小变形约束的匹配方法可以过滤掉大部分的误匹配，因此此时所有的最近邻匹配都将作为可能的匹配点对用于生成最终的匹配特征点。
（4）根据匹配特征点对于匹配特征点集合之间的兼容性度量，从匹配的特征点对中搜索得到匹配的特征点集合。首先，通过一个匹配特征点对初始化匹配特征点集合；其次，从输入的匹配特征点集合中挑选出置信度最高的匹配特征点对；然后，分别检验匹配特征点对中两个特征点与初始化匹配特征点集合的兼容性，如果兼容性强则将其加入匹配特征点集合中；最后，重复上述迭代过程，直到算法收敛。根据大量的实验结果，算法通常不大于5次即可收敛。
如图6－40所示，针对包含重复性纹理的平面场景图像，利用基于小形变约束的重复图像特征点匹配算法进行实验。实验结果如图6－41所示，其中，正确的匹配数为270／293（92.2%）。
(www.xing528.com)
图6－40 包含重复性纹理的平面图像
图6－41 特征点匹配实验结果
如图6－42所示，针对包含重复性纹理的三维场景图像，利用基于小形变约束的重复图像特征点匹配算法进行实验。实验结果如图图6－43所示，其中，正确的匹配数为344／360（95.6%）。
图6－42 包含重复性纹理的三维图像
图6－43 特征点匹配实验结果
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
