特征提取：采用分块SIFT算法提取高分辨率低空影像特征点

特征提取是对影像进行特征分析并用特定的格式进行表达的过程。常用的影像特征有点特征、线特征和面特征。其中，点特征具有提取过程简单、受限程度低和稳定性高等优点，已被广泛用于SfM重建研究（Snavely等，2006；Torr和Zisserman，1999）。常用的点特征提取算法包括SIFT算法、SURF算法和ORB算法等。上述算法具有尺度和旋转不变性，对影像的拍摄角度、光照条件及环境噪声具有较强的鲁棒性。以SIFT算法研究为例，Lingua等（2009）针对低空影像对该算法的性能做了全面测试，结果表明，SIFT算法提取的特征点数目多，匹配精度高，可有效保证相机自标定的精度和重建模型的质量。然而，SIFT算法在处理高分辨率低空影像时易导致计算机内存溢出。为此，本研究采用分块策略的SIFT算法（沈永林等，2011）提取特征点。

利用分块SIFT算法提取影像特征点的步骤：

算法描述：

该算法实现了高分辨率低空影像的SIFT特征提取。

算法步骤：

步骤1：对影像进行分块，设定子块影像间重叠度为5%。

步骤2：采用式（2-13）和式（2-14）构建子块影像的尺度空间。

图2.13　SCN-SfM算法流程图(www.xing528.com)

式中，I（x，y）为子块影像，∗代表卷积操作，且：

表示高斯函数，σ为尺度因子，可通过调整σ值对影像进行不同尺度空间的表达。

步骤3：采用式（2-15）构造高斯差分尺度空间：

式中，k为定值，用来确定相邻尺度空间的差分间隔，以3×3的窗口大小搜索任意像素在相邻尺度空间的极大值或极小值，通过设定阈值去除对比度较小和边缘不稳定的点（Lingua等，2009）。

步骤4：据式（2-16）和式（2-17）计算L（x，y，σ）在某窗口范围内像素梯度变化的累积幅值m（x，y）和方向θ（x，y），窗口大小设为16×16：

步骤5：以步骤4中确定的m（x，y）值最大的方向为主方向建立坐标系，将上述窗口细分成16个4×4的子窗口，并统计每个子窗口中的方向直方图（均匀划分为8个方向），生成4×4×8=128维描述子。

步骤6：最后合并所有子块中的特征点，完成整幅影像的特征提取。