彩色描述子SIFT的研究新进展
摘 要：SIFT算法是提取图像局部特征的算法，应用于物体识别、图像匹配等领域,对于旋转、尺度缩放、亮度变化保持不变，对于视角变化、噪声等也保持一定程度的稳定不变性。为了提高光照不变性，获得更高的识别率，在SIFT特征描述子中加入颜色信息。对SIFT特征进行深入的研究，分析了SIFT算法，归纳总结了SIFT彩色描述子的研究现状，给出了彩色描述子SIFT的性能评价及其发展趋势。
关键词：SIFT算法； 局部特征； 彩色描述子； 性能评价
随着多媒体技术、计算机技术迅速发展，Internet上呈现大量的图像信息。图像中包含了很多的物体特性，其中颜色是非常重要的特征之一，颜色包含了图像中更多有价值的识别信息。SIFT算法提取图像局部特征，成功应用于物体识别、图像检索等领域。该算法由DAVID G.L.于1999年提出[1]，并于2004年进行了发展和完善[2]，MIKOLAJCZYK[3]对多种描述子进行实验分析，结果证实了SIFT描述子具有最强的鲁棒性。然而这些描述子仅利用图像的灰度信息，忽略了图像的彩色信息。为了提高光照不变性，获得更高的识别率，研究者提出了基于颜色不变特性的SIFT彩色描述子。目前彩色描述子主要分为基于颜色直方图、基于颜色矩、基于SIFT三类。本文对彩色SIFT描述子进行了深入的研究，阐述了彩色SIFT描述子，给出了每种彩色描述子的性能评价。
1 SIFT算法分析
SIFT描述子对图像的局部特征进行描述，当图像进行旋转、平移、尺度缩放、仿射变换等，SIFT特征具有很好的稳定性。SIFT算法主要分为四个步骤：检测尺度空间极值点、精确定位极值点、为每个关键点指定方向参数、关键点描述子的生成。
1.1 检测尺度空间极值点
计算SIFT描述子的第一步是搜索所有尺度和图像位置，它通过使用高斯差函数识别对尺度和方向不变的潜在兴趣点来实现。关键点就是多尺度高斯差的极大值/极小值。
对输入的图像进行尺度变换，利用高斯核与二维图像做卷积运算：
高斯核定义如下：
实际计算中，是在特征点的领域内采样，创建梯度方向直方图。直方图每10度分为一柱，共36个柱。然后将领域内的每个采样点按梯度方向Φ归入适当的柱，以梯度模m作为权重。选择直方图的主峰值作为梯度的主方向，能量值达到主峰值80%以上的局部峰值作为辅助方向。
1.4 关键点描述子的生成
以特征点为中心取8×8的采样窗口，在4×4的小块区域上计算其梯度方向直方图。绘制好每个方向梯度累加值，形成了一个种子点。每个特征点由4个种子点构成。在实际计算过程中，通常使用4×4共16个种子点来描述特征点。这样总共产生了4×4×8共128维的特征描述子向量。
2 基于彩色的SIFT研究进展
SIFT描述子对图像的高斯梯度进行编码，该描述子在空间模式下描述了灰度图像16个种子点及每个种子点8个梯度方向。由于SIFT算法只是利用图像的灰度信息，不能很好地区分形状相似但颜色不同的物体。光照的变化很大程度上影响着彩色物体识别的效果。在物体描述与匹配中,颜色可以提供更加有用的信息，物体的颜色信息被忽略，致使一些物体会被错误地分类。在图像处理中彩色图像能够表达更多的信息，彩色信息可以获得更高的辨别率。针对这一问题，研究人员对基于彩色的SIFT特征点提取算法进行了深入的研究。
2.1 SIFT彩色描述子
