Page 72 - 数字化测绘技术与理论研究

Research on Digital Surveying and Mapping Technology and Theory
数字化测绘技术与理论研究

1. 特征提取
在影像数据处理与匹配的过程中，影像特征提取是一项非常基础的工作。因
为基于特征的影像匹配首先就要进行特征提取，这一步的任务就是提取全幅影像
中的特征和它的属性，并且将特征用具体的参数来表达，为下一步的特征匹配提

供依据。因此，特征提取对特征匹配的可靠度有着最为直接的影响，而特征点提
取的精度与特征点的分布，也决定了空三加密的精度。
一般情况下，影像特征是指影像中物理与几何特性变化不连续的区域，其表
现形式为影像在部分领域中的灰度急剧变化。具体包括以下三种类别：点特征、

边缘特征以及面特征。其中，点特征是使用较为普及的一类特征。因为它相较于
其他两类特征来说，其算法实现起来比较容易，而且效率很高，同时也可以得
到较高质量的特征。我们把提取点特征的算子叫做兴趣算子，目前基于点特征的
匹配算法非常多，其中被普遍使用的几种特征提取算子有 Moravec、Forstner、

Harris、SIFT 算子等。多视影像和普通的航空影像相比，其影像中物体的旋转、
缩放和光照变化等问题比一般的影像更为突出。因此，为了尽可能地避免由上述
现象带来的不利影响，更好地获取高质量的点特征，应该选择 SIFT 算法来提取
特征。它是一种局部不变的特征提取方法，即通过建立图像尺度空间和方向向量，

寻找到一种对图像旋转、缩放、光线变化以及仿射变换等都具备不变性的特征点。
这种算法可以更好地获取特征点的位置和邻域信息，并且特征点描述符里所包含
的信息也很完整。因此，此种点特征提取方法应用更为普遍。
2.SIFT 特征提取算法

SIFT 算法具备以下几个特点：第一，良好的不变性。SIFT 特征对于影像的
尺度缩放、旋转、平移、亮度变化、遮挡、噪声干扰和仿射变换等变化都具有良
好的稳定性。第二，强大的数据描述能力。即便影像数据量比较大，目标物体很
少，SIFT 算法依然可以找到与目标物体相关的特征向量，实现准确定位。第三，

可扩展性强。SIFT 算法是用特征向量对影像特征进行表达的，它可以较好地与
其他算法以及特征向量相结合，使 SIFT 算法的应用范围得到扩展。
SIFT 特征提取算法实现的具体流程是：第一，尺度空间的建立；第二，特
征点定位：首先对尺度空间极值点进行检测，确定候选的特征点。然后确定特征

点的精确位置，去除不稳定的点；第三，特征点主方向的确定；第四，获取关键
点的特征描述符。以上所述第一步和第二步的主要任务是特征点提取，第三步和

60