Computer Vision_33_SIFT：Robust scale-invariant feature matching for remote sensing image registration——2009

此部分是计算机视觉部分，主要侧重在底层特征提取，视频分析，跟踪，目标检测和识别方面等方面。对于自己不太熟悉的领域比如摄像机标定和立体视觉，仅仅列出上google上引用次数比较多的文献。有一些刚刚出版的文章，个人非常喜欢，也列出来了。

33. SIFT
关于SIFT，实在不需要介绍太多，一万多次的引用已经说明问题了。SURF和PCA-SIFT也是属于这个系列。后面列出了几篇跟SIFT有关的问题。
[1999 ICCV] Object recognition from local scale-invariant features
[2000 IJCV] Evaluation of Interest Point Detectors
[2006 CVIU] Speeded-Up Robust Features (SURF)
[2004 CVPR] PCA-SIFT A More Distinctive Representation for Local Image Descriptors
[2004 IJCV] Distinctive Image Features from Scale-Invariant Keypoints

[2009 GRSL] Robust scale-invariant feature matching for remote sensing image registration
[2010 IJCV] Improving Bag-of-Features for Large Scale Image Search
[2011 PAMI] SIFTflow Dense Correspondence across Scenes and its Applications

[2014 CVPR] TILDE: A Temporally Invariant Learned DEtector

[2015 TGRS] SAR-SIFT: A SIFT-LIKE ALGORITHM FOR SAR IMAGES

[2017 GRSL] Remote Sensing Image Registration With Modified SIFT and Enhanced Feature Matching

[2017 CVPR] GMS :Grid-based Motion Statistics for Fast, Ultra-robust Feature Correspondence

 

翻译

鲁棒的尺度不变特征匹配，用于遥感图像配准

作者：Qiaoliang Li, Guoyou Wang, Jianguo Liu

 

摘要 -在遥感图像配准中采用尺度不变特征变换（SIFT）时，由于遥感图像之间的图像强度与可见图像相比存在显着差异，因此会出现许多关键点的不正确匹配。提出了尺度定向联合约束准则，以实现遥感影像关键点的鲁棒特征匹配。此外，还对每个关键点的特征描述符进行了改进，以克服远程图像对之间的梯度强度和方向差异。多日期，多光谱和多传感器远程图像的实验结果表明，与基于强度和基于SIFT的方法相比，该方法在正确匹配率和对齐精度方面提高了匹配性能。

索引词-特征匹配，图像配准，尺度不变特征变换（SIFT），尺度定向联合限制条件。


Ⅰ 引言

图像配准[1]是远程图像分析任务中至关重要的一步，例如远程图像融合，环境监视，变更检测，地图更新等。已经提出了许多方法来使远程图像配准过程自动化。这些方法可以概括为以下两类。

1）基于像素强度的方法：这些方法中使用的最具代表性的相似性度量是互相关（CC）[1]和互信息[2]（MI）。但是，当图像对之间存在较大的旋转或缩放位移时，基于CC的方法就无法胜任，而基于MI的方法由于全局优化的高度计算复杂性而不适用于实时应用。
2）基于图像特征的方法：这些技术从图像中提取诸如边缘[3]，角[4]，轮廓[5]和特定区域的质心[6]之类的特征，并使用这些特征之间的相关性来确定图像之间的最佳对齐。但是，仅使用某些稀疏功能就无法保证鲁棒性。这些算法中通常需要人工协助，否则正确匹配率（CMT）会相对较低。

直到今天，自动配准具有大位移，旋转和缩放比例的遥感影像仍然是一个挑战。近年来，尺度不变特征变换（SIFT）[7]由于其良好的特性（对图像缩放和旋转不变，并且对照明和摄像机视点的变化不变）具有良好的特性，因此已成功地应用于可见图像的配准和识别。此外，PCA-SIFT [8]，CSIFT [9]和GLOH [10]对SIFT进行了相关改进以使其更有效。但是，当我们采用这些基于SIFT的方法来对准遥感图像时，会出现很多错误的关键点匹配；因此，CMT急剧下降。根本原因是，由于拍摄时间，光谱和捕获设备中使用的传感器的不同，远程图像对的同一区域的像素强度可能会显着不同，并且图像对之间的强度映射可能是线性的，非线性且不稳定（图1）。为了克服这个问题，Yi等人[11]提出了SR-SIFT，其中将尺度限制标准引入特征匹配过程。他们声称改进了可见光和红外图像的匹配性能。但是，当成像设备的光谱和传感器之间存在显着差异时，图像对的SR-SIFT的CMT也会明显降低。

为了实现遥感影像关键点的尺度不变特征的鲁棒匹配，我们提出了尺度取向联合限制准则，以排除大量不正确的关键点匹配。此外，还针对远程图像完善了每个关键点的特征描述符。与基于强度的配准算法和SR-SIFT相比，该算法在保持较高对准精度的同时，极大地提高了远程图像的CMT。由于在大多数应用情况下，可以通过“形状保留映射” [1]（仅平移，旋转和缩放）对遥感影像中发现的几何失真进行建模，而不会产生较大误差，因此我们采用此简单模型来估算两个关键点集之间的转换参数，以实现更好的计算性能。如有必要，还可以在配准算法中使用诸如透视模型之类的更复杂的模型。