圖像穩定技術電子穩像SIFT算法實驗結果背景圖像穩像技術廣泛應用于民用測繪儀器、軍事領域和攝影系統中。圖像不穩定主要是由攝像機載體的運動導致的，這是因為載體姿態的變化會傳遞給攝像系統的瞄準線，從而造成攝像系統的光軸與目標之間有無效的相對運動。

圖像不穩定的因素

穩定軸數量

穩像技術分類機械式穩像：用機電的方法來達到穩像目的。在大型的武器系統中將整個儀器置于穩定平臺上;在電視攝像頭中，是將整個光學系統穩定起來。光學穩像：用光學的方法實現圖像穩定。在光路中設置一些光學元件來作為對不穩定圖像的補償。光學穩像與機械式穩像都是采用專門的裝置，如各種陀螺儀。電子穩像：應用計算機數字圖像處理和電子技術的方法來直接確定圖像序列的幀間偏移，從而進行補償。該方法由于不需要額外增加精密機械、光學和電子元器件等設備，具有靈活性強、精度高及高智能化等特點。

主動穩定系統

主動穩定系統

電子穩像系統構成

電子穩像技術的意義電子穩像不僅可以穩定光學系統的移動，也可以對目標進行跟蹤，可能補償任何形式的作用量，且不依賴任何的支撐體系。同時由于大規模集成電路技術的不斷提高，也便于實現設備的小型化和輕量化。

電子穩像的基本原理電子穩像是利用電子設備和數字圖像處理技術相結合的方法，通過檢測出參考圖像和被比較圖象的運動矢量，并利用其補償被比較圖像，從而消除或減輕視頻圖像序列幀間的不穩定，獲取清晰而穩定的視頻圖像序列。

電子穩像原理像移補償技術:首先求出攝像機的角位移量，并轉換成監視器上圖像的運動矢量然后通過對CCD圖像傳感器的行、列序號重組，使其在監視器上的圖像沿運動矢量反方向位移量移動，只有第二幀輸出的圖像與第一幀相同，兩幀圖像重合才能獲得清晰的圖像。

電子穩像的關鍵技術快速而準確地檢測圖像序列的幀間運動是實現電子穩像的關鍵技術。獲取圖像運動矢量可分為硬件方法和軟件方法。硬件實現方法是利用傳感器檢測攝像機的運動。軟件方法是直接利用各種算法對圖像序列進行處理，獲得到由攝像機運動而產生的圖像序列的幀間運動量。（像素法、圖像塊法、特征法和相位法）

塊運動估計的快速搜索算法塊匹配法(Block一MatchingMethod)是目前一些國際標準組織推薦的運動估計方案。

塊匹配運動估計搜索路徑1、全搜索法（FS）2、三步法（TSS）3、菱形法（DS）

全搜索法全搜索法(FullSearchMethod，FS)，也稱為窮盡搜索法。

FS算法是最簡單、最原始的搜索算法，由于可靠，且能夠得到全局最優的結果，通常是其它算法性能比較的標準，但它的計算量的確很大，這就限制了在需要實時應用的場合，所以有必要進一步研究其它快速算法。

金字塔模板匹配為了加快搜索速度，很多影像匹配方法使用金字塔影像。對影像進行一次采樣率為1/n(n=2,3)的重采樣，即把影像的每n×n個像素變為一個像素，這樣就得到一對長、寬都為原來1/n的影像，把它作為金字塔的第二層。再對第二層用同樣方法進行一次采樣率為1/n的重采樣，又得到第三層（頂層）。原始影像作為金字塔影像的底層。

三步搜索法TSS算法的基本思想是采用一種由粗到細的搜索模式，從原點開始，按一定步長取周圍8個點構成每次搜索的點群，然后進行匹配計算，跟蹤最小塊誤差（MBD）點。

TSS算法搜索時，整個過程采用了統一的搜索模板，使得第一步的步長過大，容易引起誤導，從而對小運動效率較低。當搜索范圍大于7時，僅用3步是不夠的。總體說來，三步法是一種較典型的快速搜索算法，所以被研究的較多，后來又相繼有許多改進的新三步法出現，改進了它對小運動的估計性能。

菱形搜索法DS算法采用了兩種控制模扳，分別是有9個檢測點的大模板(LargeDiamondSearchPattern)LDSP和有5個檢測點的小模板(SmallDiamondSearchPattern)SDSP，如圖所示。

搜索時先用大模板計算，當最小塊誤差MBD點出現在中心點處時，將大模板LDSP換為SDSP，再進行匹配計算，這時5個點中的MBD即為最優匹配點。

DS算法的特點在于它分析了視頻圖像中運動矢量的基本規律，選用了大小兩種形狀的搜索模板LDSP和SDSP。先用LDSP搜索，由于步長大，搜索范圍廣，可以進行粗定位，使搜索過程不會陷于局部最小；當粗定位結束后，可以認為最優點就在LDSP周圍8個點所圍的菱形區域中，這時再用SDSP來準確定位，使搜索不致于有大的起伏。

基于SIFT特征點匹配的電子穩像算法電子穩像技術的關鍵在于全局運動估計，即找出抖動視頻序列相鄰幀之間的相對位移量。基于塊匹配的運動估計算法都是通過尋找局部子塊的匹配塊，來得到最佳運動矢量的，塊的數目和布局決定了結果的準確性，塊的尺寸、搜索范圍和搜索策略影響計算的復雜度。基于特征的運動估計算法考慮了圖像的內部特征，因此能夠提高運動估計的精度。

SIFT算法流程

SIFT算法簡介1主要思想

SIFT算法是一種提取局部特征的算法，在尺度空間尋找極值點，提取位置，尺度，旋轉不變量。2算法的主要特點：

SIFT特征是圖像的局部特征，其對旋轉、尺度縮放、亮度變化保持不變性，對視角變化、仿射變換、噪聲也保持一定程度的穩定性。

SIFT算法簡介將一幅圖像映射（變換）為一個局部特征向量集；特征向量具有平移、縮放、旋轉不變性，同時對光照變化、仿射及投影變換也有一定不變性。OriginalimagecourtesyofDavidLowe

SIFT算法步驟檢測尺度空間極值點精確定位極值點為每個關鍵點指定方向參數關鍵點描述子的生成

SIFT算法詳細步驟（1）

高斯金子塔的構建過程可分為兩步：（1）對圖像做高斯平滑；（2）對圖像做降采樣。

為了讓尺度體現其連續性，在簡單下采樣的基礎上加上了高斯濾波。一幅圖像可以產生幾組（octave）圖像，一組圖像包括幾層（interval）圖像。

高斯金字塔

高斯圖像金字塔共o組、s層，則有：σ——尺度空間坐標；s——sub-level層坐標；σ0——初始尺度；S——每組層數（一般為3~5）。

SIFT算法

圖像金字塔的構建：圖像金字塔共O組，每組有S層，下一組的圖像由上一組圖像降采樣得到。圖1由兩組高斯尺度空間圖像示例金字塔的構建，第二組的第一副圖像由第一組的第一副到最后一副圖像由一個因子2降采樣得到。

SIFT算法詳細步驟（2）▲空間極值點檢測為了尋找尺度空間的極值點，每一個采樣點要和它所有的相鄰點比較，看其是否比它的圖像域和尺度域的相鄰點大或者小。如圖，中間的檢測點和它同尺度的8個相鄰點和上下相鄰尺度對應的9×2個點共26個點比較，以確保在尺度空間和二維圖像空間都檢測到極值點。

圖(b)為圖(a)中十字花點處的尺度軌跡曲線。可見該圖中尺度軌跡曲線在大約σ=5處取得局部極小值。

多尺度分析各階分解信號目標信號

SIFT算法詳細步驟（3）▲關鍵點方向分配利用關鍵點鄰域像素的梯度方向分布特性為每個關鍵點指定方向參數，使算子具備旋轉不變性。在實際計算時，我們在以關鍵點為中心的鄰域窗口內采樣，并用直方圖統計鄰域像素的梯度方向。梯度直方圖的范圍是0～360度，其中每10度一個柱，總共36個柱。直方圖的峰值則代表了該關鍵點處鄰域梯度的主方向，即作為該關鍵點的方向。

SIFT算法詳細步驟（4）▲特征點描述子生成首先將坐標軸旋轉為關鍵點的方向，以確保旋轉不變性。

由關鍵點鄰域梯度信息生成特征向量

接下來以關鍵點為中心取8×8的窗口。然后在每4×4的小塊上計算8個方向的梯度方向直方圖，繪制每個梯度方向的累加值，即可形成一個種子點，如圖5右部分所示。此圖中一個關鍵點由2×2共4個種子點組成，每個種子點有8個方向向量信息。這種鄰域方向性信息聯合的思想增強了算法抗噪聲的能力，同時對于含有定位誤差的特征匹配也提供了較好的容錯性。

SIFT算法詳細步驟（5）當兩幅圖像的SIFT特征向量生成后，下一步我們采用關鍵點特征向量的歐式距離來作為兩幅圖像中關鍵點的相似性判定度量。取圖像1中的某個關鍵點，并找出其與圖像2中歐式距離最近的前兩個關鍵點，在這兩個關鍵點中，如果最近的距離除以次近的距離少于某個比例閾值，則接受這一對匹配點。降低這個比例閾值，SIFT匹配點數目會減少，但更加穩定。

SIFT算法匹配效果圖該組圖片在拍攝時進行了相機平移、轉動和變焦操作。圖(a)為第一幅圖中檢測出的SIFT特征。橢圓的中心位置代表了關鍵點在圖像中的二維坐標位置，橢圓的長軸代表了關鍵點的尺度，橢圓的方向代表了該關鍵點的方向。