従来のSIFTアルゴリズムで抽出される画像特徴点数が少ない問題に対し、高分光画像の特性を活用し、スペクトル次元で画像のスケール空間を差分再構成することで、抽出される特徴点数を大幅に向上させた。しかし、特徴点数の大幅増加はアルゴリズムの時間的コスト増加と有効特徴点の割合低下をもたらす。特徴点の冗長性問題を解決し、マッチング効率を高めるために、スペクトル画像空間に基づくF-SIFTアルゴリズムを提案した。FASTアルゴリズムはピクセルレベルでの高速判定が可能であり、現在のピクセルを中心とする8近傍規則を構築した。画像の特徴点を抽出する前に、差分ピラミッドの対応位置のピクセルを事前選別し、特徴点数を元の10％以下に削減した。また、従来のマッチング方法はターゲット画素隣域内のピクセル情報のみ統計処理し、画素の幾何学的位置信息を無視していた。そこで本論文では特徴記述子ベクトルを拡張し、まず最近傍と次近傍の比率を用いて特徴記述子に粗マッチングを行い、信頼度を記録して記述子ベクトルに組み込んだ。次に類似度の高い順に上位20組のマッチングから4組の対応点を反復的に選択し、三角平面を構成し、画素の位置情報を用いて精密マッチングを行った。実験結果は本手法が冗長な特徴点数を効果的に削減し、誤マッチングを除去できることを示した。

スケール不変特徴変換;スペクトル画像空間;8近傍規則;二重位置反復マッチング