基于特征的圖像匹配算法畢業(yè)論文(含源代碼)

1、北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）I誠信聲明誠信聲明本人聲明：我所呈交的本科畢業(yè)設(shè)計(jì)論文是本人在導(dǎo)師指導(dǎo)下進(jìn)行的研究工作及取得的研究成果。盡我所知，除了文中特別加以標(biāo)注和致謝中所羅列的內(nèi)容以外，論文中不包含其他人已經(jīng)發(fā)表或撰寫過的研究成果。與我一同工作的同志對本研究所做的任何貢獻(xiàn)均已在論文中作了明確的說明并表示了謝意。本人完全意識到本聲明的法律結(jié)果由本人承擔(dān)。 申請學(xué)位論文與資料若有不實(shí)之處，本人承擔(dān)一切相關(guān)責(zé)任。本人簽名： 日期： 2010 年 05 月 20 日北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）II畢業(yè)設(shè)計(jì)（論文）任務(wù)書畢業(yè)設(shè)計(jì)（論文）任務(wù)書設(shè)計(jì)（論文）題目： 學(xué)院： 專業(yè)： 班級： 學(xué)生 指導(dǎo)教師（

2、含職稱）： 專業(yè)負(fù)責(zé)人： 1設(shè)計(jì)（論文）的主要任務(wù)及目標(biāo) (1) 了解圖象匹配技術(shù)的發(fā)展和應(yīng)用情況，尤其是基于特征的圖象匹配技術(shù)的發(fā)展和應(yīng)用。 (2) 學(xué)習(xí)并掌握圖像匹配方法，按要求完成算法2設(shè)計(jì)（論文）的基本要求和內(nèi)容（1） 查閱相關(guān)中、英文文獻(xiàn)，完成 5000 漢字的與設(shè)計(jì)內(nèi)容有關(guān)的英文資料的翻譯。（2） 查閱 15 篇以上參考文獻(xiàn)，其中至少 5 篇為外文文獻(xiàn)，對目前國內(nèi)外圖象匹配技術(shù)的發(fā)展和應(yīng)用進(jìn)行全面綜述。（3） 學(xué)習(xí)圖象匹配算法，尤其是基于特征的圖象匹配算法。（4） 實(shí)現(xiàn)并分析至少兩種基于特征的圖象匹配算法，并分析算法性能。3主要參考文獻(xiàn)1譚磊, 張樺, 薛彥斌一種基于特征點(diǎn)的圖像匹

3、配算法J天津理工大學(xué)報(bào)，2006，22(6)，66-692甘進(jìn)，王曉丹，權(quán)文基于特征點(diǎn)的快速匹配算法J電光與控制，2009，16(2)，65-663王軍，張明柱圖像匹配算法的研究進(jìn)展J大氣與環(huán)境光學(xué)學(xué)報(bào)，2007，2(1)，12-15北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）III4進(jìn)度安排設(shè)計(jì)（論文）各階段名稱日期1查閱資料，學(xué)習(xí)相關(guān)知識3 月2初步編程4 月上旬4 月中旬3算法實(shí)現(xiàn)，程序調(diào)試4 月下旬5 月上旬4統(tǒng)計(jì)數(shù)據(jù)，分析特點(diǎn)5 月旬5畢業(yè)論文寫作5 月中旬5 月下旬6英文資料翻譯自行安排北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）IV摘摘 要要 圖像匹配技術(shù)是實(shí)現(xiàn)圖像融合、圖像校正、圖像鑲嵌以及目標(biāo)識別與跟蹤的關(guān)

4、鍵步驟之一，已經(jīng)廣泛應(yīng)用在圖像識別以及圖像重建等領(lǐng)域中。簡單來說，圖像匹配就是找到兩幅不同圖像之間的空間位置關(guān)系。圖像匹配主要可分為以灰度為基礎(chǔ)的匹配和以特征為基礎(chǔ)的匹配 。本文首先對現(xiàn)有圖像匹配方法的進(jìn)行分類、概述和簡要的說明；分析了課題研究的背景，以及對國內(nèi)外圖像匹配的研究狀況描述；其次對現(xiàn)有的圖像匹配的幾種常見算法進(jìn)行簡要的說明，其中著重介紹了基于特征的匹配的算法。參考了一種基于圖像灰度值特征點(diǎn)的快速匹配搜索算法，該算法利用得出的灰度值特征點(diǎn)作為搜索依據(jù)，通過實(shí)驗(yàn)，證實(shí)了該算法的快速性和準(zhǔn)確性。本文在對幾種圖像匹配方法的研究的基礎(chǔ)上，采用基于灰度傳統(tǒng)的方法、基于邊緣特征的方法和基于一階特

5、征點(diǎn)圖像匹配的方法進(jìn)行圖像匹配仿真，并對三種方法的快速性準(zhǔn)確性做了比較。再次比較基于灰度、基于邊緣、基于一階特征點(diǎn)圖像匹配方法的優(yōu)缺點(diǎn)。不同的環(huán)境下每種方法各有優(yōu)缺點(diǎn)，加入噪聲時(shí)基于邊緣特征圖像匹配能夠匹配成功，基于邊緣特征圖像匹配較另外兩種匹配方法能夠有效的抑制噪聲干擾。關(guān)鍵詞：關(guān)鍵詞：圖像匹配；特征點(diǎn)；灰度匹配；特征點(diǎn)匹配北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）VABSTRACT Image matching technique is one of the key steps to achieve image fusion, image correction, image mosaic, as wel

6、l as target recognition and tracking and has been widely used in the areas of image recognition and image reconstruction. In a word, image matching is to find the spatial relationship between the two different images. Image matching can be divided into gray-based and feature-based matching.The paper

7、 firstly classified and briefly described the existing image matching methods and analysed the research background. Secondly, the paper explained several common algorithms of existing image matching, especially， the algorithm of feature-based matching. Based on the research of several image matching

8、 methods, the paper adopted traditional method based on gray level, the method based on edge features and the method based on first-order feature points image matching to conduct image matching simulation, and compared the rapidity and accuracy of them. Finally, the paper pointed out the advantages

9、and disadvantages of the methods based on gray level, based on edge features and based on first-order feature points image matching. Each method has both the advantages and disadvantages in the different environment. Image matching method based on edge features can match successfully when noise is a

10、dded, and can effectively suppress noise compared with other two methods.Key words：Image matching，F(xiàn)eature Points，Gray Matching，feature points matching 北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）VI目錄目錄前前 言言.1第第 1 章章 緒論緒論.2第 1.1 節(jié) 課題的研究背景 .2第 1.2 節(jié) 圖像匹配的概述.41.2.1 圖像匹配的概念.41.2.2 影響圖像匹配的主要因素 .5第 1.3 節(jié) 圖像匹配的研究現(xiàn)狀 .5第第 2 章章 圖像匹配的幾種算法圖

11、像匹配的幾種算法.7第 2.1 節(jié) 基于像素灰度相關(guān)的匹配算法.7第 2.2 節(jié) 基于特征的匹配算法.92.2.1 特征點(diǎn)的描述.102.2.2 特征點(diǎn)的提取算法 .11第 2.3 節(jié) 基于邊緣特征的匹配算法.132.3.1 Roberts 邊緣檢測算子.132.3.2 Sobel 邊緣檢測算子.132.3.3 Prewitt 邊緣檢測算子.142.3.4 Canny 邊緣檢測算子.14第 2.4 節(jié) 基于其它理論的圖像匹配.162.4.1 基于小波變換的圖像匹配算法.162.4.2 其它理論的圖像匹配.18第第 3 章章 基于灰度的圖像匹配仿真基于灰度的圖像匹配仿真.20第 3.1 節(jié)基于灰

12、度圖象匹配.20第 3.2 節(jié) 灰度圖像模板圖的獲取和匹配仿真.21第 3.3 節(jié) 灰度圖像旋轉(zhuǎn)后匹配仿真.23第 3.4 節(jié) 灰度圖像加噪后的匹配仿真.24第第 4 章章 基于邊緣圖像特征的匹配仿真基于邊緣圖像特征的匹配仿真.27北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）VII第 4.1 節(jié)基于邊緣圖像特征的匹配.27第 4.2 節(jié) 基于邊緣特征的圖像匹配理想情況下的仿真.28第 4.3 節(jié) 加入噪聲后基于邊緣特征的圖像匹配的仿真.30第 4.4 節(jié) 基于邊緣圖像旋轉(zhuǎn)后的匹配仿真.32第第 5 章章 基于一階特征點(diǎn)的圖像匹配仿真基于一階特征點(diǎn)的圖像匹配仿真.33第 5.1 節(jié) 一階特征點(diǎn)的定義.33第 5

13、.2 節(jié) 一階特征點(diǎn)的尋找與匹配仿真.35第 5.3 節(jié) 加入噪聲的一階特征點(diǎn)圖像匹配仿真.38第 5.4 節(jié) 旋轉(zhuǎn)后的一階特征點(diǎn)匹配仿真.39結(jié)論結(jié)論.41參考文獻(xiàn)參考文獻(xiàn).42致謝致謝.44北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）1前前 言言 數(shù)字圖像處理，即用計(jì)算機(jī)對圖像進(jìn)行處理。與人類對視覺機(jī)理研究的歷史相比，它是一門相對年輕的學(xué)科。但在其短短的歷史中，它卻以程度不同的成功被廣泛應(yīng)用于幾乎所有與圖像有關(guān)的領(lǐng)域數(shù)字圖像處理技術(shù)。圖像是人類獲取和交換信息的主要來源，因此，圖像處理的應(yīng)用領(lǐng)域必然涉及到人類生活和工作的方方面面。隨著人類活動(dòng)范圍的不斷擴(kuò)大，圖像處理的應(yīng)用領(lǐng)域也將隨之不斷擴(kuò)大。在20多年的時(shí)

14、間里，迅速地發(fā)展成為一門獨(dú)立的有強(qiáng)大生命力的學(xué)科。隨著科學(xué)技術(shù)的發(fā)展，圖像匹配己成為圖像信息處理領(lǐng)域中一項(xiàng)非常重要的技術(shù)。圖像匹配就是找到兩幅不同圖像之間的空間位置關(guān)系。圖像匹配技術(shù)是實(shí)現(xiàn)圖像融合、圖像校正、圖像鑲嵌以及目標(biāo)識別與跟蹤的關(guān)鍵步驟之一。圖像匹配主要可分為以灰度為基礎(chǔ)的匹配和以特征為基礎(chǔ)的匹配。 圖像匹配主要研究匹配的準(zhǔn)確性、快速性1?；谔卣鞯膱D像匹配方法近年越來越引起研究者的重視，各種新穎的算法不斷涌現(xiàn)。每種方法都有各自的優(yōu)缺點(diǎn)和應(yīng)用范圍。應(yīng)用時(shí)應(yīng)根據(jù)實(shí)際情況選取合適的配準(zhǔn)方法。若要求精度高，可考慮多次選取/匹配，每次選取/匹配特征點(diǎn)時(shí)，參考最近幾次的情況，由粗到精遞歸求解；或

15、者采用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)機(jī)制，使匹配結(jié)果逐步精確，最終符合要求。通過閱讀大量的文獻(xiàn)報(bào)道，可以知道未來的圖像配準(zhǔn)將進(jìn)一步追求實(shí)時(shí)性、高精度和可靠性。為減小運(yùn)算量，可著眼于研究某一算法的快速算法；對一些運(yùn)算量大的步驟尋找其簡單的替代步驟。本文先通過對圖像匹配算法的作簡要的說明,特別是基于特征圖像匹配的算法;然后分析了圖像匹配的算法的優(yōu)劣；接著參考了一種基于圖像灰度值特征點(diǎn)的快速匹配搜索算法，比較了基于灰度、基于邊緣特征、基于一階特征點(diǎn)圖像匹配算法的準(zhǔn)確性、快速性、抵抗干擾和旋轉(zhuǎn)性能；最后比較了這 3 種算法在不同環(huán)境下的優(yōu)劣性。北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）2第第 1 章章 緒論緒論數(shù)字圖像處理是通過計(jì)

16、算機(jī)對圖像進(jìn)行去除噪聲、增強(qiáng)、復(fù)原、分割、提取特征等處理的方法和技術(shù)。數(shù)字圖像處理的產(chǎn)生和迅速發(fā)展主要受三個(gè)因素的影響：一是計(jì)算機(jī)的發(fā)展；二是數(shù)學(xué)的發(fā)展；三是廣泛的農(nóng)牧業(yè)、林業(yè)、環(huán)境、軍事、工業(yè)和醫(yī)學(xué)等方面的應(yīng)用需求的增長。 數(shù)字圖像處理的發(fā)展從 20世紀(jì)20年代初的應(yīng)用于改善倫敦和紐約之間海底電纜發(fā)送的圖片質(zhì)量 ，到20世紀(jì)70年代圖像處理主要和模式識別及圖像理解系統(tǒng)的研究相聯(lián)系。 發(fā)展到現(xiàn)在，數(shù)字圖像處理已從一個(gè)專門的研究領(lǐng)域變成了科學(xué)研究和人機(jī)界面中的一種普遍應(yīng)用的工具。 圖像匹配技術(shù)是數(shù)字圖像處理領(lǐng)域的一項(xiàng)重要研究，并已在計(jì)算機(jī)視覺、虛擬現(xiàn)實(shí)場景生成、航空航天遙感測量、醫(yī)學(xué)影像分析、光

17、學(xué)和雷達(dá)跟蹤、景物制導(dǎo)等領(lǐng)域得到了廣泛的應(yīng)用。圖像匹配是圖像處理的一個(gè)基本問題。簡單地說，圖像匹配就是找到兩幅不同圖像之間的空間位置關(guān)系。對同一物體或場景使用不同的傳感器、在不同的光照條件下以不同的攝像位置和視角獲得的圖像一般都會不同，其差異可能表現(xiàn)為不同的分辨率、不同的灰度屬性、不同的位置平移和旋轉(zhuǎn)、不同的大小縮小和放大、以及其他的非線性變化部分物體被遮擋等。第第 1.1 節(jié)節(jié) 課課題題的的研研究究背背景景當(dāng)今社會是信息社會，各種媒體各種工具相互交存于社會的方方面面，而圖像在其中又占據(jù)了極其重要的地位。圖像具有包含信息量大、直觀、容易理解以及吸引人注意等優(yōu)點(diǎn)，是人們感知和認(rèn)識外部的重要載體，

18、人們生活中離不開圖像。圖像可以分為模擬圖像和數(shù)字圖像之分。模擬圖像一般用照相機(jī)等來獲取，模擬圖像可以用一個(gè)連續(xù)函數(shù)來描述，所以模擬圖像也可以成為：連續(xù)圖像處理。其主要過程主要借助各種設(shè)備對圖像進(jìn)行加工處理。但是模擬圖像有處理精度太差，處理方式也不夠靈活，處理時(shí)間過長等缺點(diǎn)。數(shù)字圖像是用二進(jìn)制來表示圖像的，是離散的數(shù)據(jù)集，可以通過數(shù)碼相機(jī)等數(shù)字設(shè)備來獲取。數(shù)字圖像處理的是數(shù)字圖像，即是由一組具有顏色、亮度等像數(shù)點(diǎn)的集合。數(shù)字圖像的特點(diǎn)決定了其靈活性，并且北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）3以強(qiáng)大的功能成為現(xiàn)階段圖像處理技術(shù)的主流。 數(shù)字圖像處理的主要應(yīng)用領(lǐng)域包括：(1)圖像傳輸、電視會議、電視電話、視

19、頻和多媒體系統(tǒng)等等 。(2) 軍事、公安、檔案等其它方面的應(yīng)用軍事目標(biāo)的偵察、制導(dǎo)和警戒系統(tǒng)、自動(dòng)火器的控制及反偽裝 ；公安部門的現(xiàn)場照片 ；指紋、手跡、印章、人像等的進(jìn)一步處理和辨識 ；歷史文字和圖片檔案的修復(fù)和管理 ；以及其它方面圖像信息的顯示、記錄、處理和文字自動(dòng)識別等。(3)遙感分航空遙感和航天遙感。遙感圖像需要用圖像處理技術(shù)加工處理并提取有用的信息?？捎糜诘刭|(zhì)、礦藏勘探和森林、水利、海洋、農(nóng)業(yè)等資源的調(diào)查；自然災(zāi)害預(yù)測預(yù)報(bào) ；環(huán)境污染監(jiān)測；氣象衛(wèi)星云圖處理以及用于軍事目的的地面目標(biāo)識別。(4) 數(shù)字圖像處理還應(yīng)用于 工業(yè)生產(chǎn)中的產(chǎn)品質(zhì)量檢測、生產(chǎn)過程的自動(dòng)控制、計(jì)算機(jī)輔助設(shè)計(jì)與制造、

20、 醫(yī)學(xué)和農(nóng)業(yè)等各個(gè)方面 。圖像匹配是圖像處理的一個(gè)基本問題，用于將不同時(shí)間、不同傳感器、不同視角及不同拍攝條件下獲取的兩幅或多幅圖像進(jìn)行匹配，其最終目的在于建立兩幅圖像之間的對應(yīng)關(guān)系，確定一幅圖像與另一幅圖像的幾何變換關(guān)系式，用以糾正圖像的形變。 總的來說圖像匹配就是找到兩幅不同圖像之間的空間位置關(guān)系。圖像匹配技術(shù)是實(shí)現(xiàn)圖像融合、圖像校正、圖像鑲嵌以及目標(biāo)識別與跟蹤的關(guān)鍵步驟之一。 圖像匹配就是把具有同一場景的兩幅或多幅圖像在空間上對準(zhǔn)，進(jìn)而確定它們之間變換關(guān)系的過程，這些圖像可能是在不同時(shí)間、用不同傳感器、從不同視角拍攝下來的。隨著科學(xué)技術(shù)的發(fā)展，圖像匹配不僅成為現(xiàn)代信息處理領(lǐng)域中一項(xiàng)十分重

21、要的技術(shù)，而且是一些圖像分析技術(shù)的基礎(chǔ)，在許多方面有著重要的應(yīng)用價(jià)值，如醫(yī)學(xué)圖像診斷、遙感數(shù)據(jù)分析、模式識別和計(jì)算機(jī)視覺等2。(1)醫(yī)學(xué)圖像診斷：腫瘤檢測、CT、MRI、PET 圖像結(jié)構(gòu)信息融合、數(shù)字剪影血管造影術(shù)等；(2)遙感數(shù)據(jù)分析：分類、定位和識別多譜段的場景信息、自然資源監(jiān)控、核生長監(jiān)控、市區(qū)增長監(jiān)控等；(3)模式識別：目標(biāo)物體運(yùn)動(dòng)跟蹤、序列圖像分析、穩(wěn)像、特征識別、簽名檢測等；(4)計(jì)算機(jī)視覺：三維重建、目標(biāo)定位、自動(dòng)質(zhì)量檢測、虛擬現(xiàn)實(shí)等。北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）4 隨著科學(xué)技術(shù)的發(fā)展，圖像匹配己成為圖像信息處理領(lǐng)域中一項(xiàng)非常重要的技術(shù)?，F(xiàn)在約40的機(jī)器視覺應(yīng)用中需要用到圖像匹配

22、技術(shù)，所涉及的應(yīng)用領(lǐng)域從上述幾種應(yīng)用擴(kuò)大到工業(yè)檢測的地形匹配、光學(xué)和雷達(dá)的圖像跟蹤、工業(yè)流水線的白動(dòng)監(jiān)控、工業(yè)儀表的自動(dòng)監(jiān)控、資源分析、氣象預(yù)報(bào)、醫(yī)療診斷、交通管理、文字識別以及圖像檢索等。圖像匹配的研究涉及到多方面，包括圖像采集、圖像分割、圖像處理、特征提取等方面，并且與計(jì)算機(jī)視覺、多維信號處理和數(shù)值計(jì)算方法緊密結(jié)合。它也是一些圖像分析技術(shù)的基礎(chǔ)。正因?yàn)閳D像匹配應(yīng)用的廣泛性，新的要求和新的應(yīng)用逐步產(chǎn)生，使得圖像匹配算法的研究逐步加深3。第第 1.2 節(jié)節(jié) 圖像匹配的概述圖像匹配的概述1.2.1 圖像匹配的概念圖像匹配的概念 圖像匹配是指通過一定的匹配算法在兩幅或多幅圖像之間識別同名點(diǎn)，如二維

23、圖像匹配中通過比較目標(biāo)區(qū)和搜索區(qū)中相同大小的窗口的相關(guān)系數(shù)，取搜索區(qū)中相關(guān)系數(shù)最大所對應(yīng)的窗口中心點(diǎn)作為同名點(diǎn)。其實(shí)質(zhì)是在基元相似性的條件下，運(yùn)用匹配準(zhǔn)則的最佳搜索問題。 圖像匹配就是找到兩幅不同圖像之間的空間位置關(guān)系。圖像匹配技術(shù)是實(shí)現(xiàn)圖像融合、圖像校正、圖像鑲嵌以及目標(biāo)識別與跟蹤的關(guān)鍵步驟之一4。圖像匹配的研究涉及到多方面，包括圖像采集、圖像分割、圖像處理、特征提取等方面，并且與計(jì)算機(jī)視覺、多維信號處理和數(shù)值計(jì)算方法緊密結(jié)合。它也是一些圖像分析技術(shù)的基礎(chǔ)。正因?yàn)閳D像匹配應(yīng)用的廣泛性，新的要求和新的應(yīng)用逐步產(chǎn)生，使得圖像匹配算法的研究逐步加深，出現(xiàn)了快速、穩(wěn)定、魯棒性好的匹配算法因此，對現(xiàn)有

24、匹配算法展開分析對幾實(shí)際工程提高圖像處理質(zhì)量和識別精度具有非常重要的意義。一般來說，圖像的模板匹配技術(shù)主要可以分成基于灰度值的方法以及基于特征提取的方法兩大類?；叶绕ヅ涞幕舅枷?：以統(tǒng)計(jì)的觀點(diǎn)將圖像看成是二維信號，采用統(tǒng)計(jì)相關(guān)的方法尋找信號間的相關(guān)匹配。利用兩個(gè)信號的相關(guān)函數(shù)，評價(jià)它北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）5們的相似性以確定同名點(diǎn)。特征匹配是指通過分別提取兩個(gè)或多個(gè)圖像的特征（點(diǎn)、線、面等特征） ，對特征進(jìn)行參數(shù)描述，然后運(yùn)用所描述的參數(shù)來進(jìn)行匹配的一種算法5。1.2.2 影影響響圖圖像像匹匹配配的的主主要要因因素素根據(jù)已知模式的圖像在一幅陌生圖像中尋找對應(yīng)該模式的子圖像被稱為圖像匹配。

25、由于傳感器噪聲、光照、目標(biāo)移動(dòng)和變形、成像過程中視角改變或者環(huán)境的改變會使同一場景在不同條件下投影所得到的二維圖像會有很大的差異。為解決圖像畸變帶來的匹配難度，人們基于以下四個(gè)要素提出了許多匹配算法：(1)特征空間 特征空間是由參與匹配的圖像特征構(gòu)成的，特征可以是灰度值，也可以是邊界、輪廓、表面、顯著特征、統(tǒng)計(jì)特征、高層結(jié)構(gòu)描述與句法描述等。選擇合理的特征可以提高匹配性能、降低搜索空間、減小噪聲等不確定性因素對算法的影響，提高適應(yīng)性；(2)形似性度量 相似性度量指用什么來確定待匹配特征之間的相似性，它通常是某種代價(jià)函數(shù)或者是距離函數(shù)的形式。經(jīng)典的相似性度量包括相關(guān)函數(shù)和Minkowski距離,

26、最近人們又提出了Hausdorff距離，互信息作為匹配度量；(3)搜索空間 圖像匹配問題是一個(gè)參數(shù)的最優(yōu)估計(jì)問題，待估計(jì)參數(shù)組成的空間即搜索空間， 成像畸變的類型和強(qiáng)度決定了搜索空間的組成和范圍；(4)搜索策略搜索策略是用合適的搜索方法在搜索空間中找出平移、旋轉(zhuǎn)等變換參數(shù)的最優(yōu)估計(jì)，使得圖像之間經(jīng)過變換后的相似性最大。搜索策略有窮盡搜索、分層搜索、模擬退火算法、Powell方向加速法、動(dòng)態(tài)規(guī)劃法、遺傳算法和神經(jīng)網(wǎng)絡(luò)法等。第第 1.3 節(jié)節(jié) 圖圖像像匹匹配配的的研研究究現(xiàn)現(xiàn)狀狀 圖像匹配一直以來都是計(jì)算機(jī)視覺的基本問題之一，其中包括許多目前炙手可北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）6熱的領(lǐng)域，如目標(biāo)或場

27、景識別、立體匹配和目標(biāo)跟蹤等。建立正確匹配是解決問題的關(guān)鍵。各行各業(yè)的專家學(xué)者從問題的不同方面出發(fā)運(yùn)用多種方法，對如何得到既快又好的匹配算法進(jìn)行了探索研究6。70年代初，美國首先在飛行器輔助導(dǎo)航系統(tǒng),武器投射系統(tǒng)的末制等應(yīng)用研究中首先提出了圖像匹配這一概念。發(fā)展到80年代以后，圖像匹配應(yīng)用已從原來的軍事應(yīng)用擴(kuò)展到其他領(lǐng)域 。根據(jù)實(shí)際應(yīng)用的需要，人們在提高圖像匹配的精度 、速度、通用性以及抗干擾性等方面做了大量的研究工作。研究內(nèi)容主要涉及特征空間 、相似性度量和搜索策略，即圖像匹配的三要素，如表11所示。從最早的70年代初，P.E.Anuta提出利用FFT（Fast Fourier Transf

28、orm）算法進(jìn)行圖像互相關(guān)檢測計(jì)算的圖像配準(zhǔn)技術(shù)，提高了圖像配準(zhǔn)過程的速度；直到現(xiàn)在各種各樣的匹配方法的出現(xiàn)，圖像匹配算法經(jīng)過幾十年的發(fā)展已經(jīng)取得了很大的進(jìn)展，但由于拍攝環(huán)境復(fù)雜多變和實(shí)際需求差別較大，現(xiàn)在還沒有一種算法能夠解決所有圖像的匹配問題。于是尋求探討一種新的算法能綜合利用這些方法的優(yōu)點(diǎn)將會取得更好的匹配結(jié)果。表表11 匹匹配配三三要要素素特征空間相似性度量搜索策略灰度相關(guān)系數(shù)層次特征點(diǎn)歸一化相關(guān)系數(shù)迭代點(diǎn)匹配邊緣強(qiáng)度歸一化相關(guān)系數(shù)及匹配濾波器層次迭代或模擬退火二值邊緣統(tǒng)計(jì)相關(guān)與匹配濾波器模擬退火曲線絕對差之和、局部熵差遺傳算法、神經(jīng)網(wǎng)絡(luò)表面奄模相關(guān)樹或圖匹配統(tǒng)計(jì)屬性Hausdorff

29、距離松弛算法模型最小距離分類器能量最小化高層匹配互信息快速FFT北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）7第第 2 章章 圖像匹配的幾種算法圖像匹配的幾種算法 圖像匹配研究涉及到了圖像采集、圖像預(yù)處理、圖像分割、特征提取等，并且與計(jì)算機(jī)視覺、多維信號處理和數(shù)值計(jì)算方法等緊密結(jié)合。它也是其它一些圖像分析技術(shù)，如立休視覺、運(yùn)動(dòng)分析、數(shù)據(jù)融合等的基礎(chǔ)。正因?yàn)槠鋺?yīng)用的廣泛性，新的應(yīng)用和新的要求逐步產(chǎn)生，使得匹配算法的研究逐步走向深入，出現(xiàn)了快速、穩(wěn)定、魯棒性好的匹配算法因此，對現(xiàn)有匹配算法展開分析對幾實(shí)際工程提高圖像處理質(zhì)量和識別精度具有非常重要的意義 圖像匹配是指通過一定的匹配算法在兩幅或多幅圖像之間識別同名點(diǎn)

30、，如二維圖像匹配中通過比較目標(biāo)區(qū)和搜索區(qū)中相同大小的窗口的相關(guān)系數(shù)，取搜索區(qū)中相關(guān)系數(shù)最大所對應(yīng)的窗口中心點(diǎn)作為同名點(diǎn)。其實(shí)質(zhì)是在基元相似性的條件下，運(yùn)用匹配準(zhǔn)則的最佳搜索問題。圖像匹配的算法很多, 但基本原則是不變的：算法必須有效；必須穩(wěn)定；必須快速?；旧峡梢詫⑵ヅ渌惴ǚ譃榛谙笏鼗叶认嚓P(guān)的匹配、基于圖像特征的匹配以及基于其它理論的圖像匹配, 綜述了具有代表性的傳統(tǒng)匹配算法以及近年來的新思路和新方法。第第 2.1 節(jié)節(jié) 基于像素灰度相關(guān)的匹配算法基于像素灰度相關(guān)的匹配算法基于灰度相關(guān)的匹配算法，即對待匹配得兩幅圖像以一定的灰度陣列按某種或幾種相似性度量順次搜索匹配的方法，其匹配性能主要取決

31、于相似性度量及搜索策略的選擇。匹配窗口大小的選擇也是影響匹配性能的一個(gè)重要因素，當(dāng)景物存在遮擋或者圖像不光滑時(shí)，選擇大窗口容易出現(xiàn)錯(cuò)誤的匹配，而小窗口又不能滿足強(qiáng)度的變化，因此為了達(dá)到最好的匹配效果，可以自動(dòng)適應(yīng)調(diào)整匹配窗口的大小?；诨叶认嚓P(guān)的匹配算法直接利用圖像的灰度進(jìn)行匹配，可以利用圖像的所有信息，但需要處理很大的信息量，計(jì)算復(fù)雜而且容易出錯(cuò)，很難達(dá)到實(shí)時(shí)匹配的要求，而且對圖像間的細(xì)微差別很敏感，一個(gè)很小的變化都有可能對匹配的結(jié)果產(chǎn)生很大的影響，從而導(dǎo)致匹配的失敗 。所以該算法抗噪聲及其他抗干擾的能力比較差，只能用于對具有相同外界條件的兩幅圖像進(jìn)行匹配7。北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）8設(shè)

32、參考圖像 Xij的大小為 mn，輸入圖像 Yij 的大小為 MN，其中Mm，Nn。Y(a，b)ij 表示輸入圖像以(a，b)為中心，與參考圖像大小相等，對應(yīng)(i，j)位置的像素灰度。（1）不變矩匹配法）不變矩匹配法 不變矩匹配算法用兩個(gè)圖像之間七個(gè)不變矩之間的相似性來描述相似度?，F(xiàn)在如果令實(shí)時(shí)圖的不變矩為Mij=1，2.7，并且令實(shí)驗(yàn)位置(u，v)上的基準(zhǔn)子圖的不變矩為Ni (u，v)，j=1，2.7，則兩圖之間的相似度可以用任一種相關(guān)算法來度址本文采用上面的歸一化相關(guān)算法時(shí)其相似度如式(3)，其中R(u，v)是實(shí)驗(yàn)位置(u，v)上的不變矩的相關(guān)值。 R(u,v)=/1/2 (21)（2）灰度

33、的絕對差值法）灰度的絕對差值法(AD) 模板N在圖像M上平移，搜索窗口所覆蓋的子圖記作Mi,j，i， j為子圖的左上角頂點(diǎn)在圖M中的坐標(biāo)。最簡單的基于灰度值的方法是利用灰度的絕對差值(absolute difference，簡稱AD) 即計(jì)算模板與搜索子圖灰度值的 L1 距離8: D(i,j)=|Mi,j(m,n)-N(n,m)| (22)其中， S ，T 分別代表圖像各個(gè)像素的灰度值，m，n代表各個(gè)像素的坐標(biāo)。D(i, j)值越小，表示兩個(gè)像素塊越相似。這種方法雖然計(jì)算比較簡單，但是它對噪聲非常敏感。顯然，此種算法的時(shí)間復(fù)雜度是O(M2N2) ，一旦搜索圖的灰度發(fā)生變化，算法將可能會失效。（

34、3）差方和法）差方和法(SSD)這種方法是計(jì)算模板與搜索子圖灰度值的L2距離： D(i,j)= |Mi,j(m,n)-N(n,m)|2 (23)基于灰度值的匹配方法的主要特點(diǎn)是計(jì)算簡單，但是由于計(jì)算相似度時(shí)往往涉及到待匹配單元的每個(gè)像素的灰度值，所以導(dǎo)致整個(gè)匹配搜索過程要消耗巨大的計(jì)算量?；诨叶鹊钠ヅ渌愦嬖谌缦聨讉€(gè)缺陷：(1)對圖像的灰度變化比較敏感，尤其是非線性的光照變化，將大大降低算法的性能：(2)計(jì)算復(fù)雜度高；(3)對目標(biāo)的旋轉(zhuǎn)，形變以及遮擋比較敏感。利用灰度信息匹配方法存在著各種缺陷，實(shí)際工作中一般都有一定的速度要求，所以這些方法很少被使用。北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）9第第 2.2

35、 節(jié)節(jié) 基于特征的匹配算法基于特征的匹配算法 基于特征的匹配算法根據(jù)兩幅圖像相同特征的集合關(guān)系計(jì)算配準(zhǔn)參數(shù)，而圖像的低級別特征主要有點(diǎn)、邊緣及面特征等。但是面特征提取比較麻煩，耗時(shí)多，因此基于特征的匹配算法主要是研究利用特征點(diǎn)和邊緣特征進(jìn)行匹配。 基于特征點(diǎn)的圖像匹配主要有點(diǎn)點(diǎn)匹配和點(diǎn)集匹配兩種 。點(diǎn)點(diǎn)匹配首先按一定的約束關(guān)系得到兩個(gè)點(diǎn)集，然后利用其它的約束條件剔除錯(cuò)誤匹配點(diǎn)，最好確定點(diǎn)與點(diǎn)的一一對應(yīng)關(guān)系 。點(diǎn)集匹配不需要建立明確的點(diǎn)點(diǎn)對應(yīng)關(guān)系，只需要利用點(diǎn)的位置和相互關(guān)系進(jìn)行匹配 。Hausdorff距離不需要精確的點(diǎn)點(diǎn)對應(yīng)關(guān)系，對非相似變形不敏感，因此該匹配方法廣泛應(yīng)用于特征圖像的匹配9。

36、 圖像特征分為兩類，第一類是局部特征，比如說角點(diǎn)，邊緣點(diǎn)，短的邊緣或線段，小塊區(qū)域等；第二類是全局特征，通常由幾個(gè)多邊形或是幾個(gè)對圖像內(nèi)容更為復(fù)雜的描述構(gòu)成。特征匹配首先對圖像進(jìn)行預(yù)處理來提取其高層次的特征，然后建立兩幅圖像之間特征的匹配對應(yīng)關(guān)系，通常使用的特征基元有點(diǎn)特征、邊緣特征和區(qū)域特征。特征匹配需要用到許多諸如矩陣的運(yùn)算、梯度的求解、還有傅立葉變換和泰勒展開等數(shù)學(xué)運(yùn)算。 基于特征的匹配方法主要涉及到兩個(gè)關(guān)鍵步驟： （1）特征提?。赫缟衔奶岬降?，圖像特征分為局部特征和全局特征。有些方法采用角點(diǎn)作為局部特征，如也有些方法采用線段，比如通過提取高分辨率遙感城市圖像中的道路作為特征來匹配也可

37、以是邊緣，輪廓，小塊區(qū)域等其他更為復(fù)雜的特征，比如以多邊形區(qū)域作為待匹配特征。而全局特征就是局部特征的組合。常用的特征提取與匹配方法有：模型法、幾何參數(shù)法、幾何法、邊界特征法、信號處理法、傅氏形狀描述法、統(tǒng)計(jì)方法、形狀不變矩法等。 （2）特征匹配：特征匹配是指在兩幅圖像的特征之間建立對應(yīng)關(guān)系的過程。特征匹配方法涉及到對特征描述的定義和特征匹配策略兩點(diǎn)。對特征描述的定義即如何量化地描述一個(gè)特征，一個(gè)好的特征描述定義應(yīng)該盡量做到以下幾點(diǎn)：來自兩幅圖像的特征應(yīng)該就有幾何不變性，特征值受噪聲的影響應(yīng)該小；要使特征值盡量分散，即不同的特征應(yīng)該有不同的特征值，這樣才可以避免歧義性；一個(gè)特征有多個(gè)特征可匹配

38、，要使特征的描述盡量簡單，過于復(fù)雜的描述會增加計(jì)算復(fù)雜度。在多數(shù)情況下這幾點(diǎn)是矛盾的，所以一個(gè)好的特征描述定義應(yīng)該很好的權(quán)衡好這幾點(diǎn)問北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）10題。特征匹配策略是指如何快速準(zhǔn)確地找到特征之間的對應(yīng)關(guān)系。常用的基于特征的匹配算法有距離匹配方法、最小均方誤差匹配、金字塔小波匹配等，以及現(xiàn)在很熱門的SIFT算法?；谔卣鞯膱D像匹配方法流程如圖 21：特征提取特征匹配圖像變換圖圖21圖像匹配方法流程圖圖像匹配方法流程圖2.2.1 特征點(diǎn)的描述特征點(diǎn)的描述 如何準(zhǔn)確提取穩(wěn)定的特征點(diǎn)是基于特征的圖像匹配算法首先需要解決的問題，能否準(zhǔn)確提取穩(wěn)定的特征點(diǎn)直接影響匹配算法的實(shí)現(xiàn)，因此對特征

39、點(diǎn)提取算法進(jìn)行研究具有重要的意義。本章對特征點(diǎn)的提取算法進(jìn)行分析，的能找出一種快速有效的特征點(diǎn)提取算法10。理想的特征點(diǎn)中含有反映圖像的重要結(jié)構(gòu)信息，容易與別的像素點(diǎn)區(qū)別，并且當(dāng)圖像發(fā)生變換或者獲取圖像的視覺發(fā)生變化時(shí)，仍然能保持獨(dú)立性。在常見的特征點(diǎn)有灰度局部極大值點(diǎn)、邊緣點(diǎn)、角點(diǎn)和拐點(diǎn)等等。由于特征點(diǎn)的定義又很大差異，征點(diǎn)的提取方法也各有各的特點(diǎn)，但是一個(gè)理想的特征點(diǎn)提取算法具有以下的特性：(1)能夠提取出所有特征點(diǎn)；(2)提取的特征點(diǎn)位置精確,即不存在位置偏差；(3)對噪聲不敏感；(4)不能提取出錯(cuò)誤的特征點(diǎn)；(5)能夠?qū)崟r(shí)提取特征點(diǎn)； 在實(shí)際的操作過程中，由于各種原因不能完全滿足以上的

40、要求，但是可以根據(jù)所需要可以偏重某一方面的性能。例如有的特征點(diǎn)的提取算法運(yùn)算量非常大，在加上算法精度很高，無法實(shí)現(xiàn)實(shí)時(shí)處理。還有的就是雖然算法定位精度和運(yùn)算速度很理想，但是有噪聲影響，導(dǎo)致其性能下降。此外，現(xiàn)有的特征點(diǎn)提取算法很難保證不存在漏檢某些特征點(diǎn)以及提取一些錯(cuò)誤的特征點(diǎn)。由于理想的特征點(diǎn)提取難以實(shí)現(xiàn),但可以根據(jù)各個(gè)特征點(diǎn)的特性來確定一個(gè)特征點(diǎn)提取算法的評價(jià)標(biāo)準(zhǔn)，為以下四個(gè)方面:北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）11(1)有效性。提取算法能夠提取出圖像中盡可能多地特征點(diǎn)。(2)特征點(diǎn)位的精確性。提取的特征點(diǎn)盡可能接近其真實(shí)位置。(3)穩(wěn)定性。當(dāng)圖像受到例如噪聲等干擾時(shí)，仍然能夠踢除相應(yīng)的特征點(diǎn)

41、并且不存在位置偏差。(4)簡單性。特征點(diǎn)提取算法越簡單，運(yùn)行速度越快，則就比較容易滿足實(shí)際的要求，其使用價(jià)值就越大。就目前來說，基于特征點(diǎn)匹配的算法很多，基本上可以分為基于邊緣的特征點(diǎn)提取算法和基于灰度的特征點(diǎn)提取算法。其中基于邊緣的特征點(diǎn)的提取算法的中心思想是：特征點(diǎn)是兩條獲多條邊界交叉點(diǎn)的特殊邊界點(diǎn)，因此這些算法要先對圖像進(jìn)行分割，提取圖像的邊界信息，然后通過對圖像的邊界點(diǎn)進(jìn)行分析提取特征點(diǎn)?；诨叶忍卣鼽c(diǎn)提取算法主要根據(jù)像素點(diǎn)的灰度或梯度特征提取特征點(diǎn)?；谶吘壧卣鼽c(diǎn)的提取算法對圖像分割的依賴性相對較大，基于灰度的特征點(diǎn)提取算法則可以通過圖像的灰度信息直接提取特征點(diǎn) 。2.2.2 特特征

42、征點(diǎn)點(diǎn)的的提提取取算算法法特征點(diǎn)提取與匹配是計(jì)算機(jī)圖形學(xué)中最基礎(chǔ)的一個(gè)研究課題，現(xiàn)在已經(jīng)有很多研究成果和應(yīng)用項(xiàng)目，每種方法都有其優(yōu)點(diǎn)。SIFT(Scale Invariance Feature Transform)方法是由David Lowe 提出的，利用SIFT 方法從圖像中提取出的特征點(diǎn)可以用于一個(gè)物體或場景不同視角下的可靠匹配，提取出的特征點(diǎn)對圖像尺度和旋轉(zhuǎn)保持不變，對光線變化、噪聲、仿射變化都具有魯棒性，另外，SIFT提取出的特征點(diǎn)具有很高的獨(dú)特性，因此從某種意義上說一個(gè)特征點(diǎn)可以在多幅圖像提取出的特征點(diǎn)庫中得到正確匹配的概率極高。SIFT算法的主要思路是：首先建立圖像的尺度空間表示，

43、然后在尺度空間中搜索圖像的極值點(diǎn)，由極值點(diǎn)建立特征描述向量。采用SIFT方法提取的圖像特征具有放縮不變性、旋轉(zhuǎn)不變性，還有一定的抗光照變化和抗視點(diǎn)變換性能。1. SIFT特征點(diǎn)的提取11David G. Lowe 在2004 年總結(jié)了現(xiàn)有的基于不變量技術(shù)的特征檢測方法，并正式提出了一種基于尺度空間的，對圖像縮放、旋轉(zhuǎn)甚至仿射變換保持不變性的圖像局部特征描述算子-SIFT 算子，全稱Scale Invariant Feature Transform ，即尺度不變北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）12特征變換。SIFT 算法首先在尺度空間進(jìn)行特征檢測，并確定關(guān)鍵點(diǎn)的位置和關(guān)鍵點(diǎn)所處的尺度，然后使用關(guān)鍵點(diǎn)

44、鄰域梯度的主方向作為該點(diǎn)的方向特征，以實(shí)現(xiàn)算子對尺度和方向的無關(guān)性。SIFT 算法的實(shí)現(xiàn)主要包括4個(gè)步驟:(1) 檢測尺度空間極值，以初步確定關(guān)鍵點(diǎn)位置和所在尺度。(2) 精煉特征點(diǎn)位置。通過擬和三維二次函數(shù)以精確確定關(guān)鍵點(diǎn)的位置和尺度，同時(shí)去除低對比度的關(guān)鍵點(diǎn)和不穩(wěn)定的邊緣響應(yīng)點(diǎn)（因?yàn)镈OG算子會產(chǎn)生較強(qiáng)的邊緣響應(yīng)），以增強(qiáng)匹配穩(wěn)定性、提高抗噪聲能力。(3) 計(jì)算特征點(diǎn)的描述信息，利用關(guān)鍵點(diǎn)鄰域像素的梯度方向分布特性為每個(gè)關(guān)鍵點(diǎn)指定方向參數(shù)，使算子具備旋轉(zhuǎn)不變性。(4) 生成本地特征點(diǎn)描述符。2. SIFT特征匹配 SIFT 特征匹配算法包括兩個(gè)階段：第一階段是SIFT 特征的生成，即從多幅

45、待匹配圖像中提取出對尺度縮放、旋轉(zhuǎn)、亮度變化無關(guān)的特征向量；第二階段是SIFT 特征向量的匹配。 當(dāng)兩幅圖像的SIFT 特征向量生成后，下一步采用關(guān)鍵點(diǎn)特征向量的歐式距離來作為兩幅圖像中關(guān)鍵點(diǎn)的相似性判定度量。 給定N 個(gè)數(shù)據(jù)點(diǎn)組成的數(shù)據(jù)集合P，假設(shè)它們中的絕大多數(shù)是由一個(gè)參數(shù)未知的特定的模型產(chǎn)生的，該模型的參數(shù)至少需要n個(gè)數(shù)據(jù)點(diǎn)求出，N n?，F(xiàn)在所要解決的問題就是要求出這個(gè)模型的參數(shù)。將下述過程運(yùn)行k次： (1) 從P中隨機(jī)選取n個(gè)數(shù)據(jù)點(diǎn)的子集Sl ； (2) 由選取的這n個(gè)數(shù)據(jù)點(diǎn)計(jì)算出一個(gè)模型M ； (3) 對數(shù)據(jù)集合中其余的N - n 個(gè)數(shù)據(jù)點(diǎn)，計(jì)算出它們與模型M之間的距離,記錄在Ml

46、的某個(gè)誤差允許范圍內(nèi)的P中數(shù)據(jù)點(diǎn)的個(gè)數(shù)count 。在重復(fù)步驟( 1) ( 3) k次之后，對應(yīng)最大count值的模型即為所求模型，數(shù)據(jù)集合p 中的這count個(gè)數(shù)據(jù)即為內(nèi)點(diǎn)，其余的N - count個(gè)數(shù)據(jù)點(diǎn)即為外點(diǎn)。在提純應(yīng)用中，透視矩陣由 4 個(gè)匹配點(diǎn)得出。文中將第二幅圖像平面分成 16 個(gè)小方格，每次選取 4 個(gè)包含特征點(diǎn)的方格，再在每個(gè)方格內(nèi)隨機(jī)選取一個(gè)點(diǎn)，由這四個(gè)點(diǎn)計(jì)算透視矩陣。選用內(nèi)點(diǎn)閾值為 1. 25 ，即特征點(diǎn)提取標(biāo)準(zhǔn)差為 0. 5107 個(gè)像北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）13素值，定義閾值計(jì)算公式為 dv = d2 ( x- Mx )，小于等于閾值的特征點(diǎn)對為 M 的內(nèi)點(diǎn)，大于

47、閾值的則為外點(diǎn)。以前后兩次內(nèi)點(diǎn)數(shù)目不發(fā)生變化為迭代終止條件。從而可以得到了優(yōu)化的內(nèi)點(diǎn)集合來進(jìn)一步計(jì)算透視矩陣 M。第第 2.3 節(jié)節(jié) 基于邊緣特征的匹配算法基于邊緣特征的匹配算法邊緣無疑是圖像中最顯著和直觀的特征，它存在于圖像的目標(biāo)區(qū)域和背景之間，對應(yīng)著圖像中更抽象的信息和匹配時(shí)比區(qū)域匹配更少的計(jì)算量。圖像的邊緣主要表現(xiàn)為圖像局部特征的不連續(xù)性，是圖像中灰度變換比較劇烈的地方。圖像的邊緣劃分為階躍狀和屋頂狀。階躍狀邊緣中邊緣兩邊的灰度值有明顯的變化；而屋頂狀邊緣中邊緣位于灰度增加與減少的交界處。在數(shù)學(xué)上可以利用灰度的導(dǎo)數(shù)來描述邊緣點(diǎn)的變化，對階躍狀邊緣、屋頂狀邊緣分別求其一階、二階導(dǎo)數(shù)。為了求

48、取邊緣方向直方圖，需要提取圖像中目標(biāo)的邊緣?；谛螤畹膱D像檢索技術(shù)對于邊緣的定位要求很高，這將會直接影響到最終的檢索效果。目前，用于邊緣檢測的算子有很多，如 Roberts 算子、Sobel 算子、Prewitt 算子和 Canny 算子。其中 Canny 算子是比較常用的方法，下面將簡單介紹上述的邊緣特征提取方法12。2.3.1 Roberts 邊緣檢測算子邊緣檢測算子任意一對相互垂直方向上的差分可以看成求梯度的近似方法，Roberts 邊緣檢測算子利用該原理，采用對角線方向相鄰兩像素之差代替梯度，即 fx=f(i,j)- f(i+1,j+1) (24) fy=f(i,j+1)- f(i+1

49、,j) (25)梯度幅值近似為 R(i,j)=或 R(i,j)=|fx|+|fy| (26)通過差分可以求得Roberts 算子在差分點(diǎn)(i +1/2, j +1/2)處連續(xù)梯度幅度的近似值R(i, j)。適當(dāng)選取閾值 ，如果R(i, j) ，則認(rèn)為點(diǎn)(i, j)是邊緣點(diǎn)。Roberts 邊緣檢測算子采用對角線方向相鄰兩像素之差進(jìn)行梯度幅度檢測，其檢測水平、垂直方北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）14向邊緣檢測性能要好于斜線方向邊緣，并且檢測定位精度比較高，但對噪聲敏感。2.3.2 Sobel 邊緣檢測算子邊緣檢測算子Sobel 邊緣檢測算子的基本思想是13：以待檢測圖像的任意像素(i,j)為中心，

50、截取一個(gè)33像素窗口，分別計(jì)算窗口中心像素在x，y 方向上的梯度 Sx=f(i-1,j+1)+2f(i,j+1)+f(i+1,j+1)-f(i-1,j-1)+2f(i,j-1)+f(i+1,j-1) (27) Sy=f(i+1,j-1)+2f(i+1,j)+f(i+1,j+1)-f(i-1,j-1)+2f(i-1),j+f(i-1,j+1) (28)Sobel 邊緣檢測算子是綜合圖像每個(gè)像素的上、下、左、右鄰點(diǎn)灰度的加權(quán)和，接近中心的權(quán)值較大。適當(dāng)選取閾值門限 ，如果f (i, j) ，則認(rèn)為點(diǎn)(i,j)是邊緣點(diǎn)。Sobel 邊緣檢測算子不但可以產(chǎn)生較好的邊緣效果，而且對噪聲具有平滑作用，減小

51、了對噪聲的敏感性。但是，Sobel 算子也檢測出了一些偽邊緣，使得邊緣比較粗，降低了檢測定位精度。2.3.3 Prewitt 邊緣檢測算子邊緣檢測算子Prewitt 邊緣檢測算子是一種類似Sobel 邊緣檢測算子的邊緣模板算子，通過對圖像進(jìn)行八個(gè)方向的邊緣檢測，將其中方向響應(yīng)最大的作為邊緣幅度圖像的邊緣Prewitt 邊緣檢測算子并不把重點(diǎn)放在相鄰的像素上，它對噪聲有平滑作用。但是與Sobel邊緣檢測算子一樣，它檢測出的邊緣比較粗，定位精度比較低，容易損失如角點(diǎn)這樣的邊緣信息。由于Prewitt 邊緣檢測算子是通過八個(gè)方向模板對圖像進(jìn)行卷積運(yùn)算，顯然其運(yùn)算量是比較大的。2.3.4 Canny

52、邊緣檢測算子邊緣檢測算子 圖像邊緣檢測的方法很多，而Canny算子是目前圖像邊緣檢測方法中最好的，它是Canny于1986年提出的，具有良好的信噪比和檢測精度。Canny 算法有三個(gè)邊緣檢北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）15測準(zhǔn)則：(1)好的檢測性能。不易漏檢真實(shí)邊緣，不把非邊緣點(diǎn)作為邊緣點(diǎn)檢出，使輸出的信噪比最大。(2)好的定位精度。檢測到的邊緣點(diǎn)與實(shí)際邊緣點(diǎn)位置最近。(3)好的單邊緣響應(yīng)。算子檢測到的邊緣點(diǎn)與實(shí)際邊緣點(diǎn)應(yīng)該是一一對應(yīng)的。 Canny算子進(jìn)行邊緣檢測的步驟主要有：假設(shè)I是n*n的灰度圖像，首先利用高斯濾波器(Gaussian Smoother)對圖像I濾波，消除圖像中的噪聲： H

53、(i,j)=2 G(i,j)=f(i,j)*H(i,j)(卷積) (29)其中是高斯函數(shù)的散步參數(shù)，用于控制平滑程度(假設(shè)取值為1)；f( i, j)為待平滑的圖像數(shù)據(jù),即圖像I中的像素，G( i, j)為平滑后的圖像數(shù)據(jù)，H ( i,j)是高斯濾波函數(shù)。接著對濾波后的圖像求梯度。沿著x方向的梯度(水平梯度)為： P(i,j)=G(i,j+1)-G(i,j)+G(i+1,j+i)-G(i+1,j) /2,0i,jn (210)表表 21 x方向梯度模板方向梯度模板j-1jj+1i-1000I0-11i+10-11 沿著y方向的梯度(垂直梯度)為： Q(i,j)=G(i,j)-G(i+1,j)+

54、G(i,j+1)-G(i+1,j+1) /2,0i,jn (211)表表22 y方向梯度模板方向梯度模板j-1jj+1i-1000i011i+10-1-1求取梯度后的圖像， I( i, j) =| P ( i, j) |+|Q ( i, j) | ，通過下面兩個(gè)式子求取幅值并勾勒出圖像的邊緣(即e ( i, j)=255的像素點(diǎn)) ：北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）16 M(i,j)= (212) e(i,j)= (213)這樣在e ( i, j) = 255處的梯度方向?yàn)?for e(i,j)=255 (214)0360，為了計(jì)算方便，把量化為72份,每個(gè)區(qū)間內(nèi)的角度個(gè)數(shù)可以通過數(shù)組元素Hist

55、ogram i =Histogram/5 累加得出。顯然，邊界方向不受圖像中對象的位置的影響，為了達(dá)到不受圖像縮放的影響，需要對得到的邊緣方向直方圖進(jìn)行歸一化：Histogram i /nEdge。其中nEdge為所有邊緣方向的個(gè)數(shù)。但是，邊緣方向會受到圖像旋轉(zhuǎn)的影響，進(jìn)而影響到其直方圖，采用下面的平滑公式對直方圖進(jìn)行平滑： Histogramjs= (215)Histogram j 為平滑后的直方圖，參數(shù)K在本文中取1。通過以上步驟求出了灰度圖像I的滿足平移、尺度和旋轉(zhuǎn)不變性的邊緣方向直方圖，最后只需用歐拉距離來計(jì)算兩幅圖像的邊緣方向直方圖距離即可得出它們之間的相似性。第第 2.4 節(jié)節(jié) 基

56、于其它理論的圖像匹配基于其它理論的圖像匹配2.4.1 基于小波變換的圖像匹配算法基于小波變換的圖像匹配算法 傳統(tǒng)的模板匹配法運(yùn)算量大，匹配效率和精度都比較低，不能滿足機(jī)器人對圖像進(jìn)行實(shí)時(shí)處理的要求。要加快運(yùn)算速度，就要減少搜索位置和每個(gè)位置處的計(jì)算量。因此，改進(jìn)傳統(tǒng)的圖像匹配算法，將小波變換運(yùn)用到圖像匹配當(dāng)中，利用小波變換的多分辨率特性，將圖像進(jìn)行多層分解，形成金字塔式圖像數(shù)據(jù)，然后分別在每一層對圖像進(jìn)行匹配。由小波變換原理可知，圖像經(jīng)過小波變換后，被分為低頻部分和高頻部分，低頻部分保持圖像的整體特征，高頻部分保持圖像的細(xì)節(jié)特征。北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）17先在尺度空間上對圖像的低分辨率部

57、分進(jìn)行圖像匹配，然后在此結(jié)果上對高分辨率部分進(jìn)行匹配，減少了迭代次數(shù)14。 算法步驟如下所示： (1) 分別對源圖像和模板圖像進(jìn)行J 層小波分解，得到各級分解后的灰度信息； (2) 在第J 層上，采用相似度測量模板匹配法，對源圖像和模板圖的低頻部分進(jìn)行粗匹配，得到該尺度上的最佳匹配區(qū)域； (3) 在第J-1 層上，對上一步中得到的最佳匹配區(qū)域內(nèi)進(jìn)行歸一化互相關(guān)匹配計(jì)算，得到本尺度的最佳匹配區(qū)域； (4) 依此類推，重復(fù)步驟(3)的匹配計(jì)算； (5) 在第0層上，對前一步得到的最佳匹配區(qū)域進(jìn)行匹配計(jì)算，得到最終匹配結(jié)果。 在上述算法中，要考慮以下兩個(gè)要素：分解層數(shù)J 的確定和小波函數(shù)的選取。分層

58、層數(shù)的確定和模板圖像的大小是密切相關(guān)的。分解層數(shù)J 越大，圖像的空間分辨率越低，有利于減少原始圖像和匹配模板在粗尺度上搜索時(shí)間。但是分解層數(shù)過大，會損失圖像原有信息，使得高層的匹配結(jié)果很不可靠。因此，合理選取分解層數(shù)J 在模板匹配中起了至關(guān)重要的作用。 分解層數(shù)的取值應(yīng)滿足：Lmin (216) 其中： 模板圖像行寬和列寬中的較小值。在進(jìn)行圖像匹配時(shí)，要求經(jīng)過小波變換后的低頻圖像中要盡可能多的保留原始圖像的有用信息，尤其是邊緣、線段等灰度變換較大的地方，否則容易造成失配。其次計(jì)算公式應(yīng)盡量簡化，這樣可以提高運(yùn)算速度。Daubechies 小波在運(yùn)動(dòng)估計(jì)中應(yīng)用廣泛，可以很好地保留低頻信息。因此，

59、本文采用Daubechies 小波進(jìn)行圖像分解15。匹配過程如圖22所示。北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）18圖像預(yù)處理對圖像進(jìn)行J 層小波分解灰度量化低頻部分 搜索最大匹配測量值 計(jì)算相似度測量值計(jì)算灰度組合矩陣 得到一層匹配結(jié)果 根據(jù)匹配結(jié)果在上一層局部范圍內(nèi)進(jìn)行相關(guān)匹配 得到最終匹配結(jié)果圖圖 22 匹配算法的過程匹配算法的過程2.4.2 其它理論的圖像匹配其它理論的圖像匹配(1) 基于神經(jīng)網(wǎng)絡(luò)匹配神經(jīng)網(wǎng)絡(luò)是一種按照人腦的組織和活動(dòng)原理而構(gòu)造的一種數(shù)據(jù)驅(qū)動(dòng)型非線性模型。它由神經(jīng)元結(jié)構(gòu)模型、網(wǎng)絡(luò)學(xué)習(xí)算法、網(wǎng)絡(luò)連接模型等幾個(gè)要素組成，是具有某些智能功能的系統(tǒng)。利用神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像匹配的基本方法是首

60、先利用某種特征提取算法也可以是神經(jīng)網(wǎng)絡(luò)算法對圖像進(jìn)行預(yù)處理，并按要求提取一定數(shù)量的特征點(diǎn)。然后根據(jù)構(gòu)造的某種神經(jīng)網(wǎng)絡(luò)算法的要求，選取并輸入網(wǎng)絡(luò)需要的一些初始狀態(tài)，同時(shí)也將選取的特征點(diǎn)作為基本輸入?yún)?shù)。接著啟動(dòng)神經(jīng)網(wǎng)絡(luò)算法的迭代過程，可能還要有學(xué)習(xí)過程。最后給出迭代結(jié)果，片對其進(jìn)行分析評價(jià)。(2)基于解釋的圖像的匹配基于解釋的圖像的匹配技術(shù)又叫語言網(wǎng)絡(luò)法。解釋的方法是把計(jì)算機(jī)中的模型同外部世界中的物體或現(xiàn)象建立起對應(yīng)關(guān)系，利用圖像的結(jié)構(gòu)特征或關(guān)系特征，把物體和物體間的關(guān)系表示成結(jié)構(gòu)，通過沿圖中的弧作關(guān)聯(lián)搜索，建立圖中結(jié)點(diǎn)之間的關(guān)系，借助語義網(wǎng)絡(luò)、框架理論和圖論方法尋求匹配問題的解決。以圖像的底層