基于點特征的整體匹配方法研究

1、基于點特征的整體匹配方法研究目錄 TOC o 1-3 h z u HYPERLINK l _Toc354230205 摘要（ 頁 （共 17 頁）基于點特征的整體匹配方法研究1引言 在攝影測量中，有一些較為著名的點特征提取算子，如：Moravec算子、Forsmer算子與Hannah算子等。將敘述MoraVec算子和Forsmer 算子的基本原理，從提取點的定位準確性及速度兩個方面對兩種算子進行比較，并重點分析利用Moravec算子提取特征點實現(xiàn)過程分析。針對地貌測量重構中的圖像特征匹配問題，提出了一種新的圖像特征匹配方法。通過對待匹配的資源和模板圖像進行分區(qū)，并根據(jù)灰度相關值實現(xiàn)區(qū)域之間的匹

2、配，在區(qū)域匹配的基礎上再根據(jù)角點所屬區(qū)域的對應關系進行角點特征匹配運算。在角點特征匹配過程中，利用去均值歸一化相關法進行區(qū)域灰度相關運算，從而確定出初始匹配點對。為消除初始匹配角點對中的錯誤匹配點對，保證角點特征提取的準確性和可靠性，采用松弛迭代法、零交叉法以及最小平方中值法進行了錯誤匹配角點的濾除?；跀?shù)字圖像的平面位移測量是近幾年發(fā)展起來的新的位移測量方式，而點特征提取是平面位移測量實現(xiàn)的基礎，是特征匹配實現(xiàn)的基礎，是位移測量精度提高的保證。為了提高測量精度和效率，利用常用的點特征提取算法對花崗巖工作臺進行點特征提取。平面位移的測量在生產實踐和科學實踐中隨處可見，如各類儀器工作臺的精確定位

3、。傳統(tǒng)的位移測量通常采用3個位移傳感器,使測量成本增加,儀器尺寸增大。在測量空間受限制時，安裝和調試比較困難，另外這種測量方法由于環(huán)節(jié)多而使不可靠因素增加。本文在旋轉與比例不變點特征松弛匹配方法的基礎上，提出了用Hopfield神經網絡實現(xiàn)匹配過程的方法。通過對模擬圖象進行的大量實驗。得到令人滿意的結果，證實采用 Hopfield神經網絡完成旋轉與比例不變點特征松弛匹配過程的有效性和可行性。遙感圖像的配準是將不同時相、不同遙感平臺的數(shù)據(jù)配準到同一坐標系統(tǒng)下，以便各個圖像能進行像元與像元間的對比和運算。在許多遙感圖像處理中，需要對多源圖像數(shù)據(jù)進行比較和分析，而遙感圖像的配準是進行諸如圖像融合、變

4、化檢測、超分辨率圖像生成等工作的基礎。多源圖像配準與單傳感器圖像配準相比，更加困難一些，特別是波段相距較遠的圖像，由于圖像間相關性小，實現(xiàn)自動配準技術難度更大。當前的圖像配準技術通常分為兩大類：基于區(qū)域的方法和基于特征的方法。在基于區(qū)域的方法中，使用相關技術確定一個圖像的像素窗口在另一圖像中的匹配位置，采樣的匹配度量通常是相關系數(shù)。匹配窗口的中心作為控制點對，這些控制點對用以求解圖像的變換參數(shù)，基于特征的方法首先從圖像上提取一些公共特征，如輪廓、矩、區(qū)域、線性分割，然后進行精確匹配。由于這些特征不依賴于圖像的灰度級，所以基于特征的配準算法在多傳感器配準領域具有廣泛的應用。不同的任務對配準精度的

5、要求是不一樣的，有些配準精度只要在1個像素內即可。但是，對遙感圖像融合來說，往往要求配準精度在1個像素以內，例如Landsat遙感圖像的1個像素對應于地面上80 m距離，也就是說像素級的配準精度提供的分辨率是40 m。如果能達到0.1個像素的配準精度，那么就可以獲得4m的分辨率。而不斷提出的各種配準方法使得配準的精度越來越高，從像素級一直到子像素級。但其中始終存在著一個問題，就是某一種方法僅對幾組或幾種圖像可以取得好的效果，但卻不適應其他類型的數(shù)據(jù)，本文針對這一問題，提出了一種基于點特征的高精度圖像配準方法，該方法的基本思想是：在參考影像上自動提取密集的特征點作為配準控制點( RCP)，通過嚴

6、格的圖像匹配算法獲得同名點對，然后由這些同名點對構成大量不規(guī)則三角網，再以小三角形面元為單位進行數(shù)字微分糾正，從而得到精確配準的影像。2.點特征的提取在攝影測量中,有一些較為著名的點特征提取算子，如：Morava算子、Former算子與Hannah算子等。點特征是影像最基本的特征，它是指那些灰度信號在二維方向上都有明顯變化的點，如角點、圓點等。點特征可以應用于諸如圖像的配準與匹配，目標描述與識別，光束計算，運目標跟蹤、識別和立體像對3D建模等眾多領域。使用點特征進行處理，可以減少參與計算的數(shù)據(jù)量，同時又不損害圖像的重要灰度信息，在匹配運算中能夠較大的提高匹配速度，因而受人們的關注。提取點特征的

7、算子稱為興趣算子或有利算子(interest operator)，即利用某種算法從影像中提取人們感興趣的，有利于某種目的的點。在影像分析和計算機的視覺領域，根據(jù)不同應用目的選擇有效的點特征提取。2.1 Morava興趣算子 Morava于1977年提出利用灰度方差提取點特征的算子。Morava算子是在四個主要方向上，選擇具有最大一最小灰度方差的點作為特征點。 第一步，計算各像元的興趣值IV。 第二步，給定一經驗閾值，將興趣值大于該閾值的點 (即興趣值計算窗 口的中心點) 作為候選點。閾值的選擇應以候選點中包括所需要的特征點，又不含過多的非特征點為原則。第三步，選取候選點中的極值點作為特征點。除

8、了以上方法，還可以嘗試首先利用邊緣提取方法提取整個圖象的邊緣輪廓，然后在此輪廓內利用以上特征點提取方法提取特征點。2.2 forstner算子 forstner算子是從影像中提取點(角點、 圓點等) 特征的一種較為有效的算子。forstner算子通過計算各像素的Robert梯度和以像素(c，r)為中心的一個窗口的灰度協(xié)方差矩陣，在影像中尋找具有盡可能小而且接近圓的點作為特征點，它通過計算各影像點的興趣并采用抑制局部極小點的方法提取特征點。 第一步： 計算各像素的Robert 梯度 。 第二步： 計算 ll 窗口中灰度的協(xié)方差矩陣。 第三步： 計算興趣值q與w。 第四步： 確定待選點。 第五步：

9、 選取極值點。 2.3 SUSAN角點提取法 傳統(tǒng)意義上，角點定義為兩條直線邊緣的接合點。圖像的角點檢測方法可概括為兩類。第1類方法先將圖像分割為區(qū)域，用鏈碼表示目標邊界，然后通過方向變化確定角點。這種方法的主要缺點是角點檢測的結果依賴于前面的圖像割的結果。第2類方法，直接對圖像灰度級進行操作，這些方法主要利用梯度和曲率度量檢測角點。Smith等人提出的SUSAN算法為第2類方法。它用圓形模板在圖像上移動，若模板內像素的灰度與模板中心像素灰度的差值小于一定閾值，則認為該點與核具有相同的灰度，由滿足這樣條件的像素組成的局部區(qū)域稱為 “USAN( Univalue Segment Assimila

10、tingNucleus )”。根據(jù) SUSAN的尺寸、質心和二階矩，可檢測到角點特征。2.4 結論 綜上所述，Moravec算子是點特征提取算子中的經典算子之一，后來的很多點特征提取算子都是在它的基礎上改進得來的掌握 Moravec算子的原理和實現(xiàn)方法對理解其他的點特征算子的理解和應用有很大好處。但其他兩類算子也是各有各的好處，SUSAN算法的優(yōu)點在于在角點檢測時不需計算梯度，不需插值而且不依賴于前期圖像分割的結果，直接對像素的鄰域灰度值比較即可檢測出角點，因而在圖像處理中得到廣泛的應用。當然針對不同類型點特征的提取選擇不同的算子才能更有效的降低誤差出現(xiàn)。3 基于點特征的整體匹配 整體影像匹配

11、的基本思想是：通常無論是基于灰度還是基于特省匹配，多數(shù)是作單點匹配或局部匹配，它們不考慮周圍臨近點（或要素）之間的相關性。整體影像匹配是一類顧及共軛實體之間的相容性、一致性、整體協(xié)調性的影像匹配方法。它具有匹配可靠性高的特點。一般情況，地形可認為是連續(xù)的，因此臨近點的高程就有很強的相關性。如何顧及它們之間的相關性，產生最佳的整體匹配結果，這是提高影像匹配可靠性、匹配結果之間的一致性的重要途徑。它的主要方法有多點最小二乘影像匹配，動態(tài)規(guī)劃影像匹配、松弛法影像匹配、人工神經元網絡影像匹配。3.1 多點最小二乘匹配的常規(guī)算法 設，依次表示左右影像，對于左影像中任一像元及它在右影像中的同名點，我們有下

12、列觀測方程（假設無輻射畸變存在）： （3-1）是影像噪聲，如果在核線影像對上匹配，即只存在視差，則有： （3-2）式（3-2）中視差可由該像元鄰近四個視差格網點的視差雙線性內插表示，見圖3-1。設節(jié)點間的距離為1，像元P到節(jié)點（）的距離為， （3-3）把式（3-2）線性化，并把式（3-3）代入式（3-2），得到誤差方程式： （3-4）式中為右影像在方向的差分，是起始視差之增量。 i+1 j i+1 j+1 p i j i j+1 圖 3-1 相鄰4個點的位置關系設左影像中需匹配的點位于一個的規(guī)則格網節(jié)點上，依次表示行數(shù)和列數(shù)。多點最小二乘匹配的第二類誤差方程式為虛擬誤差方程式，是對節(jié)點視差的光

13、滑約束。對二階差分最小條件下的虛擬誤差方程式為 （3-5）一階差分最小條件下的虛擬誤差方程式為： （3-6）式中為光滑約束的權值。 式（3-4）、（3-5）、（3-6）即為多點最小二乘匹配的基本誤差方程式，寫成矩陣形式為： （3-7）法方程式為： (3-8)解的表示： (3-9)由于多點最小二乘匹配是對非線性方程（3-2）線性化后進行的，所以必須迭代求解。3.2 概率松弛匹配3.2.1基于概率松弛的整體影像匹配概率松弛算法是并行迭代算法，可被看作歸類或模式識別方法的一種，其基本原理可描述如下。設有一個對象集和一個類型集我們是要確定每個對象屬于哪個類型。假設各個對象的歸類之間是相關的，即對于一對

14、歸類隸屬關系和，存在著一個度量其相容性的數(shù)值，設作。根據(jù)歸類問題的實際物理意義，我們可以得到的可能性的初始估計。概率松弛算法的目的是以這些初始概率為出發(fā)點，尋求一個所有對象的最佳歸類組合，使得它們盡可能的相容。有很多種方法來度量所有幾個對象的歸類之間的整體相容性，“平均局部相容度”即是其中一種?？梢宰C明，下面將要詳細描述的松弛迭代過程將會增加上述度量的值，即增加相容性。在概率松弛的每次迭代過程中，每個對象歸屬于每個類型的概率都要根據(jù)其他對象和類型之間的歸屬關系的概率作出調整，以增進相容性。第r次迭代中，來自其他對象的對象i歸類于類型j的概率值調整的凈貢獻，而第r+1次迭代后，對象i隸屬于類型j

15、的概率的新的估計值，上述計算過程迭代進行，直至迭代收斂或滿足某人為給定的終止條件。迭代結束時所有對象的歸類之間達到了最大的相容。 就影響匹配而言，我們把左影像上的像點視作“對象”，右影像上的像點視作“類型”，這樣就可把影響匹配問題轉化為一個歸類問題，于是匹配問題即可用概率松弛法求解。為簡單起見，我們假設左右影響已被重采樣為核線影像，這樣我們只需考慮一維匹配問題。這就是整體影像匹配概率松弛算法的基本原理。 事實上，沿核線方向的影像重采樣并非概率松弛影像的必要條件。松弛法同樣適用于原始的未經重采樣的數(shù)字影像或SPOT影像，甚至物方空間的影像匹配。整體影像匹配概率松弛算法在保證可靠性方面是成功的，但

16、其處理速度過于緩慢，不足以實現(xiàn)實時的三維數(shù)據(jù)重建。 3.2.2 hopfield神經網絡 Hopfield網絡是一個復雜的遞歸網絡，它包含了從神經元輸出到輸入的反饋，這使得這類網絡的運轉成為預感動力系統(tǒng)。這意味著，當神經元接受一個新的輸入后，計算機的輸出將會立即反饋回去并改變輸入。理想的迭代過程會導致越來越小的輸出變化到輸出不再變化，這是網絡便達到了穩(wěn)定狀態(tài)。神經元之間的聯(lián)結強度可設作。已經證明，當矩陣對稱且具有零對角線時，即對所有的i，j有和時，網絡是穩(wěn)定的。滿足此條件則具有穩(wěn)定的收斂性。第i個神經元的輸入為，則 （3-10） 這里代表第j個神經元的輸出，是第i個和第j個神經元之間的聯(lián)結強度

17、，代表作用于第i個神經元的外部輸出的閾值，這個值在整個迭代過程中保持恒定。迭代過程中，神經元的輸出按照下述規(guī)則來改變： （3-11）這里函數(shù)被稱作神經元i的Sigmoid激勵函數(shù)，稱作網絡的增益，越大則函數(shù)的斜率越大。隨著系統(tǒng)的迭代發(fā)展，由于系統(tǒng)的反饋動力機制，能量將遞減直至達到最小。 適用Hopfield網絡的主要好處在于它能用集成電路實現(xiàn)，因而使得處理過程可以實時進行。 3.2.3 松弛法的Hopfield網絡實現(xiàn) 正如3.2.1所述，松弛處理的目的在于增加系統(tǒng)的所謂“平均局部兼容度”。而另一方面,Hopfield網絡在迭代過程中趨向于逐步減小能量函數(shù)的值。從這個觀點看,容易通過Hopfi

18、eld網絡來實現(xiàn)松弛運算,所要做的只是將平均局部兼容度函數(shù)轉化成某個Hopfield網絡的能量函數(shù)形式。在這個網絡中,神經元的狀態(tài)代表了原始松弛優(yōu)化問題的可能狀態(tài)。我們來構造這個網絡:標號為(i,j)的神經元代表對象類屬于類型這一假設,這一假設成立的可能性即為神經元的輸出。對照平均局部兼容度的函數(shù)表達式,易知: （3-12）其中第一項出去常數(shù)因子就是兼容度函數(shù)，而第二項當代表某一確定對象的歸屬所假設的各神經元的輸出的和等于1時，達到其最小值零(這意味著我們假設每個對象只能屬于唯一的類別),A和B均是正數(shù)。另一方面,能量函數(shù)的標準形式應是: （3-13）比較這兩個式子，易知神經元見的聯(lián)結強度矩陣

19、和神經元的外部輸入閾值應有如下形式： （3-14）當i=h時，=1；當ih時，=0。事實上，對于整體影像匹配而言，因為和滿足所有要求，因此一旦確定了和的值，網絡的特性便完全決定了，系統(tǒng)的最后穩(wěn)定狀態(tài)只取決于初始狀態(tài)。3.3 誤匹配的消除3.3.1 松弛迭代法消除誤匹配 針對初始匹配點對集合中存在一個特征點， 并且同時對應多個匹配點和大量錯誤匹配點對的情況，利用松弛迭代法可糾正這類模糊和錯誤的匹配。首先，將相關法得到的初始匹配點對表示為( ，），其中是模板圖像上的角點，是自愿圖像上的角點，定義兩個分別以點和為中心，R為半徑的鄰域N（）和N（）。 根據(jù)連續(xù)性準則，若（，）為正確的匹配點對，則在其鄰

20、域N（）和N（）內必然存在更多的正確匹配點對，將其表示為（，），其中N（），N（），且點相對于點的位置關系與點相對于的位置關系相似。若（，）是錯誤匹配點對，則在鄰域N（）和N（）內只有很少的匹配點對甚至沒有，據(jù)此定義匹配強度 （3-15） （3-16）= （3-17） (3-18)式中：為匹配點對（，）的相關性系數(shù)；為匹配點對（，）的相關性系數(shù)；為點對（，）和（，）的平均距離；為松弛迭代因子；d（m，n）為點在m與n在歐氏空間下的距離；r表示點的相對距離偏差；是相對距離偏差閥值，在實際計算中，取=0.3。 計算出S（，）后，用下式衡量其惟一性P（，）=1- （3-19）其中（，）是指在（，）的

21、鄰域內，僅次于S（，）的最大匹配強度。3.3.2 零交叉法消除誤匹配 通過松弛迭代法消除錯誤匹配后，匹配點對中還可能存在交叉的情況。假設 A和 B 為2對匹配點對，若在模板圖像中，A角點位于B角點的左側，而資源圖像中的匹配角點 位于的右側，此時稱 B匹配對與A 匹配對水平交叉。垂直交叉的情況類似，此時匹配結果不滿足順序性約束條件，因此必須消除匹配交叉現(xiàn)象。針對匹配點對存在交叉的情況，可以利用零交叉法來消除，包括水平消除和垂直消除，水平消除過程和垂直消除過程原理相同，在此僅以水平消除為例進行分析。 對于模板圖像中的某個角點，其對應的匹配角點位于資源圖像中的某個區(qū)域之中，假設這對匹配角點對為已知匹

22、配點對，在模板圖像的已知角點周圍，可能存在多組其他匹配角點對與已知匹配角點對產生水平交叉，實際計算時，可統(tǒng)計模板圖像中的已知角點所在的中心區(qū)域范圍內的每個角點對應的匹配對的水平交叉數(shù)，刪除具有最大水平交叉數(shù)的那對匹配，然后再進行統(tǒng)計計算，反復進行，直至所有匹配對的水平交叉數(shù)為0時終止。在計算水平交叉數(shù)時，可以根據(jù)順序性約束，縮小搜索的范圍，將角點搜索范圍限制在以已知角點所在區(qū)域為中心的左右共5列區(qū)域內，因此提高了計算效率。同理，對于垂直交叉，角點的搜索范圍可以定為以已知角點所在區(qū)域為中心的上下共5行區(qū)域內。 設模板圖像灰度函數(shù)為，資源圖像灰度函數(shù)為，=為模板圖像的已知角點，是該角點對應的交叉角

23、點分布范圍內的角點。如果和及其匹配點滿足水平順序匹配約束，則記S（，）=0；否則，記S（，）=1。的水平交叉數(shù)為 C(i,j)= (3-20) 式中：N為模板圖像中交叉角點分布范圍內的匹配角點數(shù)。統(tǒng)計總水平的交叉數(shù)為 T= （3-21）其中M 為松弛迭代后的匹配點對數(shù)。 找出并消除具有最大水平交叉數(shù) 的匹配角點，其灰度 函數(shù)為，這組匹配角點對的水平交叉數(shù)為 C（k，l）= （3-22）得到新的匹配角點對，進行下一輪處理，直至T=0為止。 3.3.3 最小平方中值法消除誤匹配 通過最小平方中值法，將錯誤的匹配點對從零交叉運算后的匹配點對集合中剔除掉，其原理為通過解下列非線性最小化問題來估計參數(shù)

24、min （3-23） （3-24） （3-25）式中：為第 i 對匹配點中各點與對應極線距離的殘差平方；為基礎矩陣；，為匹配點對的矩陣。在零交叉校正后的n對匹配點( （，），i=1，2，n ) 中，抽取m個樣本，每個樣本由 () 對匹配點組成。對每個樣本，使用二點法計算，對每個，可確定相對于整個匹配點對集的殘差平方的中值 = （3-26）對應于最小中值的被用于錯誤匹配點的去除。3.3.4 結論 從以上幾種方法我們可以根據(jù)自己的要求來選取一種厚幾種方法來對我們得到的數(shù)據(jù)或信息進行檢查來消除誤匹配，當然以上方法所針對的點特征類型有所不同，使用的時候需要滿足所使用方法的要求，否則會使得我們消除誤匹配

25、的目的不但沒有達成，反而致使數(shù)據(jù)或信息結果出現(xiàn)無法挽回的錯誤。以上的幾種方法若使用得當將會使得我們更方便準確的完成點特征的匹配。4實驗設計4.1 以礦山普通影像圖為實驗源進行點特征匹配通過以上理論，我們需要通過實驗來驗證我們的理論的準確性，我們就選取礦山普通影像圖為實驗源來進行點特征的提取、匹配。首先我們對所選的礦山進行拍攝影像，要在不同平移向量條件下拍攝一系列的圖像，獲得的圖像均為1280像素960像素，并在匹配之前進行了灰度化處理。接著進行程序處理，其結果顯示區(qū)域匹配算法能夠準確地搜索到3幅模板圖像中心區(qū)域在資源圖像中的正確匹配位置，根據(jù)圖像連續(xù)性建立的對應區(qū)域匹配對也同樣符合正確的匹配關

26、系。采用圖像區(qū)域匹配算法可以得到一組準確可靠的區(qū)域匹配對，能夠滿足后續(xù)角點特征匹配的要求。從表4-1的數(shù)據(jù)中可以看出，初始匹配點對的數(shù)量遠遠大于所提取出的角點特征數(shù)量，表明初始匹配點對中含有大量的錯誤匹配對，以及一對多個點的錯誤匹配問題，而隨著匹配約束的逐步應用，匹配點對數(shù)量在大幅度減少，其中松弛迭代法消除的匹配點對最多。由最小平方中值法消除錯誤匹配后確定出的最終匹配角點對，與初始匹配角點對的主梁相比有大幅度減少。最終匹配角點對于模板圖像角點數(shù)量的比值最大為19.2%，最小為17.98%。在匹配過程中，各個步驟的耗時情況如表4-2所示。從表4-2中可以看出，耗時較多的在于區(qū)域匹配、松弛迭代法消

27、除誤匹配和最小平方中值法消除誤匹配的過程。利用本文所提出的圖像特征匹配方法，在計算機主頻為2.8GHz，內存512 MB的計算機上對1280像素960像素的圖像進行特征匹配運算，需要耗時960s左右，達到了較高的計算效率。表4-1 角點特征匹配各個步驟匹配點對的結果試驗編號模板圖像角點數(shù)資源圖像焦點書初始匹配數(shù)松弛迭代處理后匹配數(shù)零交叉處理后匹配數(shù)最小平方中值處理后匹配數(shù)最終角點匹配率（%）110589109878851261135764203219.20211957119629927678976489215017.98313825135489686371136384249718.10試驗編號

28、區(qū)域匹配初始匹配點對確定松弛迭代消除誤匹配零交叉消除誤匹配最小平方中值法消除誤匹配總耗時1221.8687.83436.7731.26142.58949.862223.4589.25491.4538.21164.85982.343223.1597.26405.2335.42158.96945.41表4-2 圖像特征匹配各個步驟的計算耗時情況 4.2 實驗結論 本實驗針對地貌測量重構中圖像特征的特點，通過對圖像特征匹配原理的分析，提出了一種地貌圖像特征匹配方法。由于在角點特征匹配運算之前先進行了區(qū)域匹配，縮小了角點特征匹配運算時的搜索范圍，因此可以有效地提高算法的計算效率。大量實驗表明，利用該方

29、法對1280像素960像素的復雜紋理圖像進行匹配，計算耗時在960s 左右，而直接進行角點特征匹配則需要數(shù)小時。本文算法可有效地對資源圖像與模板圖像進行區(qū)域匹配，并能對錯誤的匹配角點對進行過濾，可剔除約80的錯誤匹配點對，從而保證了角點特征匹配時的準確性和可靠性。 由于地貌圖像紋理復雜，角點數(shù)量多，角點特征錯誤匹配率很高，因此該算法適用于地貌測量重構時的圖像特征匹配運算。本文算法在建立區(qū)域匹配對應關系時，利用了匹配區(qū)域在水平方向和垂直方向上的連續(xù)性假設，因此算法對旋轉變換和仿射變換較為敏感。 5 總結5.1小結 綜上所述，本文提出的這幾種特征點提取算法，使提取的特征點能有效的實現(xiàn)匹配，在自動配

30、準中能廣泛的適用，只是在計算速度上還有待進一步地提高。但由于小波變換是全局的變換，無法對圖像作分塊并行處理，對于大尺寸的圖像，可采用基于金字塔結構的方法逐層提取和映射，減少計算量，提高運算速度。而且本文提到的有關于地貌測量中圖像特征匹配的原理與分析及誤匹配的消除業(yè)保證了點特征匹配是的準確性和可靠性。本文算法在建立區(qū)域匹配對應關系時，利用了匹配區(qū)域在水平方向和垂直方向上的連續(xù)性假設，因此算法對旋轉變換和仿射變換較為敏感。本文還提出了一種改進后的松弛迭代匹配算法進行精匹配，其思想是：利用第一輪迭代過程所得到的匹配對，把進入下一步迭代的候選匹配對進行優(yōu)化挑選，消除一部分明顯錯誤的候選匹配對。實驗證明

31、，此方法可以很大地提高迭代速度，但此算法比原始算法得到的最終匹配對略少。5.2 展望 影像匹配神經網絡算法與松弛法一樣,具有很高的匹配精度,其誤差可達子像素級。由此證明,整體影像匹配概率松弛法的神經網絡實現(xiàn)方法是正確的,算法是實用的、可行的?；邳c特征的整體匹配方法的探究在航空，航天，醫(yī)學，建筑，城市規(guī)劃等很多領域都有著廣泛的應用，目前的影像匹配中，基于規(guī)則格網點的像方概率松弛法在航空影像的立體匹配中已經取得較好的效果，因此我們的科研技術人員還需要繼續(xù)致力于此研究，以研究出更方便、更快捷、更精確的點特征匹配方法來推動此領域以及其他各個領域的發(fā)展。相信在未來的信息化更加廣泛先進的時代此研究會發(fā)揮

32、它巨大的作用和潛力。參 考 文 獻1 肖靖，彭濤基于特征點的飛行器局部模板匹配J信息技術，2008，34(8)：27-29. 2 王潤生圖像理解M長沙：國防科技大學出版社，1995：56. 3 李海超，張廣軍基于旋轉不變的角點匹配方法J紅外與激光T程，2008，37(3)：561565.4 張祖勛，張劍清數(shù)字攝影測量學M武漢：武漢測繪科技大學出版社， 1995：5165. 5 范大昭，張永生地形圖數(shù)據(jù)庫更新的自動化方法研究J，測繪通報，2005,16(7)：8692 6 秦志遠利用遙感影像輔助GIS空間數(shù)據(jù)獲取與更新的研究與實踐D信息工程大學，1998：5682.7 周永昌，郭萬學，超聲醫(yī)學M

33、北京：科學技術文獻出版社 1994：5165. 8 馬峰，唐澤圣，夏紹瑋，多尺度幾何活動曲線及MR圖象邊界提取J，計算機學報，2000，23(8)：8298349 李峰，周源華變形系數(shù)相關的最小二乘匹配算法J上海交通大學學報，1999，33(11)：13911394Method Of Matching Feature Points Based On the WholeAbstract：For mines ordinary digital imaging experiment source, the existing single point matching and the matching

34、method are studied, according to their respective advantages and disadvantages of proposed overall matching method based on point feature, good use gray correlation and the overall features of images, in order to improve the matching accuracy. This article main content including points feature extra

35、ction method of research, the rotation of the characteristics of image matching method and improvement, gray differential invariants of some feature matching, and data of feature parameter extraction and optimization algorithm research, the characteristics of edge point thinning algorithm, etc.; Ima

36、ge matching in digital photogrammetry is to extract object in 3rd information, the basis of establishing DTM, therefore, it is one of the most key technology of digital photogrammetric workstation. In general, in order to improve the accuracy and efficiency of image matching, image pyramid structure is one of the widely used technology, through to the original image as a low pass filter, first carries on the coarse related, the results as a predictive value, gradually add high-frequency components, within the search area is grad