基于某特征地图像匹配算法毕业论文含源代码

《基于某特征地图像匹配算法毕业论文含源代码》由会员分享，可在线阅读，更多相关《基于某特征地图像匹配算法毕业论文含源代码（68页珍藏版）》请在装配图网上搜索。

1、word诚信声明本人声明：我所呈交的本科毕业设计论文是本人在导师指导下进展的研究工作与取得的研究成果。尽我所知，除了文中特别加以标注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成果。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。本人完全意识到本声明的法律结果由本人承当。 申请学位论文与资料假如有不实之处，本人承当一切相关责任。本人签名： 日期： 2010 年 05 月20日毕业设计论文任务书设计论文题目：学院：专业：班级：学生指导教师含职称：专业负责人：1设计论文的主要任务与目标 (1) 了解图象匹配技术的开展和应用情况，尤其是基于特征的

2、图象匹配技术的开展和应用。(2) 学习并掌握图像匹配方法，按要求完成算法2设计论文的根本要求和内容（1） 查阅相关中、英文文献，完成5000汉字的与设计内容有关的英文资料的翻译。（2） 查阅15篇以上参考文献，其中至少5篇为外文文献，对目前国内外图象匹配技术的开展和应用进展全面综述。（3） 学习图象匹配算法，尤其是基于特征的图象匹配算法。（4） 实现并分析至少两种基于特征的图象匹配算法，并分析算法性能。3主要参考文献1 谭磊, X桦, 薛彦斌一种基于特征点的图像匹配算法J某某理工大学报，2006，22(6)，66-692 甘进，王晓丹，权文基于特征点的快速匹配算法J电光与控制，2009，16(

3、2)，65-663 王军，X明柱图像匹配算法的研究进展J大气与环境光学学报，2007，2(1)，12-154进度安排设计论文各阶段名称日期1查阅资料，学习相关知识3月2初步编程4月上旬4月中旬3算法实现，程序调试4月下旬5月上旬4统计数据，分析特点5月旬5毕业论文写作5月中旬5月下旬6英文资料翻译自行安排摘要 图像匹配技术是实现图像融合、图像校正、图像镶嵌以与目标识别与跟踪的关键步骤之一，已经广泛应用在图像识别以与图像重建等领域中。简单来说，图像匹配就是找到两幅不同图像之间的空间位置关系。图像匹配主要可分为以灰度为根底的匹配和以特征为根底的匹配。本文首先对现有图像匹配方法的进展分类、概述和简要

4、的说明；分析了课题研究的背景，以与对国内外图像匹配的研究状况描述；其次对现有的图像匹配的几种常见算法进展简要的说明，其中着重介绍了基于特征的匹配的算法。参考了一种基于图像灰度值特征点的快速匹配搜索算法，该算法利用得出的灰度值特征点作为搜索依据，通过实验，证实了该算法的快速性和准确性。本文在对几种图像匹配方法的研究的根底上，采用基于灰度传统的方法、基于边缘特征的方法和基于一阶特征点图像匹配的方法进展图像匹配仿真，并对三种方法的快速性准确性做了比拟。再次比拟基于灰度、基于边缘、基于一阶特征点图像匹配方法的优缺点。不同的环境下每种方法各有优缺点，参加噪声时基于边缘特征图像匹配能够匹配成功，基于边缘特

5、征图像匹配较另外两种匹配方法能够有效的抑制噪声干扰。关键词：图像匹配；特征点；灰度匹配；特征点匹配ABSTRACTImage matching technique is one of the key steps to achieve image fusion, image correction, image mosaic, as well as target recognition and tracking and has been widely used in the areas of image recognition and image reconstruction. In a word

6、,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 firstly classified and briefly described the existing image matching methods and analysed the research background. Secondly, the pa

7、per explained several mon algorithms of existing image matching, especially， the algorithm of feature-based matching. Based on the research of several image matching methods, the paper adopted traditional method based on gray level, the method based on edge features and the method based on first-ord

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

9、method has both the advantages and disadvantages in the different environment. Image matching method based on edge features can match successfully when noise is added, and can effectively suppress noise pared with other two methods.Key words：Image matching，Feature Points，Gray Matching，feature points

10、 matching目录前言1第1章绪论22441.2.2 影响图像匹配的主要因素55第2章图像匹配的几种算法7基于像素灰度相关的匹配算法791011缘特征的匹配算法132.3.1 Roberts 边缘检测算子13 Sobel边缘检测算子132.3.3 Prewitt 边缘检测算子142.3.4 Canny 边缘检测算子14基于其它理论的图像匹配16基于小波变换的图像匹配算法1618第3章基于灰度的图像匹配仿真2020模板图的获取和匹配仿真212324第4章基于边缘图像特征的匹配仿真2727283032第5章基于一阶特征点的图像匹配仿真3333一阶特征点的寻找与匹配仿真353839结论41参考文

11、献42致谢44精彩文档前 言数字图像处理，即用计算机对图像进展处理。与人类对视觉机理研究的历史相比，它是一门相对年轻的学科。但在其短短的历史中，它却以程度不同的成功被广泛应用于几乎所有与图像有关的领域数字图像处理技术。图像是人类获取和交换信息的主要来源，因此，图像处理的应用领域必然涉与到人类生活和工作的方方面面。随着人类活动X围的不断扩大，图像处理的应用领域也将随之不断扩大。在20多年的时间里，迅速地开展成为一门独立的有强大生命力的学科。随着科学技术的开展，图像匹配己成为图像信息处理领域中一项非常重要的技术。图像匹配就是找到两幅不同图像之间的空间位置关系。图像匹配技术是实现图像融合、图像校正、

12、图像镶嵌以与目标识别与跟踪的关键步骤之一。图像匹配主要可分为以灰度为根底的匹配和以特征为根底的匹配。图像匹配主要研究匹配的准确性、快速性1。基于特征的图像匹配方法近年越来越引起研究者的重视，各种新颖的算法不断涌现。每种方法都有各自的优缺点和应用X围。应用时应根据实际情况选取适宜的配准方法。假如要求精度高，可考虑屡次选取/匹配，每次选取/匹配特征点时，参考最近几次的情况，由粗到精递归求解；或者采用神经网络的学习机制，使匹配结果逐步准确，最终符合要求。通过阅读大量的文献报道，可以知道未来的图像配准将进一步追某某时性、高精度和可靠性。为减小运算量，可着眼于研究某一算法的快速算法；对一些运算量大的步骤

13、寻找其简单的替代步骤。本文先通过对图像匹配算法的作简要的说明,特别是基于特征图像匹配的算法;然后分析了图像匹配的算法的优劣；接着参考了一种基于图像灰度值特征点的快速匹配搜索算法，比拟了基于灰度、基于边缘特征、基于一阶特征点图像匹配算法的准确性、快速性、抵抗干扰和旋转性能；最后比拟了这3种算法在不同环境下的优劣性。第1章 绪论数字图像处理是通过计算机对图像进展去除噪声、增强、复原、分割、提取特征等处理的方法和技术。数字图像处理的产生和迅速开展主要受三个因素的影响：一是计算机的开展；二是数学的开展；三是广泛的农牧业、林业、环境、军事、工业和医学等方面的应用需求的增长。数字图像处理的开展从20世纪2

14、0年代初的应用于改善伦敦和纽约之间海底电缆发送的图片质量，到20世纪70年代图像处理主要和模式识别与图像理解系统的研究相联系。开展到现在，数字图像处理已从一个专门的研究领域变成了科学研究和人机界面中的一种普遍应用的工具。 图像匹配技术是数字图像处理领域的一项重要研究，并已在计算机视觉、虚拟现实场景生成、航空航天遥感测量、医学影像分析、光学和雷达跟踪、景物制导等领域得到了广泛的应用。图像匹配是图像处理的一个根本问题。简单地说，图像匹配就是找到两幅不同图像之间的空间位置关系。对同一物体或场景使用不同的传感器、在不同的光照条件下以不同的摄像位置和视角获得的图像一般都会不同，其差异可能表现为不同的分辨

15、率、不同的灰度属性、不同的位置平移和旋转、不同的大小缩小和放大、以与其他的非线性变化局部物体被遮挡等。第1.1节 课题的研究背景当今社会是信息社会，各种媒体各种工具相互交存于社会的方方面面，而图像在其中又占据了极其重要的地位。图像具有包含信息量大、直观、容易理解以与吸引人注意等优点，是人们感知和认识外部的重要载体，人们生活中离不开图像。图像可以分为模拟图像和数字图像之分。模拟图像一般用照相机等来获取，模拟图像可以用一个连续函数来描述，所以模拟图像也可以成为：连续图像处理。其主要过程主要借助各种设备对图像进展加工处理。但是模拟图像有处理精度太差，处理方式也不够灵活，处理时间过长等缺点。数字图像是

16、用二进制来表示图像的，是离散的数据集，可以通过数码相机等数字设备来获取。数字图像处理的是数字图像，即是由一组具有颜色、亮度等像数点的集合。数字图像的特点决定了其灵活性，并且以强大的功能成为现阶段图像处理技术的主流。 数字图像处理的主要应用领域包括：(1)图像传输、电视会议、电视、视频和多媒体系统等等。(2) 军事、公安、档案等其它方面的应用军事目标的侦察、制导和警戒系统、自动火器的控制与反伪装；公安部门的现场照片；指纹、手迹、印章、人像等的进一步处理和辨识；历史文字和图片档案的修复和管理；以与其它方面图像信息的显示、记录、处理和文字自动识别等。(3)遥感分航空遥感和航天遥感。遥感图像需要用图像

17、处理技术加工处理并提取有用的信息。可用于地质、矿藏勘探和森林、水利、海洋、农业等资源的调查；自然灾害预测预报；环境污染监测；气象卫星云图处理以与用于军事目的的地面目标识别。(4) 数字图像处理还应用于工业生产中的产品质量检测、生产过程的自动控制、计算机辅助设计与制造、医学和农业等各个方面。图像匹配是图像处理的一个根本问题，用于将不同时间、不同传感器、不同视角与不同拍摄条件下获取的两幅或多幅图像进展匹配，其最终目的在于建立两幅图像之间的对应关系，确定一幅图像与另一幅图像的几何变换关系式，用以纠正图像的形变。 总的来说图像匹配就是找到两幅不同图像之间的空间位置关系。图像匹配技术是实现图像融合、图像

18、校正、图像镶嵌以与目标识别与跟踪的关键步骤之一。 图像匹配就是把具有同一场景的两幅或多幅图像在空间上对准，进而确定它们之间变换关系的过程，这些图像可能是在不同时间、用不同传感器、从不同视角拍摄下来的。随着科学技术的开展，图像匹配不仅成为现代信息处理领域中一项十分重要的技术，而且是一些图像分析技术的根底，在许多方面有着重要的应用价值，如医学图像诊断、遥感数据分析、模式识别和计算机视觉等2。(1)医学图像诊断：肿瘤检测、CT、MRI、PET 图像结构信息融合、数字剪影血管造影术等；(2)遥感数据分析：分类、定位和识别多谱段的场景信息、自然资源监控、核生长监控、市区增长监控等；(3)模式识别：目标物

19、体运动跟踪、序列图像分析、稳像、特征识别、签名检测等；(4)计算机视觉：三维重建、目标定位、自动质量检测、虚拟现实等。 随着科学技术的开展，图像匹配己成为图像信息处理领域中一项非常重要的技术。现在约40的机器视觉应用中需要用到图像匹配技术，所涉与的应用领域从上述几种应用扩大到工业检测的地形匹配、光学和雷达的图像跟踪、工业流水线的白动监控、工业仪表的自动监控、资源分析、气象预报、医疗诊断、交通管理、文字识别以与图像检索等。图像匹配的研究涉与到多方面，包括图像采集、图像分割、图像处理、特征提取等方面，并且与计算机视觉、多维信号处理和数值计算方法严密结合。它也是一些图像分析技术的根底。正因为图像匹配

20、应用的广泛性，新的要求和新的应用逐步产生，使得图像匹配算法的研究逐步加深3。第1.2节 图像匹配的概述图像匹配是指通过一定的匹配算法在两幅或多幅图像之间识别同名点，如二维图像匹配中通过比拟目标区和搜索区中一样大小的窗口的相关系数，取搜索区中相关系数最大所对应的窗口中心点作为同名点。其实质是在基元相似性的条件下，运用匹配准如此的最优搜索问题。图像匹配就是找到两幅不同图像之间的空间位置关系。图像匹配技术是实现图像融合、图像校正、图像镶嵌以与目标识别与跟踪的关键步骤之一4。图像匹配的研究涉与到多方面，包括图像采集、图像分割、图像处理、特征提取等方面，并且与计算机视觉、多维信号处理和数值计算方法严密结

21、合。它也是一些图像分析技术的根底。正因为图像匹配应用的广泛性，新的要求和新的应用逐步产生，使得图像匹配算法的研究逐步加深，出现了快速、稳定、鲁棒性好的匹配算法因此，对现有匹配算法展开分析对几实际工程提高图像处理质量和识别精度具有非常重要的意义。一般来说，图像的模板匹配技术主要可以分成基于灰度值的方法以与基于特征提取的方法两大类。灰度匹配的根本思想：以统计的观点将图像看成是二维信号，采用统计相关的方法寻找信号间的相关匹配。利用两个信号的相关函数，评价它们的相似性以确定同名点。特征匹配是指通过分别提取两个或多个图像的特征点、线、面等特征，对特征进展参数描述，然后运用所描述的参数来进展匹配的一种算法

22、5。1.2.2 影响图像匹配的主要因素根据模式的图像在一幅陌生图像中寻找对应该模式的子图像被称为图像匹配。由于传感器噪声、光照、目标移动和变形、成像过程中视角改变或者环境的改变会使同一场景在不同条件下投影所得到的二维图像会有很大的差异。为解决图像畸变带来的匹配难度，人们基于以下四个要素提出了许多匹配算法：(1)特征空间 特征空间是由参与匹配的图像特征构成的，特征可以是灰度值，也可以是边界、轮廓、外表、显著特征、统计特征、高层结构描述与句法描述等。选择合理的特征可以提高匹配性能、降低搜索空间、减小噪声等不确定性因素对算法的影响，提高适应性；(2)形似性度量 相似性度量指用什么来确定待匹配特征之间

23、的相似性，它通常是某种代价函数或者是距离函数的形式。经典的相似性度量包括相关函数和Minkowski距离,最近人们又提出了Hausdorff距离，互信息作为匹配度量；(3)搜索空间 图像匹配问题是一个参数的最优估计问题，待估计参数组成的空间即搜索空间，成像畸变的类型和强度决定了搜索空间的组成和X围；(4)搜索策略搜索策略是用适宜的搜索方法在搜索空间中找出平移、旋转等变换参数的最优估计，使得图像之间经过变换后的相似性最大。搜索策略有穷尽搜索、分层搜索、模拟退火算法、Powell方向加速法、动态规划法、遗传算法和神经网络法等。第1.3节 图像匹配的研究现状 图像匹配一直以来都是计算机视觉的根本问题

24、之一，其中包括许多目前炙手可热的领域，如目标或场景识别、立体匹配和目标跟踪等。建立正确匹配是解决问题的关键。各行各业的专家学者从问题的不同方面出发运用多种方法，对如何得到既快又好的匹配算法进展了探索研究6。70年代初，美国首先在飞行器辅助导航系统,武器投射系统的末制等应用研究中首先提出了图像匹配这一概念。开展到80年代以后，图像匹配应用已从原来的军事应用扩展到其他领域。根据实际应用的需要，人们在提高图像匹配的精度、速度、通用性以与抗干扰性等方面做了大量的研究工作。研究内容主要涉与特征空间、相似性度量和搜索策略，即图像匹配的三要素，如表11所示。从最早的70年代初，P.E.Anuta提出利用FF

25、TFast Fourier Transform算法进展图像互相关检测计算的图像配准技术，提高了图像配准过程的速度；直到现在各种各样的匹配方法的出现，图像匹配算法经过几十年的开展已经取得了很大的进展，但由于拍摄环境复杂多变和实际需求差异较大，现在还没有一种算法能够解决所有图像的匹配问题。于是寻求探讨一种新的算法能综合利用这些方法的优点将会取得更好的匹配结果。表11 匹配三要素特征空间相似性度量搜索策略灰度相关系数层次特征点归一化相关系数迭代点匹配边缘强度归一化相关系数与匹配滤波器层次迭代或模拟退火二值边缘统计相关与匹配滤波器模拟退火曲线绝对差之和、局部熵差遗传算法、神经网络外表奄模相关树或图匹配

26、统计属性Hausdorff距离松弛算法模型最小距离分类器能量最小化高层匹配互信息快速FFT第2章 图像匹配的几种算法 图像匹配研究涉与到了图像采集、图像预处理、图像分割、特征提取等，并且与计算机视觉、多维信号处理和数值计算方法等严密结合。它也是其它一些图像分析技术，如立休视觉、运动分析、数据融合等的根底。正因为其应用的广泛性，新的应用和新的要求逐步产生，使得匹配算法的研究逐步走向深入，出现了快速、稳定、鲁棒性好的匹配算法因此，对现有匹配算法展开分析对几实际工程提高图像处理质量和识别精度具有非常重要的意义图像匹配是指通过一定的匹配算法在两幅或多幅图像之间识别同名点，如二维图像匹配中通过比拟目标区

27、和搜索区中一样大小的窗口的相关系数，取搜索区中相关系数最大所对应的窗口中心点作为同名点。其实质是在基元相似性的条件下，运用匹配准如此的最优搜索问题。图像匹配的算法很多, 但根本原如此是不变的：算法必须有效；必须稳定；必须快速。根本上可以将匹配算法分为基于象素灰度相关的匹配、基于图像特征的匹配以与基于其它理论的图像匹配, 综述了具有代表性的传统匹配算法以与近年来的新思路和新方法。第2.1节 基于像素灰度相关的匹配算法基于灰度相关的匹配算法，即对待匹配得两幅图像以一定的灰度阵列按某种或几种相似性度量顺次搜索匹配的方法，其匹配性能主要取决于相似性度量与搜索策略的选择。匹配窗口大小的选择也是影响匹配性

28、能的一个重要因素，当景物存在遮挡或者图像不光滑时，选择大窗口容易出现错误的匹配，而小窗口又不能满足强度的变化，因此为了达到最好的匹配效果，可以自动适应调整匹配窗口的大小。基于灰度相关的匹配算法直接利用图像的灰度进展匹配，可以利用图像的所有信息，但需要处理很大的信息量，计算复杂而且容易出错，很难达到实时匹配的要求，而且对图像间的细微差异很敏感，一个很小的变化都有可能对匹配的结果产生很大的影响，从而导致匹配的失败。所以该算法抗噪声与其他抗干扰的能力比拟差，只能用于对具有一样外界条件的两幅图像进展匹配7。设参考图像Xij的大小为mn，输入图像Yij 的大小为MN，其中Mm，Nn。Y(a，b)ij 表

29、示输入图像以(a，b)为中心，与参考图像大小相等，对应(i，j)位置的像素灰度。1不变矩匹配法不变矩匹配算法用两个图像之间七个不变矩之间的相似性来描述相似度。现在如果令实时图的不变矩为Mij=1，2.7，并且令实验位置(u，v)上的基准子图的不变矩为Ni (u，v)，j=1，2.7，如此两图之间的相似度可以用任一种相关算法来度址本文采用上面的归一化相关算法时其相似度如式(3)，其中R(u，v)是实验位置(u，v)上的不变矩的相关值。R(u,v)=/1/2(21)2灰度的绝对差值法(AD)模板N在图像M上平移，搜索窗口所覆盖的子图记作Mi,j，i，j为子图的左上角顶点在图M中的坐标。最简单的基于

30、灰度值的方法是利用灰度的绝对差值(absolute difference，简称AD) 即计算模板与搜索子图灰度值的L1距离8:D(i,j)=|Mi,j(m,n)-N(n,m)| (22)其中，S ，T 分别代表图像各个像素的灰度值，m，n代表各个像素的坐标。D(i, j)值越小，表示两个像素块越相似。这种方法虽然计算比拟简单，但是它对噪声非常敏感。显然，此种算法的时间复杂度是O(M2N2) ，一旦搜索图的灰度发生变化，算法将可能会失效。3差方和法(SSD)这种方法是计算模板与搜索子图灰度值的L2距离：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点是

31、计算简单，但是由于计算相似度时往往涉与到待匹配单元的每个像素的灰度值，所以导致整个匹配搜索过程要消耗巨大的计算量。基于灰度的匹配算存在如下几个缺陷：(1)对图像的灰度变化比拟敏感，尤其是非线性的光照变化，将大大降低算法的性能：(2)计算复杂度高；(3)对目标的旋转，形变以与遮挡比拟敏感。利用灰度信息匹配方法存在着各种缺陷，实际工作中一般都有一定的速度要求，所以这些方法很少被使用。第2.2节 基于特征的匹配算法 基于特征的匹配算法根据两幅图像一样特征的集合关系计算配准参数，而图像的低级别特征主要有点、边缘与面特征等。但是面特征提取比拟麻烦，耗时多，因此基于特征的匹配算法主要是研究利用特征点和边缘

32、特征进展匹配。 基于特征点的图像匹配主要有点点匹配和点集匹配两种。点点匹配首先按一定的约束关系得到两个点集，然后利用其它的约束条件剔除错误匹配点，最好确定点与点的一一对应关系。点集匹配不需要建立明确的点点对应关系，只需要利用点的位置和相互关系进展匹配。Hausdorff距离不需要准确的点点对应关系，对非相似变形不敏感，因此该匹配方法广泛应用于特征图像的匹配9。图像特征分为两类，第一类是局部特征，比如说角点，边缘点，短的边缘或线段，小块区域等；第二类是全局特征，通常由几个多边形或是几个对图像内容更为复杂的描述构成。特征匹配首先对图像进展预处理来提取其高层次的特征，然后建立两幅图像之间特征的匹配对

33、应关系，通常使用的特征基元有点特征、边缘特征和区域特征。特征匹配需要用到许多诸如矩阵的运算、梯度的求解、还有傅立叶变换和泰勒展开等数学运算。 基于特征的匹配方法主要涉与到两个关键步骤： 1特征提取：正如上文提到的，图像特征分为局部特征和全局特征。有些方法采用角点作为局部特征，如也有些方法采用线段，比如通过提取高分辨率遥感城市图像中的道路作为特征来匹配也可以是边缘，轮廓，小块区域等其他更为复杂的特征，比如以多边形区域作为待匹配特征。而全局特征就是局部特征的组合。常用的特征提取与匹配方法有：模型法、几何参数法、几何法、边界特征法、信号处理法、傅氏形状描述法、统计方法、形状不变矩法等。2特征匹配：特

34、征匹配是指在两幅图像的特征之间建立对应关系的过程。特征匹配方法涉与到对特征描述的定义和特征匹配策略两点。对特征描述的定义即如何量化地描述一个特征，一个好的特征描述定义应该尽量做到以下几点：来自两幅图像的特征应该就有几何不变性，特征值受噪声的影响应该小；要使特征值尽量分散，即不同的特征应该有不同的特征值，这样才可以防止歧义性；一个特征有多个特征可匹配，要使特征的描述尽量简单，过于复杂的描述会增加计算复杂度。在多数情况下这几点是矛盾的，所以一个好的特征描述定义应该很好的权衡好这几点问题。特征匹配策略是指如何快速准确地找到特征之间的对应关系。常用的基于特征的匹配算法有距离匹配方法、最小均方误差匹配、

35、金字塔小波匹配等，以与现在很热门的SIFT算法。基于特征的图像匹配方法流程如图21：特征提取特征匹配图像变换图21图像匹配方法流程图 如何准确提取稳定的特征点是基于特征的图像匹配算法首先需要解决的问题，能否准确提取稳定的特征点直接影响匹配算法的实现，因此对特征点提取算法进展研究具有重要的意义。本章对特征点的提取算法进展分析，的能找出一种快速有效的特征点提取算法10。理想的特征点中含有反映图像的重要结构信息，容易与别的像素点区别，并且当图像发生变换或者获取图像的视觉发生变化时，仍然能保持独立性。在常见的特征点有灰度局部极大值点、边缘点、角点和拐点等等。由于特征点的定义又很大差异，征点的提取方法也

36、各有各的特点，但是一个理想的特征点提取算法具有以下的特性：(1)能够提取出所有特征点；(2)提取的特征点位置准确,即不存在位置偏差；(3)对噪声不敏感；(4)不能提取出错误的特征点；(5)能够实时提取特征点； 在实际的操作过程中，由于各种原因不能完全满足以上的要求，但是可以根据所需要可以偏重某一方面的性能。例如有的特征点的提取算法运算量非常大，在加上算法精度很高，无法实现实时处理。还有的就是虽然算法定位精度和运算速度很理想，但是有噪声影响，导致其性能下降。此外，现有的特征点提取算法很难保证不存在漏检某些特征点以与提取一些错误的特征点。由于理想的特征点提取难以实现,但可以根据各个特征点的特性来确

37、定一个特征点提取算法的评价标准，为以下四个方面:(1)有效性。提取算法能够提取出图像中尽可能多地特征点。(2)特征点位的准确性。提取的特征点尽可能接近其真实位置。(3)稳定性。当图像受到例如噪声等干扰时，仍然能够踢除相应的特征点并且不存在位置偏差。(4)简单性。特征点提取算法越简单，运行速度越快，如此就比拟容易满足实际的要求，其使用价值就越大。就目前来说，基于特征点匹配的算法很多，根本上可以分为基于边缘的特征点提取算法和基于灰度的特征点提取算法。其中基于边缘的特征点的提取算法的中心思想是：特征点是两条获多条边界交叉点的特殊边界点，因此这些算法要先对图像进展分割，提取图像的边界信息，然后通过对图

38、像的边界点进展分析提取特征点。基于灰度特征点提取算法主要根据像素点的灰度或梯度特征提取特征点。基于边缘特征点的提取算法对图像分割的依赖性相对较大，基于灰度的特征点提取算法如此可以通过图像的灰度信息直接提取特征点。特征点提取与匹配是计算机图形学中最根底的一个研究课题，现在已经有很多研究成果和应用项目，每种方法都有其优点。SIFT(Scale Invariance Feature Transform)方法是由David Lowe 提出的，利用SIFT 方法从图像中提取出的特征点可以用于一个物体或场景不同视角下的可靠匹配，提取出的特征点对图像尺度和旋转保持不变，对光线变化、噪声、仿射变化都具有鲁棒性

39、，另外，SIFT提取出的特征点具有很高的独特性，因此从某种意义上说一个特征点可以在多幅图像提取出的特征点库中得到正确匹配的概率极高。SIFT算法的主要思路是：首先建立图像的尺度空间表示，然后在尺度空间中搜索图像的极值点，由极值点建立特征描述向量。采用SIFT方法提取的图像特征具有放缩不变性、旋转不变性，还有一定的抗光照变化和抗视点变换性能。1. SIFT特征点的提取11David G. Lowe 在2004 年总结了现有的基于不变量技术的特征检测方法，并正式提出了一种基于尺度空间的，对图像缩放、旋转甚至仿射变换保持不变性的图像局部特征描述算子-SIFT 算子，全称Scale Invariant

40、 Feature Transform ，即尺度不变特征变换。SIFT 算法首先在尺度空间进展特征检测，并确定关键点的位置和关键点所处的尺度，然后使用关键点邻域梯度的主方向作为该点的方向特征，以实现算子对尺度和方向的无关性。SIFT 算法的实现主要包括4个步骤:(1) 检测尺度空间极值，以初步确定关键点位置和所在尺度。(2) 精炼特征点位置。通过拟和三维二次函数以准确确定关键点的位置和尺度，同时去除低比照度的关键点和不稳定的边缘响应点因为DOG算子会产生较强的边缘响应，以增强匹配稳定性、提高抗噪声能力。(3) 计算特征点的描述信息，利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数，使

41、算子具备旋转不变性。(4) 生本钱地特征点描述符。2. SIFT特征匹配SIFT 特征匹配算法包括两个阶段：第一阶段是SIFT 特征的生成，即从多幅待匹配图像中提取出对尺度缩放、旋转、亮度变化无关的特征向量；第二阶段是SIFT 特征向量的匹配。当两幅图像的SIFT 特征向量生成后，下一步采用关键点特征向量的欧式距离来作为两幅图像中关键点的相似性判定度量。给定N 个数据点组成的数据集合P，假设它们中的绝大多数是由一个参数未知的特定的模型产生的，该模型的参数至少需要n个数据点求出，N n。现在所要解决的问题就是要求出这个模型的参数。将下述过程运行k次：(1) 从P中随机选取n个数据点的子集Sl ；

42、(2) 由选取的这n个数据点计算出一个模型M ；(3) 对数据集合中其余的N - n 个数据点，计算出它们与模型M之间的距离,记录在Ml 的某个误差允许X围内的P中数据点的个数count 。在重复步骤( 1) ( 3) k次之后，对应最大count值的模型即为所求模型，数据集合p 中的这count个数据即为内点，其余的N - count个数据点即为外点。在提纯应用中，透视矩阵由4 个匹配点得出。文中将第二幅图像平面分成16个小方格，每次选取4个包含特征点的方格，再在每个方格内随机选取一个点，由这四个点计算透视矩阵。选用内点阈值为1. 25 ，即特征点提取标准差为0. 5107个像素值，定义阈值

43、计算公式为dv = d2( x- Mx )，小于等于阈值的特征点对为M的内点，大于阈值的如此为外点。以前后两次内点数目不发生变化为迭代终止条件。从而可以得到了优化的内点集合来进一步计算透视矩阵M。第2.3节 基于边缘特征的匹配算法边缘无疑是图像中最显著和直观的特征，它存在于图像的目标区域和背景之间，对应着图像中更抽象的信息和匹配时比区域匹配更少的计算量。图像的边缘主要表现为图像局部特征的不连续性，是图像中灰度变换比拟剧烈的地方。图像的边缘划分为阶跃状和屋顶状。阶跃状边缘中边缘两边的灰度值有明显的变化；而屋顶状边缘中边缘位于灰度增加与减少的交界处。在数学上可以利用灰度的导数来描述边缘点的变化，对

44、阶跃状边缘、屋顶状边缘分别求其一阶、二阶导数。为了求取边缘方向直方图，需要提取图像中目标的边缘。基于形状的图像检索技术对于边缘的定位要求很高，这将会直接影响到最终的检索效果。目前，用于边缘检测的算子有很多，如Roberts 算子、Sobel 算子、Prewitt 算子和Canny算子。其中Canny算子是比拟常用的方法，下面将简单介绍上述的边缘特征提取方法12。2.3.1 Roberts 边缘检测算子任意一对相互垂直方向上的差分可以看成求梯度的近似方法，Roberts 边缘检测算子利用该原理，采用对角线方向相邻两像素之差代替梯度，即fx=f(i,j)- f(i+1,j+1)(24)fy=f(i

45、,j+1)- f(i+1,j)(25)梯度幅值近似为 R(i,j)=或R(i,j)=|fx|+|fy| (26)通过差分可以求得Roberts 算子在差分点(i +1/2, j +1/2)处连续梯度幅度的近似值R(i, j)。适当选取阈值，如果R(i, j) ，如此认为点(i, j)是边缘点。Roberts 边缘检测算子采用对角线方向相邻两像素之差进展梯度幅度检测，其检测水平、垂直方向边缘检测性能要好于斜线方向边缘，并且检测定位精度比拟高，但对噪声敏感。Sobel边缘检测算子Sobel 边缘检测算子的根本思想是13：以待检测图像的任意像素(i,j)为中心，截取一个33像素窗口，分别计算窗口中心

46、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 边缘检测算子是综合图像每个像素的上、下、左、右邻点灰度的加权和，接近中心的权值较大。适当选取阈值门限 ，如果f (i, j) ，如此认为点(i,j)是边缘点。Sobel 边缘检测算子不但可以产生较好的边缘效果，而且对噪声具有平滑作用，减小了对噪声的敏感性。但是，Sobel

47、算子也检测出了一些伪边缘，使得边缘比拟粗，降低了检测定位精度。2.3.3 Prewitt 边缘检测算子Prewitt 边缘检测算子是一种类似Sobel 边缘检测算子的边缘模板算子，通过对图像进展八个方向的边缘检测，将其中方向响应最大的作为边缘幅度图像的边缘Prewitt 边缘检测算子并不把重点放在相邻的像素上，它对噪声有平滑作用。但是与Sobel边缘检测算子一样，它检测出的边缘比拟粗，定位精度比拟低，容易损失如角点这样的边缘信息。由于Prewitt 边缘检测算子是通过八个方向模板对图像进展卷积运算，显然其运算量是比拟大的。2.3.4 Canny 边缘检测算子 图像边缘检测的方法很多，而Cann

48、y算子是目前图像边缘检测方法中最好的，它是Canny于1986年提出的，具有良好的信噪比和检测精度。Canny 算法有三个边缘检测准如此：(1)好的检测性能。不易漏检真实边缘，不把非边缘点作为边缘点检出，使输出的信噪比最大。(2)好的定位精度。检测到的边缘点与实际边缘点位置最近。(3)好的单边缘响应。算子检测到的边缘点与实际边缘点应该是一一对应的。Canny算子进展边缘检测的步骤主要有：假设I是n*n的灰度图像，首先利用高斯滤波器(Gaussian Smoother)对图像I滤波，消除图像中的噪声： H(i,j)=2G(i,j)=f(i,j)*H(i,j)(卷积) (29)其中是高斯函数的散步

49、参数，用于控制平滑程度(假设取值为1)；f( i, j)为待平滑的图像数据,即图像I中的像素，G( i, j)为平滑后的图像数据，H ( i,j)是高斯滤波函数。接着对滤波后的图像求梯度。沿着x方向的梯度(水平梯度)为：P(i,j)=G(i,j+1)-G(i,j)+G(i+1,j+i)-G(i+1,j)/2,0i,jn(210)表 21x方向梯度模板j-1jj+1i-1000I0-11i+10-11 沿着y方向的梯度(垂直梯度)为： Q(i,j)=G(i,j)-G(i+1,j)+G(i,j+1)-G(i+1,j+1) /2,0i,jn (211)表22y方向梯度模板j-1jj+1i-1000i

50、011i+10-1-1求取梯度后的图像， I( i, j) =| P ( i, j) |+|Q ( i, j) | ，通过下面两个式子求取幅值并勾勒出图像的边缘(即e ( i, j)=255的像素点) ： M(i,j)=(212)e(i,j)=(213)这样在e ( i, j) = 255处的梯度方向为 for e(i,j)=255 (214)0360，为了计算方便，把量化为72份,每个区间内的角度个数可以通过数组元素Histogram i =Histogram/5 累加得出。显然，边界方向不受图像中对象的位置的影响，为了达到不受图像缩放的影响，需要对得到的边缘方向直方图进展归一化：Histo

51、gram i /nEdge。其中nEdge为所有边缘方向的个数。但是，边缘方向会受到图像旋转的影响，进而影响到其直方图，采用下面的平滑公式对直方图进展平滑： Histogramjs=(215)Histogram j 为平滑后的直方图，参数K在本文中取1。通过以上步骤求出了灰度图像I的满足平移、尺度和旋转不变性的边缘方向直方图，最后只需用欧拉距离来计算两幅图像的边缘方向直方图距离即可得出它们之间的相似性。第2.4节 基于其它理论的图像匹配基于小波变换的图像匹配算法 传统的模板匹配法运算量大，匹配效率和精度都比拟低，不能满足机器人对图像进展实时处理的要求。要加快运算速度，就要减少搜索位置和每个位置

52、处的计算量。因此，改良传统的图像匹配算法，将小波变换运用到图像匹配当中，利用小波变换的多分辨率特性，将图像进展多层分解，形成金字塔式图像数据，然后分别在每一层对图像进展匹配。由小波变换原理可知，图像经过小波变换后，被分为低频局部和高频局部，低频局部保持图像的整体特征，高频局部保持图像的细节特征。先在尺度空间上对图像的低分辨率局部进展图像匹配，然后在此结果上对高分辨率局部进展匹配，减少了迭代次数14。 算法步骤如下所示：(1) 分别对源图像和模板图像进展J 层小波分解，得到各级分解后的灰度信息；(2) 在第J 层上，采用相似度测量模板匹配法，对源图像和模板图的低频局部进展粗匹配，得到该尺度上的最

53、优匹配区域；(3) 在第J-1 层上，对上一步中得到的最优匹配区域内进展归一化互相关匹配计算，得到本尺度的最优匹配区域；(4) 依此类推，重复步骤(3)的匹配计算；(5) 在第0层上，对前一步得到的最优匹配区域进展匹配计算，得到最终匹配结果。 在上述算法中，要考虑以下两个要素：分解层数J 确实定和小波函数的选取。分层层数确实定和模板图像的大小是密切相关的。分解层数J 越大，图像的空间分辨率越低，有利于减少原始图像和匹配模板在粗尺度上搜索时间。但是分解层数过大，会损失图像原有信息，使得高层的匹配结果很不可靠。因此，合理选取分解层数J 在模板匹配中起了至关重要的作用。 分解层数的取值应满足：Lmi

54、n (216) 其中：模板图像行宽和列宽中的较小值。在进展图像匹配时，要求经过小波变换后的低频图像中要尽可能多的保存原始图像的有用信息，尤其是边缘、线段等灰度变换较大的地方，否如此容易造成失配。其次计算公式应尽量简化，这样可以提高运算速度。Daubechies 小波在运动估计中应用广泛，可以很好地保存低频信息。因此，本文采用Daubechies 小波进展图像分解15。匹配过程如图22所示。图像预处理对图像进展J 层小波分解灰度量化低频局部搜索最大匹配测量值计算相似度测量值计算灰度组合矩阵得到一层匹配结果根据匹配结果在上一层局部X围内进展相关匹配得到最终匹配结果图22 匹配算法的过程(1) 基于

55、神经网络匹配神经网络是一种按照人脑的组织和活动原理而构造的一种数据驱动型非线性模型。它由神经元结构模型、网络学习算法、网络连接模型等几个要素组成，是具有某些智能功能的系统。利用神经网络进展图像匹配的根本方法是首先利用某种特征提取算法也可以是神经网络算法对图像进展预处理，并按要求提取一定数量的特征点。然后根据构造的某种神经网络算法的要求，选取并输入网络需要的一些初始状态，同时也将选取的特征点作为根本输入参数。接着启动神经网络算法的迭代过程，可能还要有学习过程。最后给出迭代结果，片对其进展分析评价。(2)基于解释的图像的匹配基于解释的图像的匹配技术又叫语言网络法。解释的方法是把计算机中的模型同外部

56、世界中的物体或现象建立起对应关系，利用图像的结构特征或关系特征，把物体和物体间的关系表示成结构，通过沿图中的弧作关联搜索，建立图中结点之间的关系，借助语义网络、框架理论和图论方法寻求匹配问题的解决。以图像的底层视觉和形象特征为索引对图像进展检索都有一定的局限性。因此，近几年的研究逐渐转向基于区域和目标对象的高层图像语义描述特征的提取，尝试由图像的底层次特征推知高层次语义，从而由高层语义特征计算图像相似程度。国外的研究者提出了一种能够有效进展检索的图像内容描述层次结构，其特点在于提出了由图像底层根本特征到高层语义分类特征之间进展映射的一种可行的数据描述方法，并通过Bayes概率公式的方法实现。(

57、3)基于遗传算法的匹配 遗传算法是以自然选择和遗传理论为根底，将生物过程中适者生存的规如此与群体内部的随机信息交换机制相结合的搜索算法，能够实现全局并行搜索，具有简单、快速、鲁棒性好等特点。其主要特点是直接对结构对象进展操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规如此。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术。(4)比值匹配法算法比值匹配法是在第一幅图像重叠区域内，取相邻两列上的局部像

58、素，用它们的比值作为模板，在另一幅图像中也用两列的局部像素比值与模板相比拟，找出最优匹配。这种算法比基于块的匹配计算量有所减少，但由于所取像素较少，精度也有所降低。 (5) 网格匹配法算法该匹配法是基于块匹配的，也是在第一幅图像中找出一块作为模板，在第二幅图像中搜索匹配块时，首先进展粗匹配，每次移动一个步长，计算对应像素点RGB值的差的平法和，记录最小值的网格位置为目前最优匹配位置，接下来以该位置为中心进展准确匹配，每次步长减半，再次搜索最小值，循环该过程直到步长为0，最终得到最优匹配位置。该方法在一定程度减少了计算量，但在粗匹配过程中，有可能移动步长过大而无法得到两幅图像的最优匹配位置。第3

59、章 基于灰度的图像匹配仿真传统的基于灰度的图像匹配技术，大都是以待匹配图像作为模板T，重叠放置在参考图像P上滑动。参考图像上被模板T所覆盖的区域称为参考子图Ps (见图31)。在模板滑动中，不断对模板T在不同位置与参考子图Ps进展相似性度量。遍历整个图像后，把与参考子图Ps相似性度量最优的位置作为匹配位置，从而找到两幅图像中像素点的对应关系16。模板图像T基准图像PmnPsji图31模板匹配示意图 定义:F(Ri)为Ri块的20位二进制编码特征表示，简称Ri块的编码。对于某一幅图像，提取它所有Ri块的编码，需要计算各个R-块的灰度值和S(Ri)、计算各个D-邻域的编码P(Dj)、计算各个Ri块

60、的编码F(Ri)等3步。图像最外一圈的Ri块的编码无定义。对于边长为H的图像，上述运算的时间复杂度为O(H2)。显然，F(Ri)表示R-块Ri 的灰度与相邻8个R-块灰度的分布(序)关系，表现了图像灰度的相对值，因此对整体灰度值的变化具有相对的稳定性。通过对R-块尺寸K的选择，可以改变图像处理粒度的大小，以改变抵抗不同频率噪声的能力。首先将整幅图像划分为KK尺寸且互不重叠的方块，K可根据问题任意选择，称该方块R-块。如果图像的边长不是K的整数倍，如此将最底部与最右边剩余的几行、几列裁剪掉。对边长为H的图像，共可得到H2/K2个R-块。对于R-块Ri，S(Ri)表示Ri所包含像素的灰度值之和。

61、灰度图像模板图的获取和匹配仿真模板图可以通过matlab图像工具箱从基准图中剪切一个方图作为模板图像T，图32得出剪切后模板图和基准图；模板图像获取程序，原图为480640的真彩图像，利用彩色图像灰度图像转换函数将彩色图像转换成试验所需要的360360灰度图像基准图i1，再利用图像剪切函数在i1中剪切一3030的模板图i2。i1基准图i2从基准图中剪切的模板图图32 图像匹配基准图和模板图获取图33为基于灰度图像匹配结果显示，由以上图像获取程序可知在剪切位置在i1145，145处，根据仿真程序执行结果可行，匹配位置ii=145，jj=145。仿真结果成功。因为基于灰度图像匹配采用逐点匹配的方法，所以匹配时间较长，匹配所用的时间为1.80秒。图33基于灰度图象位置(200，200)匹配结果另取一模板图查看匹配，基准图一样只是选取的模板有所变化，模板图选取的位置为i180，80，模板图大小为3030。匹配所用的时间为1.65秒。图34 另选取一位置(80，80)匹配结果第3.3节 灰度图像旋转后匹配仿真 把基准图旋转5度后，再进展匹配。把基准图旋转一定角度后保证基准图大小不变，这样才能保证匹配正常进展。Matlab工具箱中给出了的imrotate函数，保证旋转后图像大小不变。如图35所示