图像之间的匹配.doc

两幅图像之间的匹配有很多种方法，现在介绍图像之间的匹配。首先介绍直方图的匹配方法。 颜色直方图是在许多图像检索系统中被广泛采用的颜色特征。它所描述的是不同色彩在整幅图像中所占的比例，而并不关心每种色彩所处的空间位置，即无法描述图像中的对象或物体。颜色直方图特别适于描述那些难以进行自动分割的图像。直方图的匹配只是考虑了像素值的概率分布，没有考虑空间位置信息，唯一的好处是容易归一化和计算量小。基于直方图的改进的方法有FragTrack算法，具体思想是对图像分成横纵的小块，然后对于每一个分块搜索与之最匹配的直方图。来计算两幅图像的相似度，融入了直方图对应位置的信息。但是计算效率上很慢。 还有一种是计算一个图像外包多边形，一般得到跟踪图像的前景图后计算其外包多边形，根据外包多边形做Delauny三角形分解，然后计算每个三角形内部的直方图，对于这两个直方图组进行相似距离计算。这样就融入了直方图的位置信息。(这两种方法如何具体实现没研究过，只是知道有这两种算法)图像的相似度还可以通过SVD分解和NMF分解（具体细节以后可以研究）基于特征点的图像相似度计算(比较常用的有Harris角点和Sift特征点)，如果相似的角点数目较多，那么可以认为这两幅图像的相似程度较高。那么我们就可以通过找到匹配点的个数来判断两幅图像是否一致，这个算法的好处是对于一个物体，两个不同角度下得到的照片依然可以找到很多的匹配点，我也一直认为是一个综合来说结果相对较为准确的方法，但是由于每个特征点需要计算一个长度不小的特征值，也造成了该算法的时间消耗比较大。所以不常用于实时的视频处理。这个算法还有一个好处就是可以通过找到的匹配特征点进行图像校正。对于Sift也不能全部相信，一般使用RANSAC对于错误匹配点去除可以达到更好的效果，当然目前也有很多对SIFT进行改进的算法。额外看到了一个关于相似图片搜索算法之感知哈希算法。在此再简单描述一下感知哈希算法（Perceptual hash algorithm）:这里的关键技术叫做感知哈希算法（Perceptual hash algorithm），它作用是对每张图片生成一个指纹（fingerprint）字符串，然后比较不图片的指纹。结果越接近，就说明图片越相似。下面是一个最简单的实现：第一步，缩小尺寸。将图片缩小到8x8的尺寸，总共64个像素。这一步的作用是去除图片的细节，只保留结构、明暗等基本信息，摒弃不同尺寸、比例带来的图片差异。 第二步，简化色彩。将缩小后的图片，转为64级灰度。也就是说，所有像素点总共只有64种颜色。第三步，计算平均值。计算所有64个像素的灰度平均值。第四步，比较像素的灰度。将每个像素的灰度，与平均值进行比较。大于或等于平均值，记为1；小于平均值，记为0。第五步，计算哈希值。将上一步的比较结果，组合在一起，就构成了一个64位的整数，这就是这张图片的指纹。组合的次序并不重要，只要保证所有图片都采用同样次序就行了。得到指纹以后，就可以对比不同的图片，看看64位中有多少位是不一样的。如果不相同的数据位不超过5，就说明两张图片很相似；如果大于10，就说明这是两张不同的图片。这种算法的优点是简单快速，不受图片大小缩放的影响，缺点是图片的内容不能变更。如果在图片上加几个文字，它就认不出来了。所以，它的最佳用途是根据缩略图，找出原图。实际应用中，往往采用更强大的pHash算法和SIFT算法，它们能够识别图片的变形。只要变形程度不超过25%，它们就能匹配原图。这些算法虽然更复杂，但是原理与上面的简便算法是一样的，就是先将图片转化成Hash字符串，然后再进行比较。对于图片来说，高频得到细节，低频得到轮廓。OpenCV直方图对比图片的相似性 要比较两个直方图( and ), 首先必须要选择一个衡量直方图相似度的 对比标准 () 。OpenCV 函数 compareHist 执行了具体的直方图对比的任务。该函数提供了4种对比标准来计算相似度：(1) 相关度 ( CV_COMP_CORREL ) 其中 是直方图中bin的数目。(2) 卡方( CV_COMP_CHISQR )（3） 相交系数( CV_COMP_INTERSECT ) （4）Bhattachary