章 图像匹配几种常见算法分析比较.doc

2 图像匹配几种常见算法分析比较2.1图像匹配算法的分类与比较由于匹配图与模板图拍摄时间与条件的变化，同时由于成像设备的限制，使得模板图与匹配图之间不仅存在严重的灰度差异，而且存在相当的几何变形。通过对模板图进行灰度校正和几何校正可以很大程度上改善这种情况，但在模板图和匹配图之间仍存在着一定的灰度失真和几何变形。另外，匹配图本身也存在着一定的噪声干扰。因此匹配算法不仅应该具有计算量少，便于硬件或并行实现，还必须具有良好的抗噪能力和抗几何变形的能力。迄今为止，人们已经提出了各种各样的图像匹配算法，但从总体上讲，这些匹配算法可以分成关系结构匹配方法、结合特定理论工具的匹配方法、基于灰度信息的匹配方法、基于亚像元匹配方法、基于内容特征的匹配方法五大类型42.1.1基于关系结构匹配方法所谓关系结构主要是指语义网络。这种方法是把计算机中的模型同外部世界中的物体或现象建立起对应关系，即利用图像的结构特征或关系特征之间的关系，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。进一步讲，这种方法是人工智能技术在图像匹配领域的应用，在这个意义上，景物可用知识和规则来描述，利用知识和规则实质上是给景物赋予了一种解释，故这种方法也称为基于解释的匹配。这种方法在实现时，为了减少计算量而使结构与点之间关系的描述常常是不完全的，并且它们缺乏一种有效的衡量点集之间是否相同的手段，所以这种方法的研究至今尚未取得突破性进展。2.1.2结合特定理论工具的匹配方法近年来，随着各学科许多新理论和方法的提出，人们也提出了许多与特定理论、方法和工具相结合的匹配技术，比如基于神经网络的匹配技术151141、基于小波分析和变换的匹配技术151101171等等。由于神经网络的并行分布处理等特点，神经网络匹配方法理所当然地引起了人们的重视，利用神经网络进行图像匹配的基本方法是:首先利用某种特征提取算法(也可以是神经网络算法)对图像进行预理，并按要求提取一定数量的特征点;接着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基本输入参数;然后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，并对其进行分析评价。神经网络匹配方法的这种匹配过程有以下缺陷:()l特征点的选取还无法自动实现，目前的研究仅限于一些边缘棱角突出的匹配识别实验等;(2)网络需要的初始状态的选择对网络迭代过程影响较大，选择不当还会造成不收敛或陷于某一极值而不能自拔;(3)特征提取的预处理，神经网络的学习和迭代过程都是计算代价比较昂贵的过程。由此可见，虽然神经网络匹配方法取得了一些初步进展，但由于收敛性、通用性不够理想，还无法用于灰度变化平缓、特征不突出的图像匹配，与实用性和实时性要求相差甚远。小波变换作为一种新的数学工具，由于其良好的时频局部化和多分辨分析特点，因而能有效地从信号中提取信息，通过伸缩和平移等运算功能对函数或武汉理工大学硕士学位论文信号进行多尺度分析，解决了傅立叶变换不能解决的许多问题。基于小波变换的匹配技术首先对匹配图和模板图同时进行小波变换:然后分别在不同尺度上，将匹配图和模板图的低频图像利用前面叙述的匹配算法进行匹配运算，通过设置门限等选择一些位置点作为最终可信点;最后对匹配图和模板图的原始图像进行匹配。不足之处是小波基的选取给匹配带来了一定的困难。总之，基于小波变换的匹配技术利用它多分辨分析的思想，构造图像的塔式分解，可由粗到精的分析图像数据，在图像匹配中，先在低分辨率下对图像进行全局匹配，然后在高分辨率下对图像的细部进行匹配，其结果减少了迭代时落入局部最优点的可能性，又提高了匹配运算速度和精度，因此成为目前的前沿课题之一。2.1.3基于灰度信息的匹配方法基于灰度的匹配就是逐像素地把一个以一定大小的匹配图像窗口的灰度矩阵与模板图像的所有可能的窗口灰度阵列按某种相似性度量方法进行搜索比较的匹配方法，从理论上说就是采用图像相关技术。图像相关技术近二十年来得到了迅猛发展，并形成了一门新的学科。由于它与其它方法相比具有计算量小，易于硬件实现等优点，围绕减少搜索空间和减少匹配时间的问题，人们相继提出了序贯相似性检测算法、两级模板匹配算法、分层序贯匹配算法、多子区域相关匹配算法等各种快速匹配算法;围绕抗噪声干扰和抗几何失真问题，人们相继提出了随机符号变化准则、不变矩等算法;同时，人们对与提高匹配精度和匹配速度有关的各种问题，比如定位精度、噪声、灰度电平偏差、量化误差等误差因素对匹配性能的影响，各种预处理技术等都进行了比较系统的研究151。在早期的图像匹配算法研究中，主要是对两幅图像空间域上的灰度值进行相关运算，根据相关系数的峰值，求出匹配位置。其中，常用的方法有:规一化互相关、统计相关、平均绝对差、平均平方差、基于FFT频率域的频域相关，包括相位相关和功率谱相关、不变矩。利用灰度信息匹配方法的主要缺陷是计算量太大，由于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。现在己经提出了一些相关的快速算法，如幅度排序相关算法，FFT相关算法和分层搜索的序列判断算法等。同时，上述方法还存在如下几个缺陷:()l对图像的灰度变化比较敏感，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，形变以及遮挡比较敏感。武汉理工大学硕士学位论文.2.1.4基于亚像元匹配方法刃模式识别中的目标匹配和定位是一个传统问题，已经提出许多经典算法，但是大多数定位精度都是象素级。由于大规模集成电路制造、摄影测量、工业检测和目标检测等应用对精度要求不断提高，象素级的精度已经不能满足要求了，而亚像元匹配可以突破物理分辨率的限制，提高匹配和定位精度，从而产生了亚像元匹配的算法研究，即:在己知待匹配图像信息、粗匹配点坐标、匹配模板信息的情况下，计算图像匹配的亚像元级偏移。亚像元定位一般有4种方法:()l基于图像高分辨率重采样的方法;(2)基于曲面拟合的方法;(3)微分法:(勺基于Fourier分析的相位法等。在实际应用中，经常使用重采样和拟合方法。由于重采样方法在实现插值时需花费大量的时间，而曲面拟合方法所能达到的精度是有限的，但所需时间极少，因此将这两种方法相结合，既能达到所要求的精度，又减少所需时间，是图像模板亚像元定位的一种新方法。2.1.5基于内容特征的匹配方法基于内容特征的匹配首先提取反映图像重要信息的特征，而后以这些特征为模型进行匹配。局部特征有点、边缘、线条和小的区域，全局特征包括多边形和称为结构的复杂的图像内容描述。特征提取的结果是一个含有特征的表和对图像的描述，每一个特征由一组属性表示，对属性的进一步描述包括边缘的定向和弧度，边与线的长度和曲率，区域的大小等。除了局部特征的属性外，还用这些局部特征之间的关系描述全局特征，这些关系可以是几何关系，例如两个相邻的三角形之间的边，或两个边之间的距离;可以是辐射度量关系，例如灰度值差别，或两个相邻区域之间的灰度值方差;或拓扑关系，例如一个特征受限于另一个特征。人们一般提到的基于特征的匹配绝大多数都是指基于点、线和边缘的局部特征匹配，而具有全局特征的匹配实质上是我们上面提到的关系结构匹配方法。特征是图像内容最抽象的描述，与基于灰度的匹配方法比，特相对于几何图像和辐射影响来说更不易变化，但特征提取方法的计算代价通常较，并且需要一些自由参数和事先按照经验选取的闭值，因而不便于实时应用;同时，在纹理较少的图像区域提取的特征的密度通常比较稀少，使局部特征的提取比较困难。另外，基于特征的匹配方法的相似性度量也比较复杂，往往要以特征属性、启发式方法及闭方法的结合来确定度量方法。基于图像特征的匹配方法可以克服利用图像灰度信息进行匹配的缺点，由于图像的特征点比象素点要少很多，因而可以大大减少匹配过程的计算量;同时，特征点的匹配度量值对位置的变化比较敏感，可以大大提高匹配的精确程度;而且，特征点的提取过程可以减少噪声的影响，对灰度变化，图像形变以及遮挡等都有较好的适应能力。所以基于图像特征的匹配在实际中的应用越来越广-泛。所使用的特征基元有点特征(明显点、角点、边缘点等)、边缘线段等。尽管基于灰度信息的匹配方法和基于特征的匹配方法有其自身的不足，但由于这两种方法，尤其是二者相结合，业已取得了比较好的匹配效果，所以许多学者正在从事这方面的研究工作。本文在基于主成分分析(PCA)的图像匹配算法的基础上，将基于核函数的主成分分析方法(舒CA)引入图像的特征匹配之中，进一步提高了图像的匹配性能5。2.2本文研究的目的和主要内容本文主要包括以下几个方面的内容:在第一章绪论部分，简单地介绍数字图像处理技术的发展历史和应用领域、图像匹配技术的发展现状和应用领域，系统分析了国内外近年来关于图像匹配问题的研究状况，总结了图像匹配这一研究领域的进展，从结构匹配方法、神经网络匹配方法、基于灰