基于malab的全景匹配算法研究

基于malab的全景匹配算法研究

景观跟踪技术是在航天技术、卫星应用技术、计算机、图像处理和模式识别的基础上发展起来的一门新技术。在军事领域，如飞机辅助导航、远程武器或精确的军事指挥系统，如巡警的中央控制和其他应用具有重要的应用价值。虽然景象匹配技术应用很广,但是在实际使用中却存在各种局限性,受到各种因素的影响,使匹配的正确率降低,甚至匹配失败。而景象匹配必须用到匹配算法,匹配算法的优劣、执行效率如何以及算法的适应性等,是精确制导武器能否实现精确制导的重要条件。1测试程序的适应性在实际的应用中,算法的匹配性能又称之为算法的适应性。算法的适应性如何将直接决定匹配的成功与否,最终决定了能否把巡航导弹导引至正确目标。影响算法适应性主要有内部因素和外部因素。1.1算法复杂性分析评价算法性能的内部因素主要是算法的复杂性。算法复杂性的高低体现在运行该算法所需要的计算机资源的多少上,所需资源越多,说明该算法复杂性越高;反之,所需资源越少,该算法的复杂性就越低。最重要的计算机资源是时间和空间资源。算法的复杂性有时间复杂性和空间复杂性之分。在实际应用中,算法的时间复杂性更能受到关注,特别是在像巡航导弹制导等这类对实时性要求极高的领域。1.2图像的光学特征影响匹配性能的外部因素有以下几种:(1)基准图的选择;(2)成像传感器类型;(3)实时图成像时节和天气条件;(4)基准图与处理;(5)地形起伏和景物遮挡;(6)图像特征不明显;(7)图像的重复概率等。而在上述因素中,噪声是一种普遍存在的影响源。卫片或航片在摄取的过程中,由于是在高空拍摄,往往处在云层上方,云层的覆盖会使图像上物体的外形、颜色的深浅(即图像上像素灰度值)等发生变化。再加上其它如天气、季节、地形、地貌等都会使图像拍摄出来后与原图发生失真。因此,信噪比(SNR)是影响地图匹配各项性能指标的重要参数,抑制噪声和提高信噪比也是地图匹配预处理中的一项很重要的工作。2解析方法及相似度度量研究人员提出过很多景象匹配算法,这些算法主要可以分为3类:灰度型、特征型和结构型。灰度型算法包括MAD(平均绝对差)算法、Nprod(归一化积相关)算法等;特征型算法包括图像矩算法、边缘特征算法、物理特征算法等;结构型算法有基于“质地子”的匹配算法等。在一些场合,为了提高算法的匹配精度,还可以将多种类型的算法结合起来,称之为复合型算法,典型算法如图像的指纹函数匹配算法。虽然有多种匹配算法,但大部分还处于理论阶段或试验阶段,真正实用的算法并不多。本文在以下内容将选取两种成熟算法,即MAD算法和Nprod算法,实现算法在各种因素下的匹配性能仿真平台,并将重点分析算法对噪声的适应性。对算法加以分析比较,确定各自的适应性。在地图匹配中,度量实时图和任一子图相似性程度可以直观地从两图对应的图像矢量在欧几里得空间中的几何关系得出。因为在离散情况下,实时图和任一试验位置(u,v)上的子图都可以表示成N1N2×1维的矢量,分别记作y和xu,v,它们在欧几里得空间R中的几何关系,如图1所示。由此可以发现,如果图像矢量y和x之间的夹角θ,或者它们矢段之间的距离,即它们的差矢量ε的范数|ε|愈小,则图像矢量y和xu,v愈趋向一致。换句话说,实时图与实验位置(u,v)上的那一个匹配子图愈加相似。反之,如果θ和|ε|愈大,则表示实时图与实验位置(u,v)上的那个子图愈不相似。于是,得出结论:距离|ε|或角度θ(或θ的函数)均可用来描述两幅图像之间的相似程度。所以,可以引出如下相似度度量算法:MAD算法定义为对应到匹配图像中,N1,N2表示实时图的长与宽(即像素点的个数)。它采用矢量图中最小距离的方法(即ε最小),当实时图与基准子图完全相同时,D(u,v)最小为0,在实际情况中,当D(u,v)小于某一个阈值时,即认为匹配成功。Nprod算法定义为式中,M(u,v)表示试验位置(u,v)上的度量值,又称为“Nprod系数”。xu+i,v+j表示搜索位置上匹配子图的第(i,j)个像元灰度值,yi,j是实时图第(i,j)个像元灰度值。可以看出,式中,0≤M(u,v)≤1,M(u,v)值越接近“1”,二者越相似,当M(u,v)=1(即θ=0)时说明二者完全一致,但在实际情况中,当M(u,v)大于某一个阈值时,则认为正确匹配。在数字图像处理中,MAD与Nprod算法是两种最常用,也是最经典的匹配算法,实际中被大量使用。3算法的适应性分析本平台设计目的在于建立一套景象匹配算法适应性验证、分析以及性能评估系统,以解决两方面的问题:(1)用典型地区影像资源作为基准图,而用不同时节、气候条件和传感器的情况下获得的同一地区景象图作为实时图,利用各种各样的景象匹配算法进行匹配,加以分析比较,确定各种算法的适应性;(2)对于确定的景象匹配算法,使用不同的匹配基准图和实时图进行匹配,以选择合适的基准图,为任务规划和基准图选择准则的选取提供参考依据。本平台采用的硬件环境为CPU:Pentium41.7GHz,内存:256MB,整个仿真平台在Windows2000professional操作系统,C++Builder5编译环境下中实现。算法适应性分析平台的设计,主要是基于MAD算法和Nprod算法模型,两个算法的实现思路大体相似,都是将实时图与匹配子图对应的像素灰度值进行数学处理,计算出一个记录匹配情况的数值,与阈值进行比较,满足要求,则认为正确匹配。匹配完成后根据各种加噪级数,计算出正确匹配概率,输出数据与对应图表。3.1算法的时间复杂性以下算法段描述了基准图与实时图匹配的关键步骤:3.2图像加噪处理仿真时为增强真实感,以典型城市建筑物作为基准图,从基准图中随机截取一定大小图像作为实时图,将实时图在各个加噪级数下进行加噪处理,并与基准图匹配,得出各加噪级数下的正确匹配概率。基准图、实时图及典型加噪级数下的实时图如图2。3.2.1prod系数的确定在平台功能实现的过程中,有两个地方涉及到阈值的选取。在MAD算法中,mad初值的确定,由于没有一个确定的公式可以计算出该值的具体大小,因此只能根据实际的经验值得出。在本系统中,对于基准图为160×160,实时图为64×64,mad值取为220000。由于算法的巧妙设计,在匹配过程中可以将阈值根据情况不断修正,最终得到与理想值非常接近的阈值。经过验证,对于一般的城市建筑物航片,在图像像素灰度值变化不大的情况下,该mad值的选取是符合实际的,得出的数据表和曲线图分析,数据与实际值比较接近,曲线图与实际吻合。同理,在Nprod算法中,prod系数的确定也是由经验值得出,本平台中,prod值取0.75。在与MAD算法条件相同的情况下,经验证,该取值在误差允许的范围内,满足功能要求。仿真得到的数据如图3。3.2.2测信噪比不适宜问题仿真得出的曲线图如图4,通过曲线图的直观显示,可以分析得出正确匹配概率与加噪级数之间的关系,即可方便得出正确匹配概率与图像信噪比之间的关系。在实际应用中,在能力所能达到的情况下,把信噪比控制在什么范围内,正确匹配概率相对较高,这应该是一个非常关心的问题。因为正确匹配概率是随着信噪比的增加逐步减小的,并且减小的速度因所选的基准图的不同,或者在基准图中截取的实时图的不同而发生变化。在具体验证中,由于上述原因,所得到的曲线图的变化也比较明显。反映在匹配概率会随基准图的不同,整体性偏低或者偏高;对于同一幅基准图,也会由于随机选取的实时图不同而发生差异。但总体上说,如果所选基准图为特征比较明显的城市建筑物,并且图像明暗(即灰度)变化不很大时,结果还是令人满意的。4基准图和实时图的对比利用算法的适应性分析平台,经过对大量卫星航片(城市建筑物)的分析验证,证明本平台功能实现正常,对两种匹配算法进行适应性分析,得出的数据比较符合实际,曲线图的比较结果正确。并得出以下结论:(1)MAD算法比Nprod算法的时间复杂性要小,仿真试验中,对于基准图和实时图采用本平台中的大小,在相同的硬件条件下所花时间大约为MAD算法的1.5倍;(2)在加噪情况下,正确匹配概率随着信噪比的增加而减小,并且减小越来越慢;(3)在低信噪比,加噪级数大于等于10(SNR≤1)时,归一化积相关算法更好,即正确匹配概率较大;(4)在高信噪比,加噪级数小于等于7(SNR>1.28)时,平均绝对差算法较好;(5)在其它加噪情况下,验证