一种快速彩色图像匹配算法
matchtemplate 迭代取匹配方法
标题：使用matchtemplate迭代取匹配方法进行高效图像匹配一、概述图像匹配在计算机视觉领域具有广泛的应用，包括目标识别、物体追踪、图像检索等。
在实际应用中，为了提高匹配的准确度和效率，需要使用一些高效的匹配算法。
本文将介绍一种常用的图像匹配方法——matchtemplate迭代取匹配方法，以及该方法的原理和实现过程。
二、matchtemplate迭代取匹配方法概述1. matchtemplate方法概述matchtemplate是一种常用的图像匹配算法，它通过在输入图像上滑动模板图像，然后在每个位置计算模板与输入图像的相似度，最终找到最佳匹配位置。
这种方法既适用于灰度图像匹配，也适用于彩色图像匹配，且在匹配效果和速度方面都具有较好的表现。
2. matchtemplate方法的原理matchtemplate方法的原理是计算输入图像和模板图像之间的差异，从而找到最佳匹配位置。
在实现过程中，通常会使用相关性或差值来度量匹配相似度。
具体来说，对于每个位置，都会计算输入图像和模板图像之间的相似程度，然后选择相似度最高的位置作为最佳匹配位置。
三、matchtemplate方法的实现步骤1. 基本匹配方法- 选择一个模板- 将模板与输入图像进行匹配- 计算每个位置的相似度- 选择相似度最高的位置作为匹配结果2. 迭代取匹配方法matchtemplate方法的一大特点是可以使用迭代取匹配方法，以提高匹配的准确度和效率。
在迭代取匹配方法中，可以采用多种策略来选择匹配参数，比如步长、尺度、旋转等，从而得到更准确的匹配结果。
通过不断调整匹配参数，可以找到最佳的匹配位置，提高图像匹配的精度和稳定性。
3. 迭代取匹配方法的优势迭代取匹配方法可以适应多种不同的场景和需求，比如不同尺度的目标、不同角度的目标等。
在实际应用中，可以根据具体情况选择不同的迭代取匹配策略，以求得最佳的匹配结果。
另外，迭代取匹配方法还可以结合其他图像处理技术，比如特征点描述子、滤波器等，从而实现更加全面的图像匹配。
图像匹配的算法种类和原理
图像匹配的算法种类和原理
图像匹配是一种广泛应用于计算机视觉领域的技术，用于判断两个或多个图像之间的相似性或是否存在某种关联。
以下是几种常见的图像匹配算法和其原理：
1. 直方图匹配：该算法基于图像的颜色分布，通过比较两个图像的直方图来评估它们的相似性。
直方图是一种将图像像素值与其频率关联起来的统计工具。
2. 特征点匹配：该算法通过提取图像中的特征点，如角点、边缘等，然后比较两个图像中的特征点之间的距离或相似性来确定它们之间的匹配关系。
常见的特征点匹配算法包括SIFT、SURF 和ORB。
3. 模板匹配：该算法使用一个预先定义好的模板图像，将其与输入图像进行比较，找出最佳匹配的位置。
模板匹配算法通常使用相关性或差异性度量来评估匹配程度。
4. 形状匹配：该算法旨在比较图像中的形状特征，例如提取图像边界上的轮廓，并计算它们之间的相似性。
形状匹配通常与图像分割和轮廓提取技术结合使用。
5. 神经网络匹配：近年来，深度学习和卷积神经网络（CNN）等技术的发展为图像匹配带来了新的突破。
使用深度神经网络，可以学习到更高级别的特征表示，并通过训练模型来实现图像匹配任务。
这些算法各有优缺点，并且在不同应用场景下具有不同的适用性。
在实际应用中，经常需要结合多种算法来实现更准确的图像匹配结果。
一种改进的彩色图像匹配算法
梯度的约束条件 ， 用 Ｓ Ｄ算法 实现 了彩 色图像的 匹配 ， 使 Ａ 最后通过对比试验进行 了验证 。试验 结果表明该方法有更高的 匹配精 确
性和正确率。
划的方 法 ， 彩色段就是对灰度段原理的扩展Ｉ 。 Ｉ 。
色图像为 。 ） 。 ） 。 ）和 （ ） （） （）， ： （ （ （ ） ）其中
１
（ － （ ）ｎ（ ） ｘ ＋ １ ％ ）
（） １
／ ） （ ｄ） ｎ（ （ ＝ — ，＋ ２ ）
关键词 ： 立体 匹配 ； 色图像 ； 彩 色差梯度 ；Ａ ＳＤ 文章编号：０ ２ ８ ３ （ ０７ ２ — ０ ８ ０ 文献标识码： 中图分类号 ：Ｐ ９ ．１ １０ — ３ １２ ０ ）７ ０ ９ — ２ Ａ Ｔ ３１ ４
立体匹配是 获得场景三维信 息的有效技术 ， 经过 多年 的研 究， 已经提 出了许 多算 法 ， 然而这些 算法多关注于处理灰度 图 像 。随着彩色摄像机逐步取代黑白摄像机 ， 对彩色 图像的处理 越来越普遍 ， 关于彩色图像匹配算法的研究 文章近年来也不断
ｎ（）ｎ 为高斯 白噪声 ， ｌ 、 （） ２ 满足 ｎ（ ， （ ）Ｎ ０ ） 是两 。 ｎ ～ （， ， ） ２
个 匹配点的视差真实值 。 。 。 和 （ 、 ） （ ） （ ） ） （ 同样满足
Ｔｈｅ ｂｅｔｒ ｔｅ ｍａ ｅ ｉ ａ ｏ ｅ Ｂａ ｅ ｏｎ ｏ ｏ ｍａ ｅ ｈａ ａ ｔｒｓｉ ｃ ｏｍａｉ ｇ ａ ｉ ｎ ｉ ｐ ｅ ｅ ｅ Ｃｏ ｏ ｉ ｇ ｍａｃ ｎｇ ｎｎ ｒ ｓ ｄ ｐｔｄ． ｓ ｄ ｃ ｌ ｒ ｉ ｇ ｅ ｒ ｃｅ ｉｔｃ， ｈｒ ｔｃ ｒ ｄ ｅ ｔ ｓ ｒ ｓ ｎｔｄ． ｌ ｒ ｍａ ｅ ｔｈｉ ｗｉｈ ＡＤ ｔ Ｓ
SUSAN算法在快速图像匹配中的应用
应矩 阵 中提取 特 征 的多寡 ，ｇ 小 ，所得 的特 征 点越 尖 ，提取 边缘 时 ，ｇ 越 值
要大 些 ，一般 最大取 ３ ａ／ 而对 于 实际有 噪声 影响 的图像 ，边 缘 的Ｕ Ａ 抗噪 声干扰 能 力，在 利用Ｕ Ａ值 进行 阈值 比较 时， Ｓ Ｎ
强 ，运算 速度 快 。 三 、Ｓ Ｓ 算 法在 快速 图像 匹配 中的应 用 Ｕ ＡＮ
Ｉ ■
Ｓ Ｓ Ｕ ＡＮ算法在快 速 图像 匹配 中 的应用
汪 熙 蒋晓瑜 姚 军 杜登崇
１０７） ０ ０ ２ （ 甲兵工程学院控制工程系 装 北京
［ 摘
要】 Ｕ Ａ 算子 是一种基于 图像局部 灰度特征的算法 ，编程实现利用Ｓ Ｓ Ｎ ＳＳＮ Ｕ Ａ 算法 的实现 了快速 图像 匹配，并与常用的Ｈ ｒ ｉ 算子作 了对 比，结果表明 ，该算 ａｒｓ
图像配 准是 图像 分析和 处 理的基 本 问题 ，从 图像 中提取 特征 点是 基于
点特 征影像 匹 配的 第一 步 ，在 计算机 视 觉 中，定 义 图像 中 出现局 部 曲率极
大值 的轮 廓 点 以及 两个 以上 边 界 的交 点为角 点 ，单 调背 景上 的孤 立 点等 。
ＵＡ 值 接近 最大 值 的四 分之 一 。在一 幅 图像 中搜 索 图像角 点 或边 缘点 ，就 ＳＮ
（ （）ｘ ［，／ｏ） １ ｘ ：ｐ ＩＹ （Ｙ ） ， ｅｌ（） ＸｏＪ ｃ ｛ ｘ － ，］ 一 ｝
其 中 ，（。Ｙ ｙ 模 核在 图像 中的坐 标 ，（， 为掩 模区 域其它 点 的 ｘ ，。为掩 ｘ ） 坐标。ｌｘ ） Ｉｘ ， 。 （， （０Ｙ ）分别为点 （，）和（ｏＹ ）的灰度值。阈值 ｆ决 ． ｙ ，。 定了两 个 点相似 的最大 差异 。Ｃ 为输 出的 结果 。掩模 区域 的ＵＡ 值可 以 由式 Ｓ Ｎ
RGB-D相机深度图与彩色图配准方法研究
RGB-D一、引言RGB-D 相机是一种同时能够获取彩色图像和深度图的传感器。
相较于传统的彩色相机，它能够为计算机视觉的任务提供更加丰富的信息。
例如，深度图可以用来进行三维物体识别、路径规划、室内场景重建等任务。
因此，如何有效地对RGB-D 相机获取的彩色图像和深度图进行配准，是RGB-D 相机应用场景中的关键技术之一。
本文主要介绍RGB-D 相机深度图与彩色图配准方法的研究。
首先，我们会讨论RGB-D 相机的原理和应用场景。
随后，我们会介绍一些常见的RGB-D 相机配准方法，并分析它们的优缺点。
最后，我们会提出一种基于特征描述符的RGB-D 相机配准方法，并使用实验验证其效果。
二、RGB-D 相机的原理及应用RGB-D 相机将彩色图像和深度信息结合在一起，可以提供更加丰富的信息。
它的工作原理是：在相机内部安装红外激光舵机，激光透过透镜，当照射到物体时，发生反射、散射，部分光线回到相机，通过光学成像和数字信号处理，得到深度图像。
除了深度图像，RGB-D 相机还能够获取彩色图像。
RGB-D 相机广泛应用于三维物体识别、室内场景重建、机器人导航、虚拟现实等领域。
其中，三维物体识别是RGB-D 相机的主要应用领域之一。
通过结合深度和颜色信息，可以更加准确地识别不同的物体。
例如，我们可以通过获取桌子的深度信息来识别桌子的位置、形状和大小。
三、RGB-D 相机配准方法目前，存在许多RGB-D 相机深度图与彩色图配准的方法，下面我们将针对其中几种常见的方法进行分析。
1. 基于投影的方法基于投影的方法是最简单的RGB-D 相机配准方法之一。
它的思路是：将深度图像中的每个像素点投影到彩色图像上，然后通过计算两个图像中投影点的重合度来匹配两幅图像。
优点：方法简单，易于实现缺点：对于物体表面有明显凹凸不平的区域，容易出现投影不准确的情况。
2. 基于区域的方法基于区域的方法是通过分析物体的几何结构来进行配准。
方法主要包括以下几个步骤：将深度图像中的点划分成不同的区域；对每个区域进行匹配；将所有区域的匹配结果合并成整个图像的匹配结果。
一种用于图像匹配的快速有效的二分哈希搜索算法
基金项 目： 自然科Ａ ０ Ｚ３ ） “ ８３ 项 ２０Ａ ０ Ｚ１ 、 ９ Ａ １３２ 及 新世纪优秀人才 ” ０ 计划 （ Ｃ Ｔ Ｎ Ｅ－ ０ － ８） ６ ８２ 资助 ０ 作者简介 ： 何周灿（９４ ， １８ 一）西北工业大学硕士研究生 ， 主要从事高维图像特征匹配及计算 机视觉 等研究 。
不变特性 。因此， 本文采用 ｓ 描述 子用于 图像 ｗｒ
匹配 。
定查询半径 ｒ 根据三角不等式确定查询范 围并执 ， 行查询， 该方法建 立索引 的代 价 （ 主要是 聚类 ） 太
（） １ 相关 工作
Ｓ Ｔ描述子达 １８维 ， Ｉ Ｆ ２ 还有 的数据超过 １ ０ ０ ０ 维， 力求快速有效处理超高维数据 ， 是一个研究热点 和难点。人们研究了大量高维数据搜索算法 ， 从高 维数据集合的数据分布和空间分布角度 出发建立了 各种各样 的数据结构 ， Ｋ —ｅ 、 －ｅ ¨ Ｓ ． 如 Ｄ ｔ ｅ 】Ｍ ｔ ｅ 、Ｐ ｒ ｒ ｔｅ 引 ｒ ｅ［ Ｒｔ ｅ和 Ｂ Ｆ 、Ｄｓ Ｉｅ’等 。Ｋ ．ｅ —ｅ ｒ Ｂ ［ ｉｉａｃ［ ｔ１ Ｄｔ ｅ通 ｒ
体 ， ｑ 使 到 的每一个超平面的距离为 占 Ｓ Ｎ算 。Ｎ 法能处理维数达 ３ 维的数据 ， ５ 但被用于处理 １８ ２ 维
或检索、 基于视频 或者 图像 的三 维场景 重构 等 的 ＳＦ ＩＴ特征 时 ， 效率太 低。 ｉａｃ（ ｄｘ ｇｔｅ ｉ ｓ ｎｅ ｉ ｅｉ Ｄｔ ｎ ｎ ｈ 等。图像匹配包含 ２个部分 ： 建立特征描述子和 Ｋ Ｄｓ ｎｅ 采用 ｋ ｅｎ 聚类算法将数据空间划分为 ｉａｃ ） ｔ － ａｓ ｍ 近邻搜索。Ｍ ｋｌｃｙ ５ 细总结 了近 年来 的局 ｎ ｉ ａ ｚ ．详 ｏｊ ｋ 个不相交的类 ， 每一个类被当成是一个超球体， 超 部不变描述子的发展 现状 ， 并通过大量实验对各种 球体的中心作为参考点， 根据各个超球体 中数据点 描述子 的性 能 进行 对 比 ， 果 表 明 ＳＦ … 在 缩 放 、 结 ＩＴ 到参考点的距离建立一棵 Ｂ＋树。 对于查询点 ｇ 给 ， 旋转、 噪声甚至视点变换 的情况下表现出高可靠 的
快速匹配视觉图像的算法实现与优化
快速匹配视觉图像的算法实现与优化如今，视觉图像已经广泛应用到各个领域。
而对于视觉图像的处理，算法的速度和效率显得尤为重要。
在这篇文章中，我将会讲解如何实现快速匹配视觉图像的算法，并对其进行优化。
一、算法实现在实现快速匹配视觉图像的算法时，我们可以使用一种叫做SIFT（Scale-Invariant Feature Transform）的算法。
它是一种用于图像特征提取的算法，由David G. Lowe于1999年发明。
SIFT算法执行的步骤如下：1.尺度空间极值检测。
这一步主要是通过高斯滤波器对图像进行卷积操作，来得到图像中的关键点。
2.关键点定位。
在这一步中，我们需要精确定位关键点的位置和尺度。
3.精确定位关键点方向。
一般情况下，关键点是不具有方向信息的，所以我们需要通过梯度方向直方图，来确定关键点的方向信息。
4.生成描述子。
在这一步中，我们需要对关键点附近的图像区域建立图像描述子。
描述子是由关键点周围的像素值、尺度、方向等信息产生的。
5.匹配。
在这一步中，我们需要利用描述子来进行图像匹配，最终得到匹配的结果。
以上是SIFT算法流程的主要步骤，但是对于实际应用中，我们还需要考虑到一些问题。
比如对于大规模的数据集，算法的速度会变得非常缓慢，所以我们需要针对性的对算法进行优化。
二、优化策略针对SIFT算法，我们可以采用以下几种优化策略：1.降低图像的尺寸。
图像的尺寸越大，算法的复杂度就越高。
因此，在进行匹配时，我们可以将图像尺寸进行缩小，以降低算法复杂度。
2.利用GPU加速计算。
在进行匹配时，我们可以使用GPU来加速计算。
GPU 比CPU具有更强的并行计算能力，可以提高匹配的速度。
3.采用快速 FFT 算法。
在进行高斯滤波器卷积操作时，可以采用快速傅立叶变换（FFT）算法。
使用FFT算法可以极大的提高卷积的速度，从而加速SIFT算法的实现过程。
4.通过在特征定位和匹配阶段中进行筛选，去除不必要的信息，减少计算量和存储空间。
SURF与FLANN算法结合的图像匹配方法
SURF与FLANN算法结合的图像匹配方法
SURF（Speeded Up Robust Features）是一种图像特征提取算法，FLANN（Fast Library for Approximate Nearest Neighbors）是一种快速最近邻搜索算法。
将这两种算法结合起来，可以实现高效准确的图像匹配。
图像匹配是指在一组图像中，找到与给定图像最相似的图像。
图像匹配在图像检索、
目标跟踪、增强现实等领域具有广泛的应用。
SURF算法对图像进行特征提取。
SURF算法通过检测图像中的关键点，并计算这些关键点的局部特征向量来描述图像。
SURF算法的特点是快速且具有稳定的鲁棒性，适用于各种图像变化情况。
接下来，FLANN算法将SURF提取的特征向量作为输入，构建一个近似最近邻搜索索引。
FLANN算法通过将特征向量映射到一个高维空间，并使用一种适合于高维空间的快速搜索
算法来找到与给定特征向量最相似的特征向量。
FLANN算法的特点是高效且具有较高的准
确性，适用于大规模的高维数据搜索。
通过计算匹配图像与给定图像之间的相似度，选取相似度最高的图像作为匹配结果。
相似度可以使用欧式距离、余弦相似度等度量方法进行计算。
选取相似度最高的图像作为
匹配结果，可以通过设置一个阈值进行筛选，只选择相似度超过阈值的图像。
图像匹配方法的优势在于可以处理图像的尺度、旋转、光照等变化，并具有较高的准
确性和鲁棒性。
将SURF与FLANN算法结合起来，不仅可以提高算法的速度和效率，还可以提高算法的准确性和鲁棒性。
这种图像匹配方法在实际应用中具有很大的潜力。
colorful_image_colorization算法原理_概述及解释说明
colorful image colorization算法原理概述及解释说明1. 引言1.1 概述本文旨在介绍colorful image colorization算法的原理，并对其进行解释和说明。
随着计算机技术的不断发展，图像处理领域也取得了长足的进步。
图像着色是图像处理中一个重要的任务，它可以将灰度图像转化为色彩丰富的彩色图像，使人们能够更好地理解和感受图像所传达的信息。
Colorful image colorization算法是一种基于深度学习的方法，利用神经网络模型实现自动化的图像着色过程。
通过训练大量数据集，算法可以学习到图像中不同区域之间的颜色关系，并生成与原始灰度图像相匹配的彩色版本。
该算法在计算机视觉、数字媒体和艺术设计等领域具有广泛应用前景。
1.2 文章结构本文首先会对colorful image colorization算法进行概述，介绍其基本原理和实现方式。
然后详细解释算法的输入与输出，并说明其核心原理。
接下来，在第三部分中会对算法进行详细解释和说明，包括预处理步骤、网络架构以及数据训练与优化策略。
第四部分将介绍实验结果与评估方法，包括数据集的选择和准备、定量评估指标和方法，以及对实验结果进行分析和讨论。
最后，本文将总结全文内容并给出相关结论。
1.3 目的本文的目的是全面阐述colorful image colorization算法的原理和实现。
通过对该算法进行概述和解释说明，读者可以充分了解其基本原理、输入输出以及核心实现方式。
同时，通过对算法进行详细解释和优化策略说明，读者可以了解到如何使用该算法进行图像着色，并在实际应用中取得良好效果。
最后，通过对实验结果与评估的介绍，读者可以对该算法在不同场景下的表现有一个全面的了解。
2. colorful image colorization算法原理：2.1 算法概述：colorful image colorization算法是一种将黑白图像转化为彩色图像的技术。
一种高速印刷图像处理算法
一
种 高 印刷 图像 处 理算 法 米 速
彭 向前 ，陈幼平 ，余文勇 ，艾 武
（ 中 技 大学 机械 科 学与 工程 学 院， 北 武 汉 ４ ０７ ） 华 科 湖 ３０４
摘
要 ：针 对 高速 印刷 图像 处理 中的 高 实时性要 求 ， 分析 了高速 印 品 图像 的 图像 特 征 ， 出 了一 种 利 用灰度 形 提
随着 凹印技术的发展 ， 印刷速 度越来越 高 ， 印刷对象发 生 了深刻变化 ， 印刷图案越来越 复杂 ， 印刷色彩越来越 多， 这就对
印刷 的精确性提 出了更高 的要求。传统 的人工检测 已经很难 满足现代印刷的速度和准确性 的需要 。随着计算机 技术 的发
展， 出现了一些基于机器视觉 的质量检测设备。由于受 图像处
态学提 取轮廓 进行 快速 图像 配 准的方法 。对配 准后 的图像 ， 用改进 的 图像 差分算 法进行 图像 比较 和 形 态学滤 采 波， 能够快 速 准确 地将 印刷缺 陷提 取 出来 。实际应 用表 明 ， 算 法能 满足 最 高 ３０ｍ ｍｎ彩 色印品质 量检 测 的 该 ０ ／ ｉ
ｕ ｔ ００ ｒ／ｍｉ ｐ ｏ３ ｎ ｎ．
Ｋｅ ｒ ｓ ｍａｈ ｍａｉ ｒ ｈ ｌｇ ｆｇａ ｍａ ｅ ｏ ｔ ｕ ｘｒ ｃｉ ｎ ｉ ｇ ｅ ｉｔ ｔ ｎ ｉ ｇ ｕ ｔ ｃ ｙ ｗｏ ｄ ： ｔ ｅ ｔ ｍｏ ｏｏ ｏ ｙｉ ｇ ；ｃ ｎ ｏ ｒｅ ｔ ｔ ； ｍａ ｅ ｒｇ ｓ ａｉ ； ｍａ ｅ ｓ ｂ ｒ ｔ ｃ ｐ ｙ ｒ ａ ｏ ｒ ｏ ａ
ｐ ｓ ｄ ｔ ｒ ｕ ｈ ｔ ｅ ｃ ｎｏ ｒ ｅ ｔａ ｔｄ ｂ ｔ ｅ ｔ ｒ ｈ ｌｇ ｆ ｒ ｙｉ ｇ ａ ｅ ｎ ｔ ｅ ａ ａｙ ｉ ｆ ｈ ｒ ｔ ｇ ｉ ｇ ｈ — ｏ ｅ ｈ ｏ ｇ ｈ ｏ ｔｕ ｓ ｘｒ ｃｅ ｙｍａ ｈ ｍａｉ ｍｏｐ ｏｏ ｙ ｏ ａ ｍａ ｅｂ ｓ ｄ ｏ ｈ ｎ ｌｓｓｏ ｅ ｐ ｎ ｉ ｍａ ｅ ｃ ａ ｃ ｇ ｔ ｉ ｎ ｒｃ ｅｉｔ ｓ Ｗｉ ｈ ｅ ｐ ｏ ｕ ｈ ａ ｍｐ ｏ ｅ ｌｏ ｔ ｍ ，ｐ ｎ ｉｇ ｄ ｆ ｃｓ ｃ ｕ ｄ ｂ ｅｅ ｔｄ ｒ ｐ ｄｙ ａ ｄ ａ ｃ ｒ ｔｌ ｙ ｔ ｅ ａｔｒ ｉ ． ｓｃ ｔ ｔ ｅ ｈ ｌ ｆ ｓ ｃ ｎ ｉ ｒｖ ｄ ａｇ ｒ ｈ ｈ ｉ ｉ ｎ ｒ ｔ ｅｅ ｔ ｏ ｌ ｅ ｄ ｔｃｅ ａ ｉ ｌ ｎ ｃ ｕ ａｅ ｙ ｂ ｈ ｉ ｇ ｕ ｔａ ｔ ｎ ｒ ｈ ｌｇ ｉ ｅ ．Ｉ ｉ ｓ ｏ ｙｐ ａ ｔ ｅｔ ａ ｈ ｌｏ ｔｍ ａ ｅ ｅｒ ｑ ｉ ｍｅ ｔ ｆ ｉ ｈｐ ｎ ｉ ｇｓ ｅ ｄ ｍａ ｅ ｓ ｂ ｒｃ ｄ ｍｏ ｏｏ ｙｆ ｔ ｒ ｔ ｓ ｈ ｗｎｂ ｒｃ ｉ ｈ ｔ ｅａ ｇ ｒ ｈ ｃ ｎ ｍｅ ｔ ｈ ｅ ｕ ｒ ａ ｐ ｌ ｃ ｔ ｉ ｔ ｅ ｎ ｇ ｒ ｔ ｐ ｅ ｏｈ ｉ ｎ
基于彩色图像分割的置信传播快速立体匹配算法
其 中 ％
喜 Ｇ （ ｎ Ｘ
） ’ ｉ －源自 Ｘ ｈ Ｍ （ ｘ ） 表示加权平均偏移 向量 ， 指向概 率密度梯度方 向， 则
４ ． １ 置信 传播 算 法原 理
．
（ ｘ ） 可 以看成是样本点 沿着概率密度梯度方 向偏移后的样本点 。 在 已知Ｇ （ ｘ ） 和ｗ（ Ｘ ｉ ） 的情 况下 ， 根据 式（ ８ ） 进行迭代会收敛到待漂移 样本 点附近的概 率分布密度峰值处 。 迭代步骤如下 ： （ １ ） 首先， 在特征空间中任意选择初始搜索区域 圆， 设置其搜索 半径和误差 阈值 ；
算法分 析
其中 ， （ 一 为不同样本 点 到中心样本点 的不 同距离 对偏移 向量 的不同贡献而引入的核 函数权值 ，
Ｇ （ ｔ— ） ＝ ｌ Ｈ ｉ － ， ， ２ Ｇ（ ＨＩ １ ， ２ （ 一 ） ） （ ２ ）
ｌ ： （ ｘ ， Ｙ ， ） ＝ （ （ ｘ ， ， 一 １ Ａｘ ＋ｄ ， ） ） ‘
（ ２ ） 根据式 （ ８ ） 计算 圆中采样 点的均值ｍ （ ｘ ） ， 判断是否 满足ｌ Ｉ ｍ （ ｘ ） 一 ｘ ｌ ｌ ＜ ￣， 则停止循环 ， 否则进入步骤３ ） ； 。 （ ３ ） 令ｘ ＝ ｍ （ ｘ ） ， 继续 返回第一步开始循环 。
采用均值漂移算法对 图像进行分割之后 的效果 图如 图ｌ 所示 。
Ｍ ｈ （ ｘ ） 亳
㈥
Ｇ（ ） ： 前面 （ ５ ） 式可 以变为如下 ， Ｍ＾ （ ） ＝ｍ ＾ （ ｘ ） 一 Ｘ
、
（ ６ ） ４置信 播 算 法进行 模板 视 差最优 分 配 （ ７ ） 通过区域匹配得到的视差平面模板不够精确 ， 只考虑了模板 内 像素点之间的影响 ， 而没有考虑到 区域块间的相互影响 本文采 用 全局匹配算法一置信传播算法对 初始视差平面模板进行全局优化 ， 从而得到更加精确稠密的视差图。 置信传播算法主要是利用消息传 （ ８ ） 输和置 信度 传输机制来实现全局能量 函数 的最小 化的。
SURF算法介绍
蒙娜丽莎的图像匹配---SURF算法1.图像匹配1.1.图像匹配的概念图像匹配成为计算机视觉和图像处理中的一个重要技术。
其方法思想就是根据己知的图像在其他图像中查找出含有己知图像的过程。
图像匹配的架构流程如图1.1。
该技术的研究涉及到许多相关的知识领域,如图像预处理、图像采样、特征提取等,同时将计算机视觉、多维信号处理和数值计算等紧密结合在一起。
图像匹配技术还与图像融合、图像匹配等研究方向系系相关,为图像理解和图像复原等相关领域的研究提供基础。
图1.1图像匹配流程图图像匹配技术作为图像处理的关键技术之一，在国防领域和医学领域等得到广泛的研究和应用[2]。
如果在不同视角，或是不同时间，或是使用了不同的传感器获取到的两幅或多幅图像间存在共同区域，如何寻找到图像间的共同区域，就是图像匹配需要解决的问题。
1.2.图像匹配的算法组成图像匹配技术的分支很多，对图像匹配提出的构架也是千姿百态，根据布朗提出了图像匹配的组成要素，将图像匹配的要素主要分为四个方面，分别是图像的特征空间，为求取变换参数定义的搜索空间和搜索策略，图像匹配的相似性度量。
特征空间是指在待配图像和参考图像上提取到的一系列特征集合。
将提取到的特征进行描述后参与最后的匹配，因此特征选取的好坏直接影响匹配的可行性和匹配的效果。
好的特征是满足自动匹配的前提，因此选取的特征一般包含图像的关键信息，此类特征存在以下特性：首先，此类特征具有公有性、唯一性和显著性，保证匹配的顺利进行和匹配的精度；其次，此类特征具有多量性，而且分布合理，保证匹配的稳定性。
合理的特征空间会降低匹配算法的计算量，提高算法的性能。
相似性度量是指评判待匹配图像和参考图像上特征的相似程度，它很大程度上决定了参与匹配的因素，一般采用某种代价函数或者是距离函数来进行度量。
好的相似性度量不仅可以减少算法的计算量，而且对于算法的匹配性能和鲁棒性起着重要的作用。
搜索空间为求取图像变换参数的空间。
一种基于SLIC的超像素快速色彩传递算法
一种基于SLIC的超像素快速色彩传递算法滕秀花;胡文瑜;陈敏【摘要】提出了基于SLIC超像素分割的快速色彩传递算法.该算法有两个主要步骤:首先利用SLIC技术实现两幅图像的超像素分割;然后根据超像素特征,对两幅图像的超像素进行相似性匹配,在此基础上进行色彩传递.实验结果表明,与基于像素点传递的一类算法比较,该算法不仅提高传递速度,还进一步改善了传递效果,结果图像更加自然,平滑.【期刊名称】《哈尔滨师范大学自然科学学报》【年(卷),期】2014(030)003【总页数】4页(P77-80)【关键词】色彩传递;超像素;自适应阈值【作者】滕秀花;胡文瑜;陈敏【作者单位】福建工程学院;福建工程学院;福建工程学院【正文语种】中文1 预备知识色彩传递技术的是将源图像色彩意境传递给目标图像．该文提出的基于SLIC的超像素快速色彩传递算法，不但可以实现彩色图像之间的颜色校正;也可以将一幅彩色图像的彩色信息转移到灰度图像，即实现灰度图像彩色化．在实际应用中存在大量的黑白图像资料，如老照片、经典电影、一些医学图像等，给这些黑白的图像彩色化处理可以大大提高这些资料的视觉吸引力，增加图像的层次感，并且可以突出图像的一些细节特征、增加图像蕴涵信息．因此色彩传递是一项重要而富有意义的工作．近年色彩传递的研究工作一般以Reinhard算法［1］提出基于像素点权值匹配的为基础，针对Reinhard算法在像素点的权值评价等方面存在的局限性，目前已经有了一系列的改进工作．滕等人提出利用色彩传递过程中获得的部分彩色纹理信息［2］辅助色彩传递，一定程度上提高了匹配精度;在此基础上，又提出了像素点多维特征向量的概念［3］并结合 ANN［4］搜索技术进行色彩传递，提高了搜索速度;在后续的工作中，提出在传递结果的基础上，加入了误传递检测机制［5］，同时提出了自身校正的策略，大幅减少了椒盐噪声，结果更为平滑．Levin等人［6-9］基于像素的空间自相关性，人工获取少量彩色像素点的基础上，实现彩色信息的相似区域生长，但是这类算法较大程度的依赖于边界的检测．目前对于色彩传递的研究工作基本上为了特定的应用领域，如何更加有效的发现和描述图像的特征信息，如色彩渐变性［8］等，以便更加有效的区分图像间的不同纹理信息，使像素点的匹配更加准确．由于目前的色彩传递算法本身无法知道像素点描述的准确性、像素点的误匹配情况以及最后色彩传递后的误差，因此算法运行的效果及效率都有一定的局限性．提出的基于SLIC的超像素的快速色彩传递算法保持了像素点匹配类算法的优点，同时克服了该类算法速度较慢的缺点．该文算法的主要思想如下:首先基于SLIC技术实现源图像和目标图像的超像素分割;然后根据超像素本身亮度及亮度变化情况，在自适应阈值范围内搜索，在源图像和目标图像之间寻找最相似的超像素对，由此进行匹配超像素对之间色彩传递．该算法有两个方面的创新:一是将超像素技术应用到色彩传递领域;二是提出了超像素的自适应阈值匹配，特征相似度达到自适应阈值时，就不再继续搜索，这样可以减少搜索匹配超像素的迭代次数，不仅提高了算法效率，同时进一步改善了传递效果，保证了源图像主色调的平滑传递．其工作是基于超像素匹配传递，实验中加入少量像素级的椒盐噪声，对传递结果没有影响，因此该算法具有一定的椒盐抗噪能力．整个传递过程都是全自动完成，没有任何的人工干预．2 l*a*b* ［10］颜色空间在色彩传递过程中，颜色空间的选择对算法传递效果具有很大的影响．色彩传递算法常常用到是l*a*b*颜色空间，其中，L*表示亮度信息，a*分别表示红绿和b*黄蓝信息．采用这个颜色空间主要是因为它的三个分量近似正交，能够最大限度的减小一个分量的变化给另外两个分量造成的影响．该文算法从SLIC分割的预处理，到超像素的匹配传递，都是在l*a*b*空间基础上实现的．在进行颜色处理之前必须先将图像从RGB颜色空间转化到l*a*b*颜色空间，具体步骤如下:(1)先将RGB空间转化到LMS空间(2)将LMS空间转换到l*a*b*空间(3)当图像处理结束后，要重新显示输出时，还须将l*a*b*空间转化为LMS(4)最后LMS转化RGB图1 不同尺寸的SLIC分割3 基于SLIC的超像素分割超像素［11-12］是对图像进行过度分割，在既定的区域周围，将图像中同质的内容归为一类，即为一超像素，如图1所示．超像素分割通常不会覆盖图像目标和背景的边界区域，即一幅图像划分为一系列超像素后，极少有超像素跨越目标和背景的边界，大多数超像素要么分布于目标区域，要么分布于背景区域．基于像素点的色彩传递算法，为了提高效率，需要样本采集，通常是在均分网格内随机取样．该文算法基于SLIC技术实现超像素分割后，在超像素中心采样，由于超像素是同质的，因此比均分网格采样更为完整，但是样本数更少．超像素模式可以简化图像的特征描述，是一种有效的加速工具．该算法所基于的SLIC［9］技术可以很好地保持了图像结构之间的边缘．SLIC核心算法有描述如下:(1)初始化过程:均分k个网格是网格边长度，网格内色阶值最低的像素为kmeans 的初始重心，所有像素都未归类，因此归属类的距离dis(i)=∞，i表示某一像素．图2 SLIC搜索区域(2)每j类迭代处理过程:以该类重心为中心，逐一计算在2s*2s邻域内(如图2)各像素与该类中心点之间距离D，若D＜dis(i)，则i暂时归为该类j，D=dis(i);重新调整该类．其中公式(1)不仅考虑了像素点之间的空间距离，还考虑了亮度其彩色信息的差异性．4 自适应阈值特征向量之间的距离计算有多种方式，如联合概率，欧氏距离等．当向量的距离计算用于匹配计算时，通常选取距离最小的两个向量作为匹配向量，但是本算法没有采取这种最小距离模式，而是为不同的源图像的整体亮度变化情况计算了阈值T:其中和分别表示源图像和目标图像的整体亮度均值和分别表示源图像和目标图像的整体亮度方差，n是源图像像素总数．5 基于SLIC的快速色彩传递算法提出的基于SLIC的快速色彩传递算法，源图像和目标图像都进行了超像素分割，基本完整地提炼了图像的代表元素，在自适应阈值T的范围内实现了搜索匹配，不但提高了搜索速度，也改进了效果．其具体算法描述如下(1)将源图像与目标图像的颜色空间转换到1*a*b*颜色空间．(2)利用SLIC方法对源图像和目标图像进行超像素分割．(3)目标图像进行亮度分布归一化处理，使得两幅图像的亮度分布在统一域段，在实验中发现如果目标图像不经过归一化处理，匹配效果基本失效，图像内容大片雾化．(4)提取超像素中心像素点构成样本点集合，该文算法选取样本点亮度以及邻域方差代表超像素的纹理特征．(5)计算两幅图像样本点之间的相似性距离，其公式如下．其中分别表示源图像和目标图像样本点的邻域方差，lt、lt(q)分别表示源图像和目标图像样本点的亮度，k1、k2分别是两个特征的距离系数，具体实验中发现分别取 0．5，0．5，运行效果比较稳定．(6)在自适应阈值T范围内，即Dis(q)T≥T，若相似性距离达到了最小，则结束搜索，将源图像匹配样本点彩色通道αβ信息传递到匹配的目标图像样本点．(7)目标图像以获取了彩色信息的样本点为种子，将种子像素的彩色通道αβ信息延伸至同一超像素的其他像素．(8)恢复目标图像的亮度信息，并将图像的颜色空间转换回RGB，完成了色彩传递．6 实验验证与结论6．1 实验结果比较该算法基于 OpenCV2．4．4进行了实验，比较了像素点匹配的其他算法及该文算法的自适应阈值以及非自适应阈值的运行结果，两组实验结果比较如图3．图3 两组实验结果比较实验数据表明，传统的像素点匹配方法在传递过程中容易出现小颗粒椒盐噪声，如果后期利用检验机制实现自身校正，一定程度上可以减少椒盐噪声，但是占用了一定时间开销．该文提出的算法在SLIC超像素分割基础上，兼顾了相似图像内容之间的邻域相关性，保证样本信息完整的情况下，样本点总数大幅下降，不但提高了速度，传递效果也得到了改善．同时实验表明，固定的距离阈值不能满足不同图像对之间有效传递，因此本算法的阈值根据公式(2)进行了自适应调整，速度方面进一步提高了，又保证源图像主色调的传递．在实验中人工设定的阈值如果超过了自适应的阈值，就会出现实验附图中的如下情况:(1)整体色调被削弱;(2)错误匹配，出现超像素噪声;如果设定的比自适应的阈值小，色调则过于强烈，超像素噪声也会相应增加，影响了整体效果．实验证明了的自适应阈值可以很好的适应不同图像对的有效传递．6．2 算法的时间性能比较实验对不同尺寸的图像运行时间都进行了计算，图4显示了图3两组实验图像的不同算法运行时间(seconds)，该文算法的运行速度最快．图4 1024×768图像各种算法运行时间(secods)该文算法的运行不需要任何先验知识，没有任何的人工干预，自动完成整个传递过程，速度比单纯像素点匹配算法快很多．但是该算法仍存在几个方面的不足:(1)较大程度依赖于超像素分割后边缘保持的完整性;(2)该算法在纹理方面的考虑占有一定的权值，因此对卡通图像传递会失效．因此该算法后续工作可以从两种方式进行改进:(1)寻找一种更为适合的超像素特征的描述方式，进一步改进复杂场景的传递效果;(2)在传递结束后，寻找一种超像素级校正机制，以期得到进一步的改善效果．参考文献［1］ Reinhard Erik，Ashikhmin Michael，Gooch Bruce．Color transferbetween images［J］．IEEE Computer Graphics and Applications，2001，21(5):34-41．［2］滕秀花，陈昭炯，叶东毅．一个利用色彩纹理信息的灰度图像色彩传递方法［C］．计算机研究与发展，2005，42(A):256-259．［3］滕秀花，陈昭炯，叶东毅．一个新的基于多维特征向量和ANN搜索技术的灰度图像色彩传递算法［J］．计算机应用，2006，26(12):2866-2868．［4］ Arya S，Mount DM，Silverman R．An optimal algorithm for approximate nearest neighbor searching in fixed dimension［J］．Journal of the ACM，1998，45(6):891-923．［5］滕秀花，陈昭炯．一种利用源图自身校正的图像色彩传递算法［J］．贵州大学自然:科学版，2009，26(12):2866-2868．［6］ Wang Meiyu，Chen Zhaojiong．A Color Transfer Algorithm Based on Neighborhood Correlation and Optimization Techniques［C］．In proceeding of Computation Intelligence and Design，2011．31-34．［7］ Levin A，Lischinski D，Weiss Y．Colorization using optimization ［C］．In proceeding of ACM SIGGRAPH，2004．689-694．［8］ Chen Zhonjiong，YE Dongyi，Zhao Xin．A new Colorization Transfer Algorithm Based on Dynamic Neighbor-relevant Chromatic Channel Information［J］．Journal of Algorithm ＆Computational Technology，2008，2(1):49-59．［9］ Yoshio Yanagihara，Kumiko Komatsu，Shoji Tatsumi．A study of Color Transfer Methods with Color Gradation and Distribution of Nature Picture［C］．IEEE International Conference on In proceeding of Control System，Computing and Engineering，2012:23-25．［10］ Welsh T，Ashikhmin M，Mueller K．“Transferring Color to Greyscale Images”．In Proceedings of SIGGRAPH ，2002．277-280．［11］ Radhakrishna Achanta，Appu Shaji，Kevin Smith．SLIC Superpixel Compared to State-of-the Art Superpixel Methods［J］．IEEE Transactions on Pattern Analysis and Machine Intelligence，2012，34(11):2274-2281．［12］ Wang Jie，WangXiaoqiang．Simple and Efficient Superpixels Using Edge-Weighted Centroidal Voronoi Tessellations［J］．IEEE Transactions on Pattern Analysis and Machine Intelligence，2012，34(6):1241-1247．。
一种快速准确的图像配准算法
一种快速准确的图像配准算法靳峰;冯大政【摘要】An image registration algorithm is proposed through the analysis of the objective function . There are two optimal solutions to the function : the biggest number of efficient point pairs and the image transformation matrix with the highest accuracy , which can be solved by two different point matching matrices . The algorithm gets the transformation matrix by the points described in the center symmetric local binary pattern ( CS‐LBP) , and obtains the efficient points by the statistical deflection angle order ( SDAO ) . The SDAO is a sample and accuracy descriptor that integrates the local structure and global information of images . By combining with the advantages of the two description methods , the algorithm achieves a high alignment accuracy and a small computational volume .%通过对图像配准目标函数的分析，提出了一种结合相似性和空间序列特征的配准算法。
基于彩色图像分割的置信传播快速立体匹配算法
基于彩色图像分割的置信传播快速立体匹配算法摘要：本文采用了一种基于彩色图像分割和置信传播相结合的快速立体匹配算法。
对于已经校准好的两幅图像，首先采用均值漂移算法对彩色图像进行图像分割，然后采用区域匹配算法进行快速初始立体匹配，再采用左右一致性校验法滤除误匹配点，得到初始视差图以及各个区域的视差平面模板。
最后采用置信传播算法对获得的视差平面模板进行全局优化，得到各个区域最优视差平面模板，从而得到最终视差图。
实验结果表明，采用区域匹配与全局优化算法相结合，不仅提高了立体匹配速度，同时也保证了匹配质量。
关键词：图像分割均值漂移算法置信传播立体匹配中图分类号：tp39 文献标识码：a 文章编号：1007-9416（2013）01-0115-031 引言立体匹配是双目立体视觉系统中最重要也是最困难的一部分，是三维重建的核心技术。
立体匹配实际上是对左右两台摄像机从不同视点看同一景物，在左右两幅图像重叠区域寻找对应点的过程。
它利用空间物体点在左右摄像机中的成像模型来获取成像偏差的过程。
按照约束方式的不同，立体匹配算法可分为区域匹配算法和全局匹配算法。
按照匹配基元的不同，立体匹配算法分为基于区域的匹配算法、基于特征的匹配算法和基于相位的匹配算法[1]。
然而，基于区域的匹配算法对光照强度和对比度的变化非常敏感，同时匹配窗口的选取也是一个难点，当图像存在纹理特征重复和遮挡现象比较严重的情况下，会引起匹配混淆，错误匹配概率较高。
基于全局的匹配算法，如图割算法[2]、置信度扩展[3][4]和动态规划[5]等算法能够对整个图像进行有效的约束，匹配结果也较局部匹配算法精确，但是实时性不好，匹配时间过长。
本文主要是针对局部匹配算法和全局匹配算法的缺点和不足，采用了一种基于区域匹配与全局匹配算法相结合的算法，来提高双目立体匹配的效率，增强立体匹配算法的实时性。
首先，利用均值漂移算法[6]对左右两幅图像进行彩色图像分割，再使用ncc相似度测量计算相关度，得到初始匹配视差图；其次，引入置信度的概念，针对大的遮挡区域和低纹理区域中置信度低的区域，取邻域相关系数最大的视差值；最后，对边缘像素进行修正，并对整个视差图进行滤波从而得到效果精确的视差图，用来检验匹配算法的精确性。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
下一帧模板图像, 为加权系数 ( 0! ! 1), 该系数 的大小根
据帧内相关置信度 C0, 按照下式计算:
= 1 - e- C 0
( 9)
5 实验结果
将本文设计的算法应 用于移 动机器 人视觉 导航系 统中, 取得了满意的效果 [6] 。基本的 实验环 境描述如 下: 实验场 所 为室内, 背景不太复杂。目标 物体 为一 个 450mm 422mm 385mm 的立方体纸箱, 摄像机初 始距离 目标物 体为 5m, 图 像 采集分辨率设为 160 128。移 动机 器 人采 用的 是三 星公 司 的 S3C44BOX 嵌入式微处理 器, 系统主 频为 60MH z, 另 外, 嵌 入式系统配置了 2M B 的 FLA SH 存储器 以及 8M B 的 SDRAM 存储器。分别对光源情况良好和光源情况不好的情况做了 实 验分析。
的峰值很大, 且峰值与其他非匹配点的均值之差越大, 则表明 匹配越可靠。
定义帧内相关置 信度为:
C0
=
m axR - R m axR
( 6)
M
Ri
R = i= 1
( 7)
M
式中: C 0 是帧内相关置信度; m axR 是 当前帧 匹配点 处的
误差累加次 数; R 是同一帧内 M 个依次比 m axR 小的误差累加
( fqgao@ cqu. edu. cn) 摘 要: 针对彩色图像匹配的特点, 利用颜色分量权重系数对序贯相似性检测算法进行了改进。 同时, 采用了粗 - 精匹配相结合的分层搜索策略, 并在图像匹配过程中根据置信度对模板进行自适应 更新。实验表明, 该算法有效地减少了运算量, 提高了图像匹配的精度, 具有较好的实时性和鲁棒性。 关键词: 图像匹配; 颜色分量权重系数; SSDA 中图分类号: TP391 文献标识码: A
次数的均值。如果 m axR 和 R 相差越大, 则说 明该匹配点 越可
靠。本算法可根据计算速 度的 需要 对 M 取值, 一般可 以取 M 等于 30。若 C0大 于阈值 T 0, 则认为相关匹配值 m axR 符合帧内
置信度, 更新模板; 否则, 相关匹配 不可靠, 不更 新模板。阈 值
T 0 根据所跟踪图像的质量和经验确定。 实践证明, 在 序列图像跟踪过程中, 若单纯地利用当前 图
像的最佳匹配位 置处 的图 像作 为模 板 进行 下一 帧图 像的 匹
配, 则跟踪结果很 容易受某一 帧发生 突变的 图像的 影响而 偏 离正确位置。因此, 本文采用 基于置 信度的 加权自适 应模 板
修正算法。如果当前帧 匹配质量 很差, 则该 帧图像数 据不 进
入模板修正; 而若 当前帧匹配质量很好, 则该帧图像数据进 入 模板修正。
设模板 T 在被搜索图 S 上平 移, 模板覆 盖下的 那块搜 索 图叫作子图 Si, j, i, j 是这块子图的左上 角像素点 在 S 中的 坐 标, 叫作 参考点。算法描述如下:
1) 定义绝对误差值:
( i, j, mk, nk ) = | Si, j (mk, nk ) - S^ ( i, j) - T (m, n) + T^ | ( 1)
超过
T
。
k
传统的 SSDA 是针对 灰度 图像 的匹配, 没有 利用 到图 像
的颜色信息。针对 彩色 图像匹 配的 特点, 对 传统 的 SSDA 作
收稿日期: 2005- 05- 11; 修订日期: 2005- 07- 30 作者简介: 高富强 ( 1956- ) , 男, 广东佛山人, 副研 究员, 主要 研究方向: 模式识别、智能控制; 生, 主要研究方向: 嵌入式系统、模式识别.
3 图像的分层搜索
在保证图像匹配精度的基 础上, 减少数据处理的运算量, 满足系统实时性要求 , 是图像匹配算法首先要解决的问题。
实验表明, 在模板大小大 于 15个 像素 时, 才会 获得比 较 好的相关结果。同时也证明, 可以用模板 中的少量元素进行计 算, 而并不影响结果。这是因为图像相邻 像素灰度之间存在较 高的相关性, 所以可以通过匹配模板亚采样来简化计算。模板 亚采样算法通过每相邻 n个像 素。取一个像素值进行计算, 可 以将运算复杂度到原 来的 1 /n2 , 并 且不影响评估的精度 [ 3] 。
图 1 目标跟踪实验 ( 白天 )
图 2 目标跟踪实验 ( 晚上 ) 表 1 目标跟踪实验结果 ( 白天 )
图像序号 帧内相关置信度 目标当前坐标 目标位移量
1
0. 923
( 76, 80 )
( 0, 0 )
2
0. 837
( 80, 76 )
加权模板修正算法表示如下:
T ( i, j, t + 1) = o ( i, j, t) + ( 1 - ) T ( i, j, t) ( 8)
式中, T ( i, j, t) 为当前帧使用的 模板图像, o( i, j, t) 为 当前帧最佳匹配位置的子图像, T ( i, j, t + 1) 为预 测得到 的
张帆 ( 1979 - ) , 男, 湖北 枝江人, 硕士研 究
第 11期
高富强等: 一种快速彩色图像匹配算法
260 5
了进一步的改进。分别 对模 板图像 和待 匹配图 像的 RGB 色 彩空 间的每 一维空 间分别用 SSDA 进 行计算, 得到 每一维 空 间的检测曲面为: IR ( i, j), IG ( i, j ), IB ( i, j ) 。定义整 个彩 色图像的 SSDA 的检测 曲面为:
K ey words: image m atch ing; co lor w e ight coeffic ient; SSDA
0 引言
2 基于彩色图像的 SSDA
图像匹配在机器人视觉、智能交通、医学图像处理等领域 得到了广泛应用。对 于图像匹 配算法, 处 理时间是 衡量算 法 好坏的重要指标。传 统的相关 性匹配 算法, 其特点 是运算 简 单, 易于实现, 但运算量大。
A fast color im age m atching algorithm
GAO F u qiang, ZHANG F an
(C ollege of A utom ation, Chongq ing University, Chongqing 400044, China)
Abstract: A cco rd ing to the character istics o f co lor im ag ine m atch ing, sequentia l s im ilar ity detection a lgor ithm ( SSDA ) was inprov ed based on co lor w e ight coeffic ient. Furtherm ore, the a lgor ithm used hierarchy search wh ich comb ined w ith rough m atch ing and accura te m atching, and updated tem plate based on cred itab ility during im age m atch ing. T he exper iment resu lts show that the a lgor ithm reduces the am ount of ca lcu lation and increases the accuracy o f im ag ine m a tch ing. T herefo re, the a lgor ithm has w ell rea l tim e perform ance and robustness.
针对上述问题, 本文提出了以 SSDA 为基础, 采用分层搜索 及模板自适应更新三者相结合的新的快速彩色图像匹配算法。
1 彩色图像匹配的特点
从彩 色 CCD 摄像 机可 以 输出 基于 RG B 分量 的 彩色 图 像。目前, 已经有多种借助于 RGB 色彩空间的颜色特征 对图 像进行匹配的 方法 [ 1] 。 RG B色 彩空 间 采用 三种 基本 颜色 R ( 红 )、G (绿 )、B( 蓝 ), 通过对三个分量 的不同比 例组合, 合成 所需要的任意颜色。 在该模 型中, 红、绿、蓝 三种基 色分别 用 256个阶调数值来度量, 不同阶调 数值的这 三种基色 的组合, 便形成了色彩丰富的 颜色空间。
其中,
S^ ( i,
j)
=
1 M2
M m=
1
M n=
1
S i,
j (m,
n)
( 2)
T^
=
1M
M
2 m=
1
M
T ( m,Biblioteka n= 1n)( 3)
2) 取一个阈值 T k 。
3) 在子图中 Si, j (m, n) 随机选取像点, 计算它同 T 中对
应点的误差 , 然后把这 点的 差值同 其他 点对 的差值 累加 起
新。判断模板是否需要更新要 根据相关的置信度信号。如果
相关匹配的置信度高, 就可以根据本帧的匹配点更新模板; 如
果置信度低, 则说明匹配不稳定, 要沿用 以前的匹配模板在下 一帧进行相关匹配。
相关置信度信号 是在分析相关匹配算法的基础上设计出
来的, 它是一个非常重要的参数。经过分析可知: 若匹配点处
第 25卷第 11期 2005年 11月
计算机应用 C ompu ter App lications
V o.l 25 No. 11 N ov. 2005
文章编号: 1001- 9081( 2005) 11- 2604- 02
一种快速彩色图像匹配算法
高富强, 张 帆 ( 重庆大学 自动化学院, 重庆 400044)
模板大小为 M M, R i, Gi, Bi 分别表示每个像素在不同 颜色空间的阶调值。由定义可以看出, 权 重系数代表了该颜色 在目标模板中的重要 程度。