图像匹配算法
合集下载
相关主题
- 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)。
D( x, y) [ f ( x j, y k )] 2 t ( j, k ) f ( x j, y k ) [t ( j, k )]2
2 j 0 k 0 j k j 0 k 0
J 1 K 1
J 1 K 1
J 1 K 1
DS ( x, y) [ f ( x j, y k )]
SAD(m, n) f1 ( x, y) f 2 ( x m, y n)
x y
( f1 ( x, y ) f 2 ( x m, y n)) 3)、 SSD(m, n) x y
2
特点:(1)、思路简单,实现方便。 (2)、模板图像或待匹配图像任一个发生线 性变换,算法失效。
图像匹配主要可分为以灰度为基础的匹配和 以特征为基础的匹配。 1、灰度匹配 :通过利用某种相似性度量,如相关 函数、协方差函数、差平方和、差绝对值和等测 度极值,判定两幅图像中的对应关系。 2、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),对特征进行参数描述, 然后运用所描述的参数来进行匹配的一种算法。
图像匹配算法
各种图像匹配的文献都会出现“配准、匹配、几何 校正”三个词,它们的含义比较相似。 配准:一般两幅图像之间; 匹配:寻找同名特征(点) 的过程; 几何校正:根据主辅图像之间的几何变换关系,对 辅图像进行逐像素处理变为配准图像的过程叫做 “几何校正”。 图像匹配:把不同时间、不同成像条件下对同一景 物获取的两幅或者多幅图像在空间上对准,或根据 已知模式到另一幅图中寻找相应的模式 。 其实质是在基元相似性的条件下,运用匹配准则的 最佳搜索问题。
(30 312 )(03 21 )[(330 12 ) 2 (21 03 ) 2 ]
为加快匹配过程,可采用两步模板匹配策略。首先,使 用零阶矩算子进行粗匹配,获得可能的匹配位置点;然 后对可能的匹配点根据归一化的矩特征实现精匹配。
2、基于图像特征点的匹配算法
在点特征提取方法中,Harris算子是C.Harris和M.J.Stephens在 1988年提出的一种基于信号的点特征提取算子,给出了与自相关 函数相联系的矩阵M。M矩阵的特征值是自相关函数的一阶曲率, 如果两个曲率值都很高,那么就认为该点是点特征。
(2)选取局部极值点 特征点就是局部范围内的极大兴趣值对应的像素点。 因此在计算完各点的兴趣值后,要提取原始图像中所 有局部兴趣值最大的点。在实际操作中,可以依次以 每个像素为中心的3X3的窗口中提取最大值。如果中心 像素的兴趣值就最大值,则该点就是特征点。
(3)根据需要提取一定数目的特征点局部极值点的数 目往往很多,可以对所有极值点进行排序,根据要求 选取兴趣值最大的若干点作为最后的结果。
(03 321 )(03 21 )[(30 12 ) 2 3 (03 12 ) 2 ]
2 6=(20 02 )[(30 12 ) 2 (03 21 ) 2 ] 411 (30 12 )(03 21 )
7=(321 03 )(30 12 )[(30 12 ) 2 3 (21 03 ) 2 ]
r 00
, 式中,r=(p+q)/2+1,p+q=2,3.......
图像各阶不变矩定义为:
1=20 02
2 2=(20 02 )2 411
Baidu Nhomakorabea
3=(30 312 ) 2 (321 03 ) 2 4=(30 12 ) 2 (21 03 ) 2 5=(30 312 )(30 12 )[(30 12 ) 2 3 (30 312 ) 2 ]
xf ( x, y) yf ( x, y) ( x x)( y y ) f ( x, y ),式中:= x , y= f ( x, y) f ( x, y)
x y x y x y x y x y
f ( x, y )归一化为:pq=
u pq u
基于特征的匹配算法
1、图像不变矩匹配算法(IM):两幅图像之 间的相似度可以用它们的7个不变矩之间的相 似性来描述。
p q阶矩的定义为: m pq= x p yq f ( x, y )式中:(x,y)为图像位置坐标,f ( x, y )为图像灰度。
x y
当图像发生平抑变化时,m pq也将发生变化。为使具有平移不变性,定义p+q阶中心矩为: upq
gx M=G( s ) gx g y
-
gx g y 2 , I det( M ) ktr ( M ), k 0.04 gy
-
式中:g x为x方向的梯度,g y为y方向的梯度,G( s )为高斯模板。 det为矩阵的行列式,tr为矩阵的直迹,k为默认常数。
(1)公式的意义:对操作灰度图像的每个点,计算其在横向和 纵向的一阶导数,这样可以得到三副新的图像。三副图像中的 每个像素对应的属性值分别代表为 g x,gy,g x g y ,对这三副图 像进行高斯滤波,可计算出原图像上对应的每个点的兴趣值。
(4)、把 I (i, j ) 值大的(i, j ) 点作为匹配点,因为这点 上需要很多次累加才使总误差超过 Th 。 特点:非匹配点用较少的计算就可以达到阈值而被丢 去,对非匹配点减少计算量,提高匹配速度。
4、其他匹配算法
(1)、幅度排序相关算法 (2)、FFT的相关算法 (3)、相位相关算法
j 0 k 0
J 1 K 1
[ f ( x j, y k )] [t ( j, k )]
j 0 k 0 j 0 k 0
J 1 K 1
J 1 K 1
2
3、序惯相似检测算法(SSDA)
由于相关法匹配计算量很大,因为模板要在 (N-M+1) 2 个参考 位子上做相关计算,其中除一点以外都是在非匹配点上做无用 功。SSDA算法的要点: ^ ^ ij (1)、定义误差值 (i,j,mk ,n k )= S (mk ,n k ) S (i, j) T (mk ,n k ) T M ^ M 1 ^ ij 其中: S (i, j ) 2 1 S (m,n)
2、归一化互相关匹配算法(NCC) (Normalized Cross-Correlation):通过计 算模板图像和待匹配图像上的互相关值来确 定匹配的程度。 D( x, y) [ f ( x j, y k ) t ( j, k )]
J 1 K 1 j 0 k 0 2
基于灰度的匹配算法
1、ABS(Absolute Balance Search)算法:用模板 图像和待匹配图像上的搜索窗口之间的像素灰度 值的差别来表示二者的相关性。
计算ABS值有三种方法: f1 ( x, y) f 2 ( x m, y n) 1)、 MD(m, n) max x, y 2) 、
j 0 k 0
J 1 K 1
2
DST ( x, y) 2[t ( j, k ) f ( x j, y k )]
j 0 k 0
J 1 K 1
DT ( x, y) [t ( j, k )]2
j 0 k 0
J 1 K 1
R ( x, y )
t ( j, k ) f ( x j, y k )
M
m , n 1
T
M
2
T(m,n)
m, n 1
(2)、取一不变阈值 Th (3)、在子图 Sij (m,n) 中随机选取象点,计算它同T中的误差 值 然后把这差值同其它点对的插值累加起来,当累加r次误 差超过 Th ,则停下来,并记下次数r,定义SSDA的检测曲面为
I (i, j ) r r (i,j,m ,n ) T k k h min 2 1 r m k 1