图像匹配综述上课讲义
图像匹配综述
２ 关 键 技 术
（ ２ ） 特征空间 。提取 待 测 图 像及 目标 图像 的部 分 特征
然 后 通 过 对 比 特 征 空 间 进 行 大量 优 秀 的 国 内 外 学 者 都 将 自己 的 精 力 投 人 到 图 像 匹 或 是 主 要 特 征 构 成 特 征 空 间 ， 配研 究 中， 因 此 产 生 了 海 量 的 图 像 匹 配 算 法 。这 些 算 法 各 匹 配 。所 以 ， 构 建 合 理 而 恰 当 的 特 征 空 间 不 但 能 提 高 图 像 通 过 多 种 教 学 模 式 的灵 活 运 用 来 预 防 此 类 问 题 。 比 如 对 某 积 极 性 ， 也一定程度 上减轻 了教师 的负 担 ， 且 更 有 助 于 双 方 些 问题 的 学 习 我 们 采 用 探 究 式 模 式 ， 课 堂 只 介 绍 相 关 背 景 思 想 的 交 流 ， 特 别 是 能 使 教 师 更 了 解 学 生 在 该 领 域 内 所 关 知识 ， 要 求 学 生 自己 去 探 究 与 其 相 关 的 问 题 ， 并 通 过 分 组 引 注 的 内 容 。 入 竞争 ， 要求各组 收集 整 理 资料 ， 并 自己寻 求解 答 （ 当 然 在 ３ 结 语
图 像 匹配 是 指 通 过 特 定 的 某 种 算 法 在 某 待 测 图 像 或 待 像 匹 配 技 术 的 研 究 及 算 法 主要 包 含 以下 四个 方 面 ： 测 图像的 子图 中（ 也 就 是搜 索图 像） 寻 找 目标 图 像 （ 也 称 为
（ １ ） 相似度 。相似 度是相 似性度 量 的简称 ， 主要 用来 衡
理 论 发 展 的 源 泉 。在 该 领 域 经 常 有 新 的 发 展 、 新 的 素 材 需
此 过 程 中教 师 也 提 供 相应 的 指 导 ） ， 再 将 其 成 果 发 布 到 平 台 网 络 教 学 平 台 为 教 师 与 学 生 之 间 的互 动 提 供 了 良 好 的
图像特征检测与匹配方法研究综述
图像特征检测与匹配方法研究综述图像特征检测与匹配是计算机视觉领域的重要研究方向，它在许多实际应用中发挥着关键作用，如图像检索、目标识别和三维重建等。
本文对图像特征检测与匹配方法进行综述，主要包括特征检测算法、特征描述算法和特征匹配算法三个方面。
一、特征检测算法特征检测算法旨在寻找图像中的稳定不变性特征点，以便用于后续的特征描述和匹配。
常用的特征检测算法包括Harris角点检测算法、SIFT 算法和SURF算法等。
1. Harris角点检测算法：该算法通过计算图像的局部灰度变化，寻找具有最大角度变化的像素。
它能够有效检测出图像中的角点，但对于尺度变化和旋转不变性较差。
2.SIFT算法：SIFT算法通过构建高斯金字塔和尺度空间极值检测，寻找出图像中的尺度不变的关键点。
同时，通过计算局部图像的梯度方向直方图，生成特征向量描述子，实现图像的匹配。
3. SURF算法：SURF算法是SIFT算法的改进版本，采用了一种快速的积分图像技术，大大提高了计算效率。
SURF算法在计算图像的尺度空间极值点时，使用了一种基于Hessian矩阵的指标，检测出更加稳定的特征点。
二、特征描述算法特征描述算法利用特征点周围的图像信息，生成唯一且具有区分度的特征向量。
常用的特征描述算法有SIFT描述子、SURF描述子和ORB描述子等。
1.SIFT描述子：SIFT描述子通过计算特征点周围的梯度信息，生成128维的特征向量。
它具有较强的区分度和旋转不变性，在图像匹配任务中表现较好。
2. SURF描述子：SURF描述子是一种基于Haar小波特征的描述子，使用了一种积分图像计算方法，降低了计算复杂度。
SURF描述子的维度为64维，具有良好的尺度不变性和旋转不变性。
3.ORB描述子：ORB描述子是一种快速的二值描述子，基于FAST角点检测算法和BRIEF描述子。
它既具有较快的计算速度，又能够保持较好的特征区分度，适用于实时图像处理任务。
三、特征匹配算法特征匹配算法的目标是在不同图像中找到相互匹配的特征点对。
医学影像分析中的图像配准方法综述
医学影像分析中的图像配准方法综述医学影像分析是指利用图像处理、模式识别和机器学习等计算方法对医学影像进行分析和处理，以获取相关的解剖、功能和病理信息。
而图像配准是医学影像分析的一个重要环节，它指的是将不同模态或不同时间点获取的医学影像图像进行准确的对齐，以便在后续分析和研究中提供更可靠的结果。
医学影像配准方法的目标是将不同的图像进行对齐，使得它们在空间和几何上相互吻合。
这样做的优点是提高了医学影像分析的准确性和可信度，同时也为临床医生和研究人员提供了更全面的信息，以便更好地诊断疾病、研究病变发展和评估治疗效果。
医学影像配准方法可以分为刚性配准和非刚性配准两大类。
刚性配准（Rigid Registration）是指通过旋转、平移和缩放等刚性变换使得图像彼此对齐。
刚性配准适用于同一器官的不同扫描或同一时间点的不同斜视图像等情况。
它的优点是计算快速、操作简单，但局限性在于无法处理组织形变引起的图像变化。
而非刚性配准（Non-rigid Registration）克服了刚性配准的局限性，它可以处理器官形变、组织变形以及疾病进展引起的图像差异。
非刚性配准算法基于局部区域的相似性进行配准，并对图像进行局部形变模型的建立，常见的方法有弹性体变形（Elastic Deformation）、三维网格配准（3D Mesh Registration）和基于特征的配准（Feature-based Registration）等。
在医学影像配准中，常用的方法有基于互信息（Mutual Information）的配准、基于特征点匹配的配准和基于局部图像特征的配准等。
基于互信息的配准算法是一种无需事先标记特征点的配准方法，它通过最大化目标图像和参考图像之间的互信息量来完成图像的配准。
互信息测量的是两个图像之间的统计相关性，由于它不受图像灰度变化和噪声的影响，因此被广泛应用于医学影像配准领域，尤其适用于多模态影像的配准。
基于特征点匹配的配准算法是一种通过识别图像中的关键特征点，并对其进行匹配和对齐的方法。
基于遗传算法的图像匹配ppt课件
3.将种群的各染色体置于问题的环境中遗传进化。
火灾袭来时要迅速疏散逃生，不可蜂 拥而出 或留恋 财物， 要当机 立断， 披上浸 湿的衣 服或裹 上湿毛 毯、湿 被褥勇 敢地冲 出去
（1）进化：根据适应度函数，计算每个染色 体的适应度。
(3)易于修改性:遗传算法只需少量改变算法， 即可适用于不同问题。
(4)易于并行实现。
火灾袭来时要迅速疏散逃生，不可蜂 拥而出 或留恋 财物， 要当机 立断， 披上浸 湿的衣 服或裹 上湿毛 毯、湿 被褥勇 敢地冲 出去
标准遗传算法的基本流程
标准遗传求解问题的基本流程如下:
1.确定染色体、种群和适应度函数。将问题的解 编码成染色体串，如二进制码串，若干个可能解 构成一组种群，适应度函数体现了在问题求解过 程中染色体求解问题的能力。
火灾袭来时要迅速疏散逃生，不可蜂 拥而出 或留恋 财物， 要当机 立断， 披上浸 湿的衣 服或裹 上湿毛 毯、湿 被褥勇 敢地冲 出去
2、初始种群的设定
群体中个体一般是随机产生，当然也可从
随机生成的个体中选出最好的个体组成初 始群体。但此处有一个关键的问题，就是 如何确定群体规模的大小。根据模式定理 可知规模M越大越好，但M过大又会使计算 效率降低，并且若使用比例选择，此时会 影响群体的多样性。而M过小又会造成未成 熟收敛。故实际应用中通常取群体规模为 几十至几百。
（2）选择:选择有较大适应值的染色体进行复 制，替代适应值小的染色体。
（3）交换和变异:其目的在于产生有可能更适 应环境的新染色体。
4.重复3直至满足终止条件。这样一代代不 断进化，最终将收敛到一个最适应环境的 个体上，即问题的最优解。
图像匹配PPT课件
最小二乘匹配流程
g1 (x1,y1)
x2=a0+a1x1+a2y1 y2=b0+b1x1+b2y1
几何畸变改正
相关系数法获 取初值
保存输出圆 点圆心坐标
否 计算最佳匹配点
g2
重采样 g2(x2 , y2) 辐射畸变改正 h0+h1g2
最小二乘影像匹配计 算参数改正值 计算变形参数
是 计算相关系数判 断是否继续迭代
(x ,y ) D
离散灰度对相关系数的估计，考虑到计算工作量，相关系数实用公式为
(c,r)
im 1jn 1(gi,jgir,jc)m 1 n(im 1jn 1gi,j)(im 1jn 1gir,jc)
mn
[
g2 i,j
i1j1
m 1 n(im 1jn 1gi,j)2]i[m 1jn 1g2ir,jcm 1 n(im 1jn 1gir,jc)2]
线性化后的误差方程：
v = h0+h1 g2(a0+a1x1+a2y1, b0+b1x1+b2y1) - g1(x1,y1) + c1*dh0 + c2*dh1
+ c3*da0+ c4*da1+c5*da2+ c6*db0+ c7 *db1 +c8*db2
c1 = 1 c3 = h1g2X
c4 = h1 g2Xx
影像匹配实质上是在两幅（或多幅）影像之间识别同名点 ， 它是计算机视觉和数字摄影测量的核心。
G ( g ij )
☆利用了图象的灰度统计信息
G (gij)
1 相关函数
R(p,q)g (x,y)g(xp,yq)dxdy (x,y) D
关于图像匹配的综述
关于图像匹配的综述1.图像匹配的背景及定义1.1图像匹配的背景及意义图像匹配技术广泛的应用于日常生活中的诸多领域，如医疗诊断中各种医学图片的分析与识别、遥感图片识别、天气预报中的卫星云图识别、指纹识别、人脸识别等。
图像匹配技术主要指通过计算机，采用数学技术方法，对获取的图像按照特定目的进行相应的处理。
图像匹配技术是人工智能的一个重要分支和应用，随着计算机技术及人工智能技术的发展，图像识别技术逐渐成为人工智能的基础技术之一。
它涉及的技术领域相当的广泛，也越来越深入，其基本分析方法也随着数学工具的不断进步而不断发展。
现在，图像识别技术的应用范围己经不仅仅局限于视觉的范围，也体现在机器智能和数字技术等方面。
1.2图像匹配的定义所谓图像匹配是指在一幅(或一批)图像中寻找与给定目标图像相似的图像或者图像区域(子图像)的过程。
通常将已知目标图像称为模板图像，而将待搜索图像中可能与它对应的子图称作该模板的待匹配的目标图像。
图像匹配是在来自不同时间或者不同视角的同一场景的两幅或多幅图像之间寻找对应关系，该技术隶属于计算机视觉哺领域。
图像匹配的具体应用包括目标或场景识别、在多幅图像中求解3D结构、立体对应和运动跟踪等。
由于拍摄时间、拍摄角度、自然环境的变化，多种传感器的使用、传感器本身的缺陷及噪声等影响，拍摄的图像会存在灰度失真和几何畸变。
同时，图像预处理过程会引入的误差，这都是导致模板图像与待匹配的目标图像之间通常存在着一定程度上的差异。
在这种情况下，如何使匹配算法精度高、正确匹配率高、速度快和抗干扰性强成为人们关心的问题。
2.图像匹配算法的分类图像匹配算法的选取对图像匹配结果的影响很大。
实用的匹配算法不仅要求计算量小，还必须具有良好的抗噪能力和抗几何形变的能力。
通常情况下，图像匹配算法可以分为以下两大类：基于灰度相关的匹配算法、基于特征的图像匹配算法。
1) 基于灰度分布的相关匹配算法，也称为基于区域的匹配方法。
图像匹配综述上课讲义
图像匹配综述图像匹配综述摘要：主要从图像匹配技术的概念、一般性描述及图像匹配技术的技术分类对图像匹配进行描述，在图像匹配技术的分类中，对各个方法的优缺点进行了详细的说明。
关键词：图像匹配；一般性描述；分类随着科学的飞跃发展，近年来图像匹配技术在许多方面有着非常重要的应用，尤其是在医学方面、运动物体的跟踪、计算机视觉、天气预报以及各种资源分析等方面运用非常广泛。
本文对图像匹配进行综述，以便读者对其有个粗略的了解。
一、图像匹配的概念图像匹配的概念：在两幅图像中，从一幅图像中寻找与另一幅具有相同或相似的过程。
二、图像匹配的一般性描述图像匹配可以描述为：假设给定大小分别为m Xm和n Xn像素图像hl (x, y)及h2 (x, y)，它们的映射关系为：h2 (x, y) =g ( hl (a (x, y)),( 2-1)式(2-1 )中，符号a是二维或者多维的几位变换(x ')=a (x, y)，符号g为一维或者多维图像的亮度变换。
匹配图像问题的实质是寻找两幅图像的最佳几何变换a和亮度变换，最终的目的是使预先定义的那种测度为最小值或者达到最大值，以达到两幅待匹配图像的匹配。
匹配图像的关键主要是下列因素选择的一个组合：待匹配图像的特征空间、相似度、几何变换类型和参数的搜索策略。
下表2-1给出了待匹配图像的特征空间、相似度及搜索策略的几个主要要素及它们对应的内容。
表2-1待图像匹配的三个关键因素三、图像匹配技术的分类图像匹配技术算法分类很多，但都遵守这样的基本原则：（1）算法必须是有效的。
（2）算法必须是稳定的，当待匹配的图像发生旋转、尺度伸缩及被遮挡时，此种算法仍能使用。
（3）算法必须是快速的。
1•基于图像灰度相关的匹配方法基于图像灰度匹配算法是利用整幅图像的灰度信息进行匹配的方法。
几种常见的算法有平均绝对差算法、归一化积相关算法、互信息匹配算法、傅立叶相关算法等。
下面简要介绍以下这几种算法：（1）平均绝对差算法平均绝对差算法是这样定义的：d（x，y）= s（i+x，j+y）-T（i，j）（3-1）其中，0< x< M-m+1 ; 0< y< N-n+1。
图像匹配综述
图像匹配综述图像匹配一直是图像处理中一个极其重要的研究内容。
图像匹配的发展对医学图像分析、导航、目标匹配、文字识别等众多图像应用技术的发展都起着十分重要的作用。
目前，各种各样的匹配算法也很多，评价标准也不统一，但是匹配精度、匹配速度、通用性和鲁棒性等是衡量匹配算法优劣的主要评价标准。
标签：匹配算法；图像匹配；关键技术；图像评价F491基本概念图像匹配是指通过特定的某种算法在某待测图像或待测图像的子图中（也就是搜索图像）寻找目标图像（也称为模板图像）的过程。
一般情况下，待测图像比较大，目标图像稍小。
由于视角不同、拍摄器材不同等都会造成同一物体在不同时间的成像也是不同的，再加上噪声、旋转、干扰、图像预处理等对图像的影响，无形地扩大了搜索图像和目标图像之间的差异，从而增加了增加匹配难度。
因此，如何极速地检测出目标图像在搜索图像中的准确位置仍是图像匹配研究人员的重要研究方向。
2关键技术大量优秀的国内外学者都将自己的精力投入到图像匹配研究中，因此产生了海量的图像匹配算法。
这些算法各有优劣，推动着图像匹配技术的发展。
就这些算法来说，图像匹配技术的研究及算法主要包含以下四个方面：（1）相似度。
相似度是相似性度量的简称，主要用来衡量待测图像和目标图像之间的相似程度。
目前使用较多的相似性度量主要有：最小距离度量、相关函数度量及概率度量这三种。
最小度量主要包含：Hausdorff距离、AD（绝对差）、SD（平方差）、MAD（平均绝对差）及MSD（平均平方差）等；归一化互相关函数、协方差函数、积相关函数等是主要的相关函数；概率度量则是一种相似比，它是用后验概率来估算的目标图像与潜在待测子图间的相似度。
（2）特征空间。
提取待测图像及目标图像的部分特征或是主要特征构成特征空间，然后通过对比特征空间进行匹配。
所以，构建合理而恰当的特征空间不但能提高图像匹配速度，也能提升匹配精度。
目前常用的图像特征主要有空间位置、点特征、图像边缘、纹理、颜色形状等。
P14201096 李涛(图像匹配技术综述)
关于图像匹配技术研究综述引言图像匹配技术是近代信息处理，特别是图像信息处理领域中极为重要的技术。
图像匹配就是要根据参考图像和实时图像来选定某些特征、相似性准则及搜索策略进行相关运算，以确定匹配的最佳空间对应点。
它主要研究的问题有特征空间、相似性度量和搜索策略三个方面。
图像匹配关键是要确定有效的匹配方法，要求匹配概率高、误差小、速度快且适时性好。
图像匹配技术，是图像处理的一项基本技术，是指通过影像内容、特征、结构、关系、纹理及灰度等的对应关系，相似性和一致性分析，来匹配相互间具有偏移的两幅或多幅图像。
本文阐述了图像匹配技术的要素，分析了图像匹配常用方法和算法。
1. 图像匹配技术四要素图像匹配可以作为四个要素的组成：特征空间、搜索空间、相似性测度和搜索策略。
选取特征要考虑三点因素：首先，选取的特征必须是原始图像和待匹配目标图像所共同具有的特征；其次，特征集必须包含足够多的分布均匀的特征；再次，所选取的特征要易于特征匹配的计算。
搜索空间是在输入特征与原始特征之间建立的对应关系的可能的变换集合，成像畸变的类型与强度决定了搜索空间的组成与范围。
相似性测度的作用在于对从搜索空间中获取的一个给定的变换所定义的输入数据域参考数据之间的匹配程度的评估。
搜索策略是指在相似性测度下达到最佳匹配的计算方式，即采用合适的方法在搜索空间中找到平移、旋转等变换参数的最优估计，使得相似性测度达到最大值。
2. 图像匹配技术分类以往的图像匹配方法，大致可以分为三类：基于特征点、灰度分布和频域。
基于特征点的图像匹配技术是目前最常用的方法之一，其最大的优点是能够将对整个图像进行的各种分析转化为对图像特征点的分析，从而大大提高了运算的速度，对图像偏移、旋转，灰度变化等都有较好的适应能力。
本文的主要工作是研究了这三类图像匹配方法，分析各种方法的优缺点，重点研究了基于特征的匹配方法。
2.1 基于特征点的匹配方法基于特征点匹配方法一般分为三个过程：(1)特征点提取(2)特征描述(3)特征匹配根据相似性原则对两幅图像中的特征点进行匹配。
图像匹配方法研究综述
图像匹配方法研究综述一、本文概述图像匹配，作为计算机视觉和图像处理领域的重要研究内容，旨在从大量的图像数据库中寻找与给定查询图像相似或相同的图像。
随着数字图像数据的爆炸性增长，图像匹配技术在许多实际应用中，如目标识别、遥感图像处理、人脸识别、图像检索、视频监控、医学图像分析等领域，都发挥了关键的作用。
然而，由于图像匹配涉及的问题复杂多样，包括光照变化、尺度变化、旋转、遮挡、噪声干扰等因素，使得图像匹配成为一个具有挑战性的研究课题。
本文旨在全面综述图像匹配方法的研究现状和发展趋势。
我们将对图像匹配问题进行明确的定义和分类，阐述其在实际应用中的重要性。
然后，我们将详细介绍传统的图像匹配方法，如基于特征的方法、基于区域的方法、基于变换的方法等，并分析其优缺点和适用场景。
接下来，我们将重点介绍近年来兴起的深度学习方法在图像匹配中的应用，包括卷积神经网络（CNN）、孪生网络、注意力机制等，并探讨其与传统方法的比较和优势。
我们还将对图像匹配的评价指标和常用数据集进行介绍，以便读者对各类方法的性能有更加直观的了解。
我们将对图像匹配方法的未来发展趋势进行展望，以期为相关研究人员提供有益的参考和启示。
通过本文的综述，我们希望能够为读者提供一个全面、深入的图像匹配方法的知识体系，促进该领域的研究进展和应用发展。
二、图像匹配方法分类图像匹配作为计算机视觉和图像处理领域的重要研究内容，其目标是在不同视角、光照、尺度或形变等情况下，找到两幅或多幅图像之间的相似性或关联性。
根据算法的不同特点和应用场景，图像匹配方法大致可以分为以下几类。
基于特征的方法：这类方法首先提取图像中的关键特征，如角点、边缘、斑点等，然后对这些特征进行描述和编码，最后通过特征之间的相似性度量来实现图像匹配。
常见的特征提取算法有SIFT、SURF、ORB等，它们能够在一定程度上应对光照、尺度和旋转等变化。
基于特征的方法通常具有较高的准确性和鲁棒性，但计算复杂度较高，实时性较差。
图像配准ppt课件
配准算法的一般步骤—特征提取
• 点特征提取方法
--Harris (Harris Corner Detector)算法 受信号处理中相关函数的启发，给出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 都高，那么就认为该点是角点，此方法对图像旋转、亮度变化、 视角变化和噪声的影响具有很好的鲁棒性。
1.刚体变换模型
刚体变换是平移、旋转与缩放的组合，适用于具有相同视角，但 拍摄位置不同的来自同一传感器的两幅图像的配准。刚体变换模 型下，若点 (x1, y，1) (x2分, y2别) 为参考图像和待配准图像中对应的两点， 则它们之间满足以下关系：
x2 y2
cos s in
- sin cos
图像配准技术
郑雪梅
1
内容概要
1.图像配准介绍 2.图像配准的分类 3.图像配准的一般步骤 4.图像配准的主要方法 5.部分配准算法的实验结果 6.图像配准的评价
2
图像配准介绍----图像配准的定义
• 什么是图像配准？ 图像配准可以视为源图像和目标图像关于空间和灰度的映射关系：
I 2 (x, y) g(I1( f (x, y)))
图像配准介绍图像配准的意义4ppt课件图像配准介绍图像配准的应用领域?计算机视觉视频监控对跟踪的目标区域进行配准人脸识别5ppt课件图像配准介绍图像配准的应用领域?医学不同模态的ctmrt配准后进行融合可以得到更多的信息单模态同一病人不同时间不同病人之间的6ppt课件图像配准介绍图像配准的应用领域?遥感不同时间不同视角不同传感器信息融合环境监视图像拼接天气预报以及地图更新等7ppt课件图像配准介绍图像配准的应用领域?军事变化检测运动目标指示视点稳定大视场重构多通道融合地形定位和导航8ppt课件图像配准的分类?按图像的维数分类2d2d
图像特征匹配PPT课件
THANKS FOR WATCHING
感谢您的观看
大规模图像数据集的特征匹配问题
计算复杂度
随着图像数据集规模的增大，特征提取和匹配的计算复杂度也随之 增加，影响匹配效率。
数据冗余
大规模图像数据集中存在大量相似或重复图像，导致特征匹配结果 冗余，降低匹配准确性。
噪声干扰
大规模图像数据集中可能包含大量噪声图像，对特征匹配结果造成干 扰，影响匹配性能。
图像特征匹配ppt课件
目录
• 引言 • 图像特征提取方法 • 特征匹配算法 • 图像特征匹配优化技术 • 图像特征匹配实验与分析 • 图像特征匹配的挑战与展望
01
引言
图像特征匹配的意义
提高图像识别精度
通过匹配图像中的特征点，可以更准确地识别和分类图像。
增强图像信息利用率
特征匹配可以提取出图像中的关键信息，提高信息利用率。
实时性要求高的场景中的特征匹配问题
快速特征提取
在实时性要求高的场景 中，需要快速提取图像 特征，以满足实时处理 的需求。
高效匹配算法
为了满足实时性要求， 需要研究高效的特征匹 配算法，提高匹配速度 。
硬件加速技术
利用硬件加速技术（如 GPU、FPGA等）提高 特征提取和匹配的速度 ，满足实时性要求。
图像特征匹配的研究现状
01
02
03
传统方法
如SIFT、SURF等算法在 特征提取和匹配方面取得 了一定成果。
深度学习方法
卷积神经网络（CNN）等 方法在图像特征匹配上取 得了显著进展。
面临挑战
如光照变化、遮挡、复杂 背景等问题仍待解决。
02
图像特征提取方法
基于颜色的特征提取
颜色直方图
- 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)。
图像匹配综述图像匹配综述摘要：主要从图像匹配技术的概念、一般性描述及图像匹配技术的技术分类对图像匹配进行描述，在图像匹配技术的分类中，对各个方法的优缺点进行了详细的说明。
关键词：图像匹配；一般性描述；分类随着科学的飞跃发展，近年来图像匹配技术在许多方面有着非常重要的应用，尤其是在医学方面、运动物体的跟踪、计算机视觉、天气预报以及各种资源分析等方面运用非常广泛。
本文对图像匹配进行综述，以便读者对其有个粗略的了解。
一、图像匹配的概念图像匹配的概念：在两幅图像中，从一幅图像中寻找与另一幅具有相同或相似的过程。
二、图像匹配的一般性描述图像匹配可以描述为：假设给定大小分别为m×m和n ×n像素图像h1（x，y）及h2（x，y），它们的映射关系为：h2（x，y）=g（h1（a（x，y）），（2-1）式（2-1）中，符号a是二维或者多维的几位变换（x′，y′）=a（x，y），符号g为一维或者多维图像的亮度变换。
匹配图像问题的实质是寻找两幅图像的最佳几何变换a和亮度变换，最终的目的是使预先定义的那种测度为最小值或者达到最大值，以达到两幅待匹配图像的匹配。
匹配图像的关键主要是下列因素选择的一个组合：待匹配图像的特征空间、相似度、几何变换类型和参数的搜索策略。
下表2-1给出了待匹配图像的特征空间、相似度及搜索策略的几个主要要素及它们对应的内容。
表2-1 待图像匹配的三个关键因素三、图像匹配技术的分类图像匹配技术算法分类很多，但都遵守这样的基本原则：（1）算法必须是有效的。
（2）算法必须是稳定的，当待匹配的图像发生旋转、尺度伸缩及被遮挡时，此种算法仍能使用。
（3）算法必须是快速的。
1.基于图像灰度相关的匹配方法基于图像灰度匹配算法是利用整幅图像的灰度信息进行匹配的方法。
几种常见的算法有平均绝对差算法、归一化积相关算法、互信息匹配算法、傅立叶相关算法等。
下面简要介绍以下这几种算法：（1）平均绝对差算法平均绝对差算法是这样定义的：d（x，y）= s（i+x，j+y）-T（i，j）（3-1）其中，0≤x≤M-m+1；0≤y≤N-n+1。
d（x，y）为度量函数在偏移量（x，y）的度量值，当d（x，y）为最小时是最佳的匹配位置。
它的优点为：计算比较简单；不足是：对噪声比较敏感，噪声越多正确匹配的几率越小。
（2）归一化积相关算法归一化积相关算法是一种经典的基于灰度的相关匹配算法。
它的定义如下：d（x，y）= （3-2）在（3-2）中，0≤x≤M-m+1；；0≤y≤N-n+1。
d （x，y）为度量函数在偏移（x，y）的度量值，当d（x，y）为最大时是最佳的匹配位置。
它的优点是：抗白噪声非常强，且在几何畸变和灰度变化不大时，图像的匹配精度很高。
（3）互信息匹配算法互信息匹配算法是近年来才提出的匹配方法，它是基于像素相似性的匹配算法，这种算法把像素灰度信息的统计特征直接作为匹配的依据，省去了对图像进行分割和特征提取过程，它的好处是不但避免了在图像分割或特征提取中造成精度损失，而且便于进行回溯式的研究。
把参考图和输入图的灰度值分别看作是随机的两个变量A和B，它们对应的概率密度分别是P（A）及P（B），那么随机变量A和B的互信息可以用下式来表示：MI（A，B）=H（B）-H（B/A）=H（A）+H（B）-H （A，B）（3-3）其中，H（A）=-EA（log（P（A）））。
优点是匹配算法对光照的改变不灵敏；缺点是计算量大，并且要求图像间的重叠区域比较大。
（4）傅立叶相关算法假设待匹配的参考图像I1（x，y）和输入图像I2（x，y）的傅立叶变换是F1（U，V）与F2（U，V）。
如果这两幅图像之间存在一个平移变量（m，n），它们之间的数学关系可以用下式表示：I1（x，y）=I2（x-m，y-n）（3-4）相应的，它们对应的傅立叶变换存在下列关系：F1（U，V）=e-j （mu+nj）F2（U，V）（3-5）从式（3-4）和式（3-5）可以看出：当两幅待匹配的图像之间只存在平移关系时，它们对应的傅立叶变换的幅值具有相同的值；当待匹配的两幅图像只存在一个相位差时，相位差的功率谱可以表示为：=ej （um+vn）（3-6）式（3-6）中*是复共轭的运算符号。
再对式（3-6）作傅立叶反变换，同大多数频域匹配算法一样之处在于，由于涉及了空间域和频域的相互转换，因此这种情况相对复杂。
虽然匹配也能达到比较高的精度，但它对两幅待匹配图像之间的几何变形和辐射畸变都有比较高的要求，基于以上的分析可以看出，傅立叶变换应用的范围相对来说较窄。
2.基于图像特征的匹配算法鉴于上述图像灰度相关匹配算法的不足之处，人们提出了一种新的算法，即基于特征的匹配算法。
其算法是提取各类图像中在各种情况下都能够保持不变的特征。
图像特征匹配可以理解为在提取的特征点之间用某种映射来建立某种对应关系的过程。
即设在图像A中提取出来的特征点数为m个，在图像B中提取出来的特征点数有n个，并且m不等于n。
其中，k是待匹配图像共同拥有的特征点个数，则特征匹配要解决的问题就是如何确定图像A和图像B中这k对对应的点。
几种常用的匹配方法，它们分别是关于图像的Hausdorff距离匹配法、金字塔小波匹配方法、最小均方误差法等。
（1）Hausdorff距离匹配算法Hausdorff距离匹配算法反映的是两个集合之间的关系，它的定义通常是指待匹配图像的两个点集之间的最小距离或者是两个点集的最大距离。
假设两个有限点集为A={a1，a2，…ap}与B={b1，b2，…bp}。
那么这两个点集A、B之间的Hausdorff距离为：H（A，B）=max（h（A，B），h（A，B））（3-7）其中，h（A，B）= ||a-b||，|| ||称为某种距离的范数。
若h（A，B）=d，则在点集A中的每一个点到点集B中的距离至少存在有一个点的距离不大于d，并且点集A中至少有一个点，这个点的距离恰好等于d。
那么这些点就称为最不匹配的点，从而被舍去。
由此可见，Hausdorff距离衡量的是两幅待匹配图像的两个点集的不相似程度。
当然它也可以衡量两个点集的相似程度，当它作为相似性度量时，它的最小值就为匹配的最好位置。
图像的Hausdorff距离算法与其他二值图像匹配算法不同的是：它不要求待匹配图像中的匹配点对是一一对应的，点集A中可以有一个或者是多个点与点集B中的同一个点对应。
它的优点是图像匹配速度快、匹配精度高。
其缺点是当两幅待匹配的图像之间存在旋转问题时，它的克服噪声的能力就比较差了。
尤其是当两幅待匹配图像之间的旋转角度大于3-5时，两幅图像的匹配准确率就大大下降了，匹配出来的结果有时甚至是错误的。
此外，图像的Hausdorff距离利用的是特征匹配算法，如果提取出来的特征点不是很明显时，也无法很好地解决图像的匹配问题。
（2）金字塔小波匹配算法图像的金字塔小波匹配算法的另一个名字叫做图像的分层匹配算法，它是根据人们先粗后细搜索事情的习惯逐步形成的。
它可以分为以下几步：第一步，对待匹配的图像要先进行分层预处理，在尺寸最小的图像处或者分辨率最低的图像上进行全局搜索，快速准确地找到待匹配图像的特征点；第二步，以第一步匹配的结果为出发点，在较大尺寸的图像上对少数有可能匹配的位置上进行匹配；以此类推，最后一步就找到了图像之间真正要匹配的那些特征点。
金字塔小波匹配算法的优点是：计算量较少，计算的速度就会比较高。
但有一个前提条件就是提取出来的特征点必须是稳定的，即具有较好的鲁棒性。
但在实际提取的过程中，具有这样特点的特征点集合很难被提取到。
因此，金字塔小波匹配算法的应用在一定程度上受到了限制。
（3）最小均方误差匹配算法最小均方误差匹配算法是利用待匹配图像之间相互对应的特征点来进行的，通过对应特征点的变换方程求解过程来计算图像间的变换参数。
如果两幅待匹配图像之间存在这样的仿射变换（x，y）→（x′，y′），则它们的变换方程为：x′y′=sxycosx sinx-sinx cosx+txty=x y 1 0y -x 0 1（ssinx s cosx tx ty）T（3-8）其中，用向量β=（ssinx scosx tx ty）T来表示仿射变换参数，所以对于给定的n对对应的特征点（n>3）构造出相应的点坐标矩阵为：Y=（x1y1……xnyn）TX=x1 y1 1 0y1 -x1 0 1…………xn yn 1 0yn -xn 0 1（3-9）利用最小均方误差的原理来求出ET=（Y-Xβ）T（Y-X β），从而得到相应的参数向量，它的方程为β=（XTX）-1XTY。
总之，每种算法都有其优点和不足之处，具体选择哪种算法还需要根据具体情况而定。
参考文献：[1]郭雷，李晖晖.图像融合[M].北京：电子工业出版社，2008.[2]郑志杉，叶中付.基于相位相关的图像匹配算法[J].数据采集与处理，2006，vol21（4）.[3]李小明，赵训坡.基于Fourier-Mellin变换的图像配准方法及应用拓展[J].计算机学报，2006，vol23（9）.[4]comaniciu D Ramesh V，meer P.Kerner-based object tracking.IEEE Transection on Fatter Analysis and Machine Intelligence，2003：337-340.[5]Daubechies I.The wavelet transform time-frequency localization and signal analysis. IEEE Transaction on information treory，1990，vol36（5）：961-1004.[6]aniciu and P.Meer，Meanshift：A Robust Approach Toward Feature space Anysiss. IEEE Trans.Pattern Analysis and Machine Intelligence，2002，vol（24）.[7]F Schaffalitzky，A Zisserman.Viewpoint invariant texture matching and wide baseline stcreo.IEEE，200l.[8]Raymond van Ee，CliRon M Schor.Unconstrained stereoscopic matching of lines.Vision Research，2000（40）：151-162.[9]S J D Prince，R D Eagle.Weighted directional energy model for human stereo correspondence.Vision Research，2001（13）：41-52.编辑王梦玉。