图像匹配方法综述

它的各种加速算法进行改进，如 SSDA 算法、图像金字塔等。
3．图像匹配的三要素
此匹配也可以是大小等于模板图像的搜索窗口在待匹配图
所谓图像匹配就是把两个不同的传感器从同一景物录
像上按照某一顺序滑动，每滑动 1 次就进行 1 次模板图像 取的两幅图像在空间上进行对准，以确定两幅图像之间的平
和搜索窗口间的计算，以此来判断当前的搜索窗口是否匹 移以及旋转关系[1]。目前国内外对图像匹配的研究主要集中
6．1 匹配算法的融合 各种匹配算法各有其特点及应用范围，使其相互借鉴、 渗透及融合，以克服单个算法的局限性，提高匹配的适应 性。例如先采用遗传算法来加速分类匹配过程，然后使用线 性搜索法进一步提高搜索精度。 6．2 基于局部特征的匹配算法 目前大多数算法是利用图像的全局特征，但是物体的全
局特征一般不容易获取，而且当物体之间存在遮挡时提取 的全局特征是不可靠的，局部特征能较好地解决这一问题。
[ 关键词] 图像匹配；特征匹配；相关匹配；图像处理
1．引言 图像匹配是图像信息领域之中的一项重要技术，同时
这种算法只适用于待匹配图是模板图像中部分的情况。 2.2 归一化互相关匹配算法 归一化互相关匹配算法是一种经典的统计算法，通常写
也 是 其 它 一 些 图 像 分 析 技 术 ，如 立 体 视 觉 、运 动 分 析 、数 据 融合等的基础。正因为其应用的广泛性，新的应用和新的要 求逐步产生使得匹配算法的研究逐步走向深入。因此，对现 有匹配算法展开分析对于实际工程提高图像处理质量和识 别精度具有非常重要的意义。本文分析了图像匹配常用方 法的优点和不足之处，讨论了图像匹配中需要进一步研究 和解决的问题。
— 85 —
学术探讨 经验交流
匹配算法总的计算量由所采用的相关算法的计算量与 搜索次数之积来决定，原则上可以通过改进匹配算法和减 少搜索位置来减少总计算量，但是由于环境的复杂多变性， 现有的算法在某些方面都有不尽人意的缺陷，没有一种算 法能解决所有的图像匹配问题，如下表所示。
表 2 各种匹配算法性能比较
特征空间 模型 灰度 边缘强度 曲线 统计属性 高层匹配 特征点 二值边缘 表面
表 1 图像匹配的三要素及其内容
相似性度量
搜索策略
最小距离分类器
能量最少化
相关系数
层次
归一化相关系数与匹配滤波器 层次迭代或模拟退火
绝对差之和，局部熵差
遗传算法、神经网络
Hausdorff 距离
松弛算法
互信息
快速 FFT
7．结束语
图像匹配研究作为计算机视觉和图像处理中的主要内 容，有着重要的理论和实践意义。由于成像过程中各种不可 预知因素的影响，该问题至今尚未得到很好的解决，但已经 取得了很大的进展。
点。
局部寻优能力差，参 数的选取对结果影
响很大。
前景较好，但需要结 合梯度法、爬山法、 退火法、寻优法、混
沌法等。
象素灰度
算法简单，有较高的 定位精度。
计算量大，对灰度变 化 、旋 转 、形 变 以 及
遮挡较敏感。
由于计算量大，一般 用来衡量其它匹配 算法的性能，应用前
景不大。
为了提升图像匹配算法的性能，可以在以下几个方面更 加深入的研究:
学术探讨 经验交流
图像匹配方法综述
汪洋
(南通中等职业学校，江苏 南通 226000)
[ 摘 要] 图像匹配是图像处理技术中的重要研究内容。本文介绍了图像匹配的几个要素，图像匹配算法的分类以及图 像匹配性能评价指标，探讨了图像匹配中有待进一步研究和解决的问题。介绍了近来出现的新思路和新方法，提出了实际应 用中有待进一步研究的内容，如算法的融合、基于局部特征的算法、基于模型的匹配算法等。
基于图像特征的配准方法[3]需要对图像进行预处理，然 后提取图像中保持不变的特征,如边缘点、闭区域的中心、线 特征、面特征、矩特征等，作为两幅图像配准的参考信息。这 类方法的主要优点是它提取了图像的显著特征，大大压缩 了图像的信息量，使得计算量小，速度较快，而且它对图像 灰度的变化不敏感。但另一方面，正是由于其不依赖于图像 的灰度信息，这种方法对特征提取和特征匹配的错误十分 敏感，匹配性能依赖于特征提取的质量,需要可靠的特征提 取和鲁棒的特征一致性，匹配精度低于基于灰度的匹配方 法。
的阈值也各不相同，很难事先选定阈值，因而误匹配率很高。
(3)搜索策略
— ——— ———— ———— —— — —— —— —— —— —— —— 作者简介：汪洋,女,江苏南通人,本科,助理实验师,研究方向：计算机基础教学和机房维护。
— 84 —
搜索策略是用合适的搜索方法在搜索空间中找出平移、 旋转等变换参数的最优估计，使得图像之间经过变换后的 相似性最大。搜索策略有穷尽搜索、分层搜索、模拟退火算 法、Powell 方向加速法、动态规划法、遗传算法和神经网络法 等。
算法有严重缺陷，需
迭代过程影响较大， 计算代价比较昂贵。
要利用遗传算法等 来克服其自身缺陷。
语义网络
更贴近用户理解能 力，提高了图像检索
的精度。
语义特征难以提取， 高层语义特征人为
理解难统一。
研究刚起步，需要结 合人工智能、机器学 习和统计方法来完
善。
遗传算法
宏观搜索能力强，具 有简单通用、鲁棒性 强、并行运算的特
（5）
N
姨 Σ σX =
1 N－1
(Xi－△X )2
i=1
4）Y 方向的匹配误差的标准差 σY
（6）
N
姨 Σ σY =
1 N－1
i=
(Yi－△Y )2
1
5．2 匹配概率
（7）
匹配概率
p = N/M
（8）
N，M 分别是正确匹配的次数与匹配总次数 （正确匹配
的定义依赖于匹配精度的要求）。
6．有待深入研究的内容
类型
优点
缺点
应用前景
图像特征
计算量相对较小，对 性能取决于特征提
灰度变化、形变及遮 取的质量，匹配精度
挡有较好的适应性。
不高。
算法有自身缺陷，但 由于已取得比较好 的效果，研究的人仍
较多。
神经网络
高度的并行性和非线性 全局作用、良好的容错性 与联想记忆功能、较强的
适应性、自学习能力。
特征点无法自动选 取，网络初始状态对
6．3 基于模型的匹配算法的进一步研究 基于模型的方法为边缘检测、图像分割以及图像匹配等 问题的研究提供一个新的思路，现有结果也展现出了该方 法的优越性，但是对它的研究还不够深入，比如变形模型对 于噪声比较敏感，初始轮廓及模板的选取困难，最优化过程 易陷入局部最小以及计算量大等都是需要进一步研究和克 服的问题。 6．4 加强对彩色图像研究 目前对于彩色图像的匹配研究最多的是基于颜色特征 的 图 像 检 索 ，而 对 其 在 形 状 、纹 理 、轮 廓 或 者 多 种 特 征 的 组 合匹配到目前引入学习机制(监督学习、非监督学习、Bayes 学习、SVM 动态学习、相关反馈等)用于图像高层语义的图 像匹配方法的研究甚少，因此这也是一个值得研究的问题。
SAD ( m , n ) = ΣΣ|f1(x，y)－f2(x+m，y+n)| xy
SSD ( m , n )=ΣΣ (|f1(x，y)－f2(x+m，y+n)|)2 xy
此算法实现方便，但有局限性，一旦待匹配图像或是模
灰度值，也可以是边界、轮廓、表面、显著特征、统计特征、高 层结构描述与句法描述等。选择合理的特征可以提高匹配 性,降低搜索空间、减小噪声等不确定性因素对算法的影响， 提高适应性;
ΣΣ(G(x，y)－G (x，y))2ΣΣ(F(x+m，y+n)－F (x+m，y+n))2
xy
xy
NC 算法有很高的准确性和适应性，并对图像灰度值的
线性变换具有“免疫性”，不受灰度值的线性变换的影响。但应
用时无法检测到准确的尖峰位置，这将使确定模板存在的准
确位置变得很难。此外，其缺点是计算时间过长，可以通过其
2．国内外经典的图像匹配算法
2.1 ABS（Absolute Balance Search）算法 ABS（Absolute Balance Search）算法的思想是用模板图 像和待匹配图像上的搜索窗口间的像素灰度值的差别来表 示二者的相关性。假设待匹配图像为 F(x,y)，而模板图像为 G(x,y)，并且待匹配图像大小为 M×N，模板图像大小为 P× Q，则在待匹配图像中共有(M-P+1)× (N-Q+1)个可能的匹配 点存在，每个可能的匹配点对应 1 个 P×Q 的搜索窗口。因
Σ△Xi = X觶 i－Xi
△Yi = Y觶 i－Yi
（3）
对于多次匹配误差，常常用到如下几个误差指标（假设
wk.baidu.com
匹配可以视为独立的,且独立匹配的次数为 N,,分别表示第
次匹配的误差）:
1）X 方向的平均匹配误差
N
△X = Σ△Xi i=1
2）Y 方向的平均匹配误差
（4）
N
△Y = Σ△Yi i=1
3）X 方向的匹配误差的标准差 σX
基于模型的匹配方法在计算机视觉领域中的应用非常 广 泛 ，它 可 以 分 为 刚 体 形 状 匹 配 和 变 形 模 板 匹 配 [4]两 大 类 。 Kass 提出的 Snake 主动轮廓模型是比较典型的自由式变形 模板模型。由于不受全局结构的限制，所以 Snake 模型能表 示任意的形状，但是该模型对于模板的初始位置和噪声比
配。如果差别小于预定的阈值，则可认为匹配成功；否则，就 在三个方面，即图像匹配三要素：特征空间，相似性度量，搜
认为匹配失败。
索策略。
一般来说，计算 ABS 值有 3 种算法。可根据不同的匹
(1)特征空间
配场合来选择合适的算法计算：
特征空间是由参与匹配的图像特征构成的，特征可以是
max
MD（m,n) = Σ|f1(x，y)－f2(x+m，y+n)| x ，y
成 NC（Normalized Correlation）算法。这种算法通过计算模板 和待匹配图像的互相关值来确定匹配的程度。互相关值最大 时的搜索窗口位置决定了模板图像在待匹配图像中的位置。 互相关的定义如下： NC(m,n) =
ΣΣ(G(x，y)－G (x，y))(F(x+m，y+n)－F (x+m，y+n)) xy
u，△X，△Y
（1） （2）
其中：{(Xi+Yi)，i=1，2，3，…，N}与{(X觶 i+Y觶 i)，i=1，2，3，…， N}为匹配控制点对；V* 为最小均方差。
当尺度因子 R=1 且旋转角度 θ=0 或很小，即 u=1，v =
0，这时表示实时图像与基准图像具有相同的空间分辨率，
且只存在平移变换或近似于平移变换,这时匹配误差为
能，常用的评价指标包括：图像的匹配误差或匹配精度和图
像匹配概率。
5．1 匹配误差与匹配精度
系统匹配的误差由最小均方根误差 RMSE 决定。RMSE
越小，匹配误差越小，匹配精度越高[5]。
N
Σ SE(u，△X，△Y)
=
(1 N
i
=
((uXi+vYi+△X－X觶 i)2
1
+(uYi+vXi+△Y－Y觶 i)2))1/2 V*=(u*，△X*，△Y*) = min (SE(u，△X，△Y))
经验交流 学术探讨
较敏感，对于凹边缘的收敛性较差，而且容易陷入局部最小 值。
基于变换域的匹配的方法有基于傅立叶变换、基于 Gabor 变换和基于小波变换的匹配，这些匹配方法对噪声不 敏感，检测结果不受照度变化影响，可以较好的处理图像之 间的旋转和尺度变化。
5．图像匹配性能评价指标
图像匹配的性能评价指标，主要用于评价图像匹配的性
(2)相似性度量 相似性度量指用什么来确定待匹配特征之间的相似性， 它通常是某种代价函数或者是距离函数的形式，经典的相似
板图像之一的灰度值发生线性变换，就无所适从了。不同的 图像和模板有着不同的背景灰度值和不同的搜索窗口，所需
性度量包括相关函数和 Minkowski 距离，最近人们又提出了 Hausdorff 距离、互信息作为匹配度量;
归一化相关系数
迭代点匹配
统计相关与匹配滤波器
模拟退火
掩模相关
树或图匹配
4．图像匹配算法分类
图像匹配的算法很多，但基本原则是不变的：有效性，稳 定性以及实时性。本文将匹配算法分为基于区域的匹配方 法、基于特征的匹配方法、基于模型的匹配和基于变换域的 匹配。
基于区域的匹配方法又称为基于图像灰度的配准方法， 通常直接利用整幅图像的灰度信息，建立两幅图像之间的 相似性度量，然后采用某种搜索方法，寻找使相似性度量值 最大或最小的变换模型的参数值。基于图像灰度的配准方 法不需要对图像做特征提取，而是直接利用全部可用的图 像灰度信息，因此能提高估计的精度和鲁棒性[2]。但是它计 算量大,难以达到实时性要求，而且一旦进入信息贫乏的区 域，会导致误匹配率的上升。