【正文】 采用改進(jìn)的非對(duì)稱(chēng)開(kāi)運(yùn)算算子，并利用內(nèi)外骨架分別實(shí)現(xiàn)對(duì)物體凸點(diǎn)和凹點(diǎn)的提取，以保證拐點(diǎn)提取的完整性；張坤華等人提出一種利用圖像灰度特征和邊界輪廓點(diǎn)特征相復(fù)合的角點(diǎn)提取方法[12]，克服了單一特征提取角點(diǎn)所帶來(lái)的弊病，提高了角點(diǎn)提取的精度。這類(lèi)算法的基礎(chǔ)就在于先檢測(cè)出圖像的邊緣，然后再在此基礎(chǔ)之上檢測(cè)出邊緣突然變換的點(diǎn)，就作為檢測(cè)角點(diǎn)的結(jié)果。這些點(diǎn)在保留圖像圖形重要特征的同時(shí)，可以有效地減少信息的數(shù)據(jù)量，使其信息的含量很高，有效地提高了計(jì)算的速度，有利于圖像的可靠匹配，使得實(shí)時(shí)處理成為可能。Oxford大學(xué)的機(jī)器人研究小組開(kāi)展視覺(jué)不變性方面的研究，他們的主要成果是提出了一種仿射協(xié)變(Covariant)區(qū)域的檢測(cè)方法，用于提取圖像局部區(qū)域的仿射不變特征[8]。3) 不變特征的描述，如SIFT描述子、PCASIFT描述子、不變矩描述子、傅里葉描述子、微分不變描述子、顏色描述子、鏈碼描述子等。以計(jì)算機(jī)視覺(jué)的不變理論為基礎(chǔ)，對(duì)圖像特征的不變性研究是目前圖像處理的重要環(huán)節(jié)，吸引了眾多研究工作者的興趣。當(dāng)提取特征點(diǎn)數(shù)目過(guò)多時(shí)就會(huì)存在大量的干擾信息(如：偽匹配點(diǎn))，這將影響匹配的正確率和速度，當(dāng)提取特征點(diǎn)過(guò)少時(shí)，將不利于精確匹配。s等提出的三角形匹配算法[3]等。特征匹配方法首先對(duì)圖像進(jìn)行預(yù)處理來(lái)提取其高層次的特征，然后建立兩幅圖像之間特征的匹配對(duì)應(yīng)關(guān)系，常用的特征基元有點(diǎn)特征、邊緣特征和曲線輪廓及區(qū)域特征等。經(jīng)過(guò)國(guó)內(nèi)外研究者多年的努力，人們提出了多種圖像匹配方法。因此，特征點(diǎn)的提取和匹配越來(lái)越得到研究人員的關(guān)注。本文首先對(duì)兩種特征點(diǎn)提取算法(Harris算法和SIFT算法)進(jìn)行分析比較，Harris角點(diǎn)檢測(cè)算法效率高，但對(duì)尺度變化和抗噪性的魯棒性差，SIFT算法對(duì)尺度變化及抗噪性魯棒性好，但算法時(shí)間復(fù)雜度高，且對(duì)圖像紋理要求高，本文結(jié)合兩種算法的優(yōu)點(diǎn)，提出了一種新的H/S特征點(diǎn)提取算法，該算法特征點(diǎn)檢測(cè)效率高，并且尺度不變性及抗噪性得到很大改善。本科畢業(yè)設(shè)計(jì)(論文) 題目名稱(chēng)： 學(xué) 院： 專(zhuān)業(yè)年級(jí)： 學(xué)生姓名： 班級(jí)學(xué)號(hào)： 指導(dǎo)教師： 二O一O年 月 日 目 錄摘 要 IIIABSTRACT IV第一章 緒論 1 研究背景 1 研究現(xiàn)狀綜述 2 特征點(diǎn)提取研究現(xiàn)狀 2 特征點(diǎn)匹配研究現(xiàn)狀 4 研究?jī)?nèi)容 5 論文組織結(jié)構(gòu) 6第二章 圖像特征點(diǎn)提取算法研究 8 Harris特征點(diǎn)提取算法 8 Harris特征點(diǎn)檢測(cè)原理 8 Harris特征點(diǎn)檢測(cè)步驟 9 實(shí)驗(yàn)分析 9 SIFT特征點(diǎn)提取算法 12 SIFT特征點(diǎn)提取算法原理及步驟 12 實(shí)驗(yàn)分析 16 本章小結(jié) 19第三章 改進(jìn)的H/S特征點(diǎn)提取算法 20 H/S算法分析 20 H/S算法提出的可行性分析 20 H/S算法結(jié)合方案研究 21 H/S算法實(shí)現(xiàn) 22 多尺度特征點(diǎn)檢測(cè) 22 特征點(diǎn)描述 23 實(shí)驗(yàn)分析 25 算法評(píng)價(jià)標(biāo)準(zhǔn) 25 分情況特征點(diǎn)提取結(jié)果分析 25 本章小結(jié) 27第四章 基于H/S的特征點(diǎn)匹配方法 29 相似三角形方法局限性分析 29 三角形匹配原理 29 三角形相似方法局限性 31 改進(jìn)的相似三角形匹配方法實(shí)現(xiàn) 31 三角形選取方案研究 32 相似三角形檢索方法改進(jìn) 33 多模板改進(jìn)方法分析 35 實(shí)驗(yàn)結(jié)果與分析 36 本章小結(jié) 39第五章 工作總結(jié)與展望 40 工作總結(jié) 40 工作展望 41致 謝 42參考文獻(xiàn) 4344摘 要圖像匹配是圖像處理領(lǐng)域的基礎(chǔ)課題，在圖像拼接、全景視圖、對(duì)象識(shí)別等計(jì)算機(jī)視覺(jué)方面有廣泛應(yīng)用。在采用新的H/S特征點(diǎn)提取算法得到圖像中特征點(diǎn)后，對(duì)特征點(diǎn)匹配方法進(jìn)行研究。圖像匹配可以認(rèn)為是在不同時(shí)間或相同時(shí)間、從不同視角或相同視角對(duì)同一場(chǎng)景拍攝的兩幅或者多幅圖像進(jìn)行的空間域上的匹配過(guò)程。這些方法大致可分為基于灰度值的方法和基于特征的方法兩大類(lèi)[1]。由于興趣點(diǎn)(角點(diǎn)、拐點(diǎn)等)的信息含量高、數(shù)量相對(duì)較少且局部不變等特點(diǎn)，使其在基于特征的匹配中有更加廣泛的應(yīng)用。特征點(diǎn)匹配方法首先依賴(lài)于好的特征提取方法，特征點(diǎn)提取方法是從眾多特征中求出那些對(duì)分類(lèi)識(shí)別最有效的特征，從而實(shí)現(xiàn)特征空間維數(shù)或數(shù)據(jù)量的壓縮。同時(shí)特征點(diǎn)匹配方法需要保證在兩幅圖像點(diǎn)集中存有大量有效點(diǎn)，而當(dāng)圖像特征點(diǎn)較多時(shí)，算法復(fù)雜度較大。圖像特征的不變性研究目前已取得了大量的研究成果。近年來(lái)，不變特征已引起國(guó)內(nèi)外研究者和研究機(jī)構(gòu)的廣泛關(guān)注。由于興趣點(diǎn)(角點(diǎn)、拐點(diǎn)等)的信息含量高、數(shù)量相對(duì)較少且局部不變等特點(diǎn)，使其在基于特征的匹配中應(yīng)用最廣。其在三維場(chǎng)景重建、運(yùn)動(dòng)估計(jì)、目標(biāo)跟蹤、目標(biāo)識(shí)別、圖像配準(zhǔn)與匹配等計(jì)算機(jī)視覺(jué)領(lǐng)域起著非常重要的作用。主要缺點(diǎn)是對(duì)邊緣提取算法依賴(lài)性大，如果提取的邊緣發(fā)生錯(cuò)誤，或是邊緣線發(fā)生中斷(在實(shí)際中經(jīng)常會(huì)遇到這種情況)，則對(duì)角點(diǎn)的提取結(jié)果將造成較大影響。2. 局部不變特征點(diǎn)提取方法局部不變特征點(diǎn)提取方法主要利用目標(biāo)局部區(qū)域的信息來(lái)構(gòu)造特征量，由于這些一定數(shù)目的局部區(qū)域可能離散地出現(xiàn)在目標(biāo)的不同位置，當(dāng)對(duì)每個(gè)區(qū)域獨(dú)立地提取特征時(shí)，即使目標(biāo)位于復(fù)雜環(huán)境中或有部分遮擋，通過(guò)局部特征提取仍可得到目標(biāo)的部分信息，從而實(shí)現(xiàn)復(fù)雜背景中目標(biāo)的識(shí)別與確認(rèn)。下面將分析和比較不同方法如何解決這兩個(gè)問(wèn)題。SURF是由Herbert Bay等2006年提出的另一種有效的特征提取方法[16]，與SIFT一樣不僅可以檢測(cè)出圖像的興趣點(diǎn)即特征，同時(shí)提供了一種創(chuàng)建具有不變描述器的方法。當(dāng)相比于SIFT，SURF的速度要更快，但是在圖像出現(xiàn)視角和光照變化上匹配的效果沒(méi)有SIFT好。Rosenholm不使用固定大小的窗口，而是用連接窗(connected window)在全局范圍內(nèi)進(jìn)行匹配)，該方法對(duì)于處理重復(fù)紋理具有較好的效果。除此之外，各種匹配方法所采用的優(yōu)化算法也不盡相同，有的使用全局優(yōu)化算法，如動(dòng)態(tài)規(guī)劃法、窮舉法、凸規(guī)劃法和松弛法等；還有的使用一些非全局最優(yōu)算法，如貪婪算法，模擬退火算法和隨機(jī)搜索算法等。因此可以保證算法有較高的效率，但是線性規(guī)劃法需要消耗大量的內(nèi)存并且要預(yù)先估計(jì)正確的匹配數(shù)。這樣使匹配算法能夠簡(jiǎn)化為只考慮有平移、旋轉(zhuǎn)的情況下求解點(diǎn)集之間的對(duì)應(yīng)關(guān)系，但在很多實(shí)際應(yīng)用中，由于存在圖像噪聲及視場(chǎng)變換還有不同時(shí)間和不同傳感器獲取的圖像等因素，待匹配的兩幅圖像中不可避免出現(xiàn)虛假點(diǎn)、丟失點(diǎn)以及非剛性形變。文獻(xiàn)[19]利用顏色直方圖進(jìn)行描述，提出了一種快速的特征點(diǎn)匹配方法。2)基于特征點(diǎn)幾何結(jié)構(gòu)的匹配方法[20]。Shihhsu Chang等人利用二維聚類(lèi)進(jìn)行匹配[23]，張立華等利用不可約矩陣和相對(duì)不變量理論提出了幾種點(diǎn)模式匹配新算法[24]，它們可分別用來(lái)解決相似變換和仿射變換下具有相同點(diǎn)數(shù)的兩個(gè)點(diǎn)模式的匹配問(wèn)題。由于時(shí)間、視角、環(huán)境的變化、多種傳感器的使用等，使拍攝的圖像不僅受到噪聲的影響，而且存在嚴(yán)重的灰度失真和幾何畸變。由于后續(xù)匹配方法需要圖像在旋轉(zhuǎn)和尺度變換下仍滿(mǎn)足一定比例的有效點(diǎn)，所以本文需要對(duì)旋轉(zhuǎn)和尺度不變特征點(diǎn)的提取進(jìn)行研究。基于描述符的匹配方法對(duì)有效點(diǎn)的要求低，適合圖像視角變換、輕微變形情況，但是實(shí)現(xiàn)復(fù)雜，對(duì)圖像紋理要就比較高；而基于幾何結(jié)構(gòu)的匹配方法實(shí)現(xiàn)簡(jiǎn)單、紋理要求低，但是抗圖像形變、視角變化能力差，算法時(shí)間復(fù)雜度比較高。 第二章主要比較目前常用的兩種特征點(diǎn)匹配方法，分別介紹Harris角點(diǎn)檢測(cè)算法和基于描述符的SIFT算法，并分析兩種方法的優(yōu)缺點(diǎn)和適用場(chǎng)合，第三章主要在分析特征點(diǎn)提取算法的基礎(chǔ)上，著重介紹特征點(diǎn)檢測(cè)實(shí)驗(yàn)效果好的Harris算法，針對(duì)傳統(tǒng)Harris算法存在的局限性，引入尺度空間理論和特征描述思想，提出改進(jìn)的H/S算法。圖像特征點(diǎn)提取及匹配算法研究 第二章 圖像特征點(diǎn)提取算法研究第二章 圖像特征點(diǎn)提取算法研究圖像特征點(diǎn)提取是圖像處理和計(jì)算機(jī)視覺(jué)的基本技術(shù)，它也是特征點(diǎn)匹配方法的首要步驟。角點(diǎn)檢測(cè)方法分為基于邊緣的提取方法和基于圖像灰度的提取方法。目前在圖像匹配中，常見(jiàn)的基于灰度的角點(diǎn)提取算法主要有Moravec算法，SUSAN算法和Harris算法等。 Harris特征點(diǎn)檢測(cè)原理Harris 角點(diǎn)檢測(cè)算法是一種基于信號(hào)的點(diǎn)特征提取算子，它的思想是在圖像中設(shè)計(jì)一個(gè)局部檢測(cè)窗口，當(dāng)該窗口沿各個(gè)方向作微小移動(dòng)時(shí)，考察窗口的平均能量變化，當(dāng)該能量變化值超過(guò)設(shè)定的閾值時(shí)，就將窗口的中心像素點(diǎn)提取為角點(diǎn)。實(shí)際運(yùn)用中用來(lái)計(jì)算角點(diǎn)的響應(yīng)函數(shù)可以寫(xiě)成： ()其中，當(dāng)某個(gè)區(qū)域矩陣的主對(duì)角線之和很大時(shí)，則表明這是一條邊；當(dāng)矩陣的行列式很大時(shí)，則表明這是一條邊或一個(gè)角點(diǎn)。 ()4) 選取局部極值點(diǎn)。實(shí)驗(yàn)所提取的角點(diǎn)用十字劃線來(lái)標(biāo)識(shí)。(a)原圖像(b)放大2倍圖像 圖像尺度變化角點(diǎn)提取結(jié)果圖3. 噪聲情況下的不變性Harris角點(diǎn)檢測(cè)算法對(duì)于噪聲比較敏感，%高斯噪聲后采用Harris提取出角點(diǎn)的結(jié)果圖。(a)閾值設(shè)置為5000(b)閾值設(shè)置為10000(c)閾值設(shè)為15000(d)閾值設(shè)置為20000 設(shè)置不同閾值時(shí)角點(diǎn)提取結(jié)果圖通過(guò)對(duì)Harris算法提取圖像特征點(diǎn)的原理及實(shí)驗(yàn)結(jié)果分析，可以看出Harris算法在圖像存在旋轉(zhuǎn)情況下有很高的點(diǎn)重復(fù)數(shù)，是一種比較有效的點(diǎn)特征提取算法。即當(dāng)尺度變化時(shí)，可能檢測(cè)出新的角點(diǎn)，或老的角點(diǎn)發(fā)生移位或消失。 SIFT特征點(diǎn)提取算法原理及步驟SIFT算法是Lowe[14]利用尺度空間性質(zhì)提出的一種尺度不變關(guān)鍵點(diǎn)的檢測(cè)方法，主要利用目標(biāo)局部區(qū)域的信息來(lái)構(gòu)造特征量，它以同時(shí)在尺度域和空間域取得極值的點(diǎn)作為關(guān)鍵點(diǎn)，并以關(guān)鍵點(diǎn)作為特征區(qū)域的中心，同時(shí)關(guān)鍵點(diǎn)所在的尺度還用以確定特征區(qū)域的大小，在每個(gè)特征區(qū)域內(nèi)以梯度方向的直方圖為基礎(chǔ)得到局部不變特征向量。1) 高斯差分圖像DOG生成高斯卷積核是實(shí)現(xiàn)尺度變換的唯一線性核，一副輸入圖像: （）其中是在和之間的卷積運(yùn)算符， ()是空間坐標(biāo)，是尺度坐標(biāo)。首先對(duì)圖像進(jìn)行預(yù)處理以消除圖像模糊，對(duì)提取穩(wěn)定的特征點(diǎn)有好處。不同采樣形成金字塔分層結(jié)構(gòu)，然后用高斯內(nèi)核函數(shù)對(duì)其進(jìn)行濾波形成高斯金字塔圖像分層結(jié)構(gòu)，對(duì)各層圖形進(jìn)行高斯濾波時(shí)分別采用不同的高斯濾波因子。在文中取為，第二層濾波因子增加k倍，依次增加濾波因子直到最高層第五層。小尺度4x4中尺度2x2大尺度1x1 DoG尺度空間局部極值檢測(cè)2. 特征點(diǎn)位置確定一旦通過(guò)上面步驟得到了侯選特征點(diǎn)，下一步就是確定穩(wěn)定特征點(diǎn)的位置、尺度、曲率等信息。主曲率通過(guò)一個(gè)22的Hessian矩陣H求出: ()導(dǎo)數(shù)由采樣點(diǎn)相鄰差估計(jì)得到。利用關(guān)鍵點(diǎn)鄰域像素的梯度方向分布特性為每個(gè)關(guān)鍵點(diǎn)指定方向參數(shù)，使算子具備旋轉(zhuǎn)不變性。在梯度方向直方圖中，當(dāng)存在另一個(gè)相當(dāng)于主峰值80%能量的峰值時(shí)，則將這個(gè)方向認(rèn)為是該關(guān)鍵點(diǎn)的輔方向。將坐標(biāo)軸旋轉(zhuǎn)為關(guān)鍵點(diǎn)的方向，以確保旋轉(zhuǎn)不變性。實(shí)驗(yàn)實(shí)現(xiàn)SIFT及最近鄰匹配算法時(shí)，利用了開(kāi)源函數(shù)庫(kù)(OpenCV)，它包含了一系列C函數(shù)和少量C++類(lèi)。在匹配結(jié)果圖中將識(shí)別出的匹配點(diǎn)用直線進(jìn)行連接。(d)與(e)為對(duì)應(yīng)的一個(gè)特征區(qū)域的局部放大圖像，從圖中可以看出，這兩個(gè)區(qū)域內(nèi)容基本相同。(a)原圖像特征向量(b)圖像旋轉(zhuǎn)、縮放共存時(shí)特征向量(c)圖像旋轉(zhuǎn)、縮放共存匹配結(jié)果 旋轉(zhuǎn)、縮放共存時(shí)不變特征提取及匹配圖4. 光照、噪聲條件變化時(shí)不變性(a)、(b)為不同光照條件下特征向量提取圖，(a)圖提取出532個(gè)特征點(diǎn)，(b)圖提取出446個(gè)特征點(diǎn)，(c)中有15個(gè)特征點(diǎn)匹配到；(b)為在原圖基礎(chǔ)上添加10%高斯噪聲后特征點(diǎn)提取結(jié)果圖。 本章小結(jié)本章在分析特征點(diǎn)提取重要性的基礎(chǔ)上，首先對(duì)Harris角點(diǎn)提取算法進(jìn)行研究，實(shí)驗(yàn)表明該算法檢測(cè)效率高，針對(duì)圖像存在旋轉(zhuǎn)情況下有很高的點(diǎn)重復(fù)率，是一種比較有效的點(diǎn)特征提取算法，但它在尺度和噪聲發(fā)生變化情況下表現(xiàn)的魯棒性差；針對(duì)Harris 算法的不足，對(duì)局部不變特征點(diǎn)提取SIFT算法進(jìn)行研究，實(shí)驗(yàn)表明該算法提取出的特征點(diǎn)對(duì)圖像的旋轉(zhuǎn)、縮放及光照、噪聲變化時(shí)表現(xiàn)出較強(qiáng)的魯棒性，但該算法速度較慢，并且要求圖像滿(mǎn)足足夠多的紋理。提出了一種新的圖像特征點(diǎn)提取算法——H/S(HarrisSIFT)算法。根據(jù)局部不變SIFT特征點(diǎn)提取算法，利用少量的局部信息，例如特征點(diǎn)周?chē)男D像塊的統(tǒng)計(jì)信息或高斯導(dǎo)數(shù)構(gòu)成特征向量，利用SIFT方法從圖像中提取出的特征點(diǎn)可以用于一個(gè)物體或場(chǎng)景不同視角下的可靠匹配，提取出的特征點(diǎn)對(duì)圖像尺度和旋轉(zhuǎn)保持不變，對(duì)光線變化、噪聲、部分仿射變化都具有魯棒性，但是由于SIFT算法在進(jìn)行特征點(diǎn)的描述時(shí)，在選擇的尺度上，在每個(gè)關(guān)鍵點(diǎn)的鄰域計(jì)算局部圖像梯度的方向直方圖并且將轉(zhuǎn)換為128維的特征描述符，使算法對(duì)于特征點(diǎn)檢測(cè)的效率下降，同時(shí)由于該方法利用特征點(diǎn)構(gòu)造的128維向量進(jìn)