【正文】 采用改進的非對稱開運算算子，并利用內(nèi)外骨架分別實現(xiàn)對物體凸點和凹點的提取，以保證拐點提取的完整性；張坤華等人提出一種利用圖像灰度特征和邊界輪廓點特征相復合的角點提取方法[12]，克服了單一特征提取角點所帶來的弊病，提高了角點提取的精度。這類算法的基礎就在于先檢測出圖像的邊緣，然后再在此基礎之上檢測出邊緣突然變換的點，就作為檢測角點的結果。這些點在保留圖像圖形重要特征的同時，可以有效地減少信息的數(shù)據(jù)量，使其信息的含量很高，有效地提高了計算的速度，有利于圖像的可靠匹配，使得實時處理成為可能。Oxford大學的機器人研究小組開展視覺不變性方面的研究，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。以計算機視覺的不變理論為基礎，對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。當提取特征點數(shù)目過多時就會存在大量的干擾信息(如：偽匹配點)，這將影響匹配的正確率和速度，當提取特征點過少時，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圖像進行預處理來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應關系，常用的特征基元有點特征、邊緣特征和曲線輪廓及區(qū)域特征等。經(jīng)過國內(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，特征點的提取和匹配越來越得到研究人員的關注。本文首先對兩種特征點提取算法(Harris算法和SIFT算法)進行分析比較，Harris角點檢測算法效率高，但對尺度變化和抗噪性的魯棒性差，SIFT算法對尺度變化及抗噪性魯棒性好，但算法時間復雜度高，且對圖像紋理要求高，本文結合兩種算法的優(yōu)點，提出了一種新的H/S特征點提取算法，該算法特征點檢測效率高，并且尺度不變性及抗噪性得到很大改善。本科畢業(yè)設計(論文) 題目名稱： 學 院： 專業(yè)年級： 學生姓名： 班級學號： 指導教師： 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 特征點提取研究現(xiàn)狀 2 特征點匹配研究現(xiàn)狀 4 研究內(nèi)容 5 論文組織結構 6第二章 圖像特征點提取算法研究 8 Harris特征點提取算法 8 Harris特征點檢測原理 8 Harris特征點檢測步驟 9 實驗分析 9 SIFT特征點提取算法 12 SIFT特征點提取算法原理及步驟 12 實驗分析 16 本章小結 19第三章 改進的H/S特征點提取算法 20 H/S算法分析 20 H/S算法提出的可行性分析 20 H/S算法結合方案研究 21 H/S算法實現(xiàn) 22 多尺度特征點檢測 22 特征點描述 23 實驗分析 25 算法評價標準 25 分情況特征點提取結果分析 25 本章小結 27第四章 基于H/S的特征點匹配方法 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 改進的相似三角形匹配方法實現(xiàn) 31 三角形選取方案研究 32 相似三角形檢索方法改進 33 多模板改進方法分析 35 實驗結果與分析 36 本章小結 39第五章 工作總結與展望 40 工作總結 40 工作展望 41致 謝 42參考文獻 4344摘 要圖像匹配是圖像處理領域的基礎課題，在圖像拼接、全景視圖、對象識別等計算機視覺方面有廣泛應用。在采用新的H/S特征點提取算法得到圖像中特征點后，對特征點匹配方法進行研究。圖像匹配可以認為是在不同時間或相同時間、從不同視角或相同視角對同一場景拍攝的兩幅或者多幅圖像進行的空間域上的匹配過程。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[1]。由于興趣點(角點、拐點等)的信息含量高、數(shù)量相對較少且局部不變等特點，使其在基于特征的匹配中有更加廣泛的應用。特征點匹配方法首先依賴于好的特征提取方法，特征點提取方法是從眾多特征中求出那些對分類識別最有效的特征，從而實現(xiàn)特征空間維數(shù)或數(shù)據(jù)量的壓縮。同時特征點匹配方法需要保證在兩幅圖像點集中存有大量有效點，而當圖像特征點較多時，算法復雜度較大。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，不變特征已引起國內(nèi)外研究者和研究機構的廣泛關注。由于興趣點(角點、拐點等)的信息含量高、數(shù)量相對較少且局部不變等特點，使其在基于特征的匹配中應用最廣。其在三維場景重建、運動估計、目標跟蹤、目標識別、圖像配準與匹配等計算機視覺領域起著非常重要的作用。主要缺點是對邊緣提取算法依賴性大，如果提取的邊緣發(fā)生錯誤，或是邊緣線發(fā)生中斷(在實際中經(jīng)常會遇到這種情況)，則對角點的提取結果將造成較大影響。2. 局部不變特征點提取方法局部不變特征點提取方法主要利用目標局部區(qū)域的信息來構造特征量，由于這些一定數(shù)目的局部區(qū)域可能離散地出現(xiàn)在目標的不同位置，當對每個區(qū)域獨立地提取特征時，即使目標位于復雜環(huán)境中或有部分遮擋，通過局部特征提取仍可得到目標的部分信息，從而實現(xiàn)復雜背景中目標的識別與確認。下面將分析和比較不同方法如何解決這兩個問題。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一樣不僅可以檢測出圖像的興趣點即特征，同時提供了一種創(chuàng)建具有不變描述器的方法。當相比于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)進行匹配)，該方法對于處理重復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)存并且要預先估計正確的匹配數(shù)。這樣使匹配算法能夠簡化為只考慮有平移、旋轉的情況下求解點集之間的對應關系，但在很多實際應用中，由于存在圖像噪聲及視場變換還有不同時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、丟失點以及非剛性形變。文獻[19]利用顏色直方圖進行描述，提出了一種快速的特征點匹配方法。2)基于特征點幾何結構的匹配方法[20]。Shihhsu Chang等人利用二維聚類進行匹配[23]，張立華等利用不可約矩陣和相對不變量理論提出了幾種點模式匹配新算法[24]，它們可分別用來解決相似變換和仿射變換下具有相同點數(shù)的兩個點模式的匹配問題。由于時間、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和尺度變換下仍滿足一定比例的有效點，所以本文需要對旋轉和尺度不變特征點的提取進行研究。基于描述符的匹配方法對有效點的要求低，適合圖像視角變換、輕微變形情況，但是實現(xiàn)復雜，對圖像紋理要就比較高；而基于幾何結構的匹配方法實現(xiàn)簡單、紋理要求低，但是抗圖像形變、視角變化能力差，算法時間復雜度比較高。 第二章主要比較目前常用的兩種特征點匹配方法，分別介紹Harris角點檢測算法和基于描述符的SIFT算法，并分析兩種方法的優(yōu)缺點和適用場合，第三章主要在分析特征點提取算法的基礎上，著重介紹特征點檢測實驗效果好的Harris算法，針對傳統(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，提出改進的H/S算法。圖像特征點提取及匹配算法研究 第二章 圖像特征點提取算法研究第二章 圖像特征點提取算法研究圖像特征點提取是圖像處理和計算機視覺的基本技術，它也是特征點匹配方法的首要步驟。角點檢測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，常見的基于灰度的角點提取算法主要有Moravec算法，SUSAN算法和Harris算法等。 Harris特征點檢測原理Harris 角點檢測算法是一種基于信號的點特征提取算子，它的思想是在圖像中設計一個局部檢測窗口，當該窗口沿各個方向作微小移動時，考察窗口的平均能量變化，當該能量變化值超過設定的閾值時，就將窗口的中心像素點提取為角點。實際運用中用來計算角點的響應函數(shù)可以寫成： ()其中，當某個區(qū)域矩陣的主對角線之和很大時，則表明這是一條邊；當矩陣的行列式很大時，則表明這是一條邊或一個角點。 ()4) 選取局部極值點。實驗所提取的角點用十字劃線來標識。(a)原圖像(b)放大2倍圖像 圖像尺度變化角點提取結果圖3. 噪聲情況下的不變性Harris角點檢測算法對于噪聲比較敏感，%高斯噪聲后采用Harris提取出角點的結果圖。(a)閾值設置為5000(b)閾值設置為10000(c)閾值設為15000(d)閾值設置為20000 設置不同閾值時角點提取結果圖通過對Harris算法提取圖像特征點的原理及實驗結果分析，可以看出Harris算法在圖像存在旋轉情況下有很高的點重復數(shù)，是一種比較有效的點特征提取算法。即當尺度變化時，可能檢測出新的角點，或老的角點發(fā)生移位或消失。 SIFT特征點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鍵點的檢測方法，主要利用目標局部區(qū)域的信息來構造特征量，它以同時在尺度域和空間域取得極值的點作為關鍵點，并以關鍵點作為特征區(qū)域的中心，同時關鍵點所在的尺度還用以確定特征區(qū)域的大小，在每個特征區(qū)域內(nèi)以梯度方向的直方圖為基礎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算符， ()是空間坐標，是尺度坐標。首先對圖像進行預處理以消除圖像模糊，對提取穩(wěn)定的特征點有好處。不同采樣形成金字塔分層結構，然后用高斯內(nèi)核函數(shù)對其進行濾波形成高斯金字塔圖像分層結構，對各層圖形進行高斯濾波時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2. 特征點位置確定一旦通過上面步驟得到了侯選特征點，下一步就是確定穩(wěn)定特征點的位置、尺度、曲率等信息。主曲率通過一個22的Hessian矩陣H求出: ()導數(shù)由采樣點相鄰差估計得到。利用關鍵點鄰域像素的梯度方向分布特性為每個關鍵點指定方向參數(shù)，使算子具備旋轉不變性。在梯度方向直方圖中，當存在另一個相當于主峰值80%能量的峰值時，則將這個方向認為是該關鍵點的輔方向。將坐標軸旋轉為關鍵點的方向，以確保旋轉不變性。實驗實現(xiàn)SIFT及最近鄰匹配算法時，利用了開源函數(shù)庫(OpenCV)，它包含了一系列C函數(shù)和少量C++類。在匹配結果圖中將識別出的匹配點用直線進行連接。(d)與(e)為對應的一個特征區(qū)域的局部放大圖像，從圖中可以看出，這兩個區(qū)域內(nèi)容基本相同。(a)原圖像特征向量(b)圖像旋轉、縮放共存時特征向量(c)圖像旋轉、縮放共存匹配結果 旋轉、縮放共存時不變特征提取及匹配圖4. 光照、噪聲條件變化時不變性(a)、(b)為不同光照條件下特征向量提取圖，(a)圖提取出532個特征點，(b)圖提取出446個特征點，(c)中有15個特征點匹配到；(b)為在原圖基礎上添加10%高斯噪聲后特征點提取結果圖。 本章小結本章在分析特征點提取重要性的基礎上，首先對Harris角點提取算法進行研究，實驗表明該算法檢測效率高，針對圖像存在旋轉情況下有很高的點重復率，是一種比較有效的點特征提取算法，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Harris 算法的不足，對局部不變特征點提取SIFT算法進行研究，實驗表明該算法提取出的特征點對圖像的旋轉、縮放及光照、噪聲變化時表現(xiàn)出較強的魯棒性，但該算法速度較慢，并且要求圖像滿足足夠多的紋理。提出了一種新的圖像特征點提取算法——H/S(HarrisSIFT)算法。根據(jù)局部不變SIFT特征點提取算法，利用少量的局部信息，例如特征點周圍的小圖像塊的統(tǒng)計信息或高斯導數(shù)構成特征向量，利用SIFT方法從圖像中提取出的特征點可以用于一個物體或場景不同視角下的可靠匹配，提取出的特征點對圖像尺度和旋轉保持不變，對光線變化、噪聲、部分仿射變化都具有魯棒性，但是由于SIFT算法在進行特征點的描述時，在選擇的尺度上，在每個關鍵點的鄰域計算局部圖像梯度的方向直方圖并且將轉換為128維的特征描述符，使算法對于特征點檢測的效率下降，同時由于該方法利用特征點構造的128維向量進