【正文】 。模擬圖像一般用照相機(jī)等來獲取，模擬圖像可以用一個(gè)連續(xù)函數(shù)來描述，所以模擬圖像也可以成為：連續(xù)圖像處理。數(shù)字圖像處理的是數(shù)字圖像，即北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）2是由一組具有顏色、亮度等像數(shù)點(diǎn)的集合。(3)遙 感 分 航 空 遙 感 和 航 天 遙 感 。圖像匹配是圖像處理的一個(gè)基本問題，用于將不同時(shí)間、不同傳感器、不同視角及不同拍攝條件下獲取的兩幅或多幅圖像進(jìn)行匹配，其最終目的在于建立兩幅圖像之間的對(duì)應(yīng)關(guān)系，確定一幅圖像與另一幅圖像的幾何變換關(guān)系式，用以糾正圖像的形變。隨著科學(xué)技術(shù)的發(fā)展，圖像匹配不僅成為現(xiàn)代信息處理領(lǐng)域中一項(xiàng)十分重要的技術(shù)，而且是一些圖像分析技術(shù)的基礎(chǔ)，在許多方面有著重要的應(yīng)用價(jià)值，如醫(yī)學(xué)圖像診斷、遙感數(shù)據(jù)分析、模式識(shí)別和計(jì)算機(jī)視覺等 [2]。圖像匹配的研究涉及到多方面，包括圖像采集、圖像分割、圖像處理、特征提取等方面，并且與計(jì)算機(jī)視覺、多維信號(hào)處理和數(shù)值計(jì)算方法緊密結(jié)合。 其 實(shí) 質(zhì) 是 在 基 元 相 似 性 的 條 件下 ， 運(yùn) 用 匹 配 準(zhǔn) 則 的 最 佳 搜 索 問 題 。它也是一些圖像分析技術(shù)的基礎(chǔ)。 利 用 兩 個(gè) 信 號(hào) 的 相 關(guān) 函 數(shù) ， 評(píng) 價(jià) 它們 的 相 似 性 以 確 定 同 名 點(diǎn) 。為解決圖像畸變帶來的匹配難度，人們基于以下四個(gè)要素提出了許多匹配算法：(1)特征空間 特征空間是由參與匹配的圖像特征構(gòu)成的，特征可以是灰度值，也可以是邊界、輪廓、表面、顯著特征、統(tǒng)計(jì)特征、高層結(jié)構(gòu)描述與句法描述等。北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）5第 節(jié) 圖 像 匹 配 的 研 究 現(xiàn) 狀 圖像匹配一直以來都是計(jì)算機(jī)視覺的基本問題之一，其中包括許多目前炙手可熱的領(lǐng)域，如目標(biāo)或場景識(shí)別、立體匹配和目標(biāo)跟蹤等。 發(fā) 展 到 80年 代 以 后 ， 圖 像 匹 配 應(yīng) 用 已 從 原 來 的 軍 事應(yīng) 用 擴(kuò) 展 到 其 他 領(lǐng) 域 。從最早的70年代初，（Fast Fourier Transform）算法進(jìn)行圖像互相關(guān)檢測計(jì)算的圖像配準(zhǔn)技術(shù)，提高了圖像配準(zhǔn)過程的速度；直到現(xiàn)在各種各樣的匹配方法的出現(xiàn)，圖像匹配算法經(jīng)過幾十年的發(fā)展已經(jīng)取得了很大的進(jìn)展，但由于拍攝環(huán)境復(fù)雜多變和實(shí)際需求差別較大，現(xiàn)在還沒有一種算法能夠解決所有圖像的匹配問題。它也是其它一些圖像分析技術(shù)，如立休視覺、運(yùn)動(dòng)分析、數(shù)據(jù)融合等的基礎(chǔ)。基本上可以將匹配算法分為基于象素灰度相關(guān)的匹配、基于圖像特征的匹配以及基于其它理論的圖像匹配, 綜述了具有代表性的傳統(tǒng)匹配算法以及近年來的新思路和新方法。 所 以 該 算 法 抗 噪 聲 及 其 他 抗 干 擾 的 能 力 比較 差 ， 只 能 用 于 對(duì) 具 有 相 同 外 界 條 件 的 兩 幅 圖 像 進(jìn) 行 匹 配 [7]?，F(xiàn)在如果令實(shí)時(shí)圖的不變矩為M ij=1，2...7，并且令實(shí)驗(yàn)位置(u，v)上的基準(zhǔn)子圖的不變矩為N i (u，v)，j=1，2...7，則兩圖之間的相似度可以用任一種相關(guān)算法來度址本文采用上面的歸一化相關(guān)算法時(shí)其相似度如式(3)，其中R(u，v)是實(shí)驗(yàn)位置(u，v)上的不變矩的相關(guān)值。2)其中， S ，T 分別代表圖像各個(gè)像素的灰度值，m ，n代表各個(gè)像素的坐標(biāo)。（3）差方和法(SSD)這種方法是計(jì)算模板與搜索子圖灰度值的L 2距離： D(i,j)= |Mi,j(m,n)N(n,m)|2 (2北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）8第 節(jié) 基于特征的匹配算法 基于特征的匹配算法根據(jù)兩幅圖像相同特征的集合關(guān)系計(jì)算配準(zhǔn)參數(shù)，而圖像的低級(jí)別特征主要有點(diǎn)、邊緣及面特征等。 點(diǎn) 集 匹 配 不 需 要 建 立 明 確 的 點(diǎn) 點(diǎn) 對(duì) 應(yīng) 關(guān) 系 ， 只 需 要 利用 點(diǎn) 的 位 置 和 相 互 關(guān) 系 進(jìn) 行 匹 配 。 特 征 匹 配 需 要 用 到 許 多 諸 如 矩 陣 的 運(yùn) 算 、 梯 度 的 求 解 、 還 有 傅 立 葉 變 換和 泰 勒 展 開 等 數(shù) 學(xué) 運(yùn) 算 。常 用的 特 征 提 取 與 匹 配 方 法 有 ： 模 型 法 、 幾 何 參 數(shù) 法 、 幾 何 法 、 邊 界 特 征 法 、 信 號(hào) 處理 法 、 傅 氏 形 狀 描 述 法 、 統(tǒng) 計(jì) 方 法 、 形 狀 不 變 矩 法 等 。在多數(shù)情況下這幾點(diǎn)是矛盾的，所以一個(gè)好的特征描述定義應(yīng)該很好的權(quán)衡好這幾點(diǎn)問北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）9題。1：特 征 提 取 特 征 匹 配 圖 像 變 換圖 2在常見的特征點(diǎn)有灰度局部極大值點(diǎn)、邊緣點(diǎn)、角點(diǎn)和拐點(diǎn)等等。此外，現(xiàn)有的特征點(diǎn)提取算法很難保證不存在漏檢某些特征點(diǎn)以及提取一些錯(cuò)誤的特征點(diǎn)。提取的特征點(diǎn)盡可能接近其真實(shí)位置。特征點(diǎn)提取算法越簡單，運(yùn)行速度越快，則就比較容易滿足實(shí)際的要求，其使用價(jià)值就越大。 基 于邊 緣 特 征 點(diǎn) 的 提 取 算 法 對(duì) 圖 像 分 割 的 依 賴 性 相 對(duì) 較 大 ， 基 于 灰 度 的 特 征 點(diǎn) 提 取 算法 則 可 以 通 過 圖 像 的 灰 度 信 息 直 接 提 取 特 征 點(diǎn) 。采用SIFT方法提取的圖像特征具有放縮不變性、旋轉(zhuǎn)不變性，還有一定的抗光照變化和抗視點(diǎn)變換性能。(2) 精煉特征點(diǎn)位置。2. SIFT特征匹配 SIFT 特征匹配算法包括兩個(gè)階段：第一階段是SIFT 特征的生成，即從多幅待匹配圖像中提取出對(duì)尺度縮放、旋轉(zhuǎn)、亮度變化無關(guān)的特征向量；第二階段是SIFT 特征向量的匹配。將下述過程運(yùn)行k次： (1) 從P中隨機(jī)選取n個(gè)數(shù)據(jù)點(diǎn)的子集Sl ； (2) 由選取的這 n個(gè)數(shù)據(jù)點(diǎn)計(jì)算出一個(gè)模型M ； (3) 對(duì)數(shù)據(jù)集合中其余的 N n 個(gè)數(shù)據(jù)點(diǎn)，計(jì)算出它們與模型M 之間的距離,記錄在Ml 的某個(gè)誤差允許范圍內(nèi)的P中數(shù)據(jù)點(diǎn)的個(gè)數(shù)count 。選用內(nèi)點(diǎn)閾值為 1. 25 ，即特征點(diǎn)提取標(biāo)準(zhǔn)差為 0. 5107 個(gè)像北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）12素值，定義閾值計(jì)算公式為 dv = d2 ( x′ Mx )，小于等于閾值的特征點(diǎn)對(duì)為 M 的內(nèi)點(diǎn)，大于閾值的則為外點(diǎn)。圖像的邊緣主要表現(xiàn)為圖像局部特征的不連續(xù)性，是圖像中灰度變換比較劇烈的地方。為了求取邊緣方向直方圖，需要提取圖像中目標(biāo)的邊緣。 Roberts 邊緣檢測算子任意一對(duì)相互垂直方向上的差分可以看成求梯度的近似方法，Roberts 邊緣檢測算子利用該原理，采用對(duì)角線方向相鄰兩像素之差代替梯度，即 fx=f(i,j) f(i+1,j+1) (2適當(dāng)選取閾值 τ ，如果R(i, j) τ ，則認(rèn)為點(diǎn) (i, j)是邊緣點(diǎn)。8)Sobel 邊緣檢測算子是綜合圖像每個(gè)像素的上、下、左、右鄰點(diǎn)灰度的加權(quán)和，接近中心的權(quán)值較大。 Prewitt 邊緣檢測算子Prewitt 邊緣檢測算子是一種類似 Sobel 邊緣檢測算子的邊緣模板算子，通過對(duì)圖像進(jìn)行八個(gè)方向的邊緣檢測，將其中方向響應(yīng)最大的作為邊緣幅度圖像的邊緣Prewitt 邊緣檢測算子并不把重點(diǎn)放在相鄰的像素上，它對(duì)噪聲有平滑作用。 Canny 算法有三個(gè)邊緣檢北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）14測準(zhǔn)則：(1)好的檢測性能。(3)好的單邊緣響應(yīng)。接著對(duì)濾波后的圖像求梯度。11)表214)0≤θ≤360，為了計(jì)算方便，把θ量化為72份,每個(gè)區(qū)間內(nèi)的角度個(gè)數(shù)可以通過數(shù)組元素Histogram [ i ]=Histogram[θ/5 ]累加得出。15)Histogram[ j ]為平滑后的直方圖，參數(shù)K在本文中取1。因此，改進(jìn)傳統(tǒng)的圖像匹配算法，將小波變換運(yùn)用到圖像匹配當(dāng)中，利用小波變換的多分辨率特性，將圖像進(jìn)行多層分解，形成金字塔式圖像數(shù)據(jù)，然后分別在每一層對(duì)圖像進(jìn)行匹配。 在上述算法中，要考慮以下兩個(gè)要素：分解層數(shù)J 的確定和小波函數(shù)的選取。因此，合理選取分解層數(shù)J 在模板匹配中起了至關(guān)重要的作用。其次計(jì)算公式應(yīng)盡量簡化，這樣可以提高運(yùn)算速度。 2所示。利用神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像匹配的基本方法是首先利用某種特征提取算法也可以是神經(jīng)網(wǎng)絡(luò)算法對(duì)圖像進(jìn)行預(yù)處理，并按要求提取一定數(shù)量的特征點(diǎn)。(2)基于解釋的圖像的匹配基于解釋的圖像的匹配技術(shù)又叫語言網(wǎng)絡(luò)法。國外的研究者提出了一種能夠有效進(jìn)行檢索的圖像內(nèi)容描述層次結(jié)構(gòu)，其特點(diǎn)在于提出了由圖像底層基本特征到高層語義分類特征之間進(jìn)行映射的一種可行的數(shù)據(jù)描述方法，并通過Bayes概率公式的方法實(shí)現(xiàn)。 它 是 現(xiàn) 代 有 關(guān) 智 能 計(jì) 算 中 的 關(guān) 鍵 技 術(shù) 。該方法在一定程度減少了計(jì)算量，但在粗匹配過程中，有可能移動(dòng)步長過大而無法得到兩幅圖像的最佳匹配位置。在模板滑動(dòng)中，不斷對(duì)模板T在不同位置與參考子圖 Ps進(jìn)行相似性度量。對(duì)于某一幅圖像，提取它所有R i 塊的編碼，需要計(jì)算各個(gè)R塊的灰度值和S(R i)、計(jì)算各個(gè)D鄰域的編碼P(D j)、計(jì)算各個(gè)R i 塊的編碼F(R i)等3步。通過對(duì)R塊尺寸K 的選擇，可以改變圖像處理粒度的大小，以改變抵抗不同頻率噪聲的能力。對(duì)于R塊R i，S(R i)表示R i 所包含像素的灰度值之和。3 為基于灰度圖像匹配結(jié)果顯示，由以上圖像獲取程序可知在剪切位置在i1（145，145）處，根據(jù)仿真程序執(zhí)行結(jié)果可行，匹配位置 ii=145，jj=145。2 圖像匹配基準(zhǔn)圖和模板圖獲取北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）21另取一模板圖查看匹配，基準(zhǔn)圖一樣只是選取的模板有所變化，模板圖選取的位置為 i1（80，80） ，模板圖大小為 3030。4 另選取一位置(80，80)匹配結(jié)果北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）22第 節(jié) 灰度圖像旋轉(zhuǎn)后匹配仿真 把基準(zhǔn)圖旋轉(zhuǎn) 5 度后，再進(jìn)行匹配。5 所示基準(zhǔn)圖旋轉(zhuǎn) 5 度后效果，模板圖與旋轉(zhuǎn)后的基準(zhǔn)圖匹配，只有把模板圖旋轉(zhuǎn)一定的角度后再與基準(zhǔn)圖匹配，每旋轉(zhuǎn)一度與模板圖匹配一次，記下最佳匹配位置，旋轉(zhuǎn)一定角度后選取最優(yōu)位置作為匹配位置；圖 3匹配所用的時(shí)間為 秒。7 加入高斯噪聲的基準(zhǔn)圖北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）24噪聲包括高斯噪聲、椒鹽噪聲、和乘性噪聲等。為模擬在噪聲情況下匹配情況，以下程序?yàn)樵诨鶞?zhǔn)圖中加入高斯噪聲。加入高斯噪聲后圖像匹配的結(jié)果出現(xiàn)很大的錯(cuò)誤，但是也有可能成功，本次實(shí)驗(yàn)經(jīng)過多次的試驗(yàn)可以得到匹配的圖像如圖 3圖 3圖像的邊緣劃分為階躍狀和屋頂狀。基于邊緣特征的匹配算法的步驟：1)提取邊緣特征?？梢圆捎靡恍┖唵蔚牡亟y(tǒng)計(jì)特征來識(shí)別有大量雜亂線條的區(qū)域，消除完雜亂的區(qū)域后，再去除小于一定長度的短線。由于誤差的存在，導(dǎo)致即使未發(fā)生變化的地物，實(shí)際表現(xiàn)的情況也可能發(fā)生變化。在兩幅邊緣差分圖像中，消除那些小于一定尺寸的線段或孤立點(diǎn)，將兩幅邊緣圖像合并在一幅圖像中，就的到了邊緣化的特征。jj=145。圖 4仿真程序詳見附錄！圖 44 所示。圖 46 為基準(zhǔn)圖、模板圖旋轉(zhuǎn) 5 度后邊緣提取的效果圖：基準(zhǔn)圖、模板圖旋轉(zhuǎn) 5 度后邊緣處理后圖像，模板圖旋轉(zhuǎn)后再邊緣處理邊緣效果不明顯。7 所示；模板圖為 5050 尺寸時(shí)基準(zhǔn)圖旋轉(zhuǎn) 5 度匹配成功；模板圖中的邊緣特征信息量比 3030 的模板圖多。7 另選一 5050北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）32第 5 章 基于一階特征點(diǎn)的圖像匹配仿真為了實(shí)現(xiàn)快速、精確的圖像匹配，基于一階特征點(diǎn)的圖像匹配方法是基于灰度值特征點(diǎn)圖像匹配方法的簡化，采用一階特征點(diǎn)搜索依據(jù)。在模板圖中找到所要求的一階特征點(diǎn)后，記錄下灰度值，然后在基準(zhǔn)圖中尋找到相同的灰度值的一階特征點(diǎn)，作為匹配目標(biāo)點(diǎn)，逐一匹配。2) 。2 二階特征點(diǎn)北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）33作為搜索依據(jù)，很大程度上減少了搜索過程中的計(jì)算量，縮短了搜索時(shí)間。選取最高階特征點(diǎn)作為匹配特征點(diǎn)的意義在于：選取較有規(guī)律的點(diǎn)作為匹配特征點(diǎn)，可以排除個(gè)別雜波對(duì)匹配特征點(diǎn)選取的干擾。第 節(jié) 一階特征點(diǎn)的尋找與匹配仿真 圖 5模板圖中灰度值最大的一階特征點(diǎn)位置為：ii=2，jj=4 基準(zhǔn)圖中符合匹配條件的一階特征點(diǎn)位置為：iii = 126 ，jjj = 128 查找程序詳見附錄！ 圖 54圖5根據(jù)仿真程序執(zhí)行結(jié)果顯示，匹配位尋找匹配點(diǎn)在此圖 5這與模板圖在基準(zhǔn)圖中剪切位置完全符合，匹配成功！仿真程序詳見附錄！ 在基準(zhǔn)圖中另選一 3030 的模板圖，由仿真程序可知模板圖選取位置為i1（80，80） ，利用基于一階特征點(diǎn)的圖像匹配算法觀察匹配結(jié)果，如圖 58 所示。7 另選一模板圖位置(80，80)匹配結(jié)果北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）37第 節(jié) 加入噪聲的一階特征點(diǎn)圖像匹配仿真圖 5與圖 5圖 5第 節(jié) 旋轉(zhuǎn)后的一階特征點(diǎn)匹配仿真 基準(zhǔn)圖在旋轉(zhuǎn)后如圖 51 模板圖為 3030 三種匹配性能比較方法 理想情況匹配加噪后匹配 旋轉(zhuǎn)后匹配 平均匹配時(shí)間 匹配精度基于灰度 成功匹配 出現(xiàn)誤匹配 成功匹配 秒 100%基于邊緣特征 成功匹配 成功匹配 出現(xiàn)誤匹配 秒 100%基于一階特征點(diǎn) 成功匹配 出現(xiàn)誤匹配 匹配失敗 秒 100%由表 511 基準(zhǔn)圖旋轉(zhuǎn) 5 度北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）40快速性，由匹配結(jié)果可以看出，理想狀態(tài)下匹配時(shí)間為 秒。與傳統(tǒng)的模板匹配算法相比，基于一階特征點(diǎn)圖像匹配算法在搜索策略上有根本性的變化?；谝浑A特征點(diǎn)圖像匹配方法，如果模板圖的選取滿足模板圖沒有特征點(diǎn)條件，利用一階特征點(diǎn)匹配方法匹配就不會(huì)