【正文】 基于一階特征點圖像匹配方法，如果模板圖的選取滿足模板圖沒有特征點條件，利用一階特征點匹配方法匹配就不會成功。11 基準圖旋轉 5 度北京化工大學畢業(yè)設計（論文）40快速性，由匹配結果可以看出，理想狀態(tài)下匹配時間為 秒。第 節(jié) 旋轉后的一階特征點匹配仿真 基準圖在旋轉后如圖 5與圖 58 所示。根據(jù)仿真程序執(zhí)行結果顯示，匹配位尋找匹配點在此圖 5模板圖中灰度值最大的一階特征點位置為：ii=2，jj=4 基準圖中符合匹配條件的一階特征點位置為：iii = 126 ，jjj = 128 查找程序詳見附錄！ 圖 5選取最高階特征點作為匹配特征點的意義在于：選取較有規(guī)律的點作為匹配特征點，可以排除個別雜波對匹配特征點選取的干擾。2) 。7 另選一 5050北京化工大學畢業(yè)設計（論文）32第 5 章 基于一階特征點的圖像匹配仿真為了實現(xiàn)快速、精確的圖像匹配，基于一階特征點的圖像匹配方法是基于灰度值特征點圖像匹配方法的簡化，采用一階特征點搜索依據(jù)。6 為基準圖、模板圖旋轉 5 度后邊緣提取的效果圖：基準圖、模板圖旋轉 5 度后邊緣處理后圖像，模板圖旋轉后再邊緣處理邊緣效果不明顯。4 所示。圖 4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，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?？梢圆捎靡恍┖唵蔚牡亟y(tǒng)計特征來識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。圖像的邊緣劃分為階躍狀和屋頂狀。加入高斯噪聲后圖像匹配的結果出現(xiàn)很大的錯誤，但是也有可能成功，本次實驗經(jīng)過多次的試驗可以得到匹配的圖像如圖 37 加入高斯噪聲的基準圖北京化工大學畢業(yè)設計（論文）24噪聲包括高斯噪聲、椒鹽噪聲、和乘性噪聲等。5 所示基準圖旋轉 5 度后效果，模板圖與旋轉后的基準圖匹配，只有把模板圖旋轉一定的角度后再與基準圖匹配，每旋轉一度與模板圖匹配一次，記下最佳匹配位置，旋轉一定角度后選取最優(yōu)位置作為匹配位置；圖 32 圖像匹配基準圖和模板圖獲取北京化工大學畢業(yè)設計（論文）21另取一模板圖查看匹配，基準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。對于R塊R i，S(R i)表示R i 所包含像素的灰度值之和。對于某一幅圖像，提取它所有R i 塊的編碼，需要計算各個R塊的灰度值和S(R i)、計算各個D鄰域的編碼P(D j)、計算各個R i 塊的編碼F(R i)等3步。該方法在一定程度減少了計算量，但在粗匹配過程中，有可能移動步長過大而無法得到兩幅圖像的最佳匹配位置。國外的研究者提出了一種能夠有效進行檢索的圖像內容描述層次結構，其特點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概率公式的方法實現(xiàn)。利用神經(jīng)網(wǎng)絡進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)絡算法對圖像進行預處理，并按要求提取一定數(shù)量的特征點。其次計算公式應盡量簡化，這樣可以提高運算速度。 在上述算法中，要考慮以下兩個要素：分解層數(shù)J 的確定和小波函數(shù)的選取。15)Histogram[ j ]為平滑后的直方圖，參數(shù)K在本文中取1。11)表2(3)好的單邊緣響應。 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，通過對圖像進行八個方向的邊緣檢測，將其中方向響應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放在相鄰的像素上，它對噪聲有平滑作用。適當選取閾值 τ ，如果R(i, j) τ ，則認為點 (i, j)是邊緣點。為了求取邊緣方向直方圖，需要提取圖像中目標的邊緣。選用內點閾值為 1. 25 ，即特征點提取標準差為 0. 5107 個像北京化工大學畢業(yè)設計（論文）12素值，定義閾值計算公式為 dv = d2 ( x′ Mx )，小于等于閾值的特征點對為 M 的內點，大于閾值的則為外點。2. SIFT特征匹配 SIFT 特征匹配算法包括兩個階段：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尺度縮放、旋轉、亮度變化無關的特征向量；第二階段是SIFT 特征向量的匹配。采用SIFT方法提取的圖像特征具有放縮不變性、旋轉不變性，還有一定的抗光照變化和抗視點變換性能。特征點提取算法越簡單，運行速度越快，則就比較容易滿足實際的要求，其使用價值就越大。此外，現(xiàn)有的特征點提取算法很難保證不存在漏檢某些特征點以及提取一些錯誤的特征點。1：特 征 提 取 特 征 匹 配 圖 像 變 換圖 2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 處理 法 、 傅 氏 形 狀 描 述 法 、 統(tǒng) 計 方 法 、 形 狀 不 變 矩 法 等 。 點 集 匹 配 不 需 要 建 立 明 確 的 點 點 對 應 關 系 ， 只 需 要 利用 點 的 位 置 和 相 互 關 系 進 行 匹 配 。（3）差方和法(SSD)這種方法是計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現(xiàn)在如果令實時圖的不變矩為M ij=1，2...7，并且令實驗位置(u，v)上的基準子圖的不變矩為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算法來度址本文采用上面的歸一化相關算法時其相似度如式(3)，其中R(u，v)是實驗位置(u，v)上的不變矩的相關值?；旧峡梢詫⑵ヅ渌惴ǚ譃榛谙笏鼗叶认嚓P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。從最早的70年代初，（Fast Fourier Transform）算法進行圖像互相關檢測計算的圖像配準技術，提高了圖像配準過程的速度；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)取得了很大的進展，但由于拍攝環(huán)境復雜多變和實際需求差別較大，現(xiàn)在還沒有一種算法能夠解決所有圖像的匹配問題。北京化工大學畢業(yè)設計（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算機視覺的基本問題之一，其中包括許多目前炙手可熱的領域，如目標或場景識別、立體匹配和目標跟蹤等。 利 用 兩 個 信 號 的 相 關 函 數(shù) ， 評 價 它們 的 相 似 性 以 確 定 同 名 點 。 其 實 質 是 在 基 元 相 似 性 的 條 件下 ， 運 用 匹 配 準 則 的 最 佳 搜 索 問 題 。隨著科學技術的發(fā)展，圖像匹配不僅成為現(xiàn)代信息處理領域中一項十分重要的技術，而且是一些圖像分析技術的基礎，在許多方面有著重要的應用價值，如醫(yī)學圖像診斷、遙感數(shù)據(jù)分析、模式識別和計算機視覺等 [2]。(3)遙 感 分 航 空 遙 感 和 航 天 遙 感 。模擬圖像一般用照相機等來獲取，模擬圖像可以用一個連續(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。 發(fā) 展 到 現(xiàn) 在 ， 數(shù) 字 圖 像 處 理已 從 一 個 專 門 的 研 究 領 域 變 成 了 科 學 研 究 和 人 機 界 面 中 的 一 種 普 遍 應 用 的 工 具 。 圖像匹配技術是數(shù)字圖像處理領域的一項重要研究，并已在計算機視覺、虛擬現(xiàn)實場景生成、航空航天遙感測量、醫(yī)學影像分析、光學和雷達跟蹤、景物制導等領域得到了廣泛的應用。其主要過程主要借助各種設備對圖像進行加工處理。 遙 感 圖 像 需 要 用 圖 像 處 理 技 術 加 工 處 理 并 提取 有 用 的 信 息 。(1)醫(yī)學圖像診斷：腫瘤檢測、CT、MRI、PET 圖像結構信息融合、數(shù)字剪影血管造影術等；(2)遙感數(shù)據(jù)分析：分類、定位和識別多譜段的場景信息、自然資源監(jiān)控、核生長監(jiān)控、市區(qū)增長監(jiān)控等；(3)模式識別：目標物體運動跟蹤、序列圖像分析、穩(wěn)像、特征識別、簽名檢測等；北京化工大學畢業(yè)設計（論文）3(4)計算機視覺：三維重建、目標定位、自動質量檢測、虛擬現(xiàn)實等。 圖像匹配就是找到兩幅不同圖像之間的空間位置關系。 特 征 匹 配 是 指 通 過 分 別 提 取 兩 個 或 多 個 圖 像 的 特 征（ 點 、 線 、 面 等 特 征 ） ， 對 特 征 進 行 參 數(shù) 描 述 ， 然 后 運 用 所 描 述 的 參 數(shù) 來 進 行 匹 配的 一 種 算 法 [5]。建立正確匹配是解決問題的關鍵。于是尋求探討一種新的算法能綜合利用這些方法的優(yōu)點將會取得更好的匹配結果。第 節(jié) 基于像素灰度相關的匹配算法基于灰度相關的匹配算法，即對待匹配得兩幅圖像以一定的灰度陣列按某種或幾種相似性度量順次搜索匹配的方法，其匹配性能主要取決于相似性度量及搜索策略的選擇。 R(u,v)= / 1/2 (23)基于灰度值的匹配方法的主要特點是計算簡單，但是由于計算相似度時往往涉及到待匹配單元的每個像素的灰度值，所以導致整個匹配搜索過程要消耗巨大的計算量。 Hausdorff距 離 不 需 要 精 確 的 點 點 對 應 關 系 ， 對非 相 似 變 形 不 敏 感 ， 因 此 該 匹 配 方 法 廣 泛 應 用 于 特 征 圖 像 的 匹 配 [9]。 （2）特征匹配：特征匹配是指在兩幅圖像的特征之間建立對應關系的過程。1圖像匹配方法流程圖 特征點的描述 如何準確提取穩(wěn)定的特征點是基于特征的圖像匹配算法首先需要解決的問題，能否準確提取穩(wěn)定的特征點直接影響匹配算法的實現(xiàn)，因此對特征點提取算法進行研究具有重要的意義。由于理想的特征點提取難以實現(xiàn),但可以根據(jù)各個特征點的特性來確定一個特征點提取算法的評價標準，為以下四個方面:北京化工大學畢業(yè)設計（論文）10(1)有效性。就目前來說，基于特征點匹配的算法很多，基本上可以分為基于邊緣的特征點提取算法和基于灰度的特征點提取算法。1. SIFT特征點的提取 [11]David G. Lowe 在2022 年總結了現(xiàn)有的基于不變量技術的特征檢測方法，并正式提出了一種基于尺度空間的，對圖像縮放、旋轉甚至仿射變換保持不變性的圖像局部特征描述算子SIFT 算子，全稱Scale Invariant Feature Transform ，即尺度不變北京化工大學畢業(yè)設計（論文）11特征變換。 當兩幅圖像的SIFT 特征向量生成后，下一步采用關鍵點特征向量的歐式距離來作為兩幅圖像中關鍵點的相似性判定度量。以前后兩次內點數(shù)目不發(fā)生變化為迭代終止條件?；谛螤畹膱D像檢索技術對于邊緣的定位要求很高，這將會直接影響到最終的檢索效果。Roberts 邊緣檢測算子采用對角線方向相鄰兩像素之差進行梯度幅度檢測，其檢測水平、垂直方北京化工大學畢業(yè)設計（論文）13向邊緣檢測性能要好于斜線方向邊緣，并且檢測定位精度比較高，但對噪聲敏感。但是與Sobel邊緣檢測算子一樣，它檢測出的邊緣比較粗，定位精度比較低，容易損失如角點這樣的邊緣信息。算子檢測到的邊緣點與實際邊緣點應該是一一對應的。2 y方向梯度模板j1 j j+1i1 0 0 0i 0 1 1i+1 0 1 1求取梯度后的圖像， I′( i, j) =| P ( i, j) |+|Q ( i, j) | ，通過下面兩個式子求取幅值并勾勒出圖像的邊緣(即e ( i, j)=255的像素點) ：北京化工大學畢業(yè)設計（論文）15 M(i,j)= (2通過以上步驟求出了灰度圖像I 的滿足平移、尺度和旋轉不變性的邊緣方向直方圖，最后只需用歐拉距離來計算兩幅圖像的邊緣方向直方圖距離即可得出它們之間的相似性。分層層數(shù)的確定和模板圖像的大小是密切相關的。Daubechies 小波在運動估計中應用廣泛，可以很好地保留低頻信息。然后根據(jù)構造的某種神經(jīng)網(wǎng)絡算法的要求，選取并輸入網(wǎng)絡需要的一些初始狀態(tài)，同時也將選取的特征點作為基本輸入?yún)?shù)。(3)基于遺傳算法的匹配 遺傳算法是以自然選擇和遺傳理論為基礎，將生物過程中適者生存的規(guī)則與群體內部的隨機信息交換機制相結合的搜索算法，能夠實現(xiàn)全局并行搜索，具有簡單、快速、魯棒性好等特點。北京化工大學畢業(yè)設計（論文）19第 3 章 基于灰度的圖像匹配仿真第 節(jié)基于灰度圖象匹配傳統(tǒng)的基于灰度的圖像匹配技術，大都是以待匹配圖像作為模板T，重疊放置在參考圖像P上滑動。圖像最外一圈的R i 塊的編碼無定義。第 節(jié) 灰度圖像模板圖的獲取和匹配仿真模板圖可以通過 matlab 圖像工具箱從基準圖中剪切一個方圖作為模板圖像 T，圖 3匹配所用的時間為 秒。5 為基準圖旋轉 5 度后的匹配結果，匹配成功。高 斯 噪 聲 是 指 它 的 概 率 密 度 函數(shù) 服 從 高 斯 分 布 （ 即 正 態(tài) 分 布 ） 的 一 類 噪 聲 ， 由于高斯噪聲對匹配的效果比較明顯，所以實驗中加入高斯噪聲。9 所示。階躍狀邊緣中邊緣兩邊的灰度值有明顯的變化；而屋頂狀邊緣中邊緣位于灰度增加與減少的交界處。(2)獲得邊緣差分圖像。北京化工大學畢業(yè)設計（論文）27第 節(jié) 基于邊緣特征的圖像匹配理想情況下的仿真