【正文】 基于一階特征點(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)成功。11 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。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 5與圖 58 所示。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 5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。2) 。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)。6 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。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(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?？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。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(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 37 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。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 32 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。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。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。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。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)。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)。其次計(jì)算公式應(yīng)盡量簡化，這樣可以提高運(yùn)算速度。 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。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(yīng)。 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。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)。為了求取邊緣方向直方圖，需要提取圖像中目標(biāo)的邊緣。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)。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。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。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。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)。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(hào) 處理 法 、 傅 氏 形 狀 描 述 法 、 統(tǒng) 計(jì) 方 法 、 形 狀 不 變 矩 法 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 。（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現(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?；旧峡梢詫⑵ヅ渌惴ǚ譃榛谙笏鼗叶认嚓P(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。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。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。 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) 。 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 。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]。(3)遙 感 分 航 空 遙 感 和 航 天 遙 感 。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。 發(fā) 展 到 現(xiàn) 在 ， 數(shù) 字 圖 像 處 理已 從 一 個(gè) 專 門 的 研 究 領(lǐng) 域 變 成 了 科 學(xué) 研 究 和 人 機(jī) 界 面 中 的 一 種 普 遍 應(yīng) 用 的 工 具 。 圖像匹配技術(shù)是數(shù)字圖像處理領(lǐng)域的一項(xiàng)重要研究，并已在計(jì)算機(jī)視覺、虛擬現(xiàn)實(shí)場景生成、航空航天遙感測量、醫(yī)學(xué)影像分析、光學(xué)和雷達(dá)跟蹤、景物制導(dǎo)等領(lǐng)域得到了廣泛的應(yīng)用。其主要過程主要借助各種設(shè)備對(duì)圖像進(jìn)行加工處理。 遙 感 圖 像 需 要 用 圖 像 處 理 技 術(shù) 加 工 處 理 并 提取 有 用 的 信 息 。(1)醫(yī)學(xué)圖像診斷：腫瘤檢測、CT、MRI、PET 圖像結(jié)構(gòu)信息融合、數(shù)字剪影血管造影術(shù)等；(2)遙感數(shù)據(jù)分析：分類、定位和識(shí)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(shí)別：目標(biāo)物體運(yùn)動(dòng)跟蹤、序列圖像分析、穩(wěn)像、特征識(shí)別、簽名檢測等；北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）3(4)計(jì)算機(jī)視覺：三維重建、目標(biāo)定位、自動(dòng)質(zhì)量檢測、虛擬現(xiàn)實(shí)等。 圖像匹配就是找到兩幅不同圖像之間的空間位置關(guān)系。 特 征 匹 配 是 指 通 過 分 別 提 取 兩 個(gè) 或 多 個(gè) 圖 像 的 特 征（ 點(diǎn) 、 線 、 面 等 特 征 ） ， 對(duì) 特 征 進(jìn) 行 參 數(shù) 描 述 ， 然 后 運(yùn) 用 所 描 述 的 參 數(shù) 來 進(jìn) 行 匹 配的 一 種 算 法 [5]。建立正確匹配是解決問題的關(guān)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(diǎn)將會(huì)取得更好的匹配結(jié)果。第 節(jié) 基于像素灰度相關(guān)的匹配算法基于灰度相關(guān)的匹配算法，即對(duì)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(diǎn)是計(jì)算簡單，但是由于計(jì)算相似度時(shí)往往涉及到待匹配單元的每個(gè)像素的灰度值，所以導(dǎo)致整個(gè)匹配搜索過程要消耗巨大的計(jì)算量。 Hausdorff距 離 不 需 要 精 確 的 點(diǎn) 點(diǎn) 對(duì) 應(yīng) 關(guān) 系 ， 對(duì)非 相 似 變 形 不 敏 感 ， 因 此 該 匹 配 方 法 廣 泛 應(yīng) 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(duì)應(yīng)關(guān)系的過程。1圖像匹配方法流程圖 特征點(diǎn)的描述 如何準(zhǔn)確提取穩(wěn)定的特征點(diǎn)是基于特征的圖像匹配算法首先需要解決的問題，能否準(zhǔn)確提取穩(wěn)定的特征點(diǎn)直接影響匹配算法的實(shí)現(xiàn)，因此對(duì)特征點(diǎn)提取算法進(jìn)行研究具有重要的意義。由于理想的特征點(diǎn)提取難以實(shí)現(xiàn),但可以根據(jù)各個(gè)特征點(diǎn)的特性來確定一個(gè)特征點(diǎn)提取算法的評(píng)價(jià)標(biāo)準(zhǔn)，為以下四個(gè)方面:北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）10(1)有效性。就目前來說，基于特征點(diǎn)匹配的算法很多，基本上可以分為基于邊緣的特征點(diǎn)提取算法和基于灰度的特征點(diǎn)提取算法。1. SIFT特征點(diǎn)的提取 [11]David G. Lowe 在2022 年總結(jié)了現(xiàn)有的基于不變量技術(shù)的特征檢測方法，并正式提出了一種基于尺度空間的，對(duì)圖像縮放、旋轉(zhuǎn)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(xué)畢業(yè)設(shè)計(jì)（論文）11特征變換。 當(dāng)兩幅圖像的SIFT 特征向量生成后，下一步采用關(guān)鍵點(diǎn)特征向量的歐式距離來作為兩幅圖像中關(guān)鍵點(diǎn)的相似性判定度量。以前后兩次內(nèi)點(diǎn)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(shù)對(duì)于邊緣的定位要求很高，這將會(huì)直接影響到最終的檢索效果。Roberts 邊緣檢測算子采用對(duì)角線方向相鄰兩像素之差進(jìn)行梯度幅度檢測，其檢測水平、垂直方北京化工大學(xué)畢業(yè)設(shè)計(jì)（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(duì)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(diǎn)這樣的邊緣信息。算子檢測到的邊緣點(diǎn)與實(shí)際邊緣點(diǎn)應(yīng)該是一一對(duì)應(yīng)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(gè)式子求取幅值并勾勒出圖像的邊緣(即e ( i, j)=255的像素點(diǎn)) ：北京化工大學(xué)畢業(yè)設(shè)計(jì)（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(zhuǎn)不變性的邊緣方向直方圖，最后只需用歐拉距離來計(jì)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(guān)的。Daubechies 小波在運(yùn)動(dòng)估計(jì)中應(yīng)用廣泛，可以很好地保留低頻信息。然后根據(jù)構(gòu)造的某種神經(jīng)網(wǎng)絡(luò)算法的要求，選取并輸入網(wǎng)絡(luò)需要的一些初始狀態(tài)，同時(shí)也將選取的特征點(diǎn)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(chǔ)，將生物過程中適者生存的規(guī)則與群體內(nèi)部的隨機(jī)信息交換機(jī)制相結(jié)合的搜索算法，能夠?qū)崿F(xiàn)全局并行搜索，具有簡單、快速、魯棒性好等特點(diǎn)。北京化工大學(xué)畢業(yè)設(shè)計(jì)（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(shù)，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(dòng)。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(zhǔn)圖中剪切一個(gè)方圖作為模板圖像 T，圖 3匹配所用的時(shí)間為 秒。5 為基準(zhǔn)圖旋轉(zhuǎn) 5 度后的匹配結(jié)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(duì)匹配的效果比較明顯，所以實(shí)驗(yàn)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(xué)畢業(yè)設(shè)計(jì)（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