【正文】 把基準(zhǔn)圖模板圖做處理，如圖 43 為另選一沒有邊緣信息的模板圖和基準(zhǔn)圖，模板圖選取位置為 i1（ 20，1） ；大小為 3030，經(jīng)過邊緣處理后沒有邊緣特征，像素值全為 0。由匹配程序運行結(jié)果可知 ii=145，jj=145. 匹配結(jié)果如圖 4仿真結(jié)果顯示匹配失敗，出現(xiàn)誤匹配；模板圖為 3030 的小圖旋轉(zhuǎn)后邊緣點像素值為很小。首先在模板圖中找到一階特征點，因為一張灰度圖片像素點一般都很多，一階特征點數(shù)量也很多，究竟去哪一個因人而異。 以上2個圖就是特征點的示意圖，依此類推，可以定義三階特征點、四階特征點的示意圖等等。圖55 為基準(zhǔn)圖和模板圖中標(biāo)記出了一階特征點，由基準(zhǔn)圖特征點可看出，基準(zhǔn)圖中部分區(qū)域沒有一階特征點，如果模板圖取自基準(zhǔn)圖中沒有一階特征點這些區(qū)域時，基于一階特征點圖像匹配算法無法進(jìn)行，保證匹配成功，模板圖應(yīng)該盡量大且盡量多的包含一階特征點。5 基準(zhǔn)圖中符合模板圖匹配條件的一階特征點圖 5匹配程序詳見附錄。4 比較加入噪聲后基準(zhǔn)圖中一階特征點數(shù)量明顯增多。11 所示，旋轉(zhuǎn)后基準(zhǔn)圖中一階特征點的分布發(fā)生了改變，基準(zhǔn)圖中符合匹配條件的一階特征點的位置也發(fā)生了改變基于一階特征點圖像匹配出現(xiàn)錯誤，匹配失敗。算法速度提高的根本原因在于，算法中一階灰度值特征點的引入，將原有的對基準(zhǔn)圖的遍歷搜索，簡化為基于一階特征點的搜索，從而大大縮短了匹配時間。綜上三種匹配方法，基于灰度匹配方法比較準(zhǔn)確，抗干擾性能不是很理想，而且匹配時間較長，快速性不好；基于邊緣特征圖像匹配方法，能夠抵抗一定的噪聲干擾，但如果模板圖的選取滿足模板圖中沒有邊緣特征條件，匹配就不能進(jìn)行，在理想狀況下基于邊緣特征的圖像匹配的快速性較基于一階特征點差；基于一階特征點圖像匹配不能有效的抑制噪聲干擾，加入噪聲后基準(zhǔn)圖中一階特征點出現(xiàn)畸變，在基準(zhǔn)圖中找不到適合匹配的一階特征點，匹配程序出現(xiàn)錯誤，匹配失敗；但基于一階特征點的圖像匹配算法具有很好的快速性?；谶吘壧卣鲌D像匹配方法，如果模板圖選得滿足圖像內(nèi)沒有邊緣特征時，匹配出現(xiàn)錯誤?；谝浑A特征點圖像匹配也不能有效的抑制噪聲干擾，加入噪聲后基準(zhǔn)圖中一階特征點出現(xiàn)畸變，在基準(zhǔn)圖中找不到適合匹配的一階特征點，匹配程序出現(xiàn)錯誤，匹配失敗；但基于一階特征點的圖像匹配算法具有很好的圖 5在加入噪聲的基準(zhǔn)圖中找不到剪切模板圖的位置，由此可見高斯噪聲對基于一階特征點的圖像匹配影響很大。加入噪聲后，基準(zhǔn)圖中的特征點的分布出現(xiàn)了很大的變化。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（200，200） ，由于在(200， 200)處的一階特征點不明顯 ,利用基于一階特征點的圖像匹配算法無法觀察匹配結(jié)果，如圖 55 為基于一階特征點的圖像匹配結(jié)果。20 中很難看到，這樣符合條件的點很少匹配次數(shù)降低，圖像匹配速度很快。3 表示該算法的具體算法流程圖： 算法的具體步驟如下: (1) 在模板圖像T中找出階數(shù)最高的特征點，選取其中灰度值最大的點作為圖像的匹配特征點M。定義 2 　二階特征點:灰度值在其上、下、左、右、左上、右上、左下、右下 8個方向上的最鄰近兩個像素點的灰度值沿箭頭方向呈現(xiàn)遞減特征的像素點(如圖 56 基準(zhǔn)圖、模板圖旋轉(zhuǎn) 5 度后邊緣提取的效果圖 圖 45 加入高斯噪聲的基于邊緣特征匹配的結(jié)果北京化工大學(xué)畢業(yè)設(shè)計（論文）31第 節(jié) 基于邊緣圖像旋轉(zhuǎn)后的匹配仿真圖 4第 節(jié) 加入噪聲后基于邊緣特征的圖像匹配的仿真 加入高斯噪聲后基準(zhǔn)圖效果如圖 41 基準(zhǔn)圖、模板圖邊緣處理北京化工大學(xué)畢業(yè)設(shè)計（論文）28 在基準(zhǔn)圖中另選一個模板圖，保證模板圖沒有邊緣特征。(3)后處理獲得變化邊緣特征。初步提取的邊緣圖象中存在一些短線段和雜亂線條，那些短碎線段不能反映線性體目標(biāo)的輪廓，而雜亂線條是由不規(guī)則的建筑和地表形狀而差生的，需要剔除掉。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。8 示為加入高斯噪聲后匹配結(jié)果。6 基準(zhǔn)圖旋轉(zhuǎn)5度后匹配的結(jié)果3如圖 3i1 基準(zhǔn)圖 i2 從基準(zhǔn)圖中剪切的模板圖圖 3對邊長為H的圖像，共可得到[H 2/K2]個R塊。1 模板匹配示意圖 定義: F(Ri)為R i塊的20位二進(jìn)制編碼特征表示，簡稱R i塊的編碼。 (5) 網(wǎng)格匹配法算法該匹配法是基于塊匹配的，也是在第一幅圖像中找出一塊作為模板，在第二幅圖像中搜索匹配塊時，首先進(jìn)行粗匹配，每次移動一個步長，計算對應(yīng)像素點 RGB值的差的平法和，記錄最小值的網(wǎng)格位置為目前最佳匹配位置，接下來以該位置為中心進(jìn)行精確匹配，每次步長減半，再次搜索最小值，循環(huán)該過程直到步長為 0，最終得到最佳匹配位置。因此， 近幾年的研究逐北京化工大學(xué)畢業(yè)設(shè)計（論文）18漸轉(zhuǎn)向基于區(qū)域和目標(biāo)對象的高層圖像語義描述特征的提取，嘗試由圖像的底層次特征推知高層次語義，從而由高層語義特征計算圖像相似程度。它由神經(jīng)元結(jié)構(gòu)模型、網(wǎng)絡(luò)學(xué)習(xí)算法、網(wǎng)絡(luò)連接模型等幾個要素組成，是具有某些智能功能的系統(tǒng)。在進(jìn)行圖像匹配時，要求經(jīng)過小波變換后的低頻圖像中要盡可能多的保留原始圖像的有用信息，尤其是邊緣、線段等灰度變換較大的地方，否則容易造成失配。 算法步驟如下所示： (1) 分別對源圖像和模板圖像進(jìn)行J 層小波分解，得到各級分解后的灰度信息； (2) 在第J 層上，采用相似度測量模板匹配法，對源圖像和模板圖的低頻部分進(jìn)行粗匹配，得到該尺度上的最佳匹配區(qū)域； (3) 在第J1 層上，對上一步中得到的最佳匹配區(qū)域內(nèi)進(jìn)行歸一化互相關(guān)匹配計算，得到本尺度的最佳匹配區(qū)域； (4) 依此類推，重復(fù)步驟(3) 的匹配計算； (5) 在第0層上，對前一步得到的最佳匹配區(qū)域進(jìn)行匹配計算，得到最終匹配結(jié)果。但是，邊緣方向會受到圖像旋轉(zhuǎn)的影響，進(jìn)而影響到其直方圖，采用下面的平滑公式對直方圖進(jìn)行平滑： Histogram[j]s= (21 x方向梯度模板j1 j j+1i1 0 0 0I 0 1 1i+1 0 1 1 沿著y方向的梯度(垂直梯度)為： Q(i,j)={G(i,j)G(i+1,j)+G(i,j+1)G(i+1,j+1)} /2,0i,jn (2檢測到的邊緣點與實際邊緣點位置最近。但是，Sobel 算子也檢測出了一些偽邊緣，使得邊緣比較粗，降低了檢測定位精度。6)通過差分可以求得Roberts 算子在差分點(i +1/2, j +1/2)處連續(xù)梯度幅度的近似值R(i, j)。在數(shù)學(xué)上可以利用灰度的導(dǎo)數(shù)來描述邊緣點的變化，對階躍狀邊緣、屋頂狀邊緣分別求其一階、二階導(dǎo)數(shù)。文中將第二幅圖像平面分成 16 個小方格，每次選取 4 個包含特征點的方格，再在每個方格內(nèi)隨機選取一個點，由這四個點計算透視矩陣。(4) 生成本地特征點描述符。SIFT算法的主要思路是：首先建立圖像的尺度空間表示，然后在尺度空間中搜索圖像的極值點，由極值點建立特征描述向量。(4)簡單性。還有的就是雖然算法定位精度和運算速度很理想，但是有噪聲影響，導(dǎo)致其性能下降。基于特征的圖像匹配方法流程如圖 2而全局特征就是局部特征的組合。 點 點 匹 配 首 先 按 一定 的 約 束 關(guān) 系 得 到 兩 個 點 集 ， 然 后 利 用 其 它 的 約 束 條 件 剔 除 錯 誤 匹 配 點 ， 最 好 確定 點 與 點 的 一 一 對 應(yīng) 關(guān) 系 。顯然，此種算法的時間復(fù)雜度是O(M 2N2) ，一旦搜索圖的灰度發(fā)生變化，算法將可能會失效。（1）不變矩匹配法 不變矩匹配算法用兩個圖像之間七個不變矩之間的相似性來描述相似度。圖像匹配的算法很多, 但基本原則是不變的：算法必須有效；必須穩(wěn)定；必須快速。 1所示。搜索策略有窮盡搜索、分層搜索、模擬退火算法、Powell方向加速法、動態(tài)規(guī)劃法、遺傳算法和神經(jīng)網(wǎng)絡(luò)法等?；?度 匹 配 的 基 本 思 想 ： 以 統(tǒng) 計 的 觀 點 將 圖 像 看 成 是 二 維 信 號 ，北京化工大學(xué)畢業(yè)設(shè)計（論文）4采 用 統(tǒng) 計 相 關(guān) 的 方 法 尋 找 信 號 間 的 相 關(guān) 匹 配 。第 節(jié) 圖像匹配的概述 圖像匹配的概念 圖 像 匹 配 是 指 通 過 一 定 的 匹 配 算 法 在 兩 幅 或 多 幅 圖 像 之 間 識 別 同 名 點 ， 如 二維 圖 像 匹 配 中 通 過 比 較 目 標(biāo) 區(qū) 和 搜 索 區(qū) 中 相 同 大 小 的 窗 口 的 相 關(guān) 系 數(shù) ， 取 搜 索 區(qū)中 相 關(guān) 系 數(shù) 最 大 所 對 應(yīng) 的 窗 口 中 心 點 作 為 同 名 點 。 圖像匹配就是把具有同一場景的兩幅或多幅圖像在空間上對準(zhǔn)，進(jìn)而確定它們之間變換關(guān)系的過程，這些圖像可能是在不同時間、用不同傳感器、從不同視角拍攝下來的。(2) 軍 事 、 公 安 、 檔 案 等 其 它 方 面 的 應(yīng) 用 軍 事 目 標(biāo) 的 偵 察 、 制 導(dǎo) 和 警 戒 系 統(tǒng) 、自 動 火 器 的 控 制 及 反 偽 裝 ； 公 安 部 門 的 現(xiàn) 場 照 片 ； 指 紋 、 手 跡 、 印 章 、 人 像 等 的進(jìn) 一 步 處 理 和 辨 識 ； 歷 史 文 字 和 圖 片 檔 案 的 修 復(fù) 和 管 理 ； 以 及 其 它 方 面 圖 像 信 息的 顯 示 、 記 錄 、 處 理 和 文 字 自 動 識 別 等 。圖像可以分為模擬圖像和數(shù)字圖像之分。 數(shù) 字 圖 像 處 理 的 發(fā) 展 從 20世 紀(jì) 20年 代初 的 應(yīng) 用 于 改 善 倫 敦 和 紐 約 之 間 海 底 電 纜 發(fā) 送 的 圖 片 質(zhì) 量 ， 到 20世 紀(jì) 70年 代 圖 像處 理 主 要 和 模 式 識 別 及 圖 像 理 解 系 統(tǒng) 的 研 究 相 聯(lián) 系 。圖像匹配是圖像處理的一個基本問題。但是模擬圖像有處理精度太差，處理方式也不夠靈活，處理時間過長等缺點。 可 用 于 地 質(zhì) 、 礦 藏 勘 探 和 森 林 、 水 利 、 海 洋 、 農(nóng) 業(yè) 等 資 源 的 調(diào) 查 ；自 然 災(zāi) 害 預(yù) 測 預(yù) 報 ； 環(huán) 境 污 染 監(jiān) 測 ； 氣 象 衛(wèi) 星 云 圖 處 理 以 及 用 于 軍 事 目 的 的 地 面目 標(biāo) 識 別 。 隨著科學(xué)技術(shù)的發(fā)展，圖像匹配己成為圖像信息處理領(lǐng)域中一項非常重要的技術(shù)。圖像匹配技術(shù)是實現(xiàn)圖像融合、圖像校正、圖像鑲嵌以及目標(biāo)識別與跟蹤的關(guān)鍵步驟之一 [4]。 影 響 圖 像 匹 配 的 主 要 因 素根據(jù)已知模式的圖像在一幅陌生圖像中尋找對應(yīng)該模式的子圖像被稱為圖像匹配。各行各業(yè)的專家學(xué)者從問題的不同方面出發(fā)運用多種方法，對如何得到既快又好的匹配算法進(jìn)行了探索研究 [6]。表 1 匹 配 窗 口 大 小 的 選 擇 也 是 影 響 匹 配 性 能 的 一 個 重 要 因 素 ， 當(dāng) 景 物 存 在 遮擋 或 者 圖 像 不 光 滑 時 ， 選 擇 大 窗 口 容 易 出 現(xiàn) 錯 誤 的 匹 配 ， 而 小 窗 口 又 不 能 滿 足 強度 的 變 化 ， 因 此 為 了 達(dá) 到 最 好 的 匹 配 效 果 ， 可 以 自 動 適 應(yīng) 調(diào) 整 匹 配 窗 口 的 大 小 。1)（2）灰度的絕對差值法(AD) 模板N在圖像M上平移，搜索窗口所覆蓋的子圖記作M i,j，i， j為子圖的左上角頂點在圖M中的坐標(biāo)。基于灰度的匹配算存在如下幾個缺陷：(1)對圖像的灰度變化比較敏感，尤其是非線性的光照變化，將大大降低算法的性能：(2)計算復(fù)雜度高；(3)對目標(biāo)的旋轉(zhuǎn)，形變以及遮擋比較敏感。 圖像特征分為兩類，第一類是局部特征，比如說角點，邊緣點，短的邊緣或線段，小塊區(qū)域等；第二類是全局特征，通常由幾個多邊形或是幾個對圖像內(nèi)容更為復(fù)雜的描述構(gòu)成。特征匹配方法涉及到對特征描述的定義和特征匹配策略兩點。本章對特征點的提取算法進(jìn)行分析，的能找出一種快速有效的特征點提取算法 [10]。提取算法能夠提取出圖像中盡可能多地特征點。其中基于邊緣的特征點的提取算法的中心思想是：特征點是兩條獲多條邊界交叉點的特殊邊界點，因此這些算法要先對圖像進(jìn)行分割，提取圖像的邊界信息，然后通過對圖像的邊界點進(jìn)行分析提取特征點。SIFT 算法首先在尺度空間進(jìn)行特征檢測，并確定關(guān)鍵點的位置和關(guān)鍵點所處的尺度，然后使用關(guān)鍵點鄰域梯度的主方向作為該點的方向特征，以實現(xiàn)算子對尺度和方向的無關(guān)性。 給定N 個數(shù)據(jù)點組成的數(shù)據(jù)集合P，假設(shè)它們中的絕大多數(shù)是由一個參數(shù)未知的特定的模型產(chǎn)生的，該模型的參數(shù)至少需要n個數(shù)據(jù)點求出，N n。從而可以得到了優(yōu)化的內(nèi)點集合來進(jìn)一步計算透視矩陣 M。目前，用于邊緣檢測的算子有很多，如 Roberts 算子、Sobel 算子、Prewitt 算子和 Canny 算子。 Sobel 邊緣檢測算子Sobel 邊緣檢測算子的基本思想是 [13]：以待檢測圖像的任意像素(i,j)為中心，截取一個33像素窗口，分別計算窗口中心像素在x，y 方向上的梯度 Sx=[f(i1,j+1)+2f(i,j+1)+f(i+1,j+1)][f(i1,j1)+2f(i,j1)+f(i+1,j1)] (2由于Prewitt 邊緣檢測算子是通過八個方向模板對圖像進(jìn)行卷積運算，顯然其運算量是比較大的。 Canny算子進(jìn)行邊緣檢測的步驟主要有：假設(shè)I是 n*n的灰度圖像，首先利用高斯濾波