【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(yùn)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(diǎn)像素值為很小。首先在模板圖中找到一階特征點(diǎn)，因?yàn)橐粡埢叶葓D片像素點(diǎn)一般都很多，一階特征點(diǎn)數(shù)量也很多，究竟去哪一個(gè)因人而異。 以上2個(gè)圖就是特征點(diǎn)的示意圖，依此類推，可以定義三階特征點(diǎn)、四階特征點(diǎn)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(diǎn)，由基準(zhǔn)圖特征點(diǎn)可看出，基準(zhǔn)圖中部分區(qū)域沒有一階特征點(diǎn)，如果模板圖取自基準(zhǔn)圖中沒有一階特征點(diǎn)這些區(qū)域時(shí)，基于一階特征點(diǎn)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(diǎn)。5 基準(zhǔn)圖中符合模板圖匹配條件的一階特征點(diǎn)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(diǎn)數(shù)量明顯增多。11 所示，旋轉(zhuǎn)后基準(zhǔn)圖中一階特征點(diǎn)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(diǎn)的位置也發(fā)生了改變基于一階特征點(diǎn)圖像匹配出現(xiàn)錯(cuò)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(diǎn)的引入，將原有的對(duì)基準(zhǔn)圖的遍歷搜索，簡(jiǎn)化為基于一階特征點(diǎn)的搜索，從而大大縮短了匹配時(shí)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(shí)間較長(zhǎng)，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(diǎn)差；基于一階特征點(diǎn)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(diǎn)出現(xiàn)畸變，在基準(zhǔn)圖中找不到適合匹配的一階特征點(diǎn)，匹配程序出現(xiàn)錯(cuò)誤，匹配失??；但基于一階特征點(diǎn)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(shí)，匹配出現(xiàn)錯(cuò)誤。基于一階特征點(diǎn)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(diǎn)出現(xiàn)畸變，在基準(zhǔn)圖中找不到適合匹配的一階特征點(diǎn)，匹配程序出現(xiàn)錯(cuò)誤，匹配失??；但基于一階特征點(diǎn)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(duì)基于一階特征點(diǎn)的圖像匹配影響很大。加入噪聲后，基準(zhǔn)圖中的特征點(diǎn)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(diǎn)不明顯 ,利用基于一階特征點(diǎn)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(diǎn)的圖像匹配結(jié)果。20 中很難看到，這樣符合條件的點(diǎn)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(diǎn)，選取其中灰度值最大的點(diǎn)作為圖像的匹配特征點(diǎn)M。定義 2 　二階特征點(diǎn):灰度值在其上、下、左、右、左上、右上、左下、右下 8個(gè)方向上的最鄰近兩個(gè)像素點(diǎn)的灰度值沿箭頭方向呈現(xiàn)遞減特征的像素點(diǎn)(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(jì)（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(jì)（論文）28 在基準(zhǔn)圖中另選一個(gè)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(duì)邊長(zhǎng)為H的圖像，共可得到[H 2/K2]個(gè)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(jiǎn)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(shí)，首先進(jìn)行粗匹配，每次移動(dòng)一個(gè)步長(zhǎng)，計(jì)算對(duì)應(yīng)像素點(diǎn) 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(zhǎng)減半，再次搜索最小值，循環(huán)該過程直到步長(zhǎng)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(jì)（論文）18漸轉(zhuǎn)向基于區(qū)域和目標(biāo)對(duì)象的高層圖像語(yǔ)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(yǔ)義，從而由高層語(yǔ)義特征計(jì)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(gè)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(shí)，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(duì)源圖像和模板圖像進(jìn)行J 層小波分解，得到各級(jí)分解后的灰度信息； (2) 在第J 層上，采用相似度測(cè)量模板匹配法，對(duì)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(duì)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(jì)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(jì)算； (5) 在第0層上，對(duì)前一步得到的最佳匹配區(qū)域進(jìn)行匹配計(jì)算，得到最終匹配結(jié)果。但是，邊緣方向會(huì)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(duì)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(cè)到的邊緣點(diǎn)與實(shí)際邊緣點(diǎn)位置最近。但是，Sobel 算子也檢測(cè)出了一些偽邊緣，使得邊緣比較粗，降低了檢測(cè)定位精度。6)通過差分可以求得Roberts 算子在差分點(diǎn)(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(diǎn)的變化，對(duì)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(gè)小方格，每次選取 4 個(gè)包含特征點(diǎn)的方格，再在每個(gè)方格內(nèi)隨機(jī)選取一個(gè)點(diǎn)，由這四個(gè)點(diǎn)計(jì)算透視矩陣。(4) 生成本地特征點(diǎn)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(diǎn)，由極值點(diǎn)建立特征描述向量。(4)簡(jiǎn)單性。還有的就是雖然算法定位精度和運(yùn)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(diǎn) 點(diǎn) 匹 配 首 先 按 一定 的 約 束 關(guān) 系 得 到 兩 個(gè) 點(diǎn) 集 ， 然 后 利 用 其 它 的 約 束 條 件 剔 除 錯(cuò) 誤 匹 配 點(diǎn) ， 最 好 確定 點(diǎn) 與 點(diǎn) 的 一 一 對(duì) 應(yīng) 關(guān) 系 。顯然，此種算法的時(shí)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(huì)失效。（1）不變矩匹配法 不變矩匹配算法用兩個(gè)圖像之間七個(gè)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(dòng)態(tài)規(guī)劃法、遺傳算法和神經(jīng)網(wǎng)絡(luò)法等。灰 度 匹 配 的 基 本 思 想 ： 以 統(tǒng) 計(jì) 的 觀 點(diǎn) 將 圖 像 看 成 是 二 維 信 號(hào) ，北京化工大學(xué)畢業(yè)設(shè)計(jì)（論文）4采 用 統(tǒng) 計(jì) 相 關(guān) 的 方 法 尋 找 信 號(hào) 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(shí) 別 同 名 點(diǎn) ， 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(duì) 應(yīng) 的 窗 口 中 心 點(diǎn) 作 為 同 名 點(diǎn) 。 圖像匹配就是把具有同一場(chǎng)景的兩幅或多幅圖像在空間上對(duì)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(shí)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(dòng) 火 器 的 控 制 及 反 偽 裝 ； 公 安 部 門 的 現(xiàn) 場(chǎng) 照 片 ； 指 紋 、 手 跡 、 印 章 、 人 像 等 的進(jìn) 一 步 處 理 和 辨 識(shí) ； 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(dòng) 識(shí) 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(shí) 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(gè)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(shí)間過長(zhǎng)等缺點(diǎn)。 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(cè) 預(yù) 報(bào) ； 環(huán) 境 污 染 監(jiān) 測(cè) ； 氣 象 衛(wèi) 星 云 圖 處 理 以 及 用 于 軍 事 目 的 的 地 面目 標(biāo) 識(shí) 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(xiàng)非常重要的技術(shù)。圖像匹配技術(shù)是實(shí)現(xiàn)圖像融合、圖像校正、圖像鑲嵌以及目標(biāo)識(shí)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(duì)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(yùn)用多種方法，對(duì)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(gè) 重 要 因 素 ， 當(dāng) 景 物 存 在 遮擋 或 者 圖 像 不 光 滑 時(shí) ， 選 擇 大 窗 口 容 易 出 現(xiàn) 錯(cuò) 誤 的 匹 配 ， 而 小 窗 口 又 不 能 滿 足 強(qiáng)度 的 變 化 ， 因 此 為 了 達(dá) 到 最 好 的 匹 配 效 果 ， 可 以 自 動(dòng) 適 應(yīng) 調(diào) 整 匹 配 窗 口 的 大 小 。1)（2）灰度的絕對(duì)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(diǎn)在圖M中的坐標(biāo)。基于灰度的匹配算存在如下幾個(gè)缺陷：(1)對(duì)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(jì)算復(fù)雜度高；(3)對(duì)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(diǎn)，邊緣點(diǎn)，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(gè)多邊形或是幾個(gè)對(duì)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(duì)特征描述的定義和特征匹配策略兩點(diǎn)。本章對(duì)特征點(diǎn)的提取算法進(jìn)行分析，的能找出一種快速有效的特征點(diǎn)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(diǎn)。其中基于邊緣的特征點(diǎn)的提取算法的中心思想是：特征點(diǎn)是兩條獲多條邊界交叉點(diǎn)的特殊邊界點(diǎn)，因此這些算法要先對(duì)圖像進(jìn)行分割，提取圖像的邊界信息，然后通過對(duì)圖像的邊界點(diǎn)進(jìn)行分析提取特征點(diǎn)。SIFT 算法首先在尺度空間進(jìn)行特征檢測(cè)，并確定關(guān)鍵點(diǎn)的位置和關(guān)鍵點(diǎn)所處的尺度，然后使用關(guān)鍵點(diǎn)鄰域梯度的主方向作為該點(diǎn)的方向特征，以實(shí)現(xiàn)算子對(duì)尺度和方向的無關(guān)性。 給定N 個(gè)數(shù)據(jù)點(diǎn)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(gè)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(gè)數(shù)據(jù)點(diǎn)求出，N n。從而可以得到了優(yōu)化的內(nèi)點(diǎn)集合來進(jìn)一步計(jì)算透視矩陣 M。目前，用于邊緣檢測(cè)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(cè)算子Sobel 邊緣檢測(cè)算子的基本思想是 [13]：以待檢測(cè)圖像的任意像素(i,j)為中心，截取一個(gè)33像素窗口，分別計(jì)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(cè)算子是通過八個(gè)方向模板對(duì)圖像進(jìn)行卷積運(yùn)算，顯然其運(yùn)算量是比較大的。 Canny算子進(jìn)行邊緣檢測(cè)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