【正文】 匹配方法效果。Sanjay Ranade and AzrielRosenfeld提出松弛法進行點匹配[2]，陳志剛等在其基礎上通過構建三角形并利用其相似度來定義點特征的匹配度，提出了一種新的具有比例與旋轉不變特性的點特征松弛匹配算法[22]。利用特征描述符進行匹配的方法是在特征點提取過程中，不僅得到特征點的位置，同時將得到特征點的其他仿射變換下不變的特征點描述。Maciel等使用線性規(guī)劃的方法來解決匹配中產(chǎn)生的歧義問題，這種方法可以得到某種意義上的全局最優(yōu)解，并且由于線性規(guī)劃法已經(jīng)很成熟。由匹配線索不同，現(xiàn)有的匹配算法基本可以分為兩大類：1) 基于窗口的匹配(AreaBased Matching,ABM)，窗口是由待匹配點附近的像素灰度值組成的二維矩陣，其中最常用的是用交叉相關性來匹配，這是目前大多數(shù)匹配算法的基礎。在每個特征區(qū)域內(nèi)，Lowe以梯度方向的直方圖為基礎構造了一種稱為SIFT（Scale Invariant Feature Transform）的局部不變特征提取性能的衡量標準。目前國內(nèi)研究角點提取算法重點主要在已有算法的改進，如楊莉等基于SUSAN算法提出的RSUSAN (Redefined SUSAN)角點提取算法[9]，使用了更為有效和簡便的計算USAN區(qū)域的方法，提高了計算速度；王建琦等人提出一種改進的角點提取方法[10]，該方法是基于MIC算法的改進，該算法采用了在方形窗邊界上的線性插值，在插值的基礎上計算出邊緣角，通過它來對角點候選點做進一步的篩選；李華等人提出了一種新的基于形態(tài)骨架的快速拐點提取方法[11]，該方法基于物體條件骨架原理，采用改進的非對稱開運算算子，并利用內(nèi)外骨架分別實現(xiàn)對物體凸點和凹點的提取，以保證拐點提取的完整性；張坤華等人提出一種利用圖像灰度特征和邊界輪廓點特征相復合的角點提取方法[12]，克服了單一特征提取角點所帶來的弊病，提高了角點提取的精度。這些點在保留圖像圖形重要特征的同時，可以有效地減少信息的數(shù)據(jù)量，使其信息的含量很高，有效地提高了計算的速度，有利于圖像的可靠匹配，使得實時處理成為可能。3) 不變特征的描述，如SIFT描述子、PCASIFT描述子、不變矩描述子、傅里葉描述子、微分不變描述子、顏色描述子、鏈碼描述子等。當提取特征點數(shù)目過多時就會存在大量的干擾信息(如：偽匹配點)，這將影響匹配的正確率和速度，當提取特征點過少時，將不利于精確匹配。特征匹配方法首先對圖像進行預處理來提取其高層次的特征，然后建立兩幅圖像之間特征的匹配對應關系，常用的特征基元有點特征、邊緣特征和曲線輪廓及區(qū)域特征等。因此，特征點的提取和匹配越來越得到研究人員的關注。本科畢業(yè)設計(論文) 題目名稱： 學 院： 專業(yè)年級： 學生姓名： 班級學號： 指導教師： 二O一O年 月 日 目 錄摘 要 IIIABSTRACT IV第一章 緒論 1 研究背景 1 研究現(xiàn)狀綜述 2 特征點提取研究現(xiàn)狀 2 特征點匹配研究現(xiàn)狀 4 研究內(nèi)容 5 論文組織結構 6第二章 圖像特征點提取算法研究 8 Harris特征點提取算法 8 Harris特征點檢測原理 8 Harris特征點檢測步驟 9 實驗分析 9 SIFT特征點提取算法 12 SIFT特征點提取算法原理及步驟 12 實驗分析 16 本章小結 19第三章 改進的H/S特征點提取算法 20 H/S算法分析 20 H/S算法提出的可行性分析 20 H/S算法結合方案研究 21 H/S算法實現(xiàn) 22 多尺度特征點檢測 22 特征點描述 23 實驗分析 25 算法評價標準 25 分情況特征點提取結果分析 25 本章小結 27第四章 基于H/S的特征點匹配方法 29 相似三角形方法局限性分析 29 三角形匹配原理 29 三角形相似方法局限性 31 改進的相似三角形匹配方法實現(xiàn) 31 三角形選取方案研究 32 相似三角形檢索方法改進 33 多模板改進方法分析 35 實驗結果與分析 36 本章小結 39第五章 工作總結與展望 40 工作總結 40 工作展望 41致 謝 42參考文獻 4344摘 要圖像匹配是圖像處理領域的基礎課題，在圖像拼接、全景視圖、對象識別等計算機視覺方面有廣泛應用。圖像匹配可以認為是在不同時間或相同時間、從不同視角或相同視角對同一場景拍攝的兩幅或者多幅圖像進行的空間域上的匹配過程。由于興趣點(角點、拐點等)的信息含量高、數(shù)量相對較少且局部不變等特點，使其在基于特征的匹配中有更加廣泛的應用。同時特征點匹配方法需要保證在兩幅圖像點集中存有大量有效點，而當圖像特征點較多時，算法復雜度較大。近年來，不變特征已引起國內(nèi)外研究者和研究機構的廣泛關注。其在三維場景重建、運動估計、目標跟蹤、目標識別、圖像配準與匹配等計算機視覺領域起著非常重要的作用。2. 局部不變特征點提取方法局部不變特征點提取方法主要利用目標局部區(qū)域的信息來構造特征量，由于這些一定數(shù)目的局部區(qū)域可能離散地出現(xiàn)在目標的不同位置，當對每個區(qū)域獨立地提取特征時，即使目標位于復雜環(huán)境中或有部分遮擋，通過局部特征提取仍可得到目標的部分信息，從而實現(xiàn)復雜背景中目標的識別與確認。SURF是由Herbert Bay等2006年提出的另一種有效的特征提取方法[16]，與SIFT一樣不僅可以檢測出圖像的興趣點即特征，同時提供了一種創(chuàng)建具有不變描述器的方法。Rosenholm不使用固定大小的窗口，而是用連接窗(connected window)在全局范圍內(nèi)進行匹配)，該方法對于處理重復紋理具有較好的效果。因此可以保證算法有較高的效率，但是線性規(guī)劃法需要消耗大量的內(nèi)存并且要預先估計正確的匹配數(shù)。文獻[19]利用顏色直方圖進行描述，提出了一種快速的特征點匹配方法。Shihhsu Chang等人利用二維聚類進行匹配[23]，張立華等利用不可約矩陣和相對不變量理論提出了幾種點模式匹配新算法[24]，它們可分別用來解決相似變換和仿射變換下具有相同點數(shù)的兩個點模式的匹配問題。由于后續(xù)匹配方法需要圖像在旋轉和尺度變換下仍滿足一定比例的有效點，所以本文需要對旋轉和尺度不變特征點的提取進行研究。 第二章主要比較目前常用的兩種特征點匹配方法，分別介紹Harris角點檢測算法和基于描述符的SIFT算法，并分析兩種方法的優(yōu)缺點和適用場合，第三章主要在分析特征點提取算法的基礎上，著重介紹特征點檢測實驗效果好的Harris算法，針對傳統(tǒng)Harris算法存在的局限性，引入尺度空間理論和特征描述思想，提出改進的H/S算法。角點檢測方法分為基于邊緣的提取方法和基于圖像灰度的提取方法。 Harris特征點檢測原理Harris 角點檢測算法是一種基于信號的點特征提取算子，它的思想是在圖像中設計一個局部檢測窗口，當該窗口沿各個方向作微小移動時，考察窗口的平均能量變化，當該能量變化值超過設定的閾值時，就將窗口的中心像素點提取為角點。 ()4) 選取局部極值點。(a)原圖像(b)放大2倍圖像 圖像尺度變化角點提取結果圖3. 噪聲情況下的不變性Harris角點檢測算法對于噪聲比較敏感，%高斯噪聲后采用Harris提取出角點的結果圖。即當尺度變化時，可能檢測出新的角點，或老的角點發(fā)生移位或消失。1) 高斯差分圖像DOG生成高斯卷積核是實現(xiàn)尺度變換的唯一線性核，一副輸入圖像: （）其中是在和之間的卷積運算符， ()是空間坐標，是尺度坐標。不同采樣形成金字塔分層結構，然后用高斯內(nèi)核函數(shù)對其進行濾波形成高斯金字塔圖像分層結構，對各層圖形進行高斯濾波時分別采用不同的高斯濾波因子。小尺度4x4中尺度2x2大尺度1x1 DoG尺度空間局部極值檢測2. 特征點位置確定一旦通過上面步驟得到了侯選特征點，下一步就是確定穩(wěn)定特征點的位置、尺度、曲率等信息。利用關鍵點鄰域像素的梯度方向分布特性為每個關鍵點指定方向參數(shù)，使算子具備旋轉不變性。將坐標軸旋轉為關鍵點的方向，以確保旋轉不變性。在匹配結果圖中將識別出的匹配點用直線進行連接。(a)原圖像特征向量(b)圖像旋轉、縮放共存時特征向量(c)圖像旋轉、縮放共存匹配結果 旋轉、縮放共存時不變特征提取及匹配圖4. 光照、噪聲條件變化時不變性(a)、(b)為不同光照條件下特征向量提取圖，(a)圖提取出532個特征點，(b)圖提取出446個特征點，(c)中有15個特征點匹配到；(b)為在原圖基礎上添加10%高斯噪聲后特征點提取結果圖。提出了一種新的圖像特征點提取算法——H/S(HarrisSIFT)算法。1. 多尺度理論多尺度理論認為事物的存在都是以尺度范圍為前提的。其中高斯核()具有平移、旋轉、尺度不變性，且被證明是實現(xiàn)尺度變換的唯一線性核[15]，利用高斯核的一階偏導數(shù)將Harris角點算法變換成尺度空間的表示。下一步將驗證在某一尺度水平上檢測出的角點是否取得極值，從而得到具有尺度不變性的特征點。在獲得特征點的以上信息后，通過選擇一個具有參數(shù)的高斯權重函數(shù)為每個樣本特征點梯度值賦一個權重，其中等于描述符窗口寬度的一半，(b)所示是SIFT生成的特征點描述符。當圖像對比度改變時，每個像素值會被乘以一個常量，同時梯度值也被乘以相同的常量，因此對比度改變產(chǎn)生的影響就會通過向量的標準化而被取消掉。H/S特征點提取算法結合了Harris算法高效檢測特征點以及SIFT算法抗尺度和抗噪聲魯棒性強的優(yōu)點，使圖像特征點的檢測更為有效、穩(wěn)定。(a)Harris原圖提取結果(b)H/S算法原圖提取結果(c) Harris噪聲圖提取結果(d)H/S算法噪聲圖提取結果 圖像噪聲變化前后角點檢測比較噪聲添加率 H/S算法與Harris算法角點檢測點重復率比較比較點重復率，改進后的H/S算法在圖像增加噪聲時提取的角點一致性效果較好。 三角形匹配原理三角形相似的匹配方法[28]基本思想是：一個三角形的內(nèi)角不但對于平移和旋轉具有不變性，而且對于三角形的縮放也具有不變性 ()。定義 ：如果一個三角形對中的兩個三角形的三個頂點對應匹配，則稱它們?yōu)橐粋€匹配三角形對。確定匹配點。一種方法是給權值應用一個閾值，通過控制這個閾值的大小來控制隨機誤匹配點的數(shù)目及真正點匹配對的數(shù)目。4. 匹配流程1) 由兩幅圖像所有特征點任意組合成的三角形集合，分別記為A、B；2) 構建權值矩陣M。下面進行改進相似三角形匹配方法的具體研究與實現(xiàn)。三角空間有一個特點，如果兩點靠得很近，也就是說有兩個點的坐標距離相當小，將在三角空間的某個角出現(xiàn)大量的點。則點、與點、同向排列的充要條件是向量和的向量積與向量和的向量積同向。 給定邊與的邊對應，那么將存在唯一的點使與同向相似。在復數(shù)向量空間中，(a)，由向量與向量唯一確定。方法通過選取模板圖像中三角形子模板對實物圖像特征點進行同向相似三角形檢索，來實現(xiàn)模板圖像的粗匹配，可以在很大程度上減少傳統(tǒng)圖像匹配方法的搜索空間。同時結合了H/S算法提取出圖像中的特征點具有的描述符信息，更合理的選擇實物圖中的向量作為基線，減少搜索三角形的數(shù)量，提高了算法的效率，在復數(shù)空間下得到對應基線的三角形的幾何位置時，不僅判斷該點的位置是否為特征點，并利用該特征點與對應模板圖中的相似三角形的頂點的特征向量的相似性，剔除部分偽匹配三角形，使算法的準確性得到進一步提高。(a)模板圖(b)實物圖 模板圖像存在旋轉、縮放時匹配結果圖2. 存在噪聲圖像匹配。(a)模板圖(b)添加噪聲圖 圖像存在噪聲時匹配結果圖3. 背景較復雜時圖像匹配使用GoogleEarth上截得的搖感圖像圖像匹配，(a)模板圖像經(jīng)過90度旋轉，并存在一定尺度放大，結果顯示該方法準確的在實物圖中找到相應模板圖像，體現(xiàn)該算法在復雜背景下識別目標物體的實用性。否則從中選取一個未處理的向量，與模板中向量對應，根據(jù)旋轉因子，計算出向量，確定點的坐標；3) 判斷實物圖像中周邊很小的范圍內(nèi)是否有一個特征點。所以用單個三角形模板進行匹配是不可靠的，在本文提出的改進方法中將考慮用多個三角形模板進行匹配，具體是通過使用基線的三角形組形成多模板，使改進方法可靠性得到改善，并且利用特征點的描述符信息，更合理的選擇基線，并可以剔除部分偽匹配三角形。點存在且唯一。邊的長度為，根據(jù)三角形相似原理可知：邊的長度與邊的長度可由下式求出：()分別以點、為圓心，、為半徑做圓、。易知同向的充要條件就是滿足式()。另一方面，給定三角空間一個固定的容錯量，那么這些靠的很近的點對，將大量地被篩選為相似匹配(或非相似匹配)。：在選取圖像中的一條基線后，以與以點集中其余特征點為頂點組成對應于的三角形組，則稱該三角形組為基線的三角形組。4) 經(jīng)過上面層層篩選，進而得到最終的匹配點。3. 減少誤匹配點擴展三角空間可以減少誤匹配。換句話說，A組的一個點作為很多匹配的三角形的一部分，而這些三角形在B組有著對應點。通過定義可知,并且，同時。