基于特征點(diǎn)的圖像匹配技術(shù)研究與應(yīng)用(編輯修改稿)
2025-07-24 20:27 本頁(yè)面
【文章內(nèi)容簡(jiǎn)介】 基于特征點(diǎn)的圖像匹配研究現(xiàn)狀特征點(diǎn)是圖像灰度在x和y軸方向上都有很大變化的一類(lèi)局部點(diǎn)特征。它包含角點(diǎn)、拐點(diǎn)以及T交叉點(diǎn)等，其中主要應(yīng)用的是圖像的角點(diǎn)。角點(diǎn)是圖像的一種重要局部特征，他在圖像匹配、目標(biāo)描述與識(shí)別以及運(yùn)動(dòng)估計(jì)、目標(biāo)跟蹤等領(lǐng)域具有十分重要的作用。它是圖像上灰度變換劇烈且和周?chē)泥忺c(diǎn)有顯著差異的像素點(diǎn)。，有L型、T型、X型和Y型等。 角點(diǎn)示例 Harris角點(diǎn)檢測(cè)結(jié)果 角點(diǎn)檢測(cè)角點(diǎn)檢測(cè)的算法有很多，對(duì)不同類(lèi)型的角點(diǎn)檢測(cè)效果也有差異。目前角點(diǎn)檢測(cè)算法主要分為兩大類(lèi)：一類(lèi)是基于邊緣圖像的角點(diǎn)檢測(cè)算法，這類(lèi)算法需要對(duì)圖像邊緣驚醒編碼，很大程度上依賴(lài)于圖像的分割和邊緣提取，而圖像的分割和邊緣提取本身具有相當(dāng)大的難度和計(jì)算量，況且一旦邊緣線(xiàn)發(fā)生中斷，對(duì)角點(diǎn)的提取結(jié)果影響較大，所以這類(lèi)算法有一定的局限性；第二類(lèi)是基于圖像灰度的角點(diǎn)檢測(cè)，避開(kāi)了上述的缺陷，直接考慮像素點(diǎn)領(lǐng)域的灰度變化，而不是整個(gè)目標(biāo)的角點(diǎn)檢測(cè)，這類(lèi)算法主要通過(guò)計(jì)算曲率及梯度來(lái)達(dá)到檢測(cè)監(jiān)角點(diǎn)的目的。 Moravec角點(diǎn)檢測(cè)算子[9]該方法的計(jì)算過(guò)程為：計(jì)算四個(gè)方向上的局部自相關(guān)，選取最小值作為對(duì)應(yīng)像素點(diǎn)的角點(diǎn)響應(yīng)函數(shù)，對(duì)這個(gè)響應(yīng)取門(mén)限，超過(guò)門(mén)限的為特征點(diǎn)。設(shè)圖像灰度函數(shù)為I，在一定窗口上的灰度變化函數(shù)定義如下：其中Wu,v表示當(dāng)前圖像窗口。Moravec算法響應(yīng)時(shí)各項(xiàng)異性的，而且由于響應(yīng)值是自相關(guān)的最小值，而不是自相關(guān)的差值，所以Moravec算法對(duì)強(qiáng)邊界敏感，實(shí)現(xiàn)簡(jiǎn)單快速。 Harris角點(diǎn)檢測(cè)算子[10]Harris使用自相關(guān)矩陣A改進(jìn)了Moravec的方法。這種方法避免了使用離散的方向和偏移，它在窗口內(nèi)使用高斯函數(shù)加權(quán)導(dǎo)數(shù)，取代了簡(jiǎn)單的求和。如果自相關(guān)矩陣A有兩個(gè)大的特征值就表示該點(diǎn)為檢測(cè)到的特征點(diǎn)。在平滑區(qū)域窗口沿著各個(gè)方向移動(dòng)均無(wú)灰度變化；邊緣區(qū)域沿著邊緣方向移動(dòng)無(wú)灰度變化；角點(diǎn)區(qū)域沿著各個(gè)方向移動(dòng)都有灰度變化。 角點(diǎn)檢測(cè)示意圖將圖像窗口平移[u,v]產(chǎn)生的灰度變化定義為： 對(duì)圖像灰度函數(shù)Taylor展開(kāi)：去掉高階小量，得： 對(duì)于實(shí)對(duì)稱(chēng)矩陣M有兩個(gè)特征值：λmax，λmin。兩個(gè)特征值正好對(duì)應(yīng)于變化最明顯和最不明顯的兩個(gè)方向。由角點(diǎn)的定義可知：a. 兩特征值都很小，則對(duì)應(yīng)平滑區(qū)域b. 兩特征值都很大且相當(dāng)，則對(duì)應(yīng)角點(diǎn)位置c. 兩特征值λmaxλmin，則對(duì)應(yīng)邊緣區(qū)域構(gòu)造角點(diǎn)響應(yīng)函數(shù)： 其中，這樣當(dāng)R大于某個(gè)閾值的時(shí)候，則判斷為角點(diǎn)。由于和對(duì)于矩陣M來(lái)說(shuō)都很容易計(jì)算，故簡(jiǎn)化了計(jì)算量。該方法的缺點(diǎn)是對(duì)尺度變化敏感，左圖檢測(cè)為邊緣，而縮小后的右圖則檢測(cè)為角點(diǎn) 尺度變化的敏感性2010年，Jiguang Dai[18]等把小波變換的方法應(yīng)用到了Harris角點(diǎn)檢測(cè)中，他們?cè)谙嗤男〔ㄏ禂?shù)約束下計(jì)算不同尺度的Harris角點(diǎn)。根據(jù)Low/High小波系數(shù)強(qiáng)調(diào)垂直特征，High/Low小波系數(shù)強(qiáng)調(diào)水平特征的特點(diǎn)，可以去除Harris檢測(cè)中的部分錯(cuò)誤點(diǎn)，使特征點(diǎn)匹配率更高了。 SIFT方法[11]SIFT(Scale Invariant Feature Transform)算法是Lowe在2004年總結(jié)了現(xiàn)有的基于不變量技術(shù)的特征檢測(cè)方法，并提出的一種基于尺度空間的圖像局部特征描述算子，即尺度不變特征變換。該方法包括基于高斯差分尺度空間的特征點(diǎn)檢測(cè)和特征點(diǎn)的描述與匹配兩部分。特征點(diǎn)檢測(cè)分為三步。第一步：建立高斯差分（Difference of Gaussian, DOG）尺度空間高斯核函數(shù)，這里是圖像平面中的坐標(biāo)，是尺度參數(shù)。令表示一張圖像，則圖像的尺度空間可以表示為：，即圖像與高斯核函數(shù)的卷積。Lowe總結(jié)Lindeberg(1994)和Mikolajczyk(2002)的研究成果，得出中的最大最小點(diǎn)可以提取出尺度空間中最穩(wěn)定的特征點(diǎn)。由熱傳
環(huán)評(píng)公示相關(guān)推薦
鄂ICP備17016276號(hào)-1