【正文】 北京化工大學(xué)畢業(yè)設(shè)計（論文）42參考文獻[1] 楊曉敏，吳煒，卿粼波，等．圖像特征點提取及匹配技術(shù)[J]．光學(xué)精密工程，2022，17（9）：22762282 ．[2] ZHANG K , WANG H, LI Y. A Robust Steerable PyramidBased Image Matching Algorithm [N]. Journal of Astronautics,20221126(6).[3] 王軍，張明柱．圖像匹配算法的研究進展[J]．大氣與環(huán)境光學(xué)學(xué)報，2022，2（1）：1115．[4] YING J ,YUAN Y,XU L,SONG Q. A New Fingerprint Minutiae Matching Algorithm [N], School report instruments instrument table, 20220。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??；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。在保證匹配精度的同時，大大縮短了匹配時間。比較了基于灰度、基于邊緣特征、基于一階特征點圖像匹配算法的準(zhǔn)確性、快速性、抵抗干擾和旋轉(zhuǎn)性能。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?；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??；但基于一階特征點的圖像匹配算法具有很好的圖 51 可以看出，基于灰度圖像匹配算法不能有效地抑制噪聲干擾，加入噪聲后出現(xiàn)誤匹配，而且快速性也較差。10 加入噪聲后基準(zhǔn)圖中符合模板圖匹配條件的一階特征點北京化工大學(xué)畢業(yè)設(shè)計（論文）393 種匹配算法仿真結(jié)果如表 1 所示：表 511 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。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。10 為基準(zhǔn)圖中加入噪聲后符合匹配條件的一階特征點，由圖可見符合匹配條件的一階特征點個數(shù)明顯增多，但都不在模板圖剪切范圍之內(nèi)。9 所示。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。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。9 加入噪聲后的基準(zhǔn)圖一階特征點圖 5圖 5匹配程序詳見附錄。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 57 所示。jjj=145。5 基準(zhǔn)圖中符合模板圖匹配條件的一階特征點圖 55 為基于一階特征點的圖像匹配結(jié)果。 4 基準(zhǔn)圖、模板圖中一階特征點北京化工大學(xué)畢業(yè)設(shè)計（論文）35為基準(zhǔn)圖中滿足匹配條件的一階特征點位置。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。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。4 為基準(zhǔn)圖和模板圖中一階特征點顯示，基準(zhǔn)圖中一階特征點數(shù)量很多，一階特征點廣泛存在，由圖 5(3) 用模板圖像T 的匹配特征點與參考圖像 P上找到的同階特征點依次匹配，并計算兩幅圖像的相似性度量，找出相似性度量最優(yōu)的位置作為匹配位置，從而找到兩幅圖像中像素點的對應(yīng)關(guān)系。圖53 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。特征點的選取方式?jīng)Q定了其對噪聲和灰度值的線性變化具有一定的“免疫性”，因此對灰度值不均勻的圖像匹配問題同樣適用。1 一階特征點 圖 5 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。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 5第 節(jié) 一階特征點的定義 定義 1 　一階特征點: 灰度值大于其上、下、左、右、左上、右上、左下、右下8 個方向上的最鄰近一個像素點灰度值的像素點(如圖 5本文選取的特征點都是灰度值最大的一階特征點。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。6 基準(zhǔn)圖、模板圖旋轉(zhuǎn) 5 度后邊緣提取的效果圖 圖 4試驗所用的時間為 秒。下面為選取一 5050 的模板圖進行旋轉(zhuǎn)匹配測試； 另選一個 5050 模板圖與基準(zhǔn)圖匹配結(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。5 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 43 另選一沒有邊緣特征的模板圖北京化工大學(xué)畢業(yè)設(shè)計（論文）30圖 4加入噪聲后仿真程序詳見附錄！所用時間為 秒。由匹配程序運行結(jié)果可知 ii=145，jj=145. 匹配結(jié)果如圖 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 42 基于邊緣特征的圖像匹配結(jié)果北京化工大學(xué)畢業(yè)設(shè)計（論文）29以上 2 個仿真試驗證明，基于理想情況下的邊緣匹配必須保證模板圖中有足夠的邊緣信息，這樣才能保證匹配準(zhǔn)確率。所以選取基于邊緣特征圖像匹配方法，必須保證模板圖中有足夠的邊緣信息，這樣才能保證匹配準(zhǔn)確率。3 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。1 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。這與模板圖在基準(zhǔn)圖中剪切位置完全符合，匹配成功！匹配所用時間為 秒。2 為在理想情況下基于邊緣特征的圖像匹配結(jié)果；仿真程序執(zhí)行結(jié)果顯示，匹配位置 ii=145。北京化工大學(xué)畢業(yè)設(shè)計（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把基準(zhǔn)圖模板圖做處理，如圖 4(3)后處理獲得變化邊緣特征。選擇緩沖區(qū)檢測法，和以確定變化檢測的結(jié)果。使用基準(zhǔn)圖像和待檢測圖像的邊緣來產(chǎn)生兩幅邊緣差分圖像，一幅圖像記錄基準(zhǔn)圖像中存在而待檢測圖像中不存在的邊緣，另一幅記錄待檢測圖像中存在而基準(zhǔn)圖像中不存在的邊緣。(2)獲得邊緣差分圖像。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。選擇 Canny 算子提取圖象中的線性特征。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。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。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 加入高斯噪聲后基于灰度圖像匹配結(jié)果北京化工大學(xué)畢業(yè)設(shè)計（論文）25圖 3匹配所用的時間為 秒。9 所示。8 示為加入高斯噪聲后匹配結(jié)果。在基準(zhǔn)圖中加入高斯噪聲，基準(zhǔn)圖中像素點灰度值發(fā)生很大的變化，采用傳統(tǒng)的基于灰度圖像匹配方法匹配結(jié)果也出現(xiàn)了錯誤。7 所示，基準(zhǔn)圖中加入高斯噪聲后，圖像變得模糊。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 ， 由于高斯噪聲對匹配的效果比較明顯，所以實驗中加入高斯噪聲。6 基準(zhǔn)圖旋轉(zhuǎn)5度后匹配的結(jié)果3圖36 所示，匹配詳細程序見附錄。5 為基準(zhǔn)圖旋轉(zhuǎn) 5 度后的匹配結(jié)果，匹配成功。如圖 3把基準(zhǔn)圖旋轉(zhuǎn)一定角度后保證基準(zhǔn)圖大小不變，這樣才能保證匹配正常進行。3基于灰度圖象位置(200，200)匹配結(jié)果圖 3匹配所用的時間為 秒。i1 基準(zhǔn)圖 i2 從基準(zhǔn)圖中剪切的模板圖圖 3仿真結(jié)果成功。圖 3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)圖中剪切一個方圖作為模板圖像 T，圖 3對邊長為H的圖像，共可得到[H 2/K2]個R塊。首先將整幅圖像劃分為 KK 尺寸且互不重疊的方塊，K可根據(jù)問題任意選擇，稱該方塊R塊。 顯然，F(xiàn)(R i)表示R塊R i 的灰度與相鄰8個R塊灰度的分布(序)關(guān)系，體現(xiàn)了圖像灰度的相對值，因此對整體灰度值的變化具有相對的穩(wěn)定性。圖像最外一圈的R i 塊的編碼無定義。1 模板匹配示意圖 定義: F(Ri)為R i塊的20位二進制編碼特征表示，簡稱R i塊的編碼。遍歷整個圖像后，把與參考子圖Ps相似性度量最優(yōu)的位置作為匹配位置，從而找到兩幅圖像中像素點的對應(yīng)關(guān)系 [16]。1)。北京化工大學(xué)畢業(yè)設(shè)計（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。 (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。(4)比值匹配法算法比值匹配法是在第一幅圖像重疊區(qū)域內(nèi)，取相鄰兩列上的部分像素，用它們的比值作為模板，在另一幅圖像中也用兩列的部分像素比值與模板相比較，找出最佳匹配。 遺 傳 算 法 的 這 些 性 質(zhì) ， 已 被 人 們 廣 泛 地 應(yīng) 用 于 組 合 優(yōu) 化 、 機 器 學(xué) 習(xí) 、信 號 處 理 、 自 適 應(yīng) 控 制 和 人 工 生 命 等 領(lǐng) 域 。(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)部的隨機信息交換機制相結(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。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。解釋的方法是把計算機中的模型同外部世界中的物體或現(xiàn)象建立起對應(yīng)關(guān)系，利用圖像的結(jié)構(gòu)特征或關(guān)系特征，把物體和物體間的關(guān)系表示成結(jié)構(gòu)，通過沿圖中的弧作關(guān)聯(lián)搜索，建立圖中結(jié)點之間的關(guān)系，借助語義網(wǎng)絡(luò)、框架理論和圖論方法尋求匹配問題的解決。最后給出迭代結(jié)果，片對其進行分析評價。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)，同時也將選取的特征點作為基本輸入?yún)?shù)。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)。北京化工大學(xué)畢業(yè)設(shè)計（論文）17圖像預(yù)處理 對圖像進行J 層小波分解灰度量化低頻部分 搜索最大匹配測量值 計算相似度測量值計算灰度組合矩陣 得到一層匹配結(jié)果 根據(jù)匹配結(jié)果在上一層局部范圍內(nèi)進行相關(guān)匹配 得到最終匹配結(jié)果圖 2匹配過程如圖2Daubechies 小波在運動估計中應(yīng)用廣泛，可以很好地保留低頻信息。在進行圖像匹配時，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。 分解層數(shù)的取值應(yīng)滿足：Lmin } (2但是分解層數(shù)過大，會損失圖像原有信息，使得高層的匹配結(jié)果很不可靠。分層層數(shù)的確定和模板圖像的大小是密切相關(guān)的。 算法步驟如下所示： (1) 分別對源圖像和模板圖像進行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