【正文】 塊匹配法的優(yōu)點是能準確找到匹配點，打破灰度配準不能實現(xiàn)旋轉和縮放情況的結論，缺點是計算量大。的Lena圖像配準 放大2%的Lena圖像配準由實驗結果可知，塊匹配法較以上兩種匹配法的優(yōu)點是它能夠實現(xiàn)兩幅圖像不僅在平移，而且在旋轉。的Lena圖像 縮放2% Lena圖像 塊匹配算法下的平移、旋轉、縮放配準仿真實驗分別對經過平移、旋轉、縮放后的圖像進行配準。首先利用對圖像做小的旋轉、縮放，再進行配準，旋轉情況下研究旋轉對求得平移參數的影響，縮放情況下研究配準參數的誤差情況。由此我們研究一種更加完善的匹配法——塊匹配法，它不僅能實現(xiàn)水平、垂直方向上位移變化的圖像配準，同時也能在小的圖像旋轉縮放變形的情況下的實現(xiàn)配準。 實驗結果和分析通過三、四章的闡述，我們已經得出線匹配法只能處理平移操作下的圖像配準，而灰度比值法在線匹配法的基礎上多了一個光照變換對平移參數的影響。這種算法我們可以稱之為傳統(tǒng)的塊匹配算法。 塊匹配原理 塊匹配法具體的算法實現(xiàn)首先需要對圖像進行邊緣檢測，這里我們使用算子獲得原圖像的邊緣圖，然后我們以圖像中每個像素點的鄰域邊緣量來定義此位置的邊緣信息大小:, ()其中，為原圖像所對應的二值邊緣圖，A為在點處所取鄰域的1/2邊長。其中 為塊邊長像素數（為方便搜索塊一般劃分為正方形），和分別為當前宏塊和參考宏塊相應像素的灰度。應用塊匹配算法，首先要有搜索最佳匹配的標準，這里稱之為價值函數：均方誤差(MSE)、絕對誤差和(SAD)、平均絕對誤差(MAD)、方差和(SSE)、絕對變化誤差和(SATD)都可以作為價值函數。因此相比灰度信息，邊緣信息，使得其抗灰度和幾何畸變能力強，采用邊緣信息構建模板在圖像拼接[17]中可獲得更加可靠的穩(wěn)定性。塊匹配法是以一幅圖像重疊區(qū)域中的一塊作為模板，在另一幅圖像中搜索與此模板最相似的匹配塊，這種算法精度較高，但計算量過大。選擇的過小，則計算量太大。然而在利用拼接算法實現(xiàn)自動拼接的時候，如果選取的特征線不是很恰當，那么這樣的特征線算出來的模版就失去了作為模版的意義。而且對重疊區(qū)域無明顯特征的圖像，比較背景是海洋或者天空，這樣在選取特征模版的時候存在很大的問題。在采集的時候只能使照相機在水平方向上移動。只利用了兩條豎直的平行特征線段的像素的信息，沒有能夠充分利用了圖像重疊區(qū)域的大部分特征信息。，計算量小，速度快。 Lena灰度比值匹配圖（亮度差異+5%）+20%時的配準效果圖。%時的配準效果圖。比值匹配是利用兩條線段的比值進行匹配。 實驗結果和分析以下是光照效果由弱到強的比值匹配仿真實驗結果圖。此時全局最佳匹配即為圖像間在水平方向上的偏移距離，該全局最佳匹配隊應的組內最佳匹配即為圖像間垂直方向上的偏移距離。首先進行垂直方向上的比較，即記錄下搜索圖中每個比值數組內的最佳匹配。假定垂直錯開距離不超過個像素，多取的個像素則可以解決圖像垂直方向上的交錯問題。 比值匹配法具體的算法實現(xiàn)該算法的具體實現(xiàn)步驟如下：(1) 在參考圖像中間隔為個像素的距離上的兩列像素中，各取個像素，計算這個像素的比值，將個比值存入數組中，將其作為比較的模板。為二維數組，對對應的列向量求得到。，計算其對應像素的比值，即為模板。j j+span j j+span 像素的圖像 像素的圖像 圖像模板選取示意圖（第列和第列），計算其對應像素比值，即為模板。，其中，圖1 為像素的圖像，圖1 為像素的圖像，和可相等，也可不等。然后將這些比值依次與模板進行比較，其最小差值對應的列就是最佳匹配。第4章 比值匹配法 比值匹配法基本介紹及原理 比值匹配法[12]算法思路是利用圖像中兩列上的部分像素的比值作為模板，即在參考圖像的重疊區(qū)域中分別在兩列上取出部分像素，用它們的比值作為模板，然后在搜索圖中搜索最佳的匹配。線匹配法的優(yōu)點是精確直觀，缺點是操作復雜，重復步驟較多，實用性不強。黑色線段表示選取的線模板，連線表示線段兩端點為匹配點對。 Lena 參考圖像 Lena 待配準圖像456的兩幅圖像。 實驗結果和分析首先利用配準圖像庫中的圖像，生成具有不同相對位移的子圖像；平移配準參數可以在程序中進行調整，400的兩幅圖像。（2）迭代方法求解變換參數求解圖像與圖像間的匹配，可以用增量迭代法計算變換參數向量，算法如下：①初始化向量為零向量；②按式()計算參數增量；③更新參數；④如果的二范數小于某一閾值，則表示迭代收斂，程序退出；若大于該閾值則轉到步驟②繼續(xù)迭代；如果迭代次數超過最多限定次數則程序退出，提示不收斂。表示六維列向量。一種可行方法是將函數一階泰勒展開： ()上式中點號表示積。這種領域設置與光流模型的領域設置存在顯著不同，它對噪聲更不敏感。并且針對收斂速度提出了增加權函數、圖像網格點采樣和增加加速動量項三種策略及具體實現(xiàn)方法。這對很多問題是一種合理假設。坐標與之間存在一個偏移量，定義如下： () () ()因此坐標變換可以表示為,即像素與對應。令圖像中某一坐標為，它與圖像中的坐標對應。實驗顯示對于小范圍平移、旋轉及尺度變換的圖像能進行準確快速的整體匹配，而改進策略能有效提高匹配速度。首先定義待匹配圖像匹配點間的線性變換模型，以對應像素灰度差平方和作為圖像匹配誤差函數，然后借助最小化誤差函數確定參數迭代增量，由迭代法求得最佳線性變換參數。而設計一種基于灰度相關的算法，既能實現(xiàn)水平、垂直位移上的配準，同時也能實現(xiàn)繞光軸旋轉這種情況是本文的核心。比值匹配法是指將待配準圖像的一定間隔的行或列的像素的比值作為模板；塊匹配法是指將待配準圖像的正方形區(qū)域的像素的集合作為模板。但交互信息是建立在概率密度估計的基礎上的，有時需要建立參數化的概率密度模型，它要求的計算