圖像中角點(特征點)提取與匹配算法-展示頁
2024-08-20 04:38本頁面
【正文】 %result %pause。 % match key points within two pictures. result = match(img1,pt1,img2,pt2)。Harris39。 pt2 = kp_harris(img2)。 img2 = rgb2gray(img21)。39。 %img2 = double(img21(:,:,1))。39。)。 %img21 = imread(39。39。)。 %draw(img11,pt1,39。 img1 = double(img1(:,:))。)。 img11 = imread(39。)。 %img11 = imread(39。39。)。 % Harris % import the first picture %img11 = imread(39。 2 實驗結(jié)果實驗一原始圖像第一次匹配的結(jié)果 最后一次匹配的結(jié)果實驗二原始圖像 第一次匹配的結(jié)果最后一次匹配的結(jié)果 實驗三原始圖像第一次匹配的結(jié)果最后一次匹配的結(jié)果 實驗四原始圖像第一次匹配的結(jié)果最后一次匹配的結(jié)果可以看出，利用該算法進行兩幅圖像匹配結(jié)果還算正確。對已經(jīng)找出的匹配點，在圖像上進行顯示，這樣有利于人眼判斷該算法是否匹配正確。198接著，將圖像一中的角點1與圖像二中的所有角點進行相減，得到一個最小誤差值，并記錄下該位置，這樣依次將圖像一中的角點2，角點3一直到角點17都進行相減，即可得到兩幅圖像之間的最佳匹配點。20（x+1,y1）29224。101（x+1,y+1）14318332。9（x1,y+1）37108128。角點17（x1,y1）30735。將兩幅圖像進行Harris角點檢測后，分別得到角點對應(yīng)與該圖像的坐標位置，以該坐標位置為中心，分別取其附近的8個像素值，然后進行與另一幅圖像進行匹配，找出距離最小的點作為匹配點。下面是圖像一用Harris角點檢測算法得到的角點坐標位置x21230130935358201178582021863291612025857201306y26568779494142143144150150170177178228228228在圖像一上畫出該角點的坐標位置如下圖所示：其中藍色小方塊代表的是檢測出來的角點坐標位置。Harris的角點響應(yīng)函數(shù)(CRF)表達式由此而得到： (6)其中：det(M)表示矩陣M的行列式，trace(M)表示矩陣的跡。設(shè)以像素點(x,y)為中心的小窗口在X方向上移動u，y方向上移動v，Harris給出了灰度變化度量的解析表達式： (1)其中，為窗口內(nèi)的灰度變化度量；為窗口函數(shù)，一般定義為；I為圖像灰度函數(shù)，略去無窮小項有： （2）將化為二次型有： (3)M為實對稱矩陣： (4)通過對角化處理得到： (5)其中，R為旋轉(zhuǎn)因子，對角化處理后并不改變以u,v為坐標參數(shù)的空間曲面的形狀，其特征值反應(yīng)了兩個主軸方向的圖像表面曲率。角點提取與匹配算法實驗報告1 說明本文實驗的目標是對于兩幅相似的圖像，通過角點檢測算法，進而找出這兩幅圖像的共同點，從而可以把這兩幅圖像合并成一幅圖像。下面描述該實驗的基本步驟:，該算法的基本原理是取以目標像素點為中心的一個小窗口，計算窗口沿任何方向移動后的灰度變化，并用解析形式表達。當兩個特征值均較小時，表明目標點附近區(qū)域為“平坦區(qū)域”；特征值一大一小時，表明特征點位于“邊緣”上；只有當兩個特征值均比較大時，沿任何方向的移動均將導致灰度的劇烈變化。當目標像素點的CRF值大于給定的閾值時，該像素點即為角點。 。例如下面是圖像一角點坐標位置x212301309353582011785820218632916120258572013
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1