【正文】 體，人們生活中離不開圖像。模擬圖像一般用照相機等來獲取，模擬圖像可以用一個連續(xù)函數來描述，所以模擬圖像也可以成為：連續(xù)圖像處理。但是模擬圖像有處理精度太差，處理方式也不夠靈活，處理時間過長等缺點。數字圖像處理的是數字圖像，即北京化工大學畢業(yè)設計（論文）2是由一組具有顏色、亮度等像數點的集合。 數字圖像處理的主要應用領域包括：(1)圖像傳輸、 電 視 會 議 、 電 視 電 話 、 視 頻 和 多 媒 體 系 統(tǒng) 等 等 。(3)遙 感 分 航 空 遙 感 和 航 天 遙 感 。 可 用 于 地 質 、 礦 藏 勘 探 和 森 林 、 水 利 、 海 洋 、 農 業(yè) 等 資 源 的 調 查 ；自 然 災 害 預 測 預 報 ； 環(huán) 境 污 染 監(jiān) 測 ； 氣 象 衛(wèi) 星 云 圖 處 理 以 及 用 于 軍 事 目 的 的 地 面目 標 識 別 。圖像匹配是圖像處理的一個基本問題，用于將不同時間、不同傳感器、不同視角及不同拍攝條件下獲取的兩幅或多幅圖像進行匹配，其最終目的在于建立兩幅圖像之間的對應關系，確定一幅圖像與另一幅圖像的幾何變換關系式，用以糾正圖像的形變。圖像匹配技術是實現圖像融合、圖像校正、圖像鑲嵌以及目標識別與跟蹤的關鍵步驟之一。隨著科學技術的發(fā)展，圖像匹配不僅成為現代信息處理領域中一項十分重要的技術，而且是一些圖像分析技術的基礎，在許多方面有著重要的應用價值，如醫(yī)學圖像診斷、遙感數據分析、模式識別和計算機視覺等 [2]。 隨著科學技術的發(fā)展，圖像匹配己成為圖像信息處理領域中一項非常重要的技術。圖像匹配的研究涉及到多方面，包括圖像采集、圖像分割、圖像處理、特征提取等方面，并且與計算機視覺、多維信號處理和數值計算方法緊密結合。正因為圖像匹配應用的廣泛性，新的要求和新的應用逐步產生，使得圖像匹配算法的研究逐步加深 [3]。 其 實 質 是 在 基 元 相 似 性 的 條 件下 ， 運 用 匹 配 準 則 的 最 佳 搜 索 問 題 。圖像匹配技術是實現圖像融合、圖像校正、圖像鑲嵌以及目標識別與跟蹤的關鍵步驟之一 [4]。它也是一些圖像分析技術的基礎。一般來說，圖像的模板匹配技術主要可以分成基于灰度值的方法以及基于特征提取的方法兩大類。 利 用 兩 個 信 號 的 相 關 函 數 ， 評 價 它們 的 相 似 性 以 確 定 同 名 點 。 影 響 圖 像 匹 配 的 主 要 因 素根據已知模式的圖像在一幅陌生圖像中尋找對應該模式的子圖像被稱為圖像匹配。為解決圖像畸變帶來的匹配難度，人們基于以下四個要素提出了許多匹配算法：(1)特征空間 特征空間是由參與匹配的圖像特征構成的，特征可以是灰度值，也可以是邊界、輪廓、表面、顯著特征、統(tǒng)計特征、高層結構描述與句法描述等。經典的相似性度量包括相關函數和Minkowski距離,最近人們又提出了Hausdorff距離，互信息作為匹配度量；(3)搜索空間 圖像匹配問題是一個參數的最優(yōu)估計問題，待估計參數組成的空間即搜索空間， 成像畸變的類型和強度決定了搜索空間的組成和范圍；(4)搜索策略搜索策略是用合適的搜索方法在搜索空間中找出平移、旋轉等變換參數的最優(yōu)估計，使得圖像之間經過變換后的相似性最大。北京化工大學畢業(yè)設計（論文）5第 節(jié) 圖 像 匹 配 的 研 究 現 狀 圖像匹配一直以來都是計算機視覺的基本問題之一，其中包括許多目前炙手可熱的領域，如目標或場景識別、立體匹配和目標跟蹤等。各行各業(yè)的專家學者從問題的不同方面出發(fā)運用多種方法，對如何得到既快又好的匹配算法進行了探索研究 [6]。 發(fā) 展 到 80年 代 以 后 ， 圖 像 匹 配 應 用 已 從 原 來 的 軍 事應 用 擴 展 到 其 他 領 域 。 研 究 內 容 主 要 涉 及 特 征 空 間 、相似性度量和搜索策略，即圖像匹配的三要素，如表1從最早的70年代初，（Fast Fourier Transform）算法進行圖像互相關檢測計算的圖像配準技術，提高了圖像配準過程的速度；直到現在各種各樣的匹配方法的出現，圖像匹配算法經過幾十年的發(fā)展已經取得了很大的進展，但由于拍攝環(huán)境復雜多變和實際需求差別較大，現在還沒有一種算法能夠解決所有圖像的匹配問題。表 1它也是其它一些圖像分析技術，如立休視覺、運動分析、數據融合等的基礎。其實質是在基元相似性的條件下，運用匹配準則的最佳搜索問題。基本上可以將匹配算法分為基于象素灰度相關的匹配、基于圖像特征的匹配以及基于其它理論的圖像匹配, 綜述了具有代表性的傳統(tǒng)匹配算法以及近年來的新思路和新方法。 匹 配 窗 口 大 小 的 選 擇 也 是 影 響 匹 配 性 能 的 一 個 重 要 因 素 ， 當 景 物 存 在 遮擋 或 者 圖 像 不 光 滑 時 ， 選 擇 大 窗 口 容 易 出 現 錯 誤 的 匹 配 ， 而 小 窗 口 又 不 能 滿 足 強度 的 變 化 ， 因 此 為 了 達 到 最 好 的 匹 配 效 果 ， 可 以 自 動 適 應 調 整 匹 配 窗 口 的 大 小 。 所 以 該 算 法 抗 噪 聲 及 其 他 抗 干 擾 的 能 力 比較 差 ， 只 能 用 于 對 具 有 相 同 外 界 條 件 的 兩 幅 圖 像 進 行 匹 配 [7]。Y(a，b) ij 表示輸入圖像以(a ，b)為中心，與參考圖像大小相等，對應(i，j)位置的像素灰度?，F在如果令實時圖的不變矩為M ij=1，2...7，并且令實驗位置(u，v)上的基準子圖的不變矩為N i (u，v)，j=1，2...7，則兩圖之間的相似度可以用任一種相關算法來度址本文采用上面的歸一化相關算法時其相似度如式(3)，其中R(u，v)是實驗位置(u，v)上的不變矩的相關值。1)（2）灰度的絕對差值法(AD) 模板N在圖像M上平移，搜索窗口所覆蓋的子圖記作M i,j，i， j為子圖的左上角頂點在圖M中的坐標。2)其中， S ，T 分別代表圖像各個像素的灰度值，m ，n代表各個像素的坐標。這種方法雖然計算比較簡單，但是它對噪聲非常敏感。（3）差方和法(SSD)這種方法是計算模板與搜索子圖灰度值的L 2距離： D(i,j)= |Mi,j(m,n)N(n,m)|2 (2基于灰度的匹配算存在如下幾個缺陷：(1)對圖像的灰度變化比較敏感，尤其是非線性的光照變化，將大大降低算法的性能：(2)計算復雜度高；(3)對目標的旋轉，形變以及遮擋比較敏感。北京化工大學畢業(yè)設計（論文）8第 節(jié) 基于特征的匹配算法 基于特征的匹配算法根據兩幅圖像相同特征的集合關系計算配準參數，而圖像的低級別特征主要有點、邊緣及面特征等。 基 于 特 征 點 的 圖 像 匹 配 主 要 有 點 點 匹 配 和 點 集 匹 配 兩 種 。 點 集 匹 配 不 需 要 建 立 明 確 的 點 點 對 應 關 系 ， 只 需 要 利用 點 的 位 置 和 相 互 關 系 進 行 匹 配 。 圖像特征分為兩類，第一類是局部特征，比如說角點，邊緣點，短的邊緣或線段，小塊區(qū)域等；第二類是全局特征，通常由幾個多邊形或是幾個對圖像內容更為復雜的描述構成。 特 征 匹 配 需 要 用 到 許 多 諸 如 矩 陣 的 運 算 、 梯 度 的 求 解 、 還 有 傅 立 葉 變 換和 泰 勒 展 開 等 數 學 運 算 。有些方法采用角點作為局部特征，如也有些方法采用線段，比如通過提取高分辨率遙感城市圖像中的道路作為特征來匹配也可以是邊緣，輪廓，小塊區(qū)域等其他更為復雜的特征，比如以多邊形區(qū)域作為待匹配特征。常 用的 特 征 提 取 與 匹 配 方 法 有 ： 模 型 法 、 幾 何 參 數 法 、 幾 何 法 、 邊 界 特 征 法 、 信 號 處理 法 、 傅 氏 形 狀 描 述 法 、 統(tǒng) 計 方 法 、 形 狀 不 變 矩 法 等 。特征匹配方法涉及到對特征描述的定義和特征匹配策略兩點。在多數情況下這幾點是矛盾的，所以一個好的特征描述定義應該很好的權衡好這幾點問北京化工大學畢業(yè)設計（論文）9題。常用的基于特征的匹配算法有距離匹配方法、最小均方誤差匹配、金字塔小波匹配等，以及現在很熱門的SIFT算法。1：特 征 提 取 特 征 匹 配 圖 像 變 換圖 2本章對特征點的提取算法進行分析，的能找出一種快速有效的特征點提取算法 [10]。在常見的特征點有灰度局部極大值點、邊緣點、角點和拐點等等。例如有的特征點的提取算法運算量非常大，在加上算法精度很高，無法實現實時處理。此外，現有的特征點提取算法很難保證不存在漏檢某些特征點以及提取一些錯誤的特征點。提取算法能夠提取出圖像中盡可能多地特征點。提取的特征點盡可能接近其真實位置。當圖像受到例如噪聲等干擾時，仍然能夠踢除相應的特征點并且不存在位置偏差。特征點提取算法越簡單，運行速度越快，則就比較容易滿足實際的要求，其使用價值就越大。其中基于邊緣的特征點的提取算法的中心思想是：特征點是兩條獲多條邊界交叉點的特殊邊界點，因此這些算法要先對圖像進行分割，提取圖像的邊界信息，然后通過對圖像的邊界點進行分析提取特征點。 基 于邊 緣 特 征 點 的 提 取 算 法 對 圖 像 分 割 的 依 賴 性 相 對 較 大 ， 基 于 灰 度 的 特 征 點 提 取 算法 則 可 以 通 過 圖 像 的 灰 度 信 息 直 接 提 取 特 征 點 。SIFT(Scale Invariance Feature Transform)方法是由David Lowe 提出的，利用 SIFT 方法從圖像中提取出的特征點可以用于一個物體或場景不同視角下的可靠匹配，提取出的特征點對圖像尺度和旋轉保持不變，對光線變化、噪聲、仿射變化都具有魯棒性，另外，SIFT提取出的特征點具有很高的獨特性，因此從某種意義上說一個特征點可以在多幅圖像提取出的特征點庫中得到正確匹配的概率極高。采用SIFT方法提取的圖像特征具有放縮不變性、旋轉不變性，還有一定的抗光照變化和抗視點變換性能。SIFT 算法首先在尺度空間進行特征檢測，并確定關鍵點的位置和關鍵點所處的尺度，然后使用關鍵點鄰域梯度的主方向作為該點的方向特征，以實現算子對尺度和方向的無關性。(2) 精煉特征點位置。(3) 計算特征點的描述信息，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，使算子具備旋轉不變性。2. SIFT特征匹配 SIFT 特征匹配算法包括兩個階段：第一階段是SIFT 特征的生成，即從多幅待匹配圖像中提取出對尺度縮放、旋轉、亮度變化無關的特征向量；第二階段是SIFT 特征向量的匹配。 給定N 個數據點組成的數據集合P，假設它們中的絕大多數是由一個參數未知的特定的模型產生的，該模型的參數至少需要n個數據點求出，N n。將下述過程運行k次： (1) 從P中隨機選取n個數據點的子集Sl ； (2) 由選取的這 n個數據點計算出一個模型M ； (3) 對數據集合中其余的 N n 個數據點，計算出它們與模型M 之間的距離,記錄在Ml 的某個誤差允許范圍內的P中數據點的個數count 。在提純應用中，透視矩陣由 4 個匹配點得出。選用內點閾值為 1. 25 ，即特征點提取標準差為 0. 5107 個像北京化工大學畢業(yè)設計（論文）12素值，定義閾值計算公式為 dv = d2 ( x′ Mx )，小于等于閾值的特征點對為 M 的內點，大于閾值的則為外點。從而可以得到了優(yōu)化的內點集合來進一步計算透視矩陣 M。圖像的邊緣主要表現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。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。為了求取邊緣方向直方圖，需要提取圖像中目標的邊緣。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。 Roberts 邊緣檢測算子任意一對相互垂直方向上的差分可以看成求梯度的近似方法，Roberts 邊緣檢測算子利用該原理，采用對角線方向相鄰兩像素之差代替梯度，即 fx=f(i,j) f(i+1,j+1) (25)梯度幅值近似為 R(i,j)= 或 R(i,j)=|fx|+|fy| (2適當選取閾值 τ ，如果R(i, j) τ ，則認為點 (i, j)是邊緣點。 Sobel 邊緣檢測算子Sobel 邊緣檢測算子的基本思想是 [13]：以待檢測圖像的任意像素(i,j)為中心，截取一個33像素窗口，分別計算窗口中心像素在x，y 方向上的梯度 Sx=[f(i1,j+1)+2f(i,j+1)+f(i+1,j+1)][f(i1,j1)+2f(i,j1)+f(i+1,j1)] (28)Sobel 邊緣檢測算子是綜合圖像每個像素的上、下、左、右鄰點灰度的加權和，接近中心的權值較大。Sobel 邊緣檢測算子不但可以產生較好的邊緣效果，而且對噪聲具有平滑作用，減小了對噪聲的敏感性。 Prewitt 邊緣檢測算子Prewitt 邊緣檢測算子是一種類似 Sobel 邊緣檢測算子的邊緣模板算子，通過對圖像進行八個方向的邊緣檢測，將其中方向響應最大的作為邊緣幅度圖像的邊緣Prewitt 邊緣檢測算子并不