关于各种图像匹配方法报告.doc

关于各种图像匹配方法的报告 图像匹配方法，大致可以分为三类：基于特征点、灰度分布和频域。本文的主要工作就是研究这三类图像匹配方法，分析各种方法的优缺点，其中重点研究了基于特征的匹配方法。注：为了控制篇幅，本报告只对相关算法进行了很简单的叙述，故附有两个文件夹，文件夹“报告相关文档”相对详细地叙述了各算法（节号相对应）。如果还不够详细、清楚，可参照文件夹“References”。 1、基于特征点匹配方法 1.1 SUSAN 特征点算法 SUSAN算法的基本原理是通过以一个点为中心的局部区域内亮度值的分布情况来判断平滑区域、边缘及角点。如图1所示，一个在图像上移动的圆形模板，模板的中心称为核心，它的位置有以下五种形式。图像一定区域的每个像素的亮度值与核心点的亮度值相比较，把比较结果相似或相同的点组成的区域叫做USAN（单值分割相似核心）。USAN区域含有图像在某个局部区域的结构信息，而大小反映了图像局部特征的强度。 SUSAN算子使用的是圆形模板来进行角点探测，一般使用模板的半径为3-4个像元，模板在图像上滑动，在每一个位置求亮度相似比较函数，并计算合计值，就得到了USAN区域的面积，而后再跟一个给定阈值进行比较。计算重心求出核到重心的距离，对应正确角点，若重心距离核较远，就能以距离消除虚假角点的影响。最后使用非最大抑制（No Max Suppression）方法，这样就可以找出角点。 1.2 A New SUSAN Based Image Sharpness Function 对于Susan的改进，Yu Song等人提出了一种自适应阈值的检测算法，解决了SUSAN算子对灰度细节丰富的图像检测效果不佳的问题。 下面是原SUSAN算法中使用的相似度函数： 而这种新的SUSAN算法的与原SUAN算法的区别就在于它使用了不依赖于固定阈值的相似度函数。Yu Song等人的文章中提出了7种相似度函数，如下： 之后对它们进行了实验，结果如下： 根据结果，由于最后一个函数的表现最好，故选择它。 1.3 SIFT 特征点算法 SIFT特征点匹配算法是David G Lowe在1999年提出的，并于2004年总结了现有的基于不变量技术的特征检测方法的基础上，提出的一种基于尺度空间的特征匹配算法。SIFT特征匹配算法分五个步骤来实现： 1、尺度空间极值检测。在尺度空间通过高斯函数来检测潜在的对于尺度和旋转不变的兴趣点。 2、精确关键点定位。在兴趣点位置上，确定关键点的位置和尺度。 3、关键点主方向分配。基于图像局部的梯度方向，给每个关键点分配方向。 4、关键点描述子的生成。在每个关键点的领域内测量图像局部的梯度。最终用一个特征向量来表达。 5、通过比较描述子之间的欧氏距离，进行进行匹配。匹配的方法是：在获得第一幅图像的特征向量后，将采样点的欧式距离作为相似性度量。取帧图像中某个关键点，找出其与图像中欧式距离最近的前两个关键点，在这两个关键点中，如果最近的距离与次近的比值小于某个阈值，则接收这一对匹配点。降低比例阈值，SIFT匹配点数目会减少，但匹配更稳定可靠。 1.4 ASIFT算法 ASIFT算法是一种对SIFT算法的改进，它克服了拍摄倾角过大造成的仿射变换的影响，确保了特征稳定性，提高了鲁棒性。由于相机正面拍摄物体时，相机的光轴方向可能发生变化，带来扭曲，所以第一步是对每张图片进行变换，模拟所有可能的仿射扭曲。这些扭曲由两个参量决定：水平角度φ和垂直角度θ。对数字图像来说，倾斜图像由具有方向性的 t 倍二次采样(t-subsampling)得到。它要求之前在 X 轴上有一次反锯齿处理(antialiasing filter)，最大限度的减少图像失真。该滤波由标准差为c的高斯卷积完成。在文献中 Lowe 建议该值取c = 0.8。文献中证明了该取值图像失真度较小。 对图像进行旋转变换和倾斜变换可以模拟有限的一些不同水平角度，垂直角度拍摄图像。对这些参数进行采样能保证模拟图像在不同的φ 和θ 引起的视角变换下保持近似。所有模拟倾斜后的图像一般将通过 SIFT 算法进行匹配比较。 上图显示了 ASIFT 算法概貌：正方形 A,B 分别代表被比较的图像 u 和 v。ASIFT 算法模拟了所有相机视轴坐标方向变化引起的扭曲。图中的平行四边形代表模拟扭曲后的图像，该图像将运用 SIFT 进行后续的匹配计算。 1.5 SURF 特征点算法 2006年，Herbert Bay提出了SURF算法，其整体思路同SIFT类似，特征点检测理论也是基于尺度空间，但在整个过程中采用了与SIFT不