碎片拼接的模型(原文档被处理过,公式不显示).docxVIP

2.2.1 基于像素灰度的统计匹配算法图像的统计匹配算法是利用两幅图像各像素的灰度值的一种算法。其中一张作为基准图，尺寸较大，是一张事先已知的图像；另一张则为实时图，尺寸较小，是要寻求在基准图中相对应位置的图，在本文中则为人民币碎片图。进行匹配计算时，实时图（碎片图）的像素灰度值矩阵右下角点分别与基准图上的某一个像素点相对6数学建模应重合，根据计算规则由两张图的灰度值计算评价值。遍历基准图上的所有点，每一点都有一个评价值，比较所有这些值则可得到评价值的极值，这个极值（根据规则可能为最大值，也可能为最小值）所在的点就是要求的匹配位置点。在匹配过程中，有可能实时图上的像素没有相对应的基准图上的像素，例如实时图在基准图左上角这一点的匹配，实时图除了右下角一点有与基准图左上角一点相配外，其余点都找不到相配的点，此时将应与实时图各点相配的基准图的灰度值计为零。下图即为基于灰度的统计匹配算法的示意图，基准图 f(x，y)以左上角的像素点为坐标原点，实时图 t(x，y)以右下角的像素点为坐标原点，坐标正向均如图所示。并设实时图 t(x，y)的大小为 m×n。实时图 t(x，y)基准图 f(x，y)图 2－1 统计匹配算法的示意图Fig.2－1 Statistical matching algorithm基于灰度的统计匹配算法有以下几种[9：]平均绝对差度量df ,t(u，v)=1m ?n1 1( ) (n mx yf x y t x u y v)= =∑∑ ， ?? ，?（2－1）平方差度量7数学建模df ,t(u，v)=(21 1( ) (n mx yf x y t x u y v)= =∑∑ ， ?? ， ?）（2－2）平均平方差度量df ,t(u，v)=1m ?n( )21 1( ) (n mx yf x y t x u y v= =∑∑ ， ?? ， ?）（2－3）以上几种算法，df ,t(u，v)=0，当基准图中某一区域与实时图完全相同时，df ,t(u，v)＝0。因此 df ,t(u，v)的值越小，则两图的相似性越高。选取 f(x，y)中 df ,t(u，v)最小值处则为实时图在基准图中的位置。积相关度量df ,t(u，v)=1m ?n1 1( ) (n mx yf x y t x u y v)= =∑∑ ， ? ，?（2－4）归一化积相关度量df ,t(u，v)=1 112 22 21 1 1 1( ) ( )( ) ( )n mx yn m n mx y x yf x y t x u y vf x y t x u y v= == = = =?????????????∑∑∑∑ ∑∑， ，， ，1???（2－5）以上两种算法则 df ,t(u，v)值越大表明两图间的差别最小。以上所有公式中，u，v 是实时图相对于基准图在 x 轴，y 轴方向上的位置，即实时图相对于基准图从原点开始在 x 轴，y 轴方向上的移动距离。2.2.2 基于直方图的统计匹配算法上面介绍的统计匹配算法是直接将两张图的像素灰度值作比较，同时实时图需在基准图上遍历搜索，计算工作量大。基于直方图的匹配算法是另一种统计匹配算法，它将图像的二维信号降为一维信号进行比较，可显著降低计算的工作量。直方图是将一张图像中各个灰度级的像素数量与灰度级相对应表示在一张坐标图上，如图 2－2 所示。计算每一灰度级像素出现的频次则可得到归一化的直方图。此时直方图横坐标表示灰度级 r ，纵坐标是该灰度级出现的频率 h(r )。“经典的直方图匹配i i算法是计算直方图之间的欧氏距离(Euclidean distance)，即对于两个直方图向量h1(r )和 h (r ) ， 它 们 之 间 的 欧 氏 距 离 计 算 公 式 为 ： d(h (r ) ， h (r )) ＝i2i1i2i( ( )) ( ( ))2 21 i 1 2 i2h r ? E + h r ? E其中 E1和 E 分别是两幅图像的平均灰度。在这种计算方法中,对直方图之间的相似度测量是按照矢量距离测量的思路进行的。另一方面,直方图还是一个统计量,具有随机变量的性质,因此可以采用对随机变量的数字特征的分析方法对直方图之间的相似度进行分析”[1。这样可以定义直方图随机变量的阶20]图 2－2 直方图示意图[10]Fig.2-2 Image of histogram原点矩和阶中心矩。由于相同目标所生成图像的直方图形态上变化不会太大，可由直方图随机信号的归一化中心矩生成几个不变量，这些变量具有位移，比例和线性不变性。可以根据此不变性来进行匹配工作。( )kii∑ i h r； （2－6）[11] [12]定义直方图的 k 阶原点矩：M ＝kk 阶中心矩：η ＝k( ) (kii∑ i ?μhr)； （2－7）其中μ为灰度均