基于局部特征的图像匹配.pptxVIP

基于局部不变特征

的图像匹配

一、局部不变特征二、基于局部不变特征的匹配方法三、基于局部不变特征匹配的应用

定义：局部不变特征是指局部特征的检测或描述对图像的各种变化,例如几何变换、光度变换、卷积变换、视角变化等保持不变。一、局部不变特征

21重复性：相同场景或目标在不同成像条件下图像提取的局部不变特征应该是相同的;局部性：局部不变特征应具有局部性,减小遮挡的概率,同时可以采用简单的变换模型对图像间的变换进行近似建模;区分性：局部不变特征应包含较大的灰度或色度模式变化,易于区分;3局部不变特征特性:一、局部不变特征

精确性：局部不变特征应可以在空域、尺度域及形状域上精确定位;不变性：局部不变特征的检测和描述对各种变换应具有不变性;鲁棒性：局部不变特征的检测和描述应对图像噪声、量化误差、模糊等不敏感。局部不变特征特性:一、局部不变特征

一、局部不变特征理论基础：1、C.Schmid,R.Mohr,LocalGrayvalueInvariantsforImageRetrieval,IEEEPAMI,19(1997):530–534利用图像的局部信息足以描述图像包含的内容2、D.G.Lowe,DistinctiveImageFeaturesfromScale-InvariantKeypoints,InternationalJournalofComputerVision,60,2(2004),91–110.证明了局部信息足以用来进行图像识别

联合ARPIH和直方图相似性距离基于ShapeContext联合色彩和几何信息010203二、基于局部不变特征的匹配方法

2.1联合ARPIH和直方图相似性距离APPIH描述符∶0.85∶1

2.1联合ARPIH和直方图相似性距离”直方图的x轴是子区域的编号,y轴是灰度级(0-255),被均匀划分为18个灰度范围。将每一子区域中的像素点按其灰度值划分到各个灰度范围中。01例如:ARPIH中,z轴H(11,9)表示第11号子区域中灰度值在[115,129)范围内的点的个数。02ARPIH描述符

2.1联合ARPIH和直方图相似性距离ARPIH描述符通过使用ARPIH描述符,将2个图像区域的匹配转化成为2幅直方图的匹配,减少了计算的复杂性,且拥有良好的抗畸变能力

2.1联合ARPIH和直方图相似性距离直方图相似性距离假设对于有相同大小的图像的两个直方图，分别为H(m,n)和H’(m,n)。

2.1联合ARPIH和直方图相似性距离这个匹配算法的匹配步骤如下：Step1：用Bresenham算法计算模板图像的ARPIH。Step2：从目标图像中的坐上角开始选择和模板图像大小一样的子图像，并计算其ARPIH。Step3：匹配两个直方图并计算,将其存入到数组中并记录其相关联的的位置。

这个匹配算法的匹配步骤如下：Step4：在目标图像中滑动模板图像，搜寻和模板图像一样大小的子图像，计算ARPIH。Step5：重复第三步和第四步直到扫描完整个目标图像，匹配位置即为有最大的的区域。2.1联合ARPIH和直方图相似性距离

2.1联合ARPIH和直方图相似性距离

2.1联合ARPIH和直方图相似性距离

2.1联合ARPIH和直方图相似性距离结论：将局部不变的特征描述符ARPIH和直方图的相似性距离(HSD)结合起来,以实现对旋转、亮度变化、透视等畸变图像的有效匹配。实验证明,本算法可以有效地实现对上述畸变图像的匹配,具有优越的抗畸变性能。

2.2基于ShapeContextShapeContext描述符01整个区域分为12*5块，所以像素的特征信息是以参考点为原点，剩下点的log极坐标的柱状图。任何物体的轮廓可以被一个n*60大小的矩阵表示。02

2.2基于ShapeContextShapeContext描述符123456789……601abcdefghi……2345…N

2.2基于ShapeContext”ShapeContext描述符0102n*60

ShapeContext描述符1优点：2我们可以选择一些图像，比如人的，然后训练得到SC特征并且建立局部特征的数据库。3目标识别42.2基于ShapeContext

相似度测量：对新的图像，在边缘检测和训练后，我们得到图像框架的sc特征，然后我们用cost值估计目标特征点和数据库之间的相似度。2.2基于ShapeContext

2.3联合色彩和几何信息HSV空间S：饱和度H：色调V：亮度ＲＧＢ～ＨＳＶ

213可以看到，这种定义的一种好处是在亮度加上一个不变值时色调是不变的。反应几何信息的经典