智能图像处理与分析识别课件：图像匹配.pptx

;;图像匹配技术是数字图像信息处理和计算机视觉领域中的一个热点问题，在气象预报、医疗诊断、文字读取、空间飞行器自动导航、武器投射系统制导、雷达图像目标跟踪、地球资源分析与检测、以及景物分析等许多领域中得到广泛应用。

在数字图像处理领域，常常需要把不同的传感器或同一传感器在不同时间、不同成像系统条件下，对同一景物获取的两幅或者多幅图像进行比较，找到该组图像中的共有景物，或是根据已知模式，到另一幅图中寻找相应的模式，此过程为图像匹配。实际上，图像匹配就是一幅图像到另一幅图像对应点的最佳变换。;9.1模板匹配的概念;;9.2基于灰度相关的模板匹配;9.2基于灰度相关的模板匹配;9.2基于灰度相关的模板匹配;9.2基于灰度相关的模板匹配—SAD算法;9.2基于灰度相关的模板匹配—SAD算法;9.2基于灰度相关的模板匹配—SAD算法;9.2基于灰度相关的模板匹配;9.2基于灰度相关的模板匹配—SSDA算法;9.2基于灰度相关的模板匹配—SSDA算法;9.2基于灰度相关的模板匹配;9.2基于灰度相关的模板匹配—SATD算法;;图像的空间域与其他域之间的变换，如傅里叶变换，小波变换，轮廓波变换，剪切波变换等，实际上是图像在其他坐标领域中的表现。在空间域中，图像的信息是像素值和坐标位置；在其他域中，如傅里叶变换，图像的信息就是频率和幅度。简单的讲就是从不同的角度看图像而已。在其他域中对图像进行模板匹配处理，称为基于变换域的模板匹配。

基于傅里叶变换的图像匹配是典型的基于变换域的模板匹配方法，图像的旋转、平移、比例变换等均能在傅里叶变换的频域中反映出来。;9.3基于变换域的模板匹配;9.3基于变换域的模板匹配;;9.4基于特征相关的模板匹配;9.4基于特征相关的模板匹配;?;搭建高斯金字塔获取不同的尺度空间，如下图所示。原图像做第一层，假设已具有尺度σ0（Lowe推荐σ0=1.6，需要将原始图像做一定的调整，一般采用的方案是首先对初始图像做双线性差值以扩大一倍），之后的每一幅图像均由前一幅图像滤波得到且对应不同的参数σi（Octave），每组图像的初始图像（底层图像）是前一组图像倒数第三张隔点采样得???的，以便保持连续性，不同组相同层的滤波图像生成σi，最终生成的O组S+3层滤波图像集合被统称为高斯金字塔。;?;搭建好高斯金字塔之后，需要按照一定的方式提取图像的特征点。1980年，DavidCourtnayMarr和EllenHildreth提出了用于提取图像特征点的LoG(LaplacianofGaussian)算法。2002年，Mikolajczyk指出尺度归一化的数LoG所得出的极大值和极小值可以确保图像特征的稳定性，但计算复杂，运行效率不高。早在1994年，Lindeberg发现与LoG非常相似的高斯差分函数DoG(DifferenceofGaussian)，LoG与DoG的关系如下所示：;关键点即DoG空间中稳定的极值点。为了寻找DoG函数的极值点，每一个像素点要和所有相邻点进行对比，看是否比其尺度域的相邻点大或者小，如图9-11比较采样点与其相邻点，其中，蓝色的叉号为采样点，红色的点为相邻点，共26个（同尺度8个、上下相邻尺度各有9个点），查找关键点就是寻找极值点的过程。;（2）筛选出稳定的关键点;由于DoG算子会产生较强的边缘响应，产生的不稳定边缘响应点需要被剔除。考虑到高斯差分算子的极值在横跨边缘的地方有较大主曲率，而在垂直边缘的方向有较小的主曲率，因此可以通过极值点主曲率的大小来评估其稳定性。主曲率通过一个2×2的Hessian矩阵H求出，Hessian矩阵的计算公式如下所示：;?;选取一个邻域，关键点为中心，邻域内所有像素点的梯度用直方图统计，方向用箭头表示。平面角度范围0～360°，以10。为一个方向单位平均分为36个方向。如图所示，直方图的峰值方向代表了关键点的主方向，方向直方图的峰值则代表了该特征点处邻域梯度的方向，以直方图中最大值作为该关键点的主方向，为了简化，图中仅展示了表示8个方向的直方图;（4）生成特征点描述子;（5）特征点匹配;

%该函数读取图像并返回其SIFT“关键点”

function[image,descriptors,locs]=sift(imageFile)

image=imread(imageFile);%读图

[rows,cols]=size(image);

%转换为PGM格式，便于“关键点”可执行文件的读取

f=fopen(tmp.pgm,w);

iff==-1

error(Couldnotcreatefiletmp.pgm.);

end

f