基于特征的图像匹配算法毕业设计论文含源代码.docx
- 文档编号:14575296
- 上传时间:2023-06-24
- 格式:DOCX
- 页数:91
- 大小:1.67MB
基于特征的图像匹配算法毕业设计论文含源代码.docx
《基于特征的图像匹配算法毕业设计论文含源代码.docx》由会员分享,可在线阅读,更多相关《基于特征的图像匹配算法毕业设计论文含源代码.docx(91页珍藏版)》请在冰点文库上搜索。
基于特征的图像匹配算法毕业设计论文含源代码
诚信声明
本人声明:
我所呈交的本科毕业设计论文是本人在导师指导下进行的研究工作及取得的研究成果。
尽我所知,除了文中特别加以标注和致谢中所罗列的内容以外,论文中不包含其他人已经发表或撰写过的研究成果。
与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。
本人完全意识到本声明的法律结果由本人承担。
申请学位论文与资料若有不实之处,本人承担一切相关责任。
本人签名:
日期:
2010年05月20日
毕业设计(论文)任务书
设计(论文)题目:
学院:
专业:
班级:
学生指导教师(含职称):
专业负责人:
1.设计(论文)的主要任务及目标
(1)了解图象匹配技术的发展和应用情况,尤其是基于特征的图象匹配技术的发展和应用。
(2)学习并掌握图像匹配方法,按要求完成算法
2.设计(论文)的基本要求和内容
(1)查阅相关中、英文文献,完成5000汉字的与设计内容有关的英文资料的翻译。
(2)查阅15篇以上参考文献,其中至少5篇为外文文献,对目前国内外图象匹配技术的发展和应用进行全面综述。
(3)学习图象匹配算法,尤其是基于特征的图象匹配算法。
(4)实现并分析至少两种基于特征的图象匹配算法,并分析算法性能。
3.主要参考文献
[1]谭磊,张桦,薛彦斌.一种基于特征点的图像匹配算法[J].天津理工大学报,2006,22(6),66-69.
[2]甘进,王晓丹,权文.基于特征点的快速匹配算法[J].电光与控制,2009,16
(2),65-66.
[3]王军,张明柱.图像匹配算法的研究进展[J].大气与环境光学学报,2007,2
(1),12-15.
4.进度安排
设计(论文)各阶段名称
日期
1
查阅资料,学习相关知识
3月
2
初步编程
4月上旬~4月中旬
3
算法实现,程序调试
4月下旬~5月上旬
4
统计数据,分析特点
5月旬
5
毕业论文写作
5月中旬~5月下旬
6
英文资料翻译
自行安排
摘要
图像匹配技术是实现图像融合、图像校正、图像镶嵌以及目标识别与跟踪的关键步骤之一,已经广泛应用在图像识别以及图像重建等领域中。
简单来说,图像匹配就是找到两幅不同图像之间的空间位置关系。
图像匹配主要可分为以灰度为基础的匹配和以特征为基础的匹配。
本文首先对现有图像匹配方法的进行分类、概述和简要的说明;分析了课题研究的背景,以及对国内外图像匹配的研究状况描述;其次对现有的图像匹配的几种常见算法进行简要的说明,其中着重介绍了基于特征的匹配的算法。
参考了一种基于图像灰度值特征点的快速匹配搜索算法,该算法利用得出的灰度值特征点作为搜索依据,通过实验,证实了该算法的快速性和准确性。
本文在对几种图像匹配方法的研究的基础上,采用基于灰度传统的方法、基于边缘特征的方法和基于一阶特征点图像匹配的方法进行图像匹配仿真,并对三种方法的快速性准确性做了比较。
再次比较基于灰度、基于边缘、基于一阶特征点图像匹配方法的优缺点。
不同的环境下每种方法各有优缺点,加入噪声时基于边缘特征图像匹配能够匹配成功,基于边缘特征图像匹配较另外两种匹配方法能够有效的抑制噪声干扰。
关键词:
图像匹配;特征点;灰度匹配;特征点匹配
Abstract
Imagematchingtechniqueisoneofthekeystepstoachieveimagefusion,imagecorrection,imagemosaic,aswellastargetrecognitionandtrackingandhasbeenwidelyusedintheareasofimagerecognitionandimagereconstruction.Inaword,imagematchingistofindthespatialrelationshipbetweenthetwodifferentimages.Imagematchingcanbedividedintogray-basedandfeature-basedmatching.
Thepaperfirstlyclassifiedandbrieflydescribedtheexistingimagematchingmethodsandanalysedtheresearchbackground.Secondly,thepaperexplainedseveralcommonalgorithmsofexistingimagematching,especially,thealgorithmoffeature-basedmatching.Basedontheresearchofseveralimagematchingmethods,thepaperadoptedtraditionalmethodbasedongraylevel,themethodbasedonedgefeaturesandthemethodbasedonfirst-orderfeaturepointsimagematchingtoconductimagematchingsimulation,andcomparedtherapidityandaccuracyofthem.Finally,thepaperpointedouttheadvantagesanddisadvantagesofthemethodsbasedongraylevel,basedonedgefeaturesandbasedonfirst-orderfeaturepointsimagematching.Eachmethodhasboththeadvantagesanddisadvantagesinthedifferentenvironment.Imagematchingmethodbasedonedgefeaturescanmatchsuccessfullywhennoiseisadded,andcaneffectivelysuppressnoisecomparedwithothertwomethods.
Keywords:
Imagematching,FeaturePoints,GrayMatching,featurepointsmatching
目录
前言
数字图像处理,即用计算机对图像进行处理。
与人类对视觉机理研究的历史相比,它是一门相对年轻的学科。
但在其短短的历史中,它却以程度不同的成功被广泛应用于几乎所有与图像有关的领域数字图像处理技术。
图像是人类获取和交换信息的主要来源,因此,图像处理的应用领域必然涉及到人类生活和工作的方方面面。
随着人类活动范围的不断扩大,图像处理的应用领域也将随之不断扩大。
在20多年的时间里,迅速地发展成为一门独立的有强大生命力的学科。
随着科学技术的发展,图像匹配己成为图像信息处理领域中一项非常重要的技术。
图像匹配就是找到两幅不同图像之间的空间位置关系。
图像匹配技术是实现图像融合、图像校正、图像镶嵌以及目标识别与跟踪的关键步骤之一。
图像匹配主要可分为以灰度为基础的匹配和以特征为基础的匹配。
图像匹配主要研究匹配的准确性、快速性[1]。
基于特征的图像匹配方法近年越来越引起研究者的重视,各种新颖的算法不断涌现。
每种方法都有各自的优缺点和应用范围。
应用时应根据实际情况选取合适的配准方法。
若要求精度高,可考虑多次选取/匹配,每次选取/匹配特征点时,参考最近几次的情况,由粗到精递归求解;或者采用神经网络的学习机制,使匹配结果逐步精确,最终符合要求。
通过阅读大量的文献报道,可以知道未来的图像配准将进一步追求实时性、高精度和可靠性。
为减小运算量,可着眼于研究某一算法的快速算法;对一些运算量大的步骤寻找其简单的替代步骤。
本文先通过对图像匹配算法的作简要的说明,特别是基于特征图像匹配的算法;然后分析了图像匹配的算法的优劣;接着参考了一种基于图像灰度值特征点的快速匹配搜索算法,比较了基于灰度、基于边缘特征、基于一阶特征点图像匹配算法的准确性、快速性、抵抗干扰和旋转性能;最后比较了这3种算法在不同环境下的优劣性。
第1章绪论
数字图像处理是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。
数字图像处理的产生和迅速发展主要受三个因素的影响:
一是计算机的发展;二是数学的发展;三是广泛的农牧业、林业、环境、军事、工业和医学等方面的应用需求的增长。
数字图像处理的发展从20世纪20年代初的应用于改善伦敦和纽约之间海底电缆发送的图片质量,到20世纪70年代图像处理主要和模式识别及图像理解系统的研究相联系。
发展到现在,数字图像处理已从一个专门的研究领域变成了科学研究和人机界面中的一种普遍应用的工具。
图像匹配技术是数字图像处理领域的一项重要研究,并已在计算机视觉、虚拟现实场景生成、航空航天遥感测量、医学影像分析、光学和雷达跟踪、景物制导等领域得到了广泛的应用。
图像匹配是图像处理的一个基本问题。
简单地说,图像匹配就是找到两幅不同图像之间的空间位置关系。
对同一物体或场景使用不同的传感器、在不同的光照条件下以不同的摄像位置和视角获得的图像一般都会不同,其差异可能表现为不同的分辨率、不同的灰度属性、不同的位置平移和旋转、不同的大小缩小和放大、以及其他的非线性变化部分物体被遮挡等。
第1.1节课题的研究背景
当今社会是信息社会,各种媒体各种工具相互交存于社会的方方面面,而图像在其中又占据了极其重要的地位。
图像具有包含信息量大、直观、容易理解以及吸引人注意等优点,是人们感知和认识外部的重要载体,人们生活中离不开图像。
图像可以分为模拟图像和数字图像之分。
模拟图像一般用照相机等来获取,模拟图像可以用一个连续函数来描述,所以模拟图像也可以成为:
连续图像处理。
其主要过程主要借助各种设备对图像进行加工处理。
但是模拟图像有处理精度太差,处理方式也不够灵活,处理时间过长等缺点。
数字图像是用二进制来表示图像的,是离散的数据集,可以通过数码相机等数字设备来获取。
数字图像处理的是数字图像,即是由一组具有颜色、亮度等像数点的集合。
数字图像的特点决定了其灵活性,并且以强大的功能成为现阶段图像处理技术的主流。
数字图像处理的主要应用领域包括:
(1)图像传输、电视会议、电视电话、视频和多媒体系统等等。
(2)军事、公安、档案等其它方面的应用军事目标的侦察、制导和警戒系统、自动火器的控制及反伪装;公安部门的现场照片;指纹、手迹、印章、人像等的进一步处理和辨识;历史文字和图片档案的修复和管理;以及其它方面图像信息的显示、记录、处理和文字自动识别等。
(3)遥感分航空遥感和航天遥感。
遥感图像需要用图像处理技术加工处理并提取有用的信息。
可用于地质、矿藏勘探和森林、水利、海洋、农业等资源的调查;自然灾害预测预报;环境污染监测;气象卫星云图处理以及用于军事目的的地面目标识别。
(4)数字图像处理还应用于工业生产中的产品质量检测、生产过程的自动控制、计算机辅助设计与制造、医学和农业等各个方面。
图像匹配是图像处理的一个基本问题,用于将不同时间、不同传感器、不同视角及不同拍摄条件下获取的两幅或多幅图像进行匹配,其最终目的在于建立两幅图像之间的对应关系,确定一幅图像与另一幅图像的几何变换关系式,用以纠正图像的形变。
总的来说图像匹配就是找到两幅不同图像之间的空间位置关系。
图像匹配技术是实现图像融合、图像校正、图像镶嵌以及目标识别与跟踪的关键步骤之一。
图像匹配就是把具有同一场景的两幅或多幅图像在空间上对准,进而确定它们之间变换关系的过程,这些图像可能是在不同时间、用不同传感器、从不同视角拍摄下来的。
随着科学技术的发展,图像匹配不仅成为现代信息处理领域中一项十分重要的技术,而且是一些图像分析技术的基础,在许多方面有着重要的应用价值,如医学图像诊断、遥感数据分析、模式识别和计算机视觉等[2]。
(1)医学图像诊断:
肿瘤检测、CT、MRI、PET图像结构信息融合、数字剪影血管造影术等;
(2)遥感数据分析:
分类、定位和识别多谱段的场景信息、自然资源监控、核生长监控、市区增长监控等;
(3)模式识别:
目标物体运动跟踪、序列图像分析、稳像、特征识别、签名检测等;
(4)计算机视觉:
三维重建、目标定位、自动质量检测、虚拟现实等。
随着科学技术的发展,图像匹配己成为图像信息处理领域中一项非常重要的技术。
现在约40%的机器视觉应用中需要用到图像匹配技术,所涉及的应用领域从上述几种应用扩大到工业检测的地形匹配、光学和雷达的图像跟踪、工业流水线的白动监控、工业仪表的自动监控、资源分析、气象预报、医疗诊断、交通管理、文字识别以及图像检索等。
图像匹配的研究涉及到多方面,包括图像采集、图像分割、图像处理、特征提取等方面,并且与计算机视觉、多维信号处理和数值计算方法紧密结合。
它也是一些图像分析技术的基础。
正因为图像匹配应用的广泛性,新的要求和新的应用逐步产生,使得图像匹配算法的研究逐步加深[3]。
第1.2节图像匹配的概述
1.2.1图像匹配的概念
图像匹配是指通过一定的匹配算法在两幅或多幅图像之间识别同名点,如二维图像匹配中通过比较目标区和搜索区中相同大小的窗口的相关系数,取搜索区中相关系数最大所对应的窗口中心点作为同名点。
其实质是在基元相似性的条件下,运用匹配准则的最佳搜索问题。
图像匹配就是找到两幅不同图像之间的空间位置关系。
图像匹配技术是实现图像融合、图像校正、图像镶嵌以及目标识别与跟踪的关键步骤之一[4]。
图像匹配的研究涉及到多方面,包括图像采集、图像分割、图像处理、特征提取等方面,并且与计算机视觉、多维信号处理和数值计算方法紧密结合。
它也是一些图像分析技术的基础。
正因为图像匹配应用的广泛性,新的要求和新的应用逐步产生,使得图像匹配算法的研究逐步加深,出现了快速、稳定、鲁棒性好的匹配算法因此,对现有匹配算法展开分析对几实际工程提高图像处理质量和识别精度具有非常重要的意义。
一般来说,图像的模板匹配技术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两大类。
灰度匹配的基本思想:
以统计的观点将图像看成是二维信号,采用统计相关的方法寻找信号间的相关匹配。
利用两个信号的相关函数,评价它们的相似性以确定同名点。
特征匹配是指通过分别提取两个或多个图像的特征(点、线、面等特征),对特征进行参数描述,然后运用所描述的参数来进行匹配的一种算法[5]。
1.2.2影响图像匹配的主要因素
根据已知模式的图像在一幅陌生图像中寻找对应该模式的子图像被称为图像匹配。
由于传感器噪声、光照、目标移动和变形、成像过程中视角改变或者环境的改变会使同一场景在不同条件下投影所得到的二维图像会有很大的差异。
为解决图像畸变带来的匹配难度,人们基于以下四个要素提出了许多匹配算法:
(1)特征空间
特征空间是由参与匹配的图像特征构成的,特征可以是灰度值,也可以是边界、轮廓、表面、显著特征、统计特征、高层结构描述与句法描述等。
选择合理的特征可以提高匹配性能、降低搜索空间、减小噪声等不确定性因素对算法的影响,提高适应性;
(2)形似性度量
相似性度量指用什么来确定待匹配特征之间的相似性,它通常是某种代价函数或者是距离函数的形式。
经典的相似性度量包括相关函数和Minkowski距离,最近人们又提出了Hausdorff距离,互信息作为匹配度量;
(3)搜索空间
图像匹配问题是一个参数的最优估计问题,待估计参数组成的空间即搜索空间,成像畸变的类型和强度决定了搜索空间的组成和范围;
(4)搜索策略
搜索策略是用合适的搜索方法在搜索空间中找出平移、旋转等变换参数的最优估计,使得图像之间经过变换后的相似性最大。
搜索策略有穷尽搜索、分层搜索、模拟退火算法、Powell方向加速法、动态规划法、遗传算法和神经网络法等。
第1.3节图像匹配的研究现状
图像匹配一直以来都是计算机视觉的基本问题之一,其中包括许多目前炙手可热的领域,如目标或场景识别、立体匹配和目标跟踪等。
建立正确匹配是解决问题的关键。
各行各业的专家学者从问题的不同方面出发运用多种方法,对如何得到既快又好的匹配算法进行了探索研究[6]。
70年代初,美国首先在飞行器辅助导航系统,武器投射系统的末制等应用研究中首先提出了图像匹配这一概念。
发展到80年代以后,图像匹配应用已从原来的军事应用扩展到其他领域。
根据实际应用的需要,人们在提高图像匹配的精度、速度、通用性以及抗干扰性等方面做了大量的研究工作。
研究内容主要涉及特征空间、相似性度量和搜索策略,即图像匹配的三要素,如表1·1所示。
从最早的70年代初,P.E.Anuta提出利用FFT(FastFourierTransform)算法进行图像互相关检测计算的图像配准技术,提高了图像配准过程的速度;直到现在各种各样的匹配方法的出现,图像匹配算法经过几十年的发展已经取得了很大的进展,但由于拍摄环境复杂多变和实际需求差别较大,现在还没有一种算法能够解决所有图像的匹配问题。
于是寻求探讨一种新的算法能综合利用这些方法的优点将会取得更好的匹配结果。
表1·1匹配三要素
特征空间
相似性度量
搜索策略
灰度
相关系数
层次
特征点
归一化相关系数
迭代点匹配
边缘强度
归一化相关系数及匹配滤波器
层次迭代或模拟退火
二值边缘
统计相关与匹配滤波器
模拟退火
曲线
绝对差之和、局部熵差
遗传算法、神经网络
表面
奄模相关
树或图匹配
统计属性
Hausdorff距离
松弛算法
模型
最小距离分类器
能量最小化
高层匹配
互信息
快速FFT
第2章图像匹配的几种算法
图像匹配研究涉及到了图像采集、图像预处理、图像分割、特征提取等,并且与计算机视觉、多维信号处理和数值计算方法等紧密结合。
它也是其它一些图像分析技术,如立休视觉、运动分析、数据融合等的基础。
正因为其应用的广泛性,新的应用和新的要求逐步产生,使得匹配算法的研究逐步走向深入,出现了快速、稳定、鲁棒性好的匹配算法因此,对现有匹配算法展开分析对几实际工程提高图像处理质量和识别精度具有非常重要的意义
图像匹配是指通过一定的匹配算法在两幅或多幅图像之间识别同名点,如二维图像匹配中通过比较目标区和搜索区中相同大小的窗口的相关系数,取搜索区中相关系数最大所对应的窗口中心点作为同名点。
其实质是在基元相似性的条件下,运用匹配准则的最佳搜索问题。
图像匹配的算法很多,但基本原则是不变的:
算法必须有效;必须稳定;必须快速。
基本上可以将匹配算法分为基于象素灰度相关的匹配、基于图像特征的匹配以及基于其它理论的图像匹配,综述了具有代表性的传统匹配算法以及近年来的新思路和新方法。
第2.1节基于像素灰度相关的匹配算法
基于灰度相关的匹配算法,即对待匹配得两幅图像以一定的灰度阵列按某种或几种相似性度量顺次搜索匹配的方法,其匹配性能主要取决于相似性度量及搜索策略的选择。
匹配窗口大小的选择也是影响匹配性能的一个重要因素,当景物存在遮挡或者图像不光滑时,选择大窗口容易出现错误的匹配,而小窗口又不能满足强度的变化,因此为了达到最好的匹配效果,可以自动适应调整匹配窗口的大小。
基于灰度相关的匹配算法直接利用图像的灰度进行匹配,可以利用图像的所有信息,但需要处理很大的信息量,计算复杂而且容易出错,很难达到实时匹配的要求,而且对图像间的细微差别很敏感,一个很小的变化都有可能对匹配的结果产生很大的影响,从而导致匹配的失败。
所以该算法抗噪声及其他抗干扰的能力比较差,只能用于对具有相同外界条件的两幅图像进行匹配[7]。
设参考图像Xij的大小为m×n,输入图像Yij的大小为M×N,其中M>m,N>n。
Y(a,b)ij表示输入图像以(a,b)为中心,与参考图像大小相等,对应(i,j)位置的像素灰度。
(1)不变矩匹配法
不变矩匹配算法用两个图像之间七个不变矩之间的相似性来描述相似度。
现在如果令实时图的不变矩为Mij=1,2...7,并且令实验位置(u,v)上的基准子图的不变矩为Ni(u,v),j=1,2...7,则两图之间的相似度可以用任一种相关算法来度址本文采用上面的归一化相关算法时其相似度如式(3),其中R(u,v)是实验位置(u,v)上的不变矩的相关值。
R(u,v)=
/
1/2(2·1)
(2)灰度的绝对差值法(AD)
模板N在图像M上平移,搜索窗口所覆盖的子图记作Mi,j,i,j为子图的左上角顶点在图M中的坐标。
最简单的基于灰度值的方法是利用灰度的绝对差值(absolutedifference,简称AD)即计算模板与搜索子图灰度值的L1距离[8]:
D(i,j)=
|Mi,j(m,n)-N(n,m)|(2·2)
其中,S,T分别代表图像各个像素的灰度值,m,n代表各个像素的坐标。
D(i,j)值越小,表示两个像素块越相似。
这种方法虽然计算比较简单,但是它对噪声非常敏感。
显然,此种算法的时间复杂度是O(M2N2),一旦搜索图的灰度发生变化,算法将可能会失效。
(3)差方和法(SSD)
这种方法是计算模板与搜索子图灰度值的L2距离:
D(i,j)=
|Mi,j(m,n)-N(n,m)|2(2·3)
基于灰度值的匹配方法的主要特点是计算简单,但是由于计算相似度时往往涉及到待匹配单元的每个像素的灰度值,所以导致整个匹配搜索过程要消耗巨大的计算量。
基于灰度的匹配算存在如下几个缺陷:
(1)对图像的灰度变化比较敏感,尤其是非线性的光照变化,将大大降低算法的性能:
(2)计算复杂度高;(3)对目标的旋转,形变以及遮挡比较敏感。
利用灰度信息匹配方法存在着各种缺陷,实际工作中一般都有一定的速度要求,所以这些方法很少被使用。
第2.2节基于特征的匹配算法
基于特征的匹配算法根据两幅图像相同特征的集合关系计算配准参数,而图像的低级别特征主要有点、边缘及面特征等。
但是面特征提取比较麻烦,耗时多,因此基于特征的匹配算法主要是研究利用特征点和边缘特征进行匹配。
基于特征点的图像匹配主要有点点匹配和点集匹配两种。
点点匹配首先按一定的约束关系得到两个点集,然后利用其它的约束条件剔除错误匹配点,最好确定点与点的一一对应关系。
点集匹配不需要建立明确的点点对应关系,只需要利用点的位置和相互关系进行匹配。
Hausdorff距离不需要精确的点点对应关系,对非相似变形不敏感,因此该匹配方法广泛应用于特征图像的匹配[9]。
图像特征分为两类,第一类是局部特征,比如说角点,边缘点,短的边缘或线段,小块区域等;第二类是全局特征,通常由几个多边形或是几个对图像内容更为复杂的描述构成。
特征匹配首先对图像进行预处理来提取其高层次的特征,然后建立两幅图像之间特征的匹配对应关系,通常使用的特征基元有点特征、边缘特征和区域特征。
特征匹配需要用到许多诸如矩阵的运算、梯度的求解、还有傅立叶变换和泰勒展开等数学运算。
基于特征的匹配方法主要涉及到两个关键步骤:
(1)特征提取:
正如上文提到的,图像特征分为局部特征和全局特征。
有些方法采用角点作为局部特征,如也有些方法采用线段,比如通过提取高分辨率遥感城市图像中的道路作为特征来匹配也可以是边缘,轮廓,小块区域等其他更为复杂的特征,比如以多边
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 特征 图像 匹配 算法 毕业设计 论文 源代码
![提示](https://static.bingdoc.com/images/bang_tan.gif)