图像匹配方法浅谈_浅谈数学思想方法

大家好，又见面了，我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE使用 1年只要46元 售后保障 童叟无欺

　　每次都想找个权威的图像匹配的综述看看。但看的论文零零散散，每家都说自己方法如何如何的好，其实我都半信半疑的，希望中国的研究学者能够脚踏实地的务实的多做点实事，牛顿说我成功是因为站在巨人的肩上。我是菜鸟，我希望能站在大鸟的身上，展翅飞翔。

      也希望有好的英语综述的，可以给小妹提供指点迷津。呵呵，原来我崇洋媚外！

      废话一大篇，赶紧正题！

    一、图像匹配方法

图像匹配的方法很多，一般分为两大类，一类是基于灰度匹配的方法，另一类是基于特征匹配的方法。

 （1）基于灰度匹配的方法。也称作相关匹配算法，用空间二维滑动模板进行图像匹配，不同算法的区别主要体现在模板及相关准则的选择方面。

　　已有的基于灰度的匹配方法很多，如：Leese于1971年提出的MAD算法；为使模板匹配高速化，Barnea于1972年提出了序贯相似性检测法—SSDA法，这种算法速度有了较大提高，但是其精度低，匹配效果不好，而且易受噪声影响。随后陈宁江等提出的归一化灰度组合相关法（NIC），山海涛等提出基于灰度区域相关的归一化灰度（Nprod）匹配法等。其中，归一化积相关匹配法较其他方法更具有优势。

    设参考图S是大小为M*M的图像，实时图T是大小为N*N的图像，并且M>N。图像匹配是将实时图T叠放在参考图S上平移，模板覆盖下的那块大小为N*N的搜索图叫做子图Suv。(u,v)为这块子图的左上角像点在图中的坐标，称为参考点，（u，v）的取值范围为：

　　基于灰度相关匹配能获得较高的定位精度，但是它的运算量大，难以达到实时性要求。

（2）基于特征匹配的方法。首先在原始图像中提取特征，然后再建立两幅图像之间特征的匹配对应关系。

  　　常用的特征匹配基元包括点、线、区域等显著特征。图像特征相比像素点数量杀过少很多，特征间的匹配度量随位置变化尖锐，容易找出准确的匹配位置，特征提取能大大减少噪声影响，对灰度变化、形变和遮挡有较强的适应力。基于特征的图像匹配方法在实际中的应用越来越广泛，也取得了很大的成果，基于图像特征的匹配方法主要有以下四种：

• 图像点匹配技术。图像点匹配技术可以分为两类：一类是建立模板和待匹配图像的特征点集之间的点点对应关系，然后计算对应点之间的相似性度量来确定图像匹配与否；另一类是无须建立显示的点点对应关系，主要有最小均方差匹配、快速点匹配、Haussdorff点距离匹配等。
• 边缘线匹配技术。边缘线可以通过区域分割、边缘检测等得到。采用边缘线段的优点是孤立边缘点的偏差对边缘线段的影响很小，还加入了边缘连接性约束。主要的方法有HYPER匹配技术、chafer匹配技术等。
• 闭合轮廓匹配技术。轮廓匹配，是模式识别和三维重建的一个最基本问题，常用的有Fourier描述子、HRP描述子等。Fourier描述子反映的是轮廓线的全局特征。HRP描述子相比则反映了闭合边界的局部特征，能够很好的处理轮廓线的局部变化和遮掩性，降低了算法的复杂度。
• 使用高级特征的匹配技术。利用图像特征间的几何约束，将特征属性值之间简单比较的结果作为相似性度量，从而进一步提高匹配算法的速度。主要有图像匹配法、松弛法和能量最小化法等。基于特征匹配方法，一般都具有较好抗几何失真和灰度失真的能力，对抗噪声干扰也有一定的抑制能力，其难点在于自动、稳定、一致的特征提取，并且特征提取过程会损失大量的图像信息，因而不易硬件实现。目前，对自然环境下的景物图像进行分割或特征提取任然是一项困难的工作。

二、图像匹配算法性能评价指标

匹配算法的性能评价指标主要有：匹配概率、匹配精度、匹配速度。

• 匹配概率，是正确匹配次数与总的匹配次数之比。
• 匹配精度，是正确匹配的匹配误差均方差，描述了匹配的准确性。由于噪声和其他误差因素的影响，图像匹配时最终得出的匹配位置和真正的匹配位置是不同的，估计匹配点和真正匹配点之间存在一定的随机偏差，该偏差称为匹配误差。显然匹配误差的方差越小，则定位精度越高。
• 匹配速度，是指匹配算法的快慢程度，说明了搜索的快速性。

   一个好的匹配算法要求匹配概率尽可能高，匹配误差小，算法计算快，能满足应用环境对实时性的要求。