2 图像匹配几种常见算法分析比较
2.1 图像匹配算法的分类与比较
由于匹配图与模板图拍摄时间与条件的变化,同时由于成像设备的限制,使得模
板图与匹配图之间不仅存在严重的灰度差异,而且存在相当的几何变形。通过对模板
图进行灰度校正和几何校正可以很大程度上改善这种情况,但在模板图和匹配图之间
仍存在着一定的灰度失真和几何变形。另外,匹配图本身也存在着一定的噪声干扰。
因此匹配算法不仅应该具有计算量少,便于硬件或并行实现,还必须具有良好的抗噪
能力和抗几何变形的能力。迄今为止,人们已经提出了各种各样的图像匹配算法,但
从总体上讲,这些匹配算法可以分成关系结构匹配方法、结合特定理论工具的匹配方
法、基于灰度信息的匹配方法、基于亚像元匹配方法、基于内容特征的匹配方法五大
类型
[4]
2.1.1 基于关系结构匹配方法
所谓关系结构主要是指语义网络。这种方法是把计算机中的模型同外部世界中的
物体或现象建立起对应关系,即利用图像的结构特征或关系特征之间的关系,把物体
和物体间的关系表示成结构,通过沿图中的弧作关联搜索,建立图中结点之间的关系,
借助语义网络、框架理论和图论方法寻求匹配问题的解决。进一步讲,这种方法是人
工智能技术在图像匹配领域的应用,在这个意义上,景物可用知识和规则来描述,利
用知识和规则实质上是给景物赋予了一种解释,故这种方法也称为基于解释的匹配。
这种方法在实现时,为了减少计算量而使结构与点之间关系的描述常常是不完全的,
并且它们缺乏一种有效的衡量点集之间是否相同的手段,所以这种方法的研究至今尚
未取得突破性进展。
2.1.2 结合特定理论工具的匹配方法
近年来,随着各学科许多新理论和方法的提出,人们也提出了许多与特定理论、
方法和工具相结合的匹配技术,比如基于神经网络的匹配技术 151141、基于小波分
析和变换的匹配技术 151101171 等等。由于神经网络的并行分布处理等特点,神经
网络匹配方法理所当然地引起了人们的重视,利用神经网络进行图像匹配的基本方法
是:首先利用某种特征提取算法(也可以是神经网络算法)对图像进行预理,并按要求提
取一定数量的特征点;接着根据构造的某种神经网络算法的要求,选取并输入网络需要
的一些初始状态,同时也将选取的特征点作为基本输入参数;然后启动神经网络算法的
迭代过程,可能还要有学习过程;最后给出迭代结果,并对其进行分析评价。神经网络
匹配方法的这种匹配过程有以下缺陷:()l 特征点的选取还无法自动实现,目前的研究仅
限于一些边缘棱角突出的匹配识别实验等;(2)网络需要的初始状态的选择对网络迭代过
程影响较大,选择不当还会造成不收敛或陷于某一极值而不能自拔;(3)特征提取的预处
理,神经网络的学习和迭代过程都是计算代价比较昂贵的过程。由此可见,虽然神经
网络匹配方法取得了一些初步进展,但由于收敛性、通用性不够理想,还无法用于灰
度变化平缓、特征不突出的图像匹配,与实用性和实时性要求相差甚远。小波变换作
为一种新的数学工具,由于其良好的时频局部化和多分辨分析特点,因而能有效地从
信号中提取信息,通过伸缩和平移等运算功能对函数或武汉理工大学硕士学位论文信
号进行多尺度分析,解决了傅立叶变换不能解决的许多问题。基于小波变换的匹配技
术首先对匹配图和模板图同时进行小波变换:然后分别在不同尺度上,将匹配图和模板