局部物体块匹配的图像匹配算法.docx
版权申诉
134 浏览量
2022-11-29
17:40:47
上传
评论
收藏 2.58MB DOCX 举报
� 图像是对真实复杂世界的映射成像，其本质上是由若干像素排列组合而
成，图像特征则是对复杂的图像信息进行抽象、简化的表达
[1]
，在此基础上才能进
一步完成各种视觉任务，如图像检索
[2]
、图像识别
[3]
等。图像匹配算法一般通过构
建整幅图像的特征表达计算图像相似度
[4]
，根据图像相似度数值判断匹配结果。整
体来讲，图像匹配算法可以分为两大类
[5]
：（1）在提取图像局部特征的基础上构
建整幅图像的向量表达，如基于词汇带模型（bag of words，BoW）的图像表达方
法
[6]
。（2）基于深度学习的图像匹配方法，该方法主要是利用孪生神经
（Siamese） 网络
[7]进行
图像匹配，网络输入为两张图像，输出即为图像匹配结
果。文献[8]提出了一种端到端的基于 Siamese 网络的物体块匹配模型，即
MatchNet。该网络将特征提取与相似度计算过程融合在一起，一定程度上限制了
其在视觉任务中应用的灵活性。文献[9]基于 Siamese 网络提取物体块特征，通过
挖掘一些硬样本来提高网络训练的效率。由于该 Siamese 网络仅包含 3 个卷积
层，难以充分描述物体块中的非线性结构信息，因此，物体块特征的表达能力存在
一定的局限。文献[10]基于深度卷积神经网络将初始物体块投影至特征空间，使得
在特征空间中匹配物体块的距离较小，非匹配物体块的距离较大。文献[3，11]直
接利用 Siamese 网络进行整幅图像的匹配，基于深度卷积网络构建整幅图像的特
征表达，该图像特征具有很强的泛化能力。
一般的图像匹配方法通过直接对整幅图像进行特征表达来完成图像匹配，由于一些
匹配图像中存在大量的不匹配内容，这些内容不可避免地参与了图像的匹配计算，
很大程度上影响了图像匹配结果。图 1 所示为一组匹配图像，红色方框内的区域
为两张图像中的匹配物体块，红色方框外的大部分区域都是非匹配的无关内容，且
这些无关内容占据了图像的主体，如果直接从整幅图像出发来判断图像是否匹配，
这些占据图像主体的不匹配内容会大大干扰图像匹配的结果，一定程度上限制了匹
配性能。而相较于整幅图像的匹配，单纯地进行物体块匹配会更加容易。
图 1 匹配图像及其匹配物体块
Figure 1. Matched Images and Consistent Object Patches
剩余16页未读，继续阅读
资源评论
罗伯特之技术屋
- 粉丝: 3591
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
VIP享7折，此内容立减5.97元 开通VIP
