基于sift特征点图像匹配方法研究.ppt

基于特征点的图像匹配方法研究 目录 图像匹配介绍 图像匹配分类 图像匹配的一般步骤 图像匹配的主要方法 部分匹配方法的实验结果 1.图像匹配介绍----图像匹配的定义 1.图像匹配介绍----图像匹配的意义 图像匹配是处理多源图像信息融合、目标识别等实际问题中的一个重要步骤。 图像匹配广泛应用于军事、医学、航空等多个重要科研领域 。 经过图像匹配后配准，可以获得质量更高、清晰度更好、定位更准确的目标信息。 1.图像匹配介绍----图像匹配的应用领域 计算机视觉领域 --视频监控----对跟踪的目标区域进行匹配跟踪 1.图像匹配介绍----图像匹配的应用领域 遥感领域 --信息融合、环境监视、图像拼接、天气预报以及地图更新等 1.图像匹配介绍----图像配准的应用领域 军事领域 --变化检测、运动目标指示、视点稳定、大视场重构、多通道融合、 地形定位和导航 1.图像匹配介绍----图像配准的应用领域 医学领域 --CT,MRT----图像匹配后进行融合可以得到更多的信息 2.图像匹配的分类 2.图像匹配方法的分类 2.1基于灰度的图像匹配算法 基于灰度的图像匹配算法是直接利用匹配图像的灰度值，选择某种相似性度量函数，然后再通过图像像素计算此度量值，最终根据计算结果进行全局优化后实现匹配。 灰度匹配通过利用某种相似性度量度量函数可以是 MMSE (最小均方误差)、互相关值、SSDA 等。 此类方法无需对图像进行分割和特征提取，自然避免了由这些预处理可能造成的图像信息丢失而引起的匹配精度降低。这类方法主要的特点是在收敛速度、统计模型、匹配精度及最终的估计误差方面均出现了较为成熟的研究成果，并且原理简单容易理解。 2.1基于灰度的图像匹配算法 缺点： 匹配速度比较慢； 对图像灰度值依赖性大； 光照变化及噪声等方面敏感度高。 结论： 正是由于此类方法没有充分利用到灰度统计特性，因此不适应匹配对象存在旋转和缩放的情况下图像的匹配问题，而且算法匹配计算量较大，效率偏低。 2.图像匹配方法的分类 2.2基于特征的图像匹配算法 基于特征的图像匹配算法通常不直接依赖像素灰度值，而是会经过较为复杂的图像处理过程提取特征后再进行匹配。 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。 其一般做法是利用两幅图像中对灰度变化、缩放、旋转等均具有不变性的特征，用相似性度量函数对其进行度量，从而得到相关值进而完成图像匹配。 2.2基于特征的图像匹配算法 优点： 能够充分结合图像灰度等相关特性，同时还可以有效去除因光照背景等条件不同时带来的误匹配问题。 算法在图像发生缩放变换和旋转变换等现象时敏感度低，适应性强，而对轻微扭曲或有一定噪声的图像较前者也有较好的匹配度。 2.2基于特征的图像匹配算法 缺点： 算法涉及到大量的几何和形态学方面的计算，使得计算量比较大，最终的计算时间太长而难以达到实时应用的要求； 由于此类算法通常需要针对不同的场合选择合适的特征，所以并无统一模型可遵循。 3.匹配算法的一般步骤 特征提取 特征匹配 估计变换模型 图像重采样及变换 3.匹配算法的一般步骤—特征提取 特征提取是指分别提取两幅图像中共有的图像特征。 这种特征是出现在两幅图像中对比例、旋转、平移等变换保持一致性的特征，如线交叉点、物体边缘角点、虚圆闭区域的中心等可提取的特征。 特征包括：点、线和面三类。 点特征是最常采用的一种图像特征，包括物体边缘点、角点、线交叉点等；根据各特征点的兴趣值将特征点分成几个等级。对不同的目的，特征点的提取应有所不同。 线特征是图像中明显的线段特征，如道路河流的边缘，目标的轮廓线等。线特征的提取一般分两步进行：首先采用某种算法提取出图像中明显的线段信息，然后利用限制条件筛选出满足条件的线段作为线特征； 面特征是指利用图像中明显的区域信息作为特征。在实际的应用中最后可能也是利用区域的重心或圆的圆心点等作为特征。 3.匹配算法的一般步骤—特征提取 3.匹配算法的一般步骤—特征提取 3.匹配算法的一般步骤—特征提取 3.1特征提取 点特征提取方法 --Harris (Harris Corner Detector)算法 受信号处理中相关函数的启发，给出与自相关函数相联系的矩阵M，M矩阵的特征值是自相关函数的一阶曲率，如果两个曲率值都高，那么就认为该点是角点，此方法对图像旋转、亮度变化、视角变化和噪声的影