数字视频图像处理与通信7 图像匹配.pptVIP

第7章图像匹配;目录;

7.1基本概念

;

7.2图像匹配算法分类

;直接利用原始图像的灰度进行匹配;利用图像的物理形状特征进行匹配;ABS算法;;;设模板为M(l×w)，其中l、w是M的长和宽；有哪些信誉好的足球投注网站的基准图为S(L×W)，其中L、W是S的长和宽。将模板M在基准图S上平移，模板覆盖下的区域为子区域。定义i和j是模板M的左上角像素在基准图中的坐标，那么需要有哪些信誉好的足球投注网站的范围，即坐标(i,j)的范围就是：

1≤i≤W-w

1≤j≤L-l;图7-1模板与基准图

;根据以上的描述，将模板M与子区域进行比较，在众多的子区域中寻求相似性最大化的那个作为匹配。定义相似性关系函数为：

上式的意义并非是看二者的相似程度，相反，它是看二者相差了多少。相似程度越高，的值反而越小。

将上式展开可以得到：;D(i,j)的大小并不能体现模板与子区域的相似程度。定义相关函数：

归一化，得：

当子区域与模板匹配时，有最大值。当子区域与模板完全一样时，R0(i,j)=1；反之R0(i,j)1，R0(i,j)的值越大，则子区域与模板相似程度越高;;图像矩匹配算法;对于给定的数字图像，定义它的（p+q）阶混合原点矩为

相应的（p+q）阶混合中心矩可表示为：

其中：

用零阶中心矩对各阶中心矩进行规格化，得：

利用第二、三阶矩，可导出七个不变矩组;利用第二、三阶矩，可导出七个不变矩组：

利用上面七个式子便可求出任意一个数字地图的七个不变矩，这些不变矩反映了地图的固有特征。因此，精确寻的问题可用实时图和基准子图七个不变矩之间的相似度来解决。;;基于图像特征点的匹配算法;特征点提取方法;多尺度小波变换法提取边缘点;SUSAN角点提取法;仿射不变Harris特征提取算子;Forstner兴趣算子;Moravec兴趣算子;近些年应用较多的一种方法是：

首先利用边缘提取方法提取整个图象的边缘轮廓，然后在此轮廓内利用以上特征点提取方法提取特征点。

下面以滑动同心窗结合连通区域分析的定位方法为例，说明这种方法在车牌识别中的应用。;滑动同心窗原理（SCW）;图7-2父窗体和子窗体的建立;;图7-3SCW处理前后对比;连通区域分析（CCA）;图7-4欧拉数定义示意图;图7-5字符“??洞”;图7-6浅底深字情况的处理结果;图7-7浅底深字问题解决后的效果;多尺度小波变换的边缘点提取;Harris算子是基于信号的点特征提取算子，给出了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2个曲率值都很高，就认为该点是特征点。

Harris算子的公式只涉及图像的一阶导数：

(7-15)

角响应公式：

式中，是gx方向的梯度，是gy方向的梯度，G为高斯模板，det为矩阵的行列式，tr为矩阵的直迹，k为默认常数。

一般做法：若I大于某个给定的阈值时,即认为相应局部窗口的中心点是一个角点。;书中方法：在实际操作中，可依次从以每个像素为中心的3×3的窗口中提取最大值，如中心点像素的值就是最大值，则该点就是特征点。

局部极值点的数目很多，可对极值点排序，根据要求选出兴趣值最大的若干点作为最后的结果。Harris算子计算简单，提取的点特征均匀合理，且可根据需要定量地提取特征点。在图像发生旋转、灰度发生变化、噪声影响和视点变换的情况下，Harris算子是最稳定的点特征提取算子。;SIFT算法;(1)图像的多尺度表示

为了模拟人类在不同距离观察事物的过程，形成了多尺度空间方法。经研究发现高斯函数是唯一的尺度空间内核函数。SIFT算法定义图像尺度空间函数为L(x,y,?)，输入图像用I(x,y)表示，利用高斯内核函数对输入图像进行卷积操作，则有：

其中，G(x,y,?)为尺度可变高斯函数，具体如下：

这里，(x，y)为空间坐标；σ为尺度坐标。采用不同的σ对图像进行高斯卷积，得到高斯图像金字塔，从而增强SIFT算法对于图形缩放的适应能力。;高斯差分(DOG，DifferenceofGaussian)函数为

其中k为常数。

Mikolajczyk通过实验发现相对于其他的特征提取函数，通过求高斯拉普拉斯函数的最大和最小值能得到最稳定的图像特征点，并且由于

所以用DOG函数也可以得到最稳定的图像特征点。每一个采样点要和它所有的相邻像素点进行比较，看是否为其所在图像域和尺度域的检测邻域中的极值点。从而SIFT算法能够获取稳定的图像特征点。;DOG空间极值有对噪声敏感的低对比度点和对边缘响应敏感的边缘响应点，必须去除。

低对比度点去除：将尺度空间函数D(x,y,?)进行2阶泰勒展开，求其导数并将其值