基于投影特征的快速图像匹配方法

第40卷　第5期吉林大学学报(工学版)

　Vol.40　No.52010年9月

Journal of Jilin University (Engineering and Technology Edition )

　Sept.2010

收稿日期:2009211210.

基金项目:国家科技基础条件平台建设重点项目(2004D KA10010,2005D KA10103).

作者简介:杨光(19832),男,博士研究生.研究方向:计算机视觉,分布式测控.E 2mail :yangguang_jlu @https://www.wendangku.net/doc/fa4056818.html, 通信作者:田地(19582),男,教授,博士生导师.研究方向:分析仪器,分布式测控.E 2mail :tiandi @https://www.wendangku.net/doc/fa4056818.html,

基于投影特征的快速图像匹配方法

杨　光,田　地,李　军,杨红生

(吉林大学仪器科学与电气工程学院,长春130062)

摘　要:为了减少现有投影法模板中的冗余像素和匹配过程中无效的投影计算,提出了一种基

于投影特征的快速图像匹配方法。基于投影法匹配原理和目标物体最小纵横比矩形特性,构造出平行四边形模板,并应用四方向链码实现该模板的投影变换;在图像匹配过程中,基于模板投影数据的取值范围和动态阈值序贯相似性检测原理,实现投影变换过程中灰度值的实时判定。实验结果表明,本文提出的方法与其他图像匹配算法相比在运算速度上优势显著。关键词:计算机应用;图像匹配;投影特征;平行四边形模板中图分类号:TP391 文献标志码:A 文章编号:167125497(2010)0521340205

F ast image matching method based on projective feature

YAN G Guang ,TIAN Di ,L I J un ,YAN G Hong 2sheng

(College of I nst rumentation and Elect ronic Engineering ,J ilin Universit y ,Changchun 130062,China )

Abstract :To reduce t he redundant pixels in t he template of existing projection met hods and t he invalid p rojection calculation in matching process ,a fast image matching met hod based on projective feat ure is p ropo sed.This met hod is based on t he projection matching p rinciple and target object ’s characteristics of t he minimum aspect ratio rectangle.It const ruct s a parallelogram template and uses 42direction chain code to achieve t he template projection t ransformation.In t he p rocess of image matching ,based on t he value range of t he data gotten after template p rojection and dynamic t hreshold sequential similarity detection p rinciple ,real 2time gray value judgment is realized during t he projection t ransformation.Experiment result s show t hat ,compared wit h ot her image matching algorit hms ,t he p ropo sed met hod po ssesses significant advantage in comp utational speed.

K ey w ords :comp uter application ;image matching ;projective feat ure ;parallelogram template

图像模板匹配技术广泛应用于机器人视觉、飞行器巡航制导和自动化监测等领域[1]。其中基于图像灰度值投影的匹配方法以其算法实现简单、运算速度快、检测精度高等优点一直被不断地改进和采用[223]。目前,应用投影特征的图像匹配算法主要有:①基于一维差分特征字符串的快速投影法[4],该方法较传统的投影法在计算速度上

有明显改善;②基于投影法的差分图像定位算法[5],通过图像识别理论实现了对运动图像的快速定位;③利用投影特征实现车牌识别[6]和fMRI 数据处理[7]等,此类算法在其各自的领域内获得了较好的应用效果。但是,上述算法存在两个问题:①模板图形大都采用过于简单的标准的矩形

模板,导致在模板图像中引入过多的冗余像素,降

第5期杨　光,等:基于投影特征的快速图像匹配方法

低了算法的整体性能;②先投影后判断的匹配流

程在淘汰明显非匹配点时存在大量的冗余计算。针对上述问题,本文提出了一种平行四边形模板的构造方法,并对原有的匹配流程进行了改进。1　平行四边形模板的设计

1.1　理论分析

图像的投影变换就是对图像中某一特定方向上像素的灰度值求和,将二维的图像灰度值转化为一维的数据。假设源图像P (x ,y )的大小为N ×M ,模板图像T (i ,j )的大小为V ×S ,以向X 轴投影为例,根据投影法匹配原理可知,在源图像中匹配N ×S 个像素的投影计算量为

I =V (N -V +1)(1)因为V 、N 远大于1,所以该公式近似为

I =V N -V

2

(2)

对V 求导可得

d I

d V

=N -2V (3)

根据导数的定义得出,算法计算量I 在V =N/2时达到极值,而且随着V 在(1,N/2)区间内单调递增。由于一般模板尺寸远小于源图像尺寸,即V ∈(1,N/2),所以目标模板尺寸越小,投影法的计算量越低,算法的运算速度越快。1.2　最小纵横比矩形特性

目前的图像匹配算法中,模板的选取大都是基于目标物体的X 2Y 纵横比来构建一个矩形区域的,见图1(a )。从图中可以看出,在针对不规则的目标物体时,这种模板选取方式会引入大量的冗余像素,增大模板尺寸。根据1.1节得出的结论可知,缩小模板尺寸有助于提升投影法的计算速度,

所以在构建模板时引入目标物体的最小

图1　矩形模板和最小纵横比矩形

Fig.1　R ectangular template and the minimum

aspect ratio rectangle

纵横比[8]概念:包含目标物体且面积最小的矩形

的长宽比。如图1(b )所示,该模板包含的冗余像素数量较图1(a )中的模板明显减少。最小纵横比的计算是一个复杂的极值搜索问题,如果把区域视为点在椭圆上的分布,就可以通过K 2L 展开式计算数据点的一组协方差矩阵的特征值[8],其中最大特征值所对应特征向量的方向角,代表目标物体最小纵横比矩形的长边与X 轴的夹角。1.3　模板的构造方法

目标物体的最小纵横比矩形无法实现标准的水平投影或垂直投影,这会增加算法实现的难度,降低图像匹配速度。因此本文通过增加少量冗余像素,将原有的不规则矩形变换成有一组平行边平行于X 轴或Y 轴的平行四边形。经过变换后的模板可以沿着X 轴或Y 轴方向进行标准投影变换。每一个最小纵横比矩形都存在4个这样的平行四边形,如图2所示

。

图2　基于最小纵横比构建的4个平行四边形模板

Fig.2　Four p arallelogram templates b ased on

the minimum aspect ratio

图2中阴影部分为一个目标物体的最小纵横比矩形,假设该矩形长a 、宽b,长边与X 轴夹角为α。选取面积最小的平行四边形方法如下:

(1)根据最小纵横比矩形与X 轴的夹角α以及三角形面积计算公式得出4个平行四边形增加的冗余面积的计算公式依次为

S a =a 2

cot α

S b =b 2

tan αS c =b

2cot α

S d =a

2

tan

α(4)

(2)因为a >b,所以S a >S c 、S d >S b ,固先舍

去平行四边形a 和d 。

(3)α∈(0,π/4)∪(3π/4,π)时,由于|cot α|>|tan

α|,所以S c >S b ,模板选择(b );当α∈(π/4,3π/4)时,由于|tan α|>|cot α|,所以S b >S c ,模板选择(c )。

1.4　平行四边形模板构造的复杂度分析

平行四边形模板与矩形模板的主要区别在于每行(列)投影起始点的确定。由于平行四边形的另一组平行边与X 轴成一定角度,不能简单地通

?

1431?

吉林大学学报(工学版)第40卷

过水平或垂直找点确定投影起始点,所以本文引入四方向链码[9]对其描述,如图3所示

。

图3　四方向链码

Fig.3　Four 2direction chain code

在对边界进行描述时首先要确定几个初始条

件:链码描述的起始点、投影方向、链码搜索的主方向和次方向。根据斜边与X 轴夹角的不同,初始条件的选择也不同,具体的选择方法见表1。

表1　边界描述初始条件

T able 1　I nitial conditions of bound ary description α取值

0,

π

4

π4,π

2

π2,3π

43

π4

,π模板图形起始点　左上

右下

左下

右上

投影方向Y -

X -

X +

Y -

主方向　1021次方向　

1

1

2

具体算法步骤如下:

(1)首先在模板图形中确定搜索的起始点。

(2)按照投影方向进行像素灰度值累加。(3)以当前点为基础搜索主方向是否具有有

效像素点。

(4)如果主方向存在有效像素点,转步骤(3);如果主方向没有,则标定当前点为投影起始点,转步骤(2)后,再转步骤(5)。

(5)以步骤(4)的当前点为基础寻找次方向的

有效像素点,如果存在,转步骤(3);否则算法结束。

经过上述计算步骤后,不仅完成了模板的投影计算,而且平行四边形投影的起始点可以通过一个由0、1或1、2组成的字符串来表示,其中0或2前面表示的点即为投影起始点,在匹配过程中,源图像的子区域可以按照链码寻找每一行(列)的投影起始点。

虽然平行四边形模板的构造过程较为复杂,但是模板的构造几乎不要求实时性,而且在实际应用中只需要构造一次即可。相反,模板与源图像的匹配过程要求较高的实时性,而且在应用中

是一个无限次的循环过程。本文的设计思想就是要牺牲模板的构造效率来提升模板与源图像的匹配速度,从而提升图像匹配算法的整体性能。

2　冗余计算量的两点改进

2.1　投影变换过程中冗余计算量的改进

传统的投影法需要在待匹配区域内对所有像

素进行投影计算后才能进行图像匹配,这种实现方式在明显的非匹配区域内存在大量的冗余计算。本文针对这一弊端,应用模板投影数据的取值范围,提出了一种在非匹配点投影计算提前退出的算法,结合图4,可将算法分为以下5个步骤:

(1

)确定模板经投影变换后的极值F max 和

F min 。

(2)将待匹配区域在投影方向上分为N 段,

每段的最后一个像素称为段尾像素,并进行投影计算。

(3)当投影计算达到段尾像素时,将当前灰度

和F 与F max 比较。如果F >F max ,将非匹配行的计数器加一,并放弃该行的剩余计算。如果F

(4)当该行投影计算完毕时,如果F

(5)在该子区域的计算过程中,如果非匹配点计数器超过预先设定的阈值,则视为整个区域无效,直接转到下一待匹配区域内进行投影计算。

图4　行像素分段

Fig.4　T est im age

步骤(3)和(5)在投影变换过程中,加入了动

态灰度值判定,在明显的非匹配区域,无需完成所有点的投影计算便可以淘汰该区域,算法速度明显提升。

2.2　匹配过程中冗余计算量的改进

传统的投影法在匹配经过投影变换后的区域时,需要将该区域的一维数据与模板投影后的一

?

2431?

第5期杨　光,等:基于投影特征的快速图像匹配方法

维数据进行逐个比对,这种匹配方法效率较低,而

且存在大量的无效计算。本文应用动态阈值序贯相似性检测原理(SSDA )[10],对匹配算法进行改进,尽快排除非匹配点,算法实现流程如下:

(1)设定最大累计次数r ,初始误差阈值T ,误差阈值增量Δt 。

(2)在待匹配的一维数组中随机选取一个元素S (n ),并且从模板中相对应位置取出M (n )。定义误差为

ε=S (n )-M (n )(5)

(3)构造误差和函数T ε和动态阈值T k

T ε=

∑

n

i =0

εi

T k =T +n ?

Δt (6)

将每一次计算后的T ε与T k 比较,将n

T ε>T k 的区域视为非匹配区域;

将n =r 且T ε

(4)对准候选区域实施精确匹配计算,确保检测精度。

图5　测试图像

Fig.5　T est image

3　测试与应用

3.1　实验环境

测试环境为CPU P42.0GHz 、内存1Gbit 、

开发环境VC6.0、操作系统Windows XP 。从标准图像库中选取4幅256级灰度图像作为测试图像,如图5所示,(a )为512像素×512像素Lena 图像,(b )为256像素×256像素Camera 图像,(c )为720像素×576像素Boat s 图像,(d )为512像素×512像素Plane 图像。

图5中4幅图像的待检测目标分别是

Lena 图像中的帽沿、Camera 图像中的三脚架、Boat s 图像中的桅杆和Plane 图像中的飞机机身。图6分别给出了4幅图像中待检测目标物体的矩形模板和平行四边形模板。

图6　模板图像

Fig.6　T emplate im age

3.2　矩形模板与平行四边形模板对比测试

选取标准投影法和差分投影法[4]对4幅图像的矩形模板和平行四边形模板进行了100次对比测试,实验结果见表2。

表2　算法平均运算时间

　T able 2　Average operation time of algorithm s

测试

图像标准投影法差分快速投影法

矩形模板平行四边形模板矩形模板平行四边形模板

Lena

48.115

16.0650.9790.203Camera 10.375 3.7560.1560.049Boat s 82.35927.012 1.1450.424Plane

51.663

17.806

0.703

0.212

由表2的实验结果可以看出,无论是标准的

投影法还是差分投影法,应用平行四边形模板在算法的计算速度上比应用矩形模板大约提升了3倍。每种算法的匹配过程相同,只是模板选取的形状不同,该实验可以证明,平行四边形模板有助于提升基于投影特征的图像匹配算法的运行速度。

3.3　算法整体性能测试

实验的源图像采用3.1节中的Lena 头像,分别用模板匹配法、标准的投影法、SSDA 算法和差分投影法与本文提出的快速投影法进行对比测试。其中本文算法采用平行四边形模板,其余算法均采用矩形模板,实验结果如表3所示。可以看出,本文提出的算法较其他4种图像匹配方法在运算速度上具有明显优势。

?

3431?

吉林大学学报(工学版)

第40卷

表3　几种匹配方法运行结果比较

T able 3　Executing results comparison of several

kinds of m atching method

测试

图像平均运算时间/s

模板匹配法标准投影法SSDA 差分投影法本文算法

Lena 216.29850.1259.8320.6810.118Camera 52.19510.375 2.6010.1690.028Boat s 356.23582.35915.1267.0390.198Plane

214.302

51.663

10.369

0.715

0.123

3.4　算法应用

基于本文提出的图像匹配算法研制出的大型

科学仪器工作状态记录器已在陕西省地质矿产实验研究所、吉林大学等单位投入试运行,详情见“大型科学仪器工作状态监测系统”网站。下面给出陕西省地质矿产实验研究所的应用实例。

以该单位的日本理学ZSXPrimus Ⅱ型X 射线荧光光谱仪为例,将本文提出的算法用于仪器工作站屏幕图像的实时监测。仪器工作站屏幕图像如图7(a )所示,

目标模板图像为样品经X 射线照射后反射的荧光图像,如图7(b )所示。

图7　工作站屏幕图像和模板图像

Fig.7　Screen im age of w orkstation and template im age

记录器对工作站屏幕进行实时的图像匹配,

目的是监测仪器有效工作的机时。对一周的实验记录进行统计发现,记录器记录的开关机次数与实验员手动记录的开关机次数完全吻合,说明本文提出的算法检测准确率达到100%。

4　结束语

本文提出了一种基于平行四边形模板的快速图像匹配方法,虽然该方法在模板构造时比较复杂,但是却有效地提升了匹配过程的运算速度。该算法还具有实现简单、占用内存小、检测准确率高等优点,适合在智能机器人、生产线自动化检测和实时监控等领域应用。

参考文献:

[1]Shi Hong 2yan ,Zhao Li 2hong ,Su Xiao 2ming ,et al.

Design and realization of image matching based on GMPT algorithm[C]∥Control and Decision Confer 2ence.China :IEEE Press ,2008.

[2]Fuh C S ,Liu H B.Projection for pattern recogni 2

tion[J ].Image and Vision Computing ,1998,16(9/10):6772687.

[3]Jia Xiao 2guang ,Nixon M S.Extending the feature

vector for automatic face recognition [J ].IEEE

Transon Pattern Analysis and Machine Intelligence ,

1995,17(12):116721176.

[4]孙远,周刚慧,赵立初,等.灰度图像匹配的快速算

法[J ].上海交通大学学报,2000,34(5):7022704.

Sun Yuan ,Zhou Gang 2hui ,Zhao Li 2chu ,et al.Fast template matching algorithm based on the projection [J ].Journal of Shanghai Jiaotong University ,2000,34(5):7022704.

[5]刘新海,方康玲.一种基于投影法的差分图像定位

算法[J ].计算机应用与软件,2004,21(7):87288.

Liu Xin 2hai ,Fang Kang 2ling.A difference image al 2gorithm for target positioning based on profile pro 2jection [J ].Computer Application and Software ,2004,21(7):87288.

[6]冯国进,顾国华,郑瑞红.基于自适应投影法的快速

车牌定位[J ].红外与激光工程,2003,32(3):2852

287.

Feng Guo 2jin ,Gu Guo 2hua ,Zheng Rui 2hong.Fast li 2cense plate location algorithm based on adaptive pro 2

jection[J ].Inf rared and Laser Engineering ,2003,32(3):2852287.

[7]Chen Hua 2f u ,Yao De 2zhong.A f MRI data process 2

ing method using projection technique [C ]∥Interna 2tional Conference on Robotics ,Intelligent Systems and Signal Processing.Changsha ,China :IEEE

Press ,2003.

[8]Snyder Wesley E ,Qi Hai 2rong.Machine Vision

[M ].Cambridge ,England :Cambridge University ,2004.

[9]邹黎黎,唐棣.基于六角网格的一种新链码编码方

法[J ].计算机工程与应用,2007,43(13):73275.

Z ou Li 2li ,Tang Di.New chain code based on hexa 2gonal grid [J ].Computer Engineering and Applica 2tions ,2007,43(13):73275.

[10]Brown L G.A survey of image registration tech 2

niques [J ].ACM Computing Surveys (CSU R ),1992,24(4):3252376.

?

4431?

F R E A K 特 征 点 匹 配 算 法 介 绍 ( 2 0 2 0 )

图像特征描述子之FREAK ?在前【给力追-女生资-源】面的博文中，介绍的BRIEF、ORB、BRISK 算法都是基于特征点周围邻域像素点对之间的比较，形成二进制编码串作为特征【ＱＱ】描述子，这种描述方法计算速度快，且占用内存小，满足一些实时【⒈】应用场景的需求。对于这类特征描述子，关键是确定邻域哪些像【０】素点对进行比较，以及如何匹配。BRIEF算法中特征点邻域的像素【１】点对是随机采样生成的，ORB算法是通过贪婪穷举的方法，在所有【６】可能的像素点对中选取相关性较小的若干点对，BRISK则是采用平【9】均采样的方法生成若干采样点。特征匹配方法通常都是采样Ham【⒌】ming距离来进行度量，由于是二进制编码方式，可通过异或操作快速计【２】算。 特征点检【б】测 ?FAST算法可实现快速检测图像特征点，而且对应有一个加速版本AGAST，因此在诸多特征描述子中，都是首先通过FAST算法搜索定位特征点，再加以描述。FREAK同BRISK算法类似，也是建立多尺度空间，在不同尺度的图像上使用FAST算法检测特征点。 采样模式 ?FREAK算法中采样模式接近于人眼视网膜接收图像信息的采样模型，如下图所示，人眼视网膜中，Fovea区域主要对高精度的图像信息进行处理，而Para区域则主要对低精度的图像信息进行处理。

在FREAK的采样模式中，图中每一个黑点代表一个采样点，每个圆圈代表一个感受野，每个采样点需进行高斯模糊处理，以降低噪声影响，感受野的半径表示高斯模糊的标准差。这种采样模式与BRISK的不同之处在于，感受野之间存在重叠的区域；与BRIEF和ORB算法的不同之处在于，FREAK的采样点根据与特征点的距离远近，采用了不同大小的高斯核函数进行平滑处理。不同大小的感受野在人眼视网膜中也存在类似的结构，通过重叠的感受野，可以获得更多的信息，使最终的描述符更具独特性和可区分性。最终FREAK算法的采样结构为6、6、6、6、6、6、6、1，6代表每层中有6个采样点并且这6个采样点在一个同心圆上，一共有7个同心圆，最后的1表示特征点。 特征描述 ?FREAK算法同样采用二进制编码描述特征点，用FF表示编码特征 F=Σ0≤aN2aT(Pa) F=Sigma_{0 leq a < N} 2^a T(P_a) T(Pa)={1,I(Pr1a)I(Pr2a) 0,otherwise T(P_a) = begin{cases} 1,I(P_a^{r_1}) > I(P_a^{r_2}) 0,otherwise end{cases} 式中，I(Pr1a)I(P_a^{r_1})表示采样点经过高斯模糊后的灰度值。 ?FREAK的采样模式中一共有43个采样点，可以产生N=43(43?1)-2=903N = 43(43 - 1)-2 = 903个采样点对，有些采样点对的编码值对特征描述并没有实际作用，反而会造成特征冗余，因此需要对特征的描述向量进行筛选，也就是降维。原论文中采用与ORB中类似的贪婪

赵宇凡开题报告-基于图像特征提取与匹配的目标识别系统设计

北京联合大学毕业设计（论文）开题报告 题目：基于图像特征提取与匹配的目标识别系统设计 专业：通信工程指导教师：韩玺 学院：信息学院学号：30 班级：2008080304430姓名：赵宇凡 一、课题任务与目的 1、课题的主要任务：以DSP平台为系统硬件平台，并基于DM6437为处理器核心，设计硬件原理图，编写特征点提取算法，使系统通过特征点匹配对静态目标进行识别。 2、课题的主要目的：设计并实现一个功能完整，操作简单的目标识别系统，使其能够对静态图像目标进行特征提取与匹配，从而进行目标识别。 二、调研资料情况 1、课题的学术状态： （1）DM6437关键特性 时钟频率达600MHz，1个TVP5146M2视频解码器4个视频DACV输出，128MDDR2DRAM，提供16M non-volatile flash memory, 64M NAND flash, 2M SRAM 提供UART, CAN，I/O接口，AIC33立体音频编码器，10/100 MBS以太网接口，可配置的boot load选项，嵌入式的JTAG仿真器接口，4个用户LEDs及4个用户切换点，提供子板扩展插槽，VLYNQ接口，提供S/PDIF接口。 （2）SIFT算法 从理论上说，SIFT是一种相似不变量，即对图像尺度变化和旋转是不变量。然而，由于构造SIFT特征时，在很多细节上进行了特殊处理，使得SIFT对图像的复杂变形和光照变化具有了较强的适应性，同时运算速度比较快，定位精度比较高。如：在多尺度空间采用DOG算子检测关键点，运算速度大大加快；关键点的精确定位不仅提高了精度，而且大大提高了关键点的稳定性；在构造描述子时，以子区域的统计特性，而不是以单个像素作为研究对象，提高了对图像局部变形的适应能力；对于16*16的关键点邻域和4*4的子区域，在处理梯度幅度时都进行了类似于高斯函数的加权处理，强化了中心区域，淡化了边缘区域的影响，从而提高了算法对几何变形的适应性；该方法不仅对通用的线

用图像的投影数据进行重建程序

用图像的投影数据进行重建程序 宋利国赵向阳王春蔡国宝 摘要 本文通过引入Radon 变换来应用于CT图像重建问题，并且给出 Radon 变换在图像重建中的具体形式，并对滤波（卷积）逆投影法作了详细的研究，介绍其重建的基本思想和算法原理将问题转化为求解函数积分的形式。最后本文设计了一个人体脑部图像重建例子，通过matlab仿真说明如何投影才能重建准确的图像。 关键词：CT；图像重建；Radon变换；滤波逆投影法；matlab

1.问题重述 计算机断层成像技术（CT）是一种非介入式的检测技术，它极大地增强了人类观察物体内部结构的能力，在许多科学领域都得到了应用。特别在医学研究诊断中，它被用来作为一种获取人体内部信息的有效手段。我们在查阅许多资料，了解了CT成像的原理的基础上，选择采用在医学CT领域中的应用较为广泛，也是最基本最常用的图像重建算法──滤波逆投影法进行模型的仿真。 CT的工作原理就是投影重建（投影图像重建）。投影重建一般指从一个物体的多个（轴向）投影重建目标图像的过程。CT成像的基本数学原理是Radon 变换及其逆变换。目前，Radon变换及其逆变换是图像处理中的一种重要研究方法，许多图像重建便是有效地利用了这种方法，它不必知道图像内部的具体细节，仅利用图像的摄像值即可很好地反演出原图像。滤波逆投影法是当前用得较多的一种图像重建方法，在当代X 射线CT系统中几乎都用这种方法构成系统。它的特点是精度高，能快速实现。对于大量精确的投影数据来说，这是一种具有高效率的重建算法。滤波逆投影法又叫卷积逆投影法。这是因为频域上的滤波相当于空间域上的卷积运算。 我们通过引入Radon 变换来应用于CT图像重建问题，并且给出 Radon 变换在图像重建中的具体形式，对截面函数沿着特定直线进行积分就是它的 Radon 变换。滤波—逆投影法图像重建就是将截面函数沿若干个不同的角度下的特定直线进行积分产生的投影函数进行逆变换就得到了截面函数。滤波—反投影法能正确重建物体内部的吸收值图像，它把投影值按投影路线反过去赋予该路线上所有像元，使吸收值增加了该射线所经过的像元数目的倍数，经各个角度的投影反投回去与之叠加，最后能重建断面的图像。但由于反投影把投影路径的各处皆赋予该投影值，导致边缘较为模糊，所以通常把投影数值与某种校正函数卷积后再反投影，就能获得边缘清晰的图像。因为其中涉及到滤波函数的选取，也称为滤波反投影法。该重建方法兼顾了重建时间和重建质量两个方面，是医学上应用的最广泛的一种图像重建算法。 CT是X线照相术与复杂的计算机信号处理方法结合的产物，无论在医学放射诊断方面，还是在工业领域中均有着广泛的应用。采用滤波逆投影法成像技术，主要是因为医用CT可以采集到大量密集的投影数据，利用滤波逆投影法成像技术可以快速地得到具有一定质量的重建图像。 2.问题分析 2.1内容的选取 滤波逆投影法图像重建技术在医用CT 应用中的基本原理是由测量到的穿过人体横截面沿着许多直线的X 射线减的数据,重建出人体横截面的图像，是一种获取人体内部信息的有效手段，极大地增强了人类观察物体内部结构的能力，在医学成像方面发挥了巨大的作用。现代CT 成像的数学原理是Radon 变换及其逆变换。该变换是由函数在直线的线积分值来确定的,其逆变换就是由函数在空间所有直线上的线积分值确定这一函数（此函数对应实际中被扫描物体的密度函数或物体对X-射线的衰函数）。相对于早期的联立方程法和投影法克服了庞大的计算量和重建图像模糊精确度低的缺点。 2.2 影响因素的选取 在许多领域中，由于受客观条件的限制，经常会遇到不完全数据重建问题。

基于matlab的图像识别与匹配

基于matlab的图像识别与匹配 摘要 图像的识别与匹配是立体视觉的一个重要分支，该项技术被广泛应用在航空测绘，星球探测机器人导航以及三维重建等领域。 本文意在熟练运用图像的识别与匹配的方法，为此本文使用一个包装袋并对上面的数字进行识别与匹配。首先在包装袋上提取出来要用的数字，然后提取出该数字与包装袋上的特征点，用SIFT方法对两幅图进行识别与匹配，最终得到对应匹配数字的匹配点。仿真结果表明，该方法能够把给定数字与包装袋上的相同数字进行识别与匹配，得到了良好的实验结果，基本完成了识别与匹配的任务。

1 研究内容 图像识别中的模式识别是一种从大量信息和数据出发，利用计算机和数学推理的方法对形状、模式、曲线、数字、字符格式和图形自动完成识别、评价的过程。 图形辨别是图像识别技术的一个重要分支，图形辨别指通过对图形的图像采用特定算法，从而辨别图形或者数字，通过特征点检测，精确定位特征点，通过将模板与图形或数字匹配，根据匹配结果进行辨别。 2 研究意义 数字图像处理在各个领域都有着非常重要的应用，随着数字时代的到来，视频领域的数字化也必将到来，视频图像处理技术也将会发生日新月异的变化。在多媒体技术的各个领域中，视频处理技术占有非常重要的地位，被广泛的使用于农业，智能交通，汽车电子，网络多媒体通信，实时监控系统等诸多方面。因此，现今对技术领域的研究已日趋活跃和繁荣。而图像识别也同样有着更重要的作用。 3 设计原理 3.1 算法选择 Harris 角点检测器对于图像尺度变化非常敏感，这在很大程度上限制了它的应用范围。对于仅存在平移、旋转以及很小尺度变换的图像，基于Harris 特征点的方法都可以得到准确的配准结果，但是对于存在大尺度变换的图像，这一类方法将无法保证正确的配准和拼接。后来，研究人员相继提出了具有尺度不变性的特征点检测方法，具有仿射不变性的特征点检测方法，局部不变性的特征检测方法等大量的基于不变量技术的特征检测方法。 David.Lowe 于2004年在上述算法的基础上，总结了现有的基于不变量技术的特征检测方法，正式提出了一种基于尺度空间的，对图像平移、旋转、缩放、甚至仿射变换保持不变性的图像局部特征，以及基于该特征的描述符。并将这种方法命名为尺度不变特征变换（Scale Invariant Feature Transform），以下简称SIFT 算法。SIFT 算法首先在尺度空间进行特征检测，并确定特征点的位置和特征点所处的尺度，然后使用特征点邻域梯度的主方向作为该特征点的方向特征，以实现算子对尺度和方向的无关性。利用SIFT 算法从图像中提取出的特征可用于同一个物体或场景的可靠匹配，对图像尺度和旋转具有不变性，对光照变化、

图像中角点(特征点)提取与匹配算法

角点提取与匹配算法实验报告 1 说明 本文实验的目标是对于两幅相似的图像，通过角点检测算法，进而找出这两幅图像的共同点，从而可以把这两幅图像合并成一幅图像。 下面描述该实验的基本步骤: 1.本文所采用的角点检测算法是Harris 角点检测算法，该算法的基本原理是取以目标像素点为中心的一个小窗口，计算窗口沿任何方向移动后的灰度变化，并用解析形式表达。设以像素点(x,y)为中心的小窗口在X 方向上移动u ，y 方向上移动v ，Harris 给出了灰度变化度量的解析表达式： 2 ,,|,|,,()(x y x y x u y v x y x y I I E w I I w u v o X Y ??= -=++??∑∑ (1) 其中，,x y E 为窗口内的灰度变化度量；,x y w 为窗口函数，一般定义为2 2 2 ()/,x y x y w e σ +=； I 为图像灰度函数，略去无穷小项有： 222222 ,,[()()2]2x y x y x y x y E w u I v I uvI I Au Cuv Bv = ++=++∑ （2） 将,x y E 化为二次型有： ,[]x y u E u v M v ?? =???? (3) M 为实对称矩阵： 2 ,2 x y x x y x y y I I I M w I I I ???= ???????∑ (4) 通过对角化处理得到： 11 ,200x y E R R λλ-??= ??? (5) 其中，R 为旋转因子，对角化处理后并不改变以u,v 为坐标参数的空间曲面的形状，其特征值反应了两个主轴方向的图像表面曲率。当两个特征值均较小时，表明目标点附近区域为“平坦区域”；特征值一大一小时，表明特征点位于“边缘”上；只有当两个特征值均比较大时，沿任何方向的移动均将导致灰度的剧烈变化。Harris 的角点响应函数(CRF)表达式由此而得到： 2 (,)det()(())C RF x y M k trace M =- (6)

(完整版)图像特征特点及常用的特征提取与匹配方法

图像特征特点及常用的特征提取与匹配方法 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一颜色特征 （一）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。 （二）常用的特征提取与匹配方法 （1） 颜色直方图 其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间：RGB颜色空间、HSV颜色空间。 颜色直方图特征匹配方法：直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。 （2） 颜色集 颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从RGB颜色空间转化成视觉均衡 的颜色空间（如HSV 空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系 （3） 颜色矩

基于特征的图像匹配算法毕业设计论文(含源代码)

诚信声明 本人声明： 我所呈交的本科毕业设计论文是本人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成果。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。本人完全意识到本声明的法律结果由本人承担。 申请学位论文与资料若有不实之处，本人承担一切相关责任。 本人签名：日期：2010 年05 月20日

毕业设计（论文）任务书 设计（论文）题目： 学院：专业：班级： 学生指导教师（含职称）：专业负责人： 1．设计（论文）的主要任务及目标 (1) 了解图象匹配技术的发展和应用情况，尤其是基于特征的图象匹配技术的发展和应用。 (2) 学习并掌握图像匹配方法，按要求完成算法 2．设计（论文）的基本要求和内容 （1）查阅相关中、英文文献，完成5000汉字的与设计内容有关的英文资料的翻译。（2）查阅15篇以上参考文献，其中至少5篇为外文文献，对目前国内外图象匹配技术的发展和应用进行全面综述。 （3）学习图象匹配算法，尤其是基于特征的图象匹配算法。 （4）实现并分析至少两种基于特征的图象匹配算法，并分析算法性能。 3．主要参考文献 [1]谭磊, 张桦, 薛彦斌．一种基于特征点的图像匹配算法[J]．天津理工大学报，2006， 22(6)，66-69． [2]甘进，王晓丹，权文．基于特征点的快速匹配算法[J]．电光与控制，2009，16(2)， 65-66． [3]王军，张明柱．图像匹配算法的研究进展[J]．大气与环境光学学报，2007，2(1)， 12-15．

图像特征特点及其常用的特征提取与匹配方法

图像特征特点及其常用的特征提取与匹配方法 [ 2006-9-22 15:53:00 | By: 天若有情 ] 常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。 一颜色特征 （一）特点：颜色特征是一种全局特征,描述了图像或图像区域所对应的景物的表面性质。一般颜色特征是基于像素点的特征，此时所有属于图像或图像区域的像素都有各自的贡献。由于颜色对图像或图像区域的方向、大小等变化不敏感，所以颜色特征不能很好地捕捉图像中对象的局部特征。另外，仅使用颜色特征查询时，如果数据库很大，常会将许多不需要的图像也检索出来。颜色直方图是最常用的表达颜色特征的方法，其优点是不受图像旋转和平移变化的影响，进一步借助归一化还可不受图像尺度变化的影响，基缺点是没有表达出颜色空间分布的信息。 （二）常用的特征提取与匹配方法 （1）颜色直方图 其优点在于：它能简单描述一幅图像中颜色的全局分布，即不同色彩在整幅图像中所占的比例，特别适用于描述那些难以自动分割的图像和不需要考虑物体空间位置的图像。其缺点在于：它无法描述图像中颜色的局部分布及每种色彩所处的空间位置，即无法描述图像中的某一具体的对象或物体。 最常用的颜色空间：RGB颜色空间、HSV颜色空间。 颜色直方图特征匹配方法：直方图相交法、距离法、中心距法、参考颜色表法、累加颜色直方图法。 （2）颜色集 颜色直方图法是一种全局颜色特征提取与匹配方法，无法区分局部颜色信息。颜色集是对颜色直方图的一种近似首先将图像从RGB颜色空间转化成视觉均衡的颜色空间（如HSV 空间），并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系 （3）颜色矩 这种方法的数学基础在于：图像中任何的颜色分布均可以用它的矩来表示。此外，由于颜色分布信息主要集中在低阶矩中，因此，仅采用颜色的一阶矩（m ean）、二阶矩（variance）和三阶矩（skewness）就足以表达图像的颜色分布。（4）颜色聚合向量 其核心思想是：将属于直方图每一个柄的像素分成两部分，如果该柄内的某些像素所占据的连续区域的面积大于给定的阈值，则该区域内的像素作为聚合像素，否则作为非聚合像素。 （5）颜色相关图 二纹理特征 （一）特点：纹理特征也是一种全局特征，它也描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像内容的。与颜色特征不同，纹理特征不是基于像素点的特征，它需要在包含多个像素点的区域中进行统计计算。在模式匹配中，这种区域性的特征具有较大的优越性，不会由于局

图像识别匹配技术原理

第1章绪论 1.1研究背景及意义 数字图像，又称数码图像或数位图像，是二维图像用有限数字数值像素的表示。通常，像素在计算机中保存为二维整数数组的光栅图像，这些值经常用压缩格式进行传输和储存。数字图像可以由许多不同的输入设备和技术生成，例如数码相机、扫描仪、坐标测量机等，也可以从任意的非图像数据合成得到，例如数学函数或者三维几何模型，三维几何模型是计算机图形学的一个主要分支。数字图像处理领域就是研究它们的变换算法。 数字图像处理(Digital Image Processing)是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。数字图像处理的产生和迅速发展主要受三个因素的影响:一是计算机的发展;二是数学的发展(特别是离散数学理论的创立和完善);三是广泛的农牧业、林业、环境、军事、工业和医学等方面的应用需求的增长。 图像配准(Image registration)就是将不同时间、不同传感器(成像设备)或不同条件下(天候、照度、摄像位置和角度等)获取的两幅或多幅图像进行匹配、叠加的过程，它已经被广泛地应用于遥感数据分析、计算机视觉、图像处理等领域。 图像配准的方法迄今为止，在国内外的图像处理研究领域，已经报道了相当多的图像配准研究工作，产生了不少图像配准方法。总的来说，各种方法都是面向一定范围的应用领域，也具有各自的特点。比如计算机视觉中的景物匹配和飞行器定位系统中的地图匹配，依据其完成的主要功能而被称为目标检测与定位，根据其所采用的算法称之为图像相关等等。 基于灰度信息的图像配准方法一般不需要对图像进行复杂的预先处理，而是利用图像本身具有灰度的一些统计信息来度量图像的相似程度。主要特点是实现简单，但应用范围较窄，不能直接用于校正图像的非线性形变，在最优变换的搜索过程中往往需要巨大的运算量。经过几十年的发展，人们提出了许多基于灰度信息的图像配准方法，大致可以分为三类：互相关法（也称模板匹配法）、序贯相似度检测匹配法、交互信息法。 目前主要图像配准方法有基于互信息的配准方法，基于相关性的配准方法和基于梯度的配准方法。其中基于梯度的方法基本很少单独使用，而作为一个辅助

视觉检测原理介绍

技术细节 本项目应用了嵌入式中央控制及工业级图像高速传输控制技术，基于CCD/CMOS与DSP/FPGA的图像识别与处理技术，成功建立了光电检测系统。应用模糊控制的精选参数自整定技术，使系统具有对精确检测的自适应调整,实现产品的自动分选功能。 图1 控制系统流程图 光电检测系统主要通过检测被检物的一些特征参数(灰度分布,RGB分值等)，从而将缺陷信息从物体中准确地识别出来，通过后续的系统进行下一步操作，主要分为以下几部分 CCD/CMOS图像采集部分 系统图像数据采集处理板中光信号检测元件CCD/CMOS采用进口的适合于高精度检测的动态分析单路输出型、保证实际数据输出速率为320MB/s的面阵CCD/CMOS。像素分别为4000*3000和1600*1200，帧率达到10FPS。使用CCD/CMOS 作为输入图像传感器，从而实现了图像信息从空间域到时间域的变换。为了保证所需的检测精度，需要确定合理的分辨率。根据被检测产品的大小,初步确定系统设计分辨率为像素为0.2mm。将CCD/CMOS接收的光强信号转换成电压幅值，再经过A/D转换后由DSP/ FPGA芯片进行信号采集，即视频信号的量化处理过程，图像采集处理过程如图所示：

图2 图像采集处理过程 数据处理部分 在自动检测中，是利用基于分割的图像匹配算法来进行图像的配对为基础的。图像分割的任务是将图像分解成互不相交的一些区域，每一个区域都满足特定区域的一致性，且是连通的，不同的区域有某种显著的差异性。分割后根据每个区域的特征来进行图像匹配，基于特征的匹配方法一般分为四个步骤：特征检测、建立特征描述、特征匹配、利用匹配的“特征对”求取图像配准模型参数。 算法基本步骤如下: 1)利用图像的色彩、灰度、边缘、纹理等信息对异源图像分别进行分割，提取区域特征； 2)进行搜索匹配，在每一匹配位置将实时图与基准图的分割结果进行融合，得到综合分割结果； 3)利用分割相似度描述或最小新增边缘准则找出正确匹配位置。 设实时图像分割为m个区域，用符号{A1，A2，… Am}表示，其异源基准图像分割为n个区域，用符号{B1，B2，…Bn}表示。分割结果融合方法如下: 在每一个匹配位置，即假设的图像点对应关系成立时，图像点既位于实时图中，又位于其异源基准图像中，则融合后区域点的标识记为：（A1B1，A1B2，…，A2B1，A2B2，…）。标识AiBj表示该点在实时图中位于区域i，在基准图中位于区域j。算法匹配过程如下图所示：

SIFT特征点提取与匹配算法

SIFT 特征点匹配算法 基于SIFT 方法的图像特征匹配可分为特征提取和特征匹配两个部分，可细化分为五个部分： ① 尺度空间极值检测（Scale-space extrema detection ）； ② 精确关键点定位（Keypoint localization ） ③ 关键点主方向分配（Orientation assignment ） ④ 关键点描述子生成（Keypoint descriptor generation ） ⑤ 比较描述子间欧氏距离进行匹配（Comparing the Euclidean distance of the descriptors for matching ） 1.1 尺度空间极值检测 特征关键点的性质之一就是对于尺度的变化保持不变性。因此我们所要寻找的特征点必须具备的性质之一，就是在不同尺度下都能被检测出来。要达到这个目的，我们可以在尺度空间内寻找某种稳定不变的特性。 Koenderink 和Lindeberg 已经证明，变换到尺度空间唯一的核函数是高斯函数。因此一个图像的尺度空间定义为：(,,)L x y σ，是由可变尺度的高斯函数(,,)G x y σ与输入图像(,)I x y 卷积得到，即： ),(),,(),,(y x I y x G y x L *=σσ （1.1） 其中：2222/)(221 ),,(σπσσy x e y x G +-= 在实际应用中，为了能相对高效地计算出关键点的位置，建议使用的是差分高斯函数（difference of Gaussian ）(,,)D x y σ。其定义如下： ) ,,(),,() ,()),,(),,((),,(σσσσσy x L k y x L y x I y x G k y x G y x D -=*-= （1.2） 如上式，D 即是两个相邻的尺度的差（两个相邻的尺度在尺度上相差一个相乘系数k ）。

SIFT特征点提取与匹配算法

二 特征点提取算法 1、基于SIFT （Scale Invariant Feature Transform ）方法的图像特征匹配 参看David G. Lowe 的“Distinctive Image Features from Scale-Invariant Keypoints ” 基于SIFT 方法的图像特征匹配可分为特征提取和特征匹配两个部分，可细化分为五个部分： ① 尺度空间极值检测（Scale-space extrema detection ）； ② 精确关键点定位（Keypoint localization ） ③ 关键点主方向分配（Orientation assignment ） ④ 关键点描述子生成（Keypoint descriptor generation ） ⑤ 比较描述子间欧氏距离进行匹配（Comparing the Euclidean distance of the descriptors for matching ） 1.1 尺度空间极值检测 特征关键点的性质之一就是对于尺度的变化保持不变性。因此我们所要寻找的特征点必须具备的性质之一，就是在不同尺度下都能被检测出来。要达到这个目的，我们可以在尺度空间内寻找某种稳定不变的特性。 Koenderink 和Lindeberg 已经证明，变换到尺度空间唯一的核函数是高斯函数。因此一个图像的尺度空间定义为：(,,)L x y σ，是由可变尺度的高斯函数(,,)G x y σ与输入图像(,)I x y 卷积得到，即： ),(),,(),,(y x I y x G y x L *=σσ （1.1） 其中：2222/)(221 ),,(σπσσy x e y x G +-= 在实际应用中，为了能计算的相对高效，所真正使用的是差分高斯尺度空间（difference of Gaussian ）(,,)D x y σ。其定义如下： ) ,,(),,() ,()),,(),,((),,(σσσσσy x L k y x L y x I y x G k y x G y x D -=*-= （1.2） 如上式，D 即是由两个相邻的尺度的差（两个相邻的尺度在尺度上相差一个相乘系数k ）。

采用相关分析进行图像的快速匹配定位

实验四：采用相关分析进行图像的快速匹配定位 1.实验目的： a. 掌握图像信号处理的基本概念和一般方法，学会读入图像信息。 b. 学习图像匹配的一般方法，了解相关估计在图像匹配和检测中的应用。 c. 熟悉图像匹配与校准定位的基本方法，学习二维图像信号的快速相关估计的基本算法，学会用FFT 作快速相关估计。 2.实验内容： a. 读入图像数据。 b. 编写图像匹配的程序，从一幅图像中任取一幅子图（模板T ），然后 在另外一幅图像中寻找能和该子图匹配的目标（S i,j ）的位置。 c. 设计程序界面，将匹配结果直观地显示出来。 d. 探讨快速算法。 3.算法讨论及分析 算法1： 设模板T 在被搜索图S 中平移，模板覆盖下的那块子图像我们记做S i,j ，(i,j)为这块子图像的左上角象素点在S 中的坐标，从图1中，我们可以看出i 和j 的取值范围为：1

CT图像重建资料讲解

C T图像重建

昆明理工大学信息工程与自动化学院学生实验报告 （ 2009—2010学年第一学期） 一、实验目的与意义 医学成像技术是生物医学工程专业的一门重要的专业课程,课程主要涉及X光仪器，CT 仪器，MRI仪器和核医学仪器的工作原理及成像方法。其中CT算法的出现又为后来数字化医学成像技术的发展提供了基础。该门课程为生物医学工程专业的专业基础课。 CT技术是医学成像系统中的一种重要手段。它通过特定的算法，利用计算机的高速运算功能，可以在短时间内快速呈现人体断层图像。让学生练习CT图像的重建有助于学生理解CT算法的内容，熟悉数字图像重建的过程。同时也能培养学生的团队精神和解决实际问题的能力。 二、实验算法原理 1、MATLAB处理数字图像的基本函数； 2、X-CT三维图像重建的基本算法。 CT图象重建有四种基本的算法:矩阵法,迭代法,傅立叶算法,反投影算法.我们采用的方法为卷积反投影. 卷积反投影有:平行光束投影的卷积反投影算法, 等角扇形光来投影的重建算法. 1）.平行光束投影的卷积反投影算法 仅供学习与交流，如有侵权请联系网站删除谢谢2

仅供学习与交流，如有侵权请联系网站删除 谢谢3 从投影重建三维物体的图像，就是重建一个个横断面。这样三堆图像的重建就归结为二维图象的重建。二维图像的重建问题可以从数学上描述如下。 假定),(y x g 表示一个二维的未知函数，通过),(y x g 的直线称为光钱(见图2．1)。沿光线),(y x g 的积分称作光线积分。沿相同方向的一组光线积分，就构成一个投影。图2．1中垂直于直线'CC (与X 轴夹角为θ)的光线所形成。 图2.1 ),(y x g 在θ方向的投影)(t P θ 的投影)(t P θ，称之为),(y x g 在θ方向的投影。光线积分和投影在数学上可以定义如下： 在图2.1中直线AB 的方程为： 1sin cos t Y X =+θθ (2.1) 其中1t 是AB 到原点的距离，),(y x g 沿AB 的积分为： dxdy t y x y x g ds y x g t P AB )sin cos (),(),()(11-+==??+∞ ∞-θθδθ (2.2) 对于给定的θ，),(y x g 在θ方向的投影)(t P θ是t 的函数。如果),(y x g 在各个方向的投影已知，),(y x g 就可以唯一确定。下面就讨论卷积反投影重建算法。

图像识别匹配技术原理

第1章绪论 1?1研究背景及意义 数字图像，又称数码图像或数位图像，是二维图像用有限数字数值像素的表示。通常，像素在计算机中保存为二维整数数组的光栅图像，这些值经常用压缩格式进行传输和储存。数字图像可以由许多不同的输入设备和技术生成，例如数码相机、扫描仪、坐标测量机等，也可以从任意的非图像数据合成得到，例如数学函数或者三维几何模型，三维几何模型是计算机图形学的一个主要分支。数字图像处理领域就是研究它们的变换算法。 数字图像处理（Digital Image Process in g）是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。数字图像处理的产生和迅速发展主要受三个因素的影响：一是计算机的发展；二是数学的发展（特别是离散数学理论的创立和完善）;三是广泛的农牧业、林业、环境、军事、工业和医学等方面的应用需求的增长。 图像配准（Image registration）就是将不同时间、不同传感器（成像设备）或不同条件下（天候、照度、摄像位置和角度等）获取的两幅或多幅图像进行匹配、叠加的过程，它已经被广泛地应用于遥感数据分析、计算机视觉、图像处理等领域。 图像配准的方法迄今为止，在国内外的图像处理研究领域，已经报道了相当多的图像配准研究工作，产生了不少图像配准方法。总的来说，各种方法都是面向一定范围的应用领域，也具有各自的特点。比如计算机视觉中的景物匹配和飞行器定位系统中的地图匹配，依据其完成的主要功能而被称为目标检测与定位，根据其所采用的算法称之为图像相关等等。 基于灰度信息的图像配准方法一般不需要对图像进行复杂的预先处理，而是利用图像本身具有灰度的一些统计信息来度量图像的相似程度。主要特点是实现简单，但应用范围较窄，不能直接用于校正图像的非线性形变，在最优变换的搜索过程中往往需要巨大的运算量。经过几十年的发展，人们提出了许多基于灰度信息的图像配准方法，大致可以分为三类：互相关法（也称模板匹配法）、序贯相似度检测匹配法、交互信息法。 目前主要图像配准方法有基于互信息的配准方法，基于相关性的配准方法和基

F R E A K 特 征 点 匹 配 算 法 介 绍 ( 2 0 2 0 )

三个描述符的比较：SURF，FREAK和BRISK =================分割线================= 我认为从事对象识别，图像注册和使用关键点提取的其他领域的开发人员和研究人员可以发现这个帖子很有用。最近（从2.4.2），一个新的特征描述符算法被添加到OpenCV库中。据称FREAK描述符优于ORB和SURF描述符，但速度非常快（与ORB相当）。也有人在我的博客上的评论提到BRISK描述符，这是比SURF更新，更高效。那么，最后我找到一个时间来比较他们，并发表我的研究成果。 这篇文章与我过去的OpenCV比较报告非常相似。虽然这些报告是多年前发表的，但它们还是有些实际的。对于这个测试，我决定从头开始重写整个测试框架。源代码即将可用。但现在，让我解释我做了什么来找到最好的三种算法。将图像转换为描述符的主要目标是什么？从像素域移动到更紧凑的表示形式相同的数据。此外，我们希望我们的表示是旋转和比例不变的（例如，当源图像旋转或缩放时，表示保持不变或略微变化）。SURF，FREAK和BRISK描述符宣称它们是旋转和尺度不变的。 ========================分割线============================== 就像在OpenCV比较报告中一样，测试应用程序与测试模式图像一起工作。我们有四个基本的转换：旋转，缩放，模糊和亮度调整。这里是如何旋转转换类看起来像：

class ImageRotationTransformation : public ImageTransformation ImageRotationTransformation(float startAngleInDeg, float endAngleInDeg, float step, cv::Point2f rotationCenterInUnitSpace) : ImageTransformation("Rotation") , m_startAngleInDeg(startAngleInDeg) , m_endAngleInDeg(endAngleInDeg) , m_step(step) , m_rotationCenterInUnitSpace(rotationCenterInUnitSpace) -- Fill the arguments for (float arg = startAngleInDeg; arg = endAngleInDeg; arg += step) m_args.push_back(arg); virtual std::vector getX() const return m_args; virtual void transform(float t, const cv::Mat source, cv::Mat result) const cv::Point2f center(source.cols * m_rotationCenterInUnitSpace.x, source.cols * m_rotationCenterInUnitSpace.y);

F R E A K 特 征 点 匹 配 算 法 介 绍

图像局部特征（一）--概述 本文根据下面这篇文章，做下简单修改。 研究图像特征检测已经有一段时间了，图像特征检测的方法很多，又加上各种算法的变形，所以难以在短时间内全面的了解，只是对主流的特征检测算法的原理进行了学习。总体来说，图像特征可以包括颜色特征、纹理特等、形状特征以及局部特征点等。其中局部特点具有很好的稳定性，不容易受外界环境的干扰，本篇文章也是对这方面知识的一个总结。 1. 局部特征点 图像特征提取是图像分析与图像识别的前提，它是将高维的图像数据进行简化表达最有效的方式，从一幅图像的M×N×3?M×N×3的数据矩阵中，我们看不出任何信息，所以我们必须根据这些数据提取出图像中的关键信息，一些基本元件以及它们的关系。 局部特征点是图像特征的局部表达，它只能反正图像上具有的局部特殊性，所以它只适合于对图像进行匹配，检索等应用。对于图像理解则不太适合。而后者更关心一些全局特征，如颜色分布，纹理特征，主要物体的形状等。全局特征容易受到环境的干扰，光照，旋转，噪声等不利因素都会影响全局特征。相比而言，局部特征点，往往对应着图像中的一些线条交叉，明暗变化的结构中，受到的干扰也少。 而斑点与角点是两类局部特征点。斑点通常是指与周围有着颜色和灰度差别的区域，如草原上的一棵树或一栋房子。它是一个区域，

所以它比角点的噪能力要强，稳定性要好。而角点则是图像中一边物体的拐角或者线条之间的交叉部分。 2. 斑点检测原理与举例 2.1 LoG与DoH 斑点检测的方法主要包括利用高斯拉普拉斯算子检测的方法（LOG）,以及利用像素点Hessian矩阵（二阶微分）及其行列式值的方法（DOH）。 LoG的方法已经在斑点检测这入篇文章里作了详细的描述。因为二维高斯函数的拉普拉斯核很像一个斑点，所以可以利用卷积来求出图像中的斑点状的结构。 DoH方法就是利用图像点二阶微分Hessian矩阵： H(L)=[L?xx?L?xy?L?xy?L?yy?]?H(L)=[LxxLxyLxyLyy] 以及它的行列式的值DoH(Determinant of Hessian): det=σ?4?(L?xx?(x,y,σ)L?yy?(x,y,σ)?L?2?xy?(x,y,σ))?de t=σ4(Lxx(x,y,σ)Lyy(x,y,σ)?Lxy2(x,y,σ)) Hessian矩阵行列式的值，同样也反映了图像局部的结构信息。与LoG相比，DoH对图像中的细长结构的斑点有较好的抑制作用。 无论是LoG还是DoH，它们对图像中的斑点进行检测，其步骤都可以分为以下两步： 1）使用不同的σ?σ生成(?2?g?x?2?+?2?g?y?2?)?(?2g?x2+?2g?y2) 或?2?g?x?2?,?2?g?y?2?,?2?g?x?y?2g?x2,?2g?y2,?2g?x?y模板，并

基于特征值的模式匹配算法

宜宾学院学报 Journal of Yibin University 优先数字出版 —————————————————————— 收稿日期：2014-07-03 2014-09-05 基金项目：安徽电子信息职业技术学院教科研项目“基于数据挖掘技术的高职院校招生决策系统研究与应用” （ADZX1306） 作者简介：余飞（1983-），男，硕士，讲师，研究方向为计算机网络安全、数据挖掘、分布式操作系统 网络出版时间： 网络出版地址： 基于特征值的模式匹配算法 余 飞，刘思宏 （安徽电子信息职业技术学院 软件学院，安徽蚌埠233060） 摘 要：模式匹配算法广泛应用于防火墙、入侵检测等网络安全领域，其算法效能直接影响到系统的工作效率．本文首次提出了一种基于特征值的模式匹配算法——FLC （First-Last-Characters ）算法．该算法打破了经典算法有序偏移的思想，突破了BMHS （Boyer-Moore-Horspool-Sunday ）算法最大偏移量（m+1）的上限，从而增大了偏移距离，减 则匹配成功；若有一个字符不同，则匹配不成功，模式串向右移动一个字符的位置，继续比较，直到将文本串的所有位都比较过来．BF 算法实现简单，但模式串每次仅偏移一个字符，这导致模式串几乎要与文本串中的每一个字符进行比较，运行效率极其低下． KMP 算法[2]是BF 的一种改进算法，该算法由Knuth 等人提出．KMP 算法根据给定的模式串，定义一个next 函数．模式串与文本串按顺序进行从左到右匹配， 2014-09-12 13:00 https://www.wendangku.net/doc/fa4056818.html,/kcms/detail/51.1630.Z.20141211.1054.008.html