圖像匹配方法淺談

http://www.cnblogs.com/jewell/archive/2011/08/26/2154179.html

每次都想找個權威的圖像匹配的綜述看看。但看的論文零零散散，每家都說自己方法如何如何的好，其實我都半信半疑的，希望中國的研究學者能夠腳踏實地的務實的多做點實事，牛頓說我成功是因為站在巨人的肩上。我是菜鳥，我希望能站在大鳥的身上，展翅飛翔。

      也希望有好的英語綜述的，可以給小妹提供指點迷津。呵呵，原來我崇洋媚外！

      廢話一大篇，趕緊正題！

    一、圖像匹配方法

圖像匹配的方法很多，一般分為兩大類，一類是基於灰度匹配的方法，另一類是基於特征匹配的方法。

 （1）基於灰度匹配的方法。也稱作相關匹配算法，用空間二維滑動模板進行圖像匹配，不同算法的區別主要體現在模板及相關准則的選擇方面。

　　已有的基於灰度的匹配方法很多，如：Leese於1971年提出的MAD算法；為使模板匹配高速化，Barnea於1972年提出了序貫相似性檢測法---SSDA法，這種算法速度有了較大提高，但是其精度低，匹配效果不好，而且易受噪聲影響。隨後陳寧江等提出的歸一化灰度組合相關法（NIC），山海濤等提出基於灰度區域相關的歸一化灰度（Nprod）匹配法等。其中，歸一化積相關匹配法較其他方法更具有優勢。

    設參考圖S是大小為M*M的圖像，實時圖T是大小為N*N的圖像，並且M>N。圖像匹配是將實時圖T疊放在參考圖S上平移，模板覆蓋下的那塊大小為N*N的搜索圖叫做子圖Suv。(u,v)為這塊子圖的左上角像點在圖中的坐標，稱為參考點，（u，v）的取值范圍為：

　　基於灰度相關匹配能獲得較高的定位精度，但是它的運算量大，難以達到實時性要求。

（2）基於特征匹配的方法。首先在原始圖像中提取特征，然後再建立兩幅圖像之間特征的匹配對應關系。

  　　常用的特征匹配基元包括點、線、區域等顯著特征。圖像特征相比像素點數量殺過少很多，特征間的匹配度量隨位置變化尖銳，容易找出准確的匹配位置，特征提取能大大減少噪聲影響，對灰度變化、形變和遮擋有較強的適應力。基於特征的圖像匹配方法在實際中的應用越來越廣泛，也取得了很大的成果，基於圖像特征的匹配方法主要有以下四種：

• 圖像點匹配技術。圖像點匹配技術可以分為兩類：一類是建立模板和待匹配圖像的特征點集之間的點點對應關系，然後計算對應點之間的相似性度量來確定圖像匹配與否；另一類是無須建立顯示的點點對應關系，主要有最小均方差匹配、快速點匹配、Haussdorff點距離匹配等。
• 邊緣線匹配技術。邊緣線可以通過區域分割、邊緣檢測等得到。采用邊緣線段的優點是孤立邊緣點的偏差對邊緣線段的影響很小，還加入了邊緣連接性約束。主要的方法有HYPER匹配技術、chafer匹配技術等。
• 閉合輪廓匹配技術。輪廓匹配，是模式識別和三維重建的一個最基本問題，常用的有Fourier描述子、HRP描述子等。Fourier描述子反映的是輪廓線的全局特征。HRP描述子相比則反映了閉合邊界的局部特征，能夠很好的處理輪廓線的局部變化和遮掩性，降低了算法的復雜度。
• 使用高級特征的匹配技術。利用圖像特征間的幾何約束，將特征屬性值之間簡單比較的結果作為相似性度量，從而進一步提高匹配算法的速度。主要有圖像匹配法、松弛法和能量最小化法等。基於特征匹配方法，一般都具有較好抗幾何失真和灰度失真的能力，對抗噪聲干擾也有一定的抑制能力，其難點在於自動、穩定、一致的特征提取，並且特征提取過程會損失大量的圖像信息，因而不易硬件實現。目前，對自然環境下的景物圖像進行分割或特征提取任然是一項困難的工作。

二、圖像匹配算法性能評價指標

匹配算法的性能評價指標主要有：匹配概率、匹配精度、匹配速度。

• 匹配概率，是正確匹配次數與總的匹配次數之比。
• 匹配精度，是正確匹配的匹配誤差均方差，描述了匹配的准確性。由於噪聲和其他誤差因素的影響，圖像匹配時最終得出的匹配位置和真正的匹配位置是不同的，估計匹配點和真正匹配點之間存在一定的隨機偏差，該偏差稱為匹配誤差。顯然匹配誤差的方差越小，則定位精度越高。
• 匹配速度，是指匹配算法的快慢程度，說明了搜索的快速性。

   一個好的匹配算法要求匹配概率盡可能高，匹配誤差小，算法計算快，能滿足應用環境對實時性的要求。