毕业论文文献总结

DeerMer

已于 2022-04-25 09:53:49 修改

阅读量2k

点赞数

文章标签：计算机视觉图像处理

于 2022-01-14 17:25:56 首次发布

本文链接：https://blog.csdn.net/DeerMer/article/details/122474649

版权

面向缺陷检测的图像配准的方法和研究

图像配准 Image Registration

图像配准的步骤:
（使用基于特征的方法）

关键字检测、特征描述（SIFT ORB）
特征匹配
图像变换

1、采用 SURF 特征和局部互相关信息的图像配准算法

图像配准技术：通过对同一场景多角度成像的多幅图像进行几何参数变换的过程，通过特征提取把多幅存在变形或者重叠区域的图像完成一致性调整。
常用的图像配准包括三类：采用灰度信息互相关性配准、特征配准以及变换域配准。

具有尺度和旋转不变性算子
SIFT（Scale-Invariant Feature Transform）
尺度不变特征变换
SURF (Speed Up Robust Features)
加速鲁棒性特征

BRIEF（Binary Robust Independent Elementary Features）
二进制的鲁棒性独立特征
ORB(Oriented Brief)
二进制简单描述符  首先借助加速分割测试特征（Features From Accelerated Segment Test，FAST）获取带有尺度不变性的角点特征信息，然后计算出角点的主方向，并建立带有旋转不变性的BRIEF 描述符，有效改善了运算效率。
CCI（Cross-Correlation Information）
基于互相关信息的图像配准   通过模板图像在基准图像中移动，来求解两者的相似度，而峰值出现的地方即为所求的配准位置，然周再通过计算变换矩阵，从而实现图像配准。

基于互相关信息的图像配准：对于偏转角较大的图像配准效果不好，会发生明显扭曲和形变。配准偏移误差几乎为零（？啥意思），但时间长，不能满足工程应用。
ORB：配准耗时最小，但配准精度最大。
SIFT: 精度和耗时均表现一般。
SURT:兼顾精度和耗时，具备较好的鲁棒性。
SURF+局部互相关信息：具备更高的配准精度。

2、基于关键点匹配的烟包标签错误检测算法（比较贴近论文主题）

SIFT算法的用法值得学习！

SIFT算法

 1. 关键点检测
    方法不太懂？
  
 2. 关键点特征提取
     对参考图像和待匹配图像进行关键点检测，得到对应的特征集。
     
 3. 关键点匹配
 4. 匹配结果分析
	不适合烟包标签检测，是否适合缺陷检测？

方法二：基于关键点匹配的烟包标签错误类型检测算法
由于烟包成像环境较为稳定，整个成像过程中光照和设备工况基本不变，这使得图像的色彩、明暗、成像角度和成像距离变化都不大。所以，关键点的颜色空间、显著度信息可以做新的特征。

文中介绍了相关公式
 1. 关键点提取 使用SIFT算法 +提取关键点的色彩、显著度等扩展特征。
 	取r为半径
 2. 相似点簇聚集，进行相应关系评估
 4. 依据关键点匹配结果进行标签参数计算，最终得到错误类型。

局限性：图像中背景部分变化较大时，需要对标签部分和背景部分进行更复杂的识别。（是否可以用于印刷品的缺陷检测？）

3、一种基于SIFT的图像拼接方法

*尺度不变特征变换(Scale Invariant Feature Transform，SIFT)*利用128维的特征向量来表示图像中检测到的特征点。其实质是在图像的不同尺度空间中寻找关键点，并得到关键点的方向。

步骤：

 1. 建立高斯差分金字塔
 2. (和上一篇所讲内容相似)

算法缺点：

速度慢，实时性不高
对模糊图像和平滑边缘图像无效

算法优点：

SIFT算法找到的图像特征是局部的，对于旋转、缩小放大和对比度变化具有较高的适应性，对拍摄角度的改变、错切变换以及附加噪声也有较好的效果。
精确性性好，特征点丰富，达到精确匹配。
多量性，即使是少数目标也能产生丰富的特征向量。

多种角度比较ＳＩＦＴ、ＳＵＲＦ、ＢＲＩＳＫ、ＯＲＢ、ＦＲＥＡＫ算法

本文采用 Mikolajczyk 和 Schmid提供的经过不同变化的图像数据集从多个角度对sift、surf、brisk、orb、freak进行比较实验，得出不同图像变化中，各种匹配算法的不同表现。


 1. 算法匹配速度比较
 ORB、FREAK、SURF、BRISK、SIFT
 
 2. 旋转变换鲁棒性比较
 通过匹配对数折线图中数量变化的斜率可以看出，在图像发生旋转时，特征点匹配对数基本上都在下降，SIFT和SURF算法在旋转角度小时能够表现出一定的稳定性，FREAK算法在旋转角度大时，具有一定的优势。
 
 3. 模糊变换鲁棒性比较
 通过匹配对数折线图（见图２）中数量变化的斜率可以看 出，随 着 模 糊 程 度 的 增大，各种算法的匹配对数都在下降，SURF算法表现稍好，BRISK算法在模糊程度不大时会有明显的下降。
 
 4. 光照变换鲁棒性比较