一种基于改进SURF和K-Means聚类的布料图像匹配算法

一、摘要

传统方式：通过提取布料图像的SURF特征进行形状分析。缺点：速度慢（SURF特征维度高）、匹配结果不符合人眼视觉特点（基于灰度图）。
本文：基于小波变换的自适应SURF特征提取算法和基于K-Means的布料图像颜色分析算法。通过融合图像形状特征、颜色特征加快布料匹配速度，使结果更见符合人眼视觉感受。

二、背景

常见图像匹配思路：基于灰度图像的匹配、基于特征图像的匹配。
基于灰度的图像匹配：根据全局最优化像素间的相似度来度量。
基于特征的图像匹配：提取图像特征点实现匹配。

三、算法简介

1、SURF算法

主要思想是：采用离散化和裁剪的DOH（Determinantof Hessian）来获取特征点，用Harr小波模板提取特征，并采用积分图像来加速计算DOH和Haar模板响应。

1.1 特征点检测

1.1.1 积分图像
功能：快速实现方框卷积滤波。
特点：使矩形区域内像素值与坐标无关，秩序根据矩形四个顶点坐标即可得到。
1.1.2 Hessian矩阵检测极值点
主要思想：用前面的方框滤波近似代替二阶高斯滤波，用det（H）估计Hessian矩阵H，来达到减小运算量。然后使用尺度空间金字塔进行非极大值抑制，当极值点满足比周围26个邻域值都大或者小的情况下，使其成为特征点。

1.2 特征描述子

1.2.1 确定特征点主方向