图像匹配算法

最新推荐文章于 2024-07-28 08:42:37 发布

北京纯牛奶

最新推荐文章于 2024-07-28 08:42:37 发布

阅读量5.6k

点赞数 2

分类专栏：图像匹配

本文链接：https://blog.csdn.net/qq_44666320/article/details/118304149

版权

图像匹配专栏收录该内容

1 篇文章 0 订阅

订阅专栏

图像匹配是指：通过一定的匹配算法在两幅或多幅图像之间识别同名点。

图像匹配主要可分为以灰度为基础的匹配和以特征为基础的匹配。

模版匹配：基于像素的匹配，用来在一副大图中搜寻查找模版图像位置的方法。和 2D 卷积一样，它也是用模板图像在输入图像（大图）上滑动，并在每一个位置对模板图像和与其对应的输入图像的子区域进行比较。OpenCV 提供了几种不同的比较方法。返回的结果是一个灰度图像，每一个像素值表示了此区域与模板的匹配程度。

模板匹配局限性：主要表现在它只能进行平行移动，若原图像中的匹配目标发生旋转或大小变化，该算法无效。

图像匹配的方法很多，一般分为两大类，一类是基于灰度匹配的方法，另一类是基于特征匹配的方法。

（1）基于灰度匹配的方法。也称作相关匹配算法，用空间二维滑动模板进行图像匹配，不同算法的区别主要体现在模板及相关准则的选择方面。

（2）基于特征匹配的方法。首先在原始图像中提取特征，然后再建立两幅图像之间特征的匹配对应关系。常用的特征匹配基元包括点、线、区域等显著特征。图像特征相比像素点数量过少很多，特征间的匹配度量随位置变化尖锐，容易找出准确的匹配位置，特征提取能大大减少噪声影响，对灰度变化、形变和遮挡有较强的适应力。

图像匹配算法分为3类：基于灰度的匹配算法、基于特征的匹配算法、基于关系的匹配算法

（1）基于灰度的模板匹配算法：模板匹配（Blocking Matching）是根据已知模板图像到另一幅图像中寻找与模板图像相似的子图像。基于灰度的匹配算法也称作相关匹配算法，用空间二维滑动模板进行匹配，不同匹配算法主要体现在相关准则的选择方面

（2）基于特征的匹配算法：首先提取图像的特征，再生成特征描述子，最后根据描述子的相似程度对两幅图像的特征之间进行匹配。图像的特征主要可以分为点、线（边缘）、区域（面）等特征，也可以分为局部特征和全局特征。

区域（面）特征提取比较麻烦，耗时，因此主要用点特征和边缘特征。

点特征包括：Harris 、Moravec、KLT、SIFT、SURF 、BRIEF、SUSAN、FAST、CENSUS、FREAK（点击打开链接）、BRISK（点击打开链接）、ORB、光流法（点击打开链接）、A-KAZE等。

边缘特征包括：LoG算子、Robert算子、Sobel算子、Prewitt算子、Canny算子等。

光流法：

（3）基于关系的匹配算法：建立语义的网络，是人工智能领域在图像处理中的应用，但还没有突破性的进展。