一、图像匹配方法
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。
已有的基于灰度的匹配方法很多,如:Leese于1971年提出的MAD算法;为使模板匹配高速化,Barnea于1972年提出了序贯相似性检测法—SSDA法,这种算法速度有了较大提高,但是其精度低,匹配效果不好,而且易受噪声影响。随后陈宁江等提出的归一化灰度组合相关法(NIC),山海涛等提出基于灰度区域相关的归一化灰度(Nprod)匹配法等。其中,归一化积相关匹配法较其他方法更具有优势。
设参考图S是大小为M*M的图像,实时图T是大小为N*N的图像,并且M>N。图像匹配是将实时图T叠放在参考图S上平移,模板覆盖下的那块大小为N*N的搜索图叫做子图Suv。(u,v)为这块子图的左上角像点在图中的坐标,称为参考点,(u,v)的取值范围为:
基于灰度相关匹配能获得较高的定位精度,但是它的运算量大,难以达到实时性要求。
(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杀过少很多,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。基于特征的图像匹配方法在实际中的应用越来越广泛,也取得了很大的成果,基于图像特征的匹配方法主要有以下四种:
图像点匹配技术。图像点匹配技术可以分为两类:一类是建立模板和待匹配图像的特征点集之间的点