基于特征描述子的圖像匹配算法研究.pdf

1、圖像匹配算法的目標是尋找圖像之間的同質(zhì)區(qū)域，進而根據(jù)同質(zhì)區(qū)域的映射，建立起圖像之間的空間對應關系。它是計算機視覺研究領域中的一個關鍵問題，也是三維重建、遙感融合、目標識別、目標跟蹤、醫(yī)學圖像分析、增強現(xiàn)實等許多視覺應用的基礎。但是，由于光照變化、視角變化、目標形態(tài)變化、圖像噪聲等等影響，待匹配圖像可能發(fā)生不同程度的外觀變化，從而影響匹配效果。因此，如何對圖像內(nèi)容的同質(zhì)性進行有效地分析與度量，進而得到匹配精度高、具有魯棒性的算法，是圖像匹

2、配任務的重點?；谔卣髅枋鲎拥膱D像匹配算法是該領域的一個重要研究方向。其基本步驟如下：首先，對待匹配圖像中特征區(qū)域的位置與尺度等信息進行檢測；然后，基于底層圖像特征提取方法與圖像描述子構建方法，對各個特征區(qū)域進行描述，產(chǎn)生相應的局部圖像描述子；進而根據(jù)描述子的相似性度量得到初始匹配結果，并根據(jù)特征區(qū)域的拓撲結構，利用點集匹配算法進行空間約束，最終得到圖像之間的匹配關系。因此，為了得到更加魯棒與精確的匹配結果，本文在國內(nèi)外已有研究基礎上，

3、針對圖像匹配算法的各個步驟進行了研究，包括圖像底層特征提取、圖像局部描述子構建以及基于局部拓撲結構的點集匹配。
　　本研究主要內(nèi)容包括：⑴圖像匹配算法關鍵技術分析。就局部圖像特征來說，傳統(tǒng)底層特征的計算都是基于感興趣區(qū)域中離散像素之間的比較來進行。但是，這種基于像素的特征計算方式對噪聲比較敏感，同時也不利于描述較大的圖像結構。其次，對局部圖像描述子的構造策略進行了研究。為了對圖像中的空間結構信息進行有效表征，傳統(tǒng)的圖像描述算法一般

4、在空間上進行分塊匯聚操作，但是這種方法沒有考慮到圖像內(nèi)容本身的分布特點，因此魯棒性受到了制約。而在進行點集匹配時，一些現(xiàn)有的基于運動模型的點集匹配方法雖然能夠處理圖像形變，但是在進行迭代運算時沒能很好地考慮到點集局部的結構形狀信息。⑵基于局部環(huán)形編碼的底層圖像特征提取算法。我們分析并設計了基于局部環(huán)形采樣的底層特征結構，從而使得其能夠克服經(jīng)典底層圖像特征提取算法的一些缺陷。然后基于此特征結構，提出了基于環(huán)形差分編碼與離散余弦變換編碼的特

5、征提取算法，并對其性質(zhì)進行了相應的論述；最終獲得的底層特征能夠對圖像中相對較大的局部模式進行表征，反應其中像素的局部組織特性與連續(xù)變化，因此具有更好的圖像內(nèi)容刻畫能力，對于各種圖像變換也具有很好的魯棒性，為進一步的圖像描述方法與圖像匹配工作提供了基礎。⑶基于視覺感受域的圖像特征描述子構造算法。受到人體神經(jīng)系統(tǒng)中視覺感受域的結構與功能特征的啟發(fā)，我們首先提出了基于感受域的底層特征組織結構。這種特征組織模式利用了視覺感受域基礎結構特性，并且

6、能夠將本文所提出的底層特征提取算法進行融合。而為了解決上文提到的池化策略魯棒性問題，本文進一步提出了基于模糊C均值的隸屬度池化策略，從而在同一框架下模擬了視覺感受域的空間關聯(lián)性，將特征區(qū)域劃分為更加具有視覺語義的子塊，對各個圖像特征區(qū)域的空間結構進行了有效地編碼。⑷基于結構約束與高斯混合模型后驗更新的點集匹配算法。為了對點集內(nèi)部的拓撲關系進行綜合表征，我們提出了基于局部結構的點集形狀編碼算法，其中包括了點集基礎模式提取與基于相對坐標系的

7、點集形狀池化。局部形狀編碼能夠有效整合點集的空間信息，具有很好的細化描述能力。在進行計算時，對整體點集進行歸一化，并根據(jù)模板建立相應的查詢表，提高了計算效率。然后，我們進一步將點集局部結構提取算法融入到基于高斯混合模型的點集匹配框架，并根據(jù)這種局部結構來對匹配過程進行約束。同時，根據(jù)相應的匹配后驗概率進行點集結構的獲取與高斯成分權重的更新，最后通過求解模型最大后驗的方法將各個數(shù)據(jù)點與高斯混合模型各個成分對應起來，從而在此框架下找到兩個點