一种基于灰度相关的快速图像匹配算法

一种基于灰度相关的快速图像匹配算法

[摘要] 在传统的基于灰度相关的图像匹配算法基础上,提出了一种改进的快速图像匹配算法。该算法通过减少搜索子图和优化测度函数,大大降低了算法的时间复杂度和空间复杂度,在快速匹配的基础上,进行归一化的相关计算,既能保证匹配效果,又提高了匹配速率。实验结果表明,这是一个能提高效率的有效算法。

[关键字] 图像匹配测度函数归一化相关

[Abstract] An new algorithm of fast image matching based on gray correlation was put forward. It greatly decreased time and space complexity by reducing searching subimages and optimizing measure function. Normalized Correlation computing on the base of fast matching not only ensured matching effect ,but also improved matching speed.The result showed the algorithm was practical.

[Key words] image matching measure function Normalized Correlation

1 引言

在过去的几十年中,各种图像匹配算法相继出现,而且结合许多数学理论和方法,人们不断提出新的匹配方法。对于灰度图像的匹配分为基于图像的几何特征和基于图像灰度值两大类。前者适合于单一明确的目标检测且对目标的几何特征提取有较高的要求,在背景较复杂时不易目标提取,且计算量大,对系统的消耗很大。后者采用搜索子图遍历图像,并对搜索窗口和模板求归一化相关值,以此作为测度函数,衡量搜索窗口内图像与模板的匹配度,这种基于灰度相关的匹配特别适合复杂背景下多目标识别,匹配的准确性和适应性也很高。但是该算法有一个致命的弱点,就是计算量过于庞大,难以满足实时环境下目标识别的要求。为此人们提出了一种序贯相似性检测算法,减少计算的复杂度和搜索次数,大大降低了识别时间。本文提出的改进算法正是在序贯相似性算法基础上,进一步减少乘法和除法运算,缩减搜索量,在保证匹配率不影响的情况下,加快匹配速度。

2 传统图像匹配算法

图像匹配是图像识别的重要组成部分之一。在机器识别事物的过程中,常需要把不同传感器或同一传感器在不同时间、不同成像条件下对同一景物获取的两幅或多幅图像在空间上对准,或根据已知模式到另一幅图中寻找相应的模式,这称为匹配。

(a)搜索图(b)模板

图1 搜索图及模板

若在被搜索图中有待寻的目标,且同模板有一样的尺寸和方向,它的基本原则

诚信声明 本人声明： 我所呈交的本科毕业设计论文是本人在导师指导下进行的研究工作及取得的研究成果。尽我所知，除了文中特别加以标注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成果。与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。本人完全意识到本声明的法律结果由本人承担。 申请学位论文与资料若有不实之处，本人承担一切相关责任。 本人签名：日期：2010 年05 月20日

毕业设计（论文）任务书 设计（论文）题目： 学院：专业：班级： 学生指导教师（含职称）：专业负责人： 1．设计（论文）的主要任务及目标 (1) 了解图象匹配技术的发展和应用情况，尤其是基于特征的图象匹配技术的发展和应用。 (2) 学习并掌握图像匹配方法，按要求完成算法 2．设计（论文）的基本要求和内容 （1）查阅相关中、英文文献，完成5000汉字的与设计内容有关的英文资料的翻译。（2）查阅15篇以上参考文献，其中至少5篇为外文文献，对目前国内外图象匹配技术的发展和应用进行全面综述。 （3）学习图象匹配算法，尤其是基于特征的图象匹配算法。 （4）实现并分析至少两种基于特征的图象匹配算法，并分析算法性能。 3．主要参考文献 [1]谭磊, 张桦, 薛彦斌．一种基于特征点的图像匹配算法[J]．天津理工大学报，2006， 22(6)，66-69． [2]甘进，王晓丹，权文．基于特征点的快速匹配算法[J]．电光与控制，2009，16(2)， 65-66． [3]王军，张明柱．图像匹配算法的研究进展[J]．大气与环境光学学报，2007，2(1)， 12-15．

Efficient graph-based image segmentation 2.相关工作 G=(V ,E)，每个节点V i v 对应图像中一个像素点，E 是连接相邻节点的边，每个边有对应有一个权重，这个权重与像素点的特性相关。 最后，我们将提出一类基于图的查找最小割的分割方法。这个最小割准则是最小化那些被分开像素之间的相似度。【18】原文中叫Component,实质上是一个MST,单独的一个像素点也可以看成一个区域。 预备知识： 图是由顶点集（vertices ）和边集（edges ）组成，表示为，顶点，在本文中即为单个的像素点，连接一对顶点的边具有权重，本文中的意义为顶点之间的不相似度，所用的是无向图。 树：特殊的图，图中任意两个顶点，都有路径相连接，但是没有回路。如上图中加粗的边所连接而成的图。如果看成一团乱连的珠子，只保留树中的珠子和连线，那么随便选个珠子，都能把这棵树中所有的珠子都提起来。如果，i 和h 这条边也保留下来，那么h,I,c,f,g 就构成了一个回路。 最小生成树（MST, minimum spanning tree ）：特殊的树，给定需要连接的顶点，选择边权之和最小的树。上图即是一棵MST 。 本文中，初始化时每一个像素点都是一个顶点，然后逐渐合并得到一个区域，确切地说是连接这个区域中的像素点的一个MST 。如图，棕色圆圈为顶点，线段为边，合并棕色顶点所生成的MST ，对应的就是一个分割区域。分割后的结果其实就是森林。 边的权值： 对于孤立的两个像素点，所不同的是颜色，自然就用颜色的距离来衡量两点 的相似性，本文中是使用RGB 的距离，即

多聚焦图像融合方法综述 摘要：本文概括了多聚焦图像融合的一些基本概念和相关知识。然后从空域和频域两方面将多聚焦图像融合方法分为两大块，并对这两块所包含的方法进行了简单介绍并对其中小波变换化法进行了详细地阐述。最后提出了一些图像融合方法的评价方法。 关键词：多聚焦图像融合；空域；频域；小波变换法；评价方法 1、引言 按数据融合的处理体系，数据融合可分为：信号级融合、像素级融合、特征级融合和符号级融合。图像融合是数据融合的一个重要分支，是20世纪70年代后期提出的概念。该技术综合了传感器、图像处理、信号处理、计算机和人工智能等现代高新技术。它在遥感图像处理、目标识别、医学、现代航天航空、机器人视觉等方面具有广阔的应用前景。 Pohl和Genderen将图像融合定义为：“图像融合是通过一种特定的方法将两幅或多幅图像合成一幅新图像”，其主要思想是采用一定的方法，把工作于不同波长范围、具有不同成像机理的各种成像传感器对同一场景成像的多幅图像信息合成一幅新的图像。 作为图像融合研究重要内容之一的多聚焦图像融合，是指把用同一个成像设备对某一场景通过改变焦距而得到的两幅或多幅图像中清晰的部分组合成一幅新的图像，便于人们观察或计算机处理。图像融合的方法大体可以分为像素级、特征级、决策级3中，其中，像素级的图像融合精度较高，能够提供其他融合方法所不具备的细节信息，多聚焦融合采用了像素级融合方法，它主要分为空域和频域两大块，即： （1）在空域中，主要是基于图像清晰部分的提取，有梯度差分法，分块法等，其优点是速度快、方法简单，不过融合精确度相对较低，边缘吃力粗糙； （2）在频域中，具有代表性的是分辨方法，其中有拉普拉斯金字塔算法、小波变换法等，多分辨率融合精度比较高，对位置信息的把握较好，不过算法比较复杂，处理速度比较慢。 2、空域中的图像融合 把图像f(x,y)看成一个二维函数，对其进行处理，它包含的算法有逻辑滤波器法、加权平均法、数学形态法、图像代数法、模拟退火法等。 2.1 逻辑滤波器法 最直观的融合方法是两个像素的值进行逻辑运算,如:两个像素的值均大于特定的门限值,

目录 第1章绪论............................................................................................................................ - 1 - 第2章设计原理.................................................................................................................... - 2 - 第3章彩色图像的灰度化处理............................................................................................ - 3 - 3.1加权平均法 .. (3) 3.2平均值法 (3) 3.3最大值法 (4) 3.4举例对比 (5) 3.5结果分析 (6) 第4章结论.......................................................................................................................... - 8 - 参考文献....................................................................................................... 错误！未定义书签。附录............................................................................................................................................ - 9 -

3.1 质心检测算法 系统采用质心法进行数据处理能提高测试精度。因为质心法能使CCD 上的图像分辨率达到光敏元尺寸的1/10,那么成像亮线中心在CCD 上所对应的光敏源序号就可以是小数,而非一定是整数,这样通过计算可知,精度提高了0.1个百分点。虽然测量系统的精度有提高,但0.11%的相对误差仍不能令人满意,从误差公式可知,系统误差的改善主要取决于CCD 的像元尺寸。随着CCD 技术的不断发,像元尺寸也会不断改善,系统误差也将会有大幅度减小。 质心法图像预处理算法步骤如下[5]：（1）对图像通过灰度化和反色后阈值选择得到光斑特征区域；（2）模糊去噪（mean blur ），消除热噪声以及像素不均匀产生的噪声；（3）再次进行阈值选择，得到更清晰的光斑区域；（4）形态学处理，选择disk 中和合适的领域模板，对图像进行腐蚀和填充处理，以得到连通域的规则形状图形；（5）边缘检测得到图像边缘，反复实验证明canny 边缘检测算法最好；（6）对边缘再进行形态学strel －imerode －imclose －imfill 相关运算得到更连通的边缘曲线，调用regionprops （L ，properties ）函数，根据质心法计算质心。 下面介绍几种常用的质心算法 （1）普通质心算法 (,)ij ij ij c c ij ij x I x y I =∑∑ （3-1） 其中ij I 为二维图像上每个像素点所接收到的光强，该算法适用于没有背景噪 声，背景噪声一致或信噪比较高的情况。 （2）强加权质心算法 0000000000000000,/2,/2 ,/2,/2 ,/2,/2 ,/2,/2y w y x w x i ij j y w y i x w x c y w y x w x ij j y w y i x w x x I w x I w ++=-=-++=-=-=∑∑∑∑

图像融合的研究背景和研究意义 1概述 2 图像融合的研究背景和研究意义 3图像融合的层次 像素级图像融合 特征级图像融合 决策级图像融合 4 彩色图像融合的意义 1概述 随着现代信息技术的发展，图像的获取己从最初单一可见光传感器发展到现在的雷达、高光谱、多光谱红外等多种不同传感器，相应获取的图像数据量也急剧增加。由于成像原理不同和技术条件的限制，任何一个单一图像数据都不能全面反应目标对象的特性，具有一定的应用范围和局限性。而图像融合技术是将多种不同特性的图像数据结合起来，相互取长补短便可以发挥各自的优势，弥补各自的不足，有可能更全面的反映目标特性，提供更强的信息解译能力和可靠的分析结果。图像融合不仅扩大了各图像数据源的应用范围，而且提高了分析精度、应用效果和使用价值，成为信息领域的一个重要的方向。图像配准是图像融合的重要前提和基础，其误差的大小直接影响图像融合结果的有效性。 作为数据融合技术的一个重要分支，图像融合所具有的改善图像质量、提高几何配准精度、生成三维立体效果、实现实时或准实时动态监测、克服目标提取与识别中图像数据的不完整性等优点，使得图像融合在遥感观测、智能控制、无损检测、智能机器人、医学影像(2D和3D)、制造业等领域得到广泛的应用，成为当前重要的信息处理技术，迅速发展的军事、医学、自然资源勘探、环境和土地、海洋资源利用管理、地形地貌分析、生物学等领域的应用需求更有力地刺激了图像融合技术的发展。 2 图像融合的研究背景和研究意义 Pohl和Genderen对图像融合做了如下定义：图像融合就是通过一种特定算法将两幅或多幅图像合成为一幅新图像。它的主要思想是采用一定的算法，把

function [I_SSD,I_NCC]= template_matching(T,I) %图像配准 % [I_SSD,I_NCC]= template_matching(T,I) % 输入：T-模板 I-输入的原始图像 % I_SSD采用像素差平方和法（SSD）的匹配结果 % I_NCC采用标准化互相关匹配法的匹配结果 % 将图像转换为双精度型 T=double(T);I=double(I); if(size(T,3)==3) %如果是彩色图像，则按照彩色图像匹配方法 [I_SSD,I_NCC]= template_matching_color(T,I); else %如果是灰度图像，则按照灰度图像匹配方法进行匹配 [I_SSD,I_NCC]= template_matching_gray(T,I); end function [I_SSD,I_NCC]= template_matching_color(T,I) %子函数 %功能：对彩色图像进行匹配子函数，其核心原理是从R、G、B三个子色调进行匹配 [I_SSD_R,I_NCC_R]= template_matching_gray(T(:,:,1),I(:,:,1)); [I_SSD_G,I_NCC_G]= template_matching_gray(T(:,:,2),I(:,:,2)); [I_SSD_B,I_NCC_B]= template_matching_gray(T(:,:,3),I(:,:,3)); %融合三次匹配结果 [I_SSD]=(I_SSD_R+I_SSD_G+I_SSD_B)/3; [I_NCC]=(I_NCC_R+I_NCC_G+I_NCC_B)/3; function [I_SSD,I_NCC]= template_matching_gray(T,I) %子函数 %功能：对灰度图像进行匹配子函数 T_size=size(T);I_size=size(I); outsize=I_size + T_size -1; %在频域内进行相关计算 if(length(T_size)==2) FT=fft2(rot90(T,2),outsize(1),outsize(2)); FI=fft2(I,outsize(1),outsize(2)); Icorr=real(ifft2(F1.*FT)); else FT=fftn(rot90_3D(T),outsize); FI=fftn(I,outsize); Icorr=real(ifftn(FI.*FT)); end LocalQSumI=local_sum(I.*I,T_size);

一种基于HLS的快速图像分割算法 【摘要】本文提出了一种新的基于HLS的快速图像分割算法。通过分析HLS 颜色空间特性，提出一种新的图像相似性的定义方法，可以快速选择出相似的颜色区域。在图像的预分割过程中起到了快速定位的作用。与基于MEANSHIFT 的图像分割算法，分水岭算法对比，通过实验结果表明，本论文提出的分割算法具有快速的，良好的的特性。 【关键词】预分割；图像分割；HLS颜色空间 1.分割的意义与现状 图像分割是计算机图像处理与机器视觉研究领域中的基本问题之一。随着计算机硬件和计算机理论的不断取得突破进展，数字图像处理技术和计算机视觉技术得到了广泛的应用。在对图像进行研究和应用中，前景提取或前景分割是一个重要的研究组成部分。在应用的过程中，往往只对图像中某些部分某些区域感兴趣，这些部分通常称之为前景。前景是图像中特定的，具有某些特性的区域，或者说是具有更高层次语义的区域。例如人，桌子等等自然物体，也可能是人身体的一部分，如头发，脸等等。为了进一步的研究分析，需要把前景区域单独提取出来，作为下一步的算法的输入。所以说图像分割算法是指将某些特定区域从背景中分割出来的算法。图像分割是数字图像处理与计算机视觉研究领域中的基本问题之一，也是热点之一。 在每一次交互式的过程中，我们并不需要对整幅图像进行处理，只需要对交互处周围的像素点进行分析即可。这样不仅仅是因为处理的像素点减少，从而可以节省大量的处理时间，同时在处理过程中，可以去掉不相似点的干扰，在处理速度上，在收敛性上，也可以节省大量的时间。所以如果能明确处理的区域，可以提高处理速度，从而保证算法的实时性。 如果定义一个固定的矩形或者圆形等形状的话，对于不同的物体显然具有不同的效果。如果物体比所定义的矩形框大，则不能一次性的分割出相邻的区域。如果物体比所定义的矩形框小很多的时候，不仅仅是处理速度上变慢，分割效果会降低。所以使用简单的分割算法进行粗定位，确定下一步的处理范围，对整个交互式过程来说是一个非常重要的步骤。 在过去二十多年中，人们对前景图像提取问题做了大量的研究。最简单的方法是，能过选取满足用户指定图像的颜色值的所有像素来提取前景。Photoshop 的智能剪刀和魔杖工具就是采用了这种方法。但是这种方法需要大量的用户交互，使用起来极其不方便。 近十年来，研究者提出了很多精确提取前景区域的系统，同时使用户的交互尽可能少。比如智能画布[1]和基于对象的图像编辑系统[2]等，通过将图像分割成区域，然后用户选取一些区域产生最后的前景对象的方法。Grab cut系统[3]

关于各种图像匹配方法的报告 图像匹配方法，大致可以分为三类：基于特征点、灰度分布和频域。本文的主要工作就是研究这三类图像匹配方法，分析各种方法的优缺点，其中重点研究了基于特征的匹配方法。注：为了控制篇幅，本报告只对相关算法进行了很简单的叙述，故附有两个文件夹，文件夹“报告相关文档”相对详细地叙述了各算法（节号相对应）。如果还不够详细、清楚，可参照文件夹“References”。 1、基于特征点匹配方法 1.1 SUSAN 特征点算法 SUSAN算法的基本原理是通过以一个点为中心的局部区域内亮度值的分布情况来判断平滑区域、边缘及角点。如图1所示，一个在图像上移动的圆形模板，模板的中心称为核心，它的位置有以下五种形式。图像一定区域的每个像素的亮度值与核心点的亮度值相比较，把比较结果相似或相同的点组成的区域叫做USAN（单值分割相似核心）。USAN区域含有图像在某个局部区域的结构信息，而大小反映了图像局部特征的强度。 SUSAN算子使用的是圆形模板来进行角点探测，一般使用模板的半径为3-4个像元，模板在图像上滑动，在每一个位置求亮度相似比较函数，并计算合计值，就得到了USAN区域的面积，而后再跟一个给定阈值进行比较。计算重心求出核

到重心的距离，对应正确角点，若重心距离核较远，就能以距离消除虚假角点的影响。最后使用非最大抑制（No Max Suppression）方法，这样就可以找出角点。 1.2 A New SUSAN Based Image Sharpness Function 对于Susan的改进，Yu Song等人提出了一种自适应阈值的检测算法，解决了SUSAN算子对灰度细节丰富的图像检测效果不佳的问题。 下面是原SUSAN算法中使用的相似度函数： 而这种新的SUSAN算法的与原SUAN算法的区别就在于它使用了不依赖于固定阈值的相似度函数。Yu Song等人的文章中提出了7种相似度函数，如下：

三种不同灰度图像增强算法对比 一、摘要 本文主要是运用直方图均衡化、平滑、锐化三种常见的图像增强算法对图像进行处理,并在此基础上分别用这 3 种算法处理的灰度图像进行比较，比对它们对图像的处理效果, 分析3 种方法在图像增强处理能力的优劣之处。 结果发现,直方图均衡化可以均衡图像的灰度等级, 经过直方图的均衡化，图像的细节更加清楚了，但是由于直方图均衡化没有考虑图像的内容，只是简单的将图像进行直方图均衡，提高图像的对比度,使图像看起来亮度过高，使图像细节受到损失; 图像平滑的目的是减少或消除图像的噪声, 图像平滑可以使图像突兀的地方变得不明显, 但是会使图像模糊，这也是图像平滑后不可避免的后果，只能尽量减轻，尽量的平滑掉图像的噪声又尽量保持图像细节，这也是图像平滑研究的主要问题; 图像锐化使图像的边缘、轮廓变得清晰，并使其细节清晰,常对图像进行微分处理，但是图像的信噪比有所下降。 关键词: 图像增强灰度图直方图平滑锐化 二、三种图像增强算法 图像预处理是相对图像识别、图像理解而言的一种前期处理，主要是指按需要进行适当的变换突出某些有用的信息，去除或削弱无用的信息，在对图像进行分析之前, 通常要对图像质量进行改善,改善的目的就是要使处理后的图像比原始图像更适合特定的应用。影响图像清晰度的因素很多,主要有光照不足、线路传输收到干扰等。 现存的图像增强技术主要分为空间域法和频率域法两类,其中的增强方法主要有直方图的修正、灰度变换、图像平滑、图像锐化、伪彩色和假彩色处理等。下面主要采用直方图均衡化、图像平滑、图像线性锐化对图像进行增强处理, 对比他们的处理效果,分析 3 种方法的在图像增强处理方面的优劣。 1、直方图均衡化 直方图均衡化也称为直方图均匀化，是一种常见的灰度增强算法，是将原图像的直方图经过变换函数修整为均匀直方图，然后按均衡后的直方图修整原图像。 为方便研究，先将直方图归一化，然后图像增强变换函数需要满足2个条件。 假设灰度级为归一化至范围[0,1]内的连续量,设其中任一灰度级别Z归一化为r，变换后图像的任一灰度级Z'归一化为s，显然r，s应当满足：0<=r<=1,0<=s<=1 因此直方图修正就是对下列公式的计算过程：s=T(r)或r=T'(s) 式中T(r)为变换函数，它必须满足下列条件： a在0<=r<=1区间内是单值单调增加函数; b对于0<=r<=1,有T(r)在[0,1]内。 条件a 保证灰度级从黑到白的次序,而条件b确保映射后的像素灰度在允许的范围内，避免整个图像明显变亮或者变暗。 从S 到r的反变换关系为r=T'(s) ；T'(s)对r同样满足上述条件。 灰度变换是对图像上各个像素点的灰度值x 按某个函数T 变换到y ,将图像的灰度级整个范围或其中某一段( A, B)扩展或压缩到( A, B)。直方图均衡化是灰度变换的一个重要应用,是以累计分布函数变换为基础的直方图修正法, 可以产生一幅灰度级分布具有均匀概率密度的图像。一幅图像灰度级r k 出现的概率近似为 其中n 是图像中像素的总和, nk 是灰度级为r k 的像素个数, L 为图像中灰度级总数。若

ENVI下的图像融合方法 图像融合是将低空间分辨率的多光谱影像或高光谱数据与高空间分辨率的单波段影像重采样生成成一副高分辨率多光谱影像遥感的图像处理技术，使得处理后的影像既有较高的空间分辨率，又具有多光谱特征。图像融合的关键是融合前两幅图像的精确配准以及处理过程中融合方法的选择。只有将两幅融合图像进行精确配准，才可能得到满意的结果。对于融合方法的选择，取决于被融合图像的特征以及融合目的。 ENVI中提供融合方法有： ?HSV变换 ?Brovey变换 这两种方法要求数据具有地理参考或者具有相同的尺寸大小。RGB输入波段必须为无符号8bit数据或者从打开的彩色Display中选择。 这两种操作方法基本类似，下面介绍Brovey变换操作过程。 （1）打开融合的两个文件，将低分辨率多光谱图像显示在Display中。 （2）选择主菜单-> Transform -> Image Sharpening->Color Normalized (Brovey)，在Select Input RGB对话框中，有两种选择方式：从可用波段列表中和从Display窗口中，前者要求波段必须为无符号8bit。 （3）选择Display窗口中选择RGB，单击OK。 （4） Color Normalized (Brovey)输出面板中，选择重采样方式和输入文件路径及文件名，点击OK输出结果。 对于多光谱影像，ENVI利用以下融合技术： ?Gram-Schmidt ?主成分（PC）变换 ?color normalized (CN)变换 ?Pan sharpening 这四种方法中，Gram-Schmidt法能保持融合前后影像波谱信息的一致性，是一种高保真的遥感影像融合方法；color normalized (CN)变换要求数据具有中心波长和FWHM，；Pansharpening融合方法需要在ENVI Zoom中启动，比较适合高分辨率影像，如QuickBird、IKONOS等。 这四种方式操作基本类似，下面介绍参数相对较多的Gram-Schmidt操作过程。 （1）打开融合的两个文件。

关于图像匹配的综述 1.图像匹配的背景及定义 1.1图像匹配的背景及意义 图像匹配技术广泛的应用于日常生活中的诸多领域，如医疗诊断中各种医学图片的分析与识别、遥感图片识别、天气预报中的卫星云图识别、指纹识别、人脸识别等。图像匹配技术主要指通过计算机，采用数学技术方法，对获取的图像按照特定目的进行相应的处理。图像匹配技术是人工智能的一个重要分支和应用，随着计算机技术及人工智能技术的发展，图像识别技术逐渐成为人工智能的基础技术之一。它涉及的技术领域相当的广泛，也越来越深入，其基本分析方法也随着数学工具的不断进步而不断发展。现在，图像识别技术的应用范围己经不仅仅局限于视觉的范围，也体现在机器智能和数字技术等方面。 1.2图像匹配的定义 所谓图像匹配是指在一幅(或一批)图像中寻找与给定目标图像相似的图像或者图像区域(子图像)的过程。通常将已知目标图像称为模板图像，而将待搜索图像中可能与它对应的子图称作该模板的待匹配的目标图像。图像匹配是在来自不同时间或者不同视角的同一场景的两幅或多幅图像之间寻找对应关系，该技术隶属于计算机视觉哺领域。图像匹配的具 体应用包括目标或场景识别、在多幅图像中求解3D结构、立体对应和运动跟踪等。由于拍摄时间、拍摄角度、自然环境的变化，多种传感器的使用、传感器本身的缺陷及噪声等影响，拍摄的图像会存在灰度失真和几何畸变。同时，图像预处理过程会引入的误差，这都是导致模板图像与待匹配的目标图像之间通常存在着一定程度上的差异。在这种情况下，如何使匹配算法精度高、正确匹配率高、速度快和抗干扰性强成为人们关心的问题。 2.图像匹配算法的分类 图像匹配算法的选取对图像匹配结果的影响很大。实用的匹配算法不仅要求计算量小，还必须具有良好的抗噪能力和抗几何形变的能力。通常情况下，图像匹配算法可以分为以下两大类：基于灰度相关的匹配算法、基于特征的图像匹配算法。 1) 基于灰度分布的相关匹配算法，也称为基于区域的匹配方法。常见的基于图像灰度的匹配方法有：（1）归一化灰度相关匹配、（2）最小二乘影像匹配、和（3）序贯相似性检测法匹配等。该类算法直接利用整幅图像的灰度信息，建立两幅图像之间的相似性度量，然后采用某种搜索方法，寻找使相似性度量值最大或最小的变换模型的参数值。在灰度及几何畸变

基于图像灰度的模板匹配方法 图像匹配技术是数字图像信息处理和计算机视觉领域中 的—个基本问题，并在卫星遥感、空间飞行器的自动导航、武器 投射系统的末制导和寻的、光学和雷达的图像目标跟踪、地球 资源分析与检测、气象预报、医疗诊断、文字读取以及景物分析 中的变化检测等许多领域中得到广泛应用㈣。 一般来说，由于图像在不同时间、不同传感器、不同视角获得的成像条件不同，因此即使是对同一物体，在图像中所表现出来的几何特性、光学特性、空间位置都会有很大的不同，如果考虑到噪声、干扰等影响会使图像发生很大差异， 图像匹配就是通过这些不同之处找到它们的相同点。 图像匹配算法主要分为两类口：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。前者主要用空间的一维或 二维滑动模板进行图像匹配，不同算法的区别主要在模板及相 关准则的选择方面，这类方法一般匹配率高，但计算量大，速度 较慢；后者则通过在原始图像中提取点、线、区域等显著特征作 为匹配基元，进而用于特征匹配，一般匹配速度较陕，但匹配精 度不一定高。 1.概念解释： ①数字图像:数字图像是由被称做像素的小块区域组成的二维像素矩阵。一般把图像分成3种形式：单色图像，灰度图像和彩色图像。 ②像素：表示图像颜色的最小单位 ③灰度图像：灰度图是指只含亮度信息，不含色彩信息的图像，就像平时看到的黑白照片：亮度由暗到明，变化是连续的。灰度图的每个像素的亮度用一个数值来表示，通常数值范围在0—255之间，即可用一个字节来表示，0表示黑，255表示白，而其他表示灰度。 ④点阵图:显示器的屏幕由可以发光的像素点组成. 并且从几何位置看, 所用这 些像素点构成一个矩形的阵列.利用计算机控制各像素点按我们指定的要求发光,

摘要：介绍了遥感影像三种常用的图像融合方式。进行实验，对一幅具有高分辨率的SPOT全色黑白图像与一幅具有多光谱信息的SPOT图像进行融合处理，生成一幅既有高分辨率又有多光谱信息的图像，简要分析比较三种图像融合方式的各自特点，择出本次实验的最佳融合方式。 关键字：遥感影像；图像融合；主成分变换；乘积变换；比值变换；ERDAS IMAGINE 1. 引言 由于技术条件的限制和工作原理的不同，任何来自单一传感器的信息都只能反映目标的某一个或几个方面的特征，而不能反应出全部特征。因此，与单源遥感影像数据相比，多源遥感影像数据既具有重要的互补性，也存在冗余性。为了能更准确地识别目标，必须把各具特色的多源遥感数据相互结合起来，利用融合技术，针对性地去除无用信息，消除冗余，大幅度减少数据处理量，提高数据处理效率；同时，必须将海量多源数据中的有用信息集中起来，融合在一起，从多源数据中提取比单源数据更丰富、更可靠、更有用的信息，进行各种信息特征的互补，发挥各自的优势，充分发挥遥感技术的作用。[1] 在多源遥感图像融合中，针对同一对象不同的融合方法可以得到不同的融合结果，即可以得到不同的融合图像。高空间分辨率遥感影像和高光谱遥感影像的融合旨在生成具有高空间分辨率和高光谱分辨率特性的遥感影像，融合方法的选择取决于融合影像的应用，但迄今还没有普适的融合算法能够满足所有的应用目的，这也意味着融合影像质量评价应该与具体应用相联系。[2] 此次融合操作实验是用三种不同的融合方式（主成分变换融合，乘积变换融合，比值变换融合），对一幅具有高分辨率的SPOT全色黑白图像与一幅具有多

光谱信息的SPOT图像进行融合处理，生成一幅既有高分辨率又有多光谱信息的图像。 2. 源文件 1 、 imagerycolor.tif ，SPOT图像，分辨率10米，有红、绿、两个红外共四个波段。 2 、imagery-5m.tif ，SPOT图像，分辨率5米。 3. 软件选择 在常用的四种遥感图像处理软件中，PCI适合用于影像制图，ENVI在针对像元处理的信息提取中功能最强大，ER Mapper对于处理高分辨率影像效果较好，而ERDAS IMAGINE的数据融合效果最好。[3] ERDAS IMAGINE是美国Leica公司开发的遥感图像处理系统。它以其先进的图像处理技术，友好、灵活的用户界面和操作方式，面向广阔应用领域的产品模块，服务于不同层次用户的模型开发工具以及高度的RS/GIS（遥感图像处理和地理信息系统）集成功能，为遥感及相关应用领域的用户提供了内容丰富而功能强大的图像处理工具。 2012年5月1日，鹰图发布最新版本的ERDAS IMAGINE，所有ERDAS 2011软件用户都可以从官方网站上下载最新版本 ERDAS IMAGINE 11.0.5. 新版本包括之前2011服务包的一些改变。相比之前的版本，新版本增加了更多ERDAS IMAGINE和GeoMedia之间的在线联接、提供了更为丰富的图像和GIS产品。用户使用一个单一的产品，就可以轻易地把两个产品结合起来构建一个更大、更清

图像融合算法概述 摘要：详细介绍了像素级图像融合的原理,着重分析总结了目前常用的像素级图像融合的方法和质量评价标准,指出了像素级图像融合技术的最新进展,探讨了像素级图像融合技术的发展趋势。 关键词：图像融合; 多尺度变换; 评价标准 Abstract:This paper introduced the principles based on image fusion at pixel level in detail, analysed synthetically and summed up the present routine algorithm of image fusion at pixel level and evaluation criteria of its quality. It pointed out the recent development of image fusion at pixel level, and discussed the development tendency of technique of image fusion at pixel level. Key words:image fusion; multi-scale transform; evaluation criteria 1.引言： 图像融合是通过一个数学模型把来自不同传感器的多幅图像综合成一幅满足特定应用需求的图像的过程, 从而可以有效地把不同图像传感器的优点结合起来, 提高对图像信息分析和提取的能力[ 1] 。近年来, 图像融合技术广泛地应用于自动目标识别、计算机视觉、遥感、机器人、医学图像处理以及军事应用等领域。图像融合的主要目的是通过对多幅图像间冗余数据的处理来提高图像的可靠性; 通过对多幅图像间互补信息的处理来提高图像的清晰度。根据融合处理所处的阶段不同,图像融合通常可以划分为像素级、特征级和决策级。融合的层次不同, 所采用的算法、适用的范围也不相同。在融合的三个级别中, 像素级作为各级图像融合的基础, 尽可能多地保留了场景的原始信息, 提供其他融合层次所不能提供的丰富、精确、可靠的信息, 有利于图像的进一步分析、处理与理解, 进而提供最优的决策和识别性能. 2.图像融合算法概述 2.1 图像融合算法基本理论

基于灰度的图像匹配研究 李涛（P1*******） 摘要：众所周知，可以说视觉对环境的感知效率是很高的，人类对外部世界的感知80%是由视觉完成的。我们所介绍的计算机视觉，用通俗的话说就是一门研究如何让机器来“看”的科学。具体说来，就是用计算机和摄像头来代替人眼的功能，实现对目标的识别、测量或者是跟踪并且相应的做出图像处理，甚至能够最终做出对目标的判断或者做出反应。当然，计算机视觉和其它的技术一样，经历了长期的发展过程。而是在近数十年计算机技术突飞猛进的背景下，它才真正得到关注和发展。 图像匹配是计算机视觉和图像处理领域中一项非常重要且难度很高的工作。它主要用于将不同时间、不同传感器、不同视角及不同拍摄条件下获取的两幅或多幅图像进行匹配。图像匹配是多种图像处理及应用的基础，匹配的效果直接影响到其后续图像的处理工作。正因为其应用的广泛性，需求的增多，大大推动了图像匹配技术的研究向前发展。但同时，我们也要认识到图像匹配也是一个难点问题。因此，对现有的图像匹配算法展开分析对于实际工程提高图像处理质量和识别精度具有非常重要的意义。本文作为一篇综述性的文章，我们主要向大家介绍图像匹配问题的由来，其中包含的主要内容，以及该问题所包含的主要技术和算法。 关键字：图像匹配；灰度；特征；算法。 The Research of Image Matching Based On The Gray Li Tao Abstract:As we all know, we can say the efficiency of visual perceiving the environment is very high, 80% of the human perceiving outside world is completed by the visual. The so called computer vision, is a kind of science that about how to make machines to "see" in simple words. Specifically, is using computers and cameras to replace the function of the human eyes, to achieve the target recognition, measurement or make a track and the corresponding image processing, and even be able to make the final judgment on the target. Of course, computer vision has been gone through a long process of development. And it really gets attention in recent decades occurred in the context of rapid development of computer technology. Image matching is a very important and hard job in computer vision and image processing field. It mainly used in a kind of situation that we obtain two or more images to match in different times, different sensors, different perspectives and different shooting conditions. Image matching is the base of a variety of image processing and application, result of the matching directly impact on the effectiveness of subsequent image processing. Because of the large of its extensive application, demand for many new applications and new

摘要 图像匹配是图像处理技术中的重要研究内容。文本介绍了图像匹配技术的要素，对匹配算法的分类以及匹配性能评价指标，并且将各方法进行了分析比较，指出其各自的优势与不足。同时，进一步探讨了图像匹配算法中有待研究的方向。图像匹配是将不同时间、不同传感器、不同视角及不同拍摄条件下获取的两幅或多幅图像进行匹配融合。图像匹配是多种图像处理及应用如物体辨识、变化检测、三维建模等的基础。图像匹配的方法有很多种,其中基于图像特征的图像匹配是匹配中最常见的方法。基于特征的图像匹配中,特征主要针对点特征。基于点特征的图像匹配,特征点的提取是图像匹配的关键步骤，从提取效率、算子稳定性、定位准确性、抗噪性、计算效率上对提取算子进行分析比对,用测试图像对各个提取算子进行实验分析,得出实验结论。通过特征点匹配算法需满足的三个原则对基于奇异值分解的角点匹配法进行了分析,得出了实验结论。 关键词：图像匹配；传感器；特征；过特征点匹配

目录 1.设计的要求与目的 ..................................................................................................................................... I I 1.1题目 (1) 1.2 设计要求 (1) 1.3设计目的: (1) 1.4性能、接口： (1) 2.设计原理 (2) 2.1概念解释： (2) 2.2数字图像匹配算法设计 (2) 2.2.1基于灰度的摸版匹配算法 (3) 2.2.2局部灰度特征的编码与计算 (4) 3. 设计方案 (6) 3.1设计思想 (6) 3.2设计流程 (6) 4.应用程序设计 (7) 4.1程序代码 (7) 4.1.1读取原图像过程 (7) 4.1.2取特征点 (8) 4.1.3映射函数 (8) 4.1.4图像匹配 (8) 4.1.5输出匹配后图像 (9) 4.2界面设计 (10) 5.仿真与结果分析 (10) 5.1仿真分析 (10) 5.2结果分析 (10) 结论 (12) 参考文献 (13)

基于灰度图像匹配研究 李涛（P1496） 摘要：众所周知，可以说视觉对环境感知效率是很高，人类对外部世界感知80%是由视觉完毕。咱们所简介计算机视觉，用通俗话说就是一门研究如何让机器来“看”科学。详细说来，就是用计算机和摄像头来代替人眼功能，实现对目的记别、测量或者是跟踪并且相应做出图像解决，甚至可以最后做出对目的判断或者做出反映。固然，计算机视觉和其他技术同样，经历了长期发展过程。而是在近数十年计算机技术突飞猛进背景下，它才真正得到关注和发展。 图像匹配是计算机视觉和图像解决领域中一项非常重要且难度很高工作。它重要用于将不同步间、不同传感器、不同视角及不同拍摄条件下获取两幅或多幅图像进行匹配。图像匹配是各种图像解决及应用基本，匹配效果直接影响到其后续图像解决工作。正由于其应用广泛性，需求增多，大大推动了图像匹配技术研究向前发展。但同步，咱们也要结识到图像匹配也是一种难点问题。因而，对既有图像匹配算法展开分析对于实际工程提高图像解决质量和辨认精度具备非常重要意义。本文作为一篇综述性文章，咱们重要向人们简介图像匹配问题由来，其中包括重要内容，以及该问题所包括重要技术和算法。 核心字：图像匹配；灰度；特性；算法。 The Research of Image Matching Based On The Gray Li Tao Abstract：As we all know，we can say the efficiency of visual perceiving the environment is very high，80% of the human perceiving outside world is completed by the visual. The so called computer vision，is a kind of science that about how to make machines to "see" in simple words. Specifically，is using computers and cameras to replace the function of the human eyes，to achieve the target recognition，measurement or make a track and the corresponding image processing，and even be able to make the final judgment on the target. Of course，computer vision has been gone through a long process of development. And it really gets attention in recent decades occurred in the context of rapid development of computer technology. Image matching is a very important and hard job in computer vision and image processing field. It mainly used in a kind of situation that we obtain two or more images to match in different times，different sensors，

第28卷第8期 兵工自动化 Vol. 28, No. 8 2009年8月 Ordnance Industry Automation Aug. 2009 ·88· doi: 10.3969/j.issn.1006-1576.2009.08.031 快速灰度投影稳像算法研究 周亚军，王翔，苏享，姚志龙，姚春柱 （解放军炮兵学院 信息化弹药研发中心，安徽 合肥 230031） 摘要：为提高灰度投影稳像算法的速度，提出一种等间隔快速投影算法：参考帧图像每行（列）进行投影，待稳定帧图像的投影区域进行等间隔行（列）投影，所有的投影行（列）内等间隔取像素值，将2帧图像的投影曲线进行遍历相关运算，得出图像的运动矢量。通过分析相关曲线，得出其单峰性的特点。实验结果表明，该算法可保持传统灰度投影算法的稳像精度，运算量显著减小，计算速度大大提高。 关键词：电子稳像；灰度投影；快速投影；快速搜索 中图分类号：TP301.1; TP391.9 文献标识码：A Research on Fast Gray Projection Algorithm for Image Stabilization ZHOU Ya-jun, WANG Xiang, SU Xiang, YAO Zhi-long, YAO Chun-zhu (Informational Ammunition Research & Developing Center, Artillery Academy of PLA, Hefei 230031, China) Abstract: In order to accelerate gray projection and image stabilization algorithm, put forward a uniformly-spaced allegro algorithm: project each column (row) of the reference frame image, and process uniformly-spaced column (row) projections among the proposed stable frames’ projection area. Fetch pixel value among equal intervals of all projection columns (rows). Put up ergodic operations of the two frame images’ projection curve, thus obtain moving vectors of the image. Then through analyzing relation curve, find its features of unimodality. Experiment result shows the algorithm can keep precision of traditional algorithm, while can simplify and accelerate the calculation. Keywords: Electronic image stabilization; Gray projection; Fast projection; Fast search 0 引言 电子稳像（Electronic image stabilization -EIS ）通过检测并补偿图像帧间运动矢量，来减缓甚至消除图像序列的抖动。运动矢量的检测是电子稳像的关键环节，目前的主要算法有：灰度投影法[1]、块 匹配算法[2-3]、位平面匹配法[4]、特征跟踪法[5-6]等。快速搜索算法只用在矢量检测相关运算中，全局搜索的运算量不大，快速搜索算法对提高估算速度不明显。故提出等间隔快速投影算法，在保持传统灰度投影算法的稳像精度的基础上，使计算速度提高。 1 快速灰度投影 1.1 传统灰度投影 灰度投影就是将经过滤波预处理后的每一帧M ×N 图像的二维灰度信息映射成2个独立的一维投影序列。计算公式如下： 1()(,)n k k y G x G x y ==∑ (1) ∑==m x k k y x G y G 1 ),()( (2) 其中：m 、n 分别是图像投影区域的宽度、高度；G k (x ,y )为第k 帧图像(x ,y )上位置处的像素灰度值； G k (x )为该图像第x 列的灰度投影值；G k (y )为该图像 第y 行的灰度投影值。 传统灰度投影中参考帧和待稳定图像的投影区域相同，且通常采用全投影，即将投影区域每行（列）进行映射，行（列）内的每个像素都参与投影。 1.2 快速灰度投影算法 相邻像素具有灰度相似性，在灰度投影计算时，取小区域内一个像素值，可代表这块小区域的灰度特征。就可减小运算量，加快灰度投影的速度，而不影响稳像精度。等间隔投影就是简单有效的方法。由于行、列的投影相关计算类似，现以列投影为例来说明图像快速灰度投影及其计算的过程。 等间隔投影算法要求采用遍历运算才可得到准确的运动矢量，否则会影响矢量的估算精度。参考帧图像所有列投影，每列内等间隔取像素值。间隔不宜过大，以免图像信息损失过多，取3~5个像素。 待稳定帧图像的投影如图1，图像的投影区域为灰色区域abcd ，列与列之间的间隔为dx ，列中像素与像素间隔dy （为计算方便，取的间隔值相同），0x r 、0y r 分别为水平、垂直方向的最大稳像范围。假设投影区域宽度、高度为m 、n ，取dx =3，dy =3， 收稿日期：2009-02-14；修回日期：2009-04-10 作者简介：周亚军（1983-），男，江西人，炮兵学院在读研究生，从事数字图像处理研究。