二維光學(xué)和距離圖像配準(zhǔn)其應(yīng)用研究.pdf

1、圖像配準(zhǔn)是圖像處理領(lǐng)域中的一個(gè)基礎(chǔ)問(wèn)題，在機(jī)器人定位、遙感成像、醫(yī)學(xué)圖像分析、圖像拼接、目標(biāo)識(shí)別和定位、產(chǎn)品質(zhì)量檢測(cè)、導(dǎo)航制導(dǎo)等方面得到了廣泛的應(yīng)用。在過(guò)去的三十多年中，廣大研究人員提出了大量的圖像配準(zhǔn)算法，但到目前為止，高精度的圖像匹配和大變形的圖像配準(zhǔn)仍然是研究的熱點(diǎn)。
　　 本文主要對(duì)有高精度要求的圖像匹配方法及其應(yīng)用和存在較大形變的圖像的配準(zhǔn)做了研究，所涉及的圖像類型包括二維光強(qiáng)度圖像和二維距離圖像。完成了以下幾個(gè)方面的

2、工作：
　　 1、探討了基于形狀的高精度的模板匹配方法。采用基于Facet模型的亞像素邊緣檢測(cè)算法對(duì)形狀模板中的邊緣特征點(diǎn)進(jìn)行亞像素定位，用ICP(Interative Closest Point)算法精化基于形狀的模板匹配結(jié)果，取得了與Halcon里面精度最高的模板匹配算法相當(dāng)?shù)木取?br>　　 2、研究了基于形狀的模板匹配方法在復(fù)雜多變環(huán)境下的圓測(cè)量中的應(yīng)用。提出一種魯棒的圓測(cè)量算法，采用基于形狀的模板匹配方法對(duì)圓進(jìn)行粗

3、定位，再結(jié)合預(yù)先給定的圓的尺寸信息，確定圓的輪廓所處的環(huán)形區(qū)域。在局部的環(huán)形區(qū)域內(nèi)自動(dòng)確定Canny算子的雙閾值，使得自適應(yīng)閾值問(wèn)題變得容易，不需要復(fù)雜的理論支持即可達(dá)到很好的效果。對(duì)提取出的邊緣點(diǎn)用基于Facet模型的方法進(jìn)行亞像素定位。用一種基于梯度方向的去噪算法去除邊緣點(diǎn)中的噪聲點(diǎn)。最后，用RANSAC算法估計(jì)圓的參數(shù)。實(shí)驗(yàn)結(jié)果表明，本文提出的圓測(cè)量算法的魯棒性優(yōu)于Halcon里面的圓測(cè)量算法，且在實(shí)際系統(tǒng)中得到了成功的應(yīng)用。

4、r>　　 3、研究了基于Log-Polar變換和特征點(diǎn)的圖像配準(zhǔn)。針對(duì)傳統(tǒng)的基于Log-Polar變換的配準(zhǔn)方法存在的問(wèn)題，提出一種結(jié)合Harris角點(diǎn)特征和Log-Polar變換的圖像配準(zhǔn)方法。對(duì)以待配準(zhǔn)的兩個(gè)Harris角點(diǎn)特征為中心的兩個(gè)圓形圖像窗口進(jìn)行Log-Polar變換，再用NCC計(jì)算兩幅Log-Polar圖像的相關(guān)度作為這兩個(gè)特征點(diǎn)的相似度。針對(duì)NCC計(jì)算量大的問(wèn)題，一方面采用一維投影的方法對(duì)NCC進(jìn)行加速；另一方面，采

5、用Sum Table優(yōu)化NCC的分母計(jì)算，用Jensen不等式構(gòu)建NCC的終止條件，提前結(jié)束不能達(dá)到當(dāng)前已經(jīng)獲得的最大匹配得分的NCC計(jì)算。實(shí)驗(yàn)結(jié)果表明，本文的配準(zhǔn)方法的配準(zhǔn)能力強(qiáng)于David Lowe的基于SIFT特征的匹配方法。為了配準(zhǔn)更大變形的圖像，從圖像中提取Harris-Affine特征，把仿射不變的橢圓區(qū)域歸一化為圓形區(qū)域，再進(jìn)行Log-Polar變換，用NCC計(jì)算Log-Polar圖像的相關(guān)度。實(shí)驗(yàn)結(jié)果表明，該方法比Mik

6、olajczyk的方法獲得了更多的正確的匹配對(duì)。
　　 4、研究了二維距離圖像的配準(zhǔn)問(wèn)題及其在移動(dòng)機(jī)器人位姿估計(jì)中的應(yīng)用。針對(duì)ICP(Iterative Closest Point)算法在環(huán)境存在嚴(yán)重遮擋的情況下容易出現(xiàn)局部最小值的問(wèn)題，對(duì)CP(Closest Point)規(guī)則進(jìn)行了修改，提出雙向最近點(diǎn)(DCP，Dual Closest Point)規(guī)則。DCP規(guī)則包含兩次CP規(guī)則對(duì)應(yīng)，使計(jì)算量增加了一倍。為了降低算法的復(fù)雜度，