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(biāo)是尋找圖像之間的同質(zhì)區(qū)域，進(jìn)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(yīng)關(guān)系。它是計算機(jī)視覺研究領(lǐng)域中的一個關(guān)鍵問題，也是三維重建、遙感融合、目標(biāo)識別、目標(biāo)跟蹤、醫(yī)學(xué)圖像分析、增強(qiáng)現(xiàn)實(shí)等許多視覺應(yīng)用的基礎(chǔ)。但是，由于光照變化、視角變化、目標(biāo)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(jìn)行有效地分析與度量，進(jìn)而得到匹配精度高、具有魯棒性的算法，是圖像匹

2、配任務(wù)的重點(diǎn)?；谔卣髅枋鲎拥膱D像匹配算法是該領(lǐng)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(jìn)行檢測；然后，基于底層圖像特征提取方法與圖像描述子構(gòu)建方法，對各個特征區(qū)域進(jìn)行描述，產(chǎn)生相應(yīng)的局部圖像描述子；進(jìn)而根據(jù)描述子的相似性度量得到初始匹配結(jié)果，并根據(jù)特征區(qū)域的拓?fù)浣Y(jié)構(gòu)，利用點(diǎn)集匹配算法進(jìn)行空間約束，最終得到圖像之間的匹配關(guān)系。因此，為了得到更加魯棒與精確的匹配結(jié)果，本文在國內(nèi)外已有研究基礎(chǔ)上，

3、針對圖像匹配算法的各個步驟進(jìn)行了研究，包括圖像底層特征提取、圖像局部描述子構(gòu)建以及基于局部拓?fù)浣Y(jié)構(gòu)的點(diǎn)集匹配。
　　本研究主要內(nèi)容包括：⑴圖像匹配算法關(guān)鍵技術(shù)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(jìn)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(jié)構(gòu)。其次，對局部圖像描述子的構(gòu)造策略進(jìn)行了研究。為了對圖像中的空間結(jié)構(gòu)信息進(jìn)行有效表征，傳統(tǒng)的圖像描述算法一般

4、在空間上進(jìn)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(diǎn)，因此魯棒性受到了制約。而在進(jìn)行點(diǎn)集匹配時，一些現(xiàn)有的基于運(yùn)動模型的點(diǎn)集匹配方法雖然能夠處理圖像形變，但是在進(jìn)行迭代運(yùn)算時沒能很好地考慮到點(diǎn)集局部的結(jié)構(gòu)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(shè)計了基于局部環(huán)形采樣的底層特征結(jié)構(gòu)，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(jié)構(gòu)，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(jìn)行了相應(yīng)的論述；最終獲得的底層特征能夠?qū)D像中相對較大的局部模式進(jìn)行表征，反應(yīng)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(jìn)一步的圖像描述方法與圖像匹配工作提供了基礎(chǔ)。⑶基于視覺感受域的圖像特征描述子構(gòu)造算法。受到人體神經(jīng)系統(tǒng)中視覺感受域的結(jié)構(gòu)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(jié)構(gòu)。這種特征組織模式利用了視覺感受域基礎(chǔ)結(jié)構(gòu)特性，并且

6、能夠?qū)⒈疚乃岢龅牡讓犹卣魈崛∷惴ㄟM(jìn)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(jìn)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(guān)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(jié)構(gòu)進(jìn)行了有效地編碼。⑷基于結(jié)構(gòu)約束與高斯混合模型后驗(yàn)更新的點(diǎn)集匹配算法。為了對點(diǎn)集內(nèi)部的拓?fù)潢P(guān)系進(jìn)行綜合表征，我們提出了基于局部結(jié)構(gòu)的點(diǎn)集形狀編碼算法，其中包括了點(diǎn)集基礎(chǔ)模式提取與基于相對坐標(biāo)系的

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