圖像拼接算法及實(shí)現(xiàn)（一）

1、圖像拼接算法及實(shí)現(xiàn)（一） 論文關(guān)鍵詞：圖像拼接圖像配準(zhǔn)圖像融合全景圖論文摘要：圖像拼接(image mosaic)技術(shù)是將一組相互間重疊部分的圖像序列進(jìn)行空間匹配對(duì)準(zhǔn),經(jīng)重采樣合成后形成一幅包含各圖像序列信息的寬視角場(chǎng)景的、完整的、高清晰的新圖像的技術(shù)。圖像拼接在攝影測(cè)量學(xué)、計(jì)算機(jī)視覺(jué)、遙感圖像處理、醫(yī)學(xué)圖像分析、計(jì)算機(jī)圖形學(xué)等領(lǐng)域有著廣泛的應(yīng)用價(jià)值。 一般來(lái)說(shuō),圖像拼接的過(guò)程由圖像獲取,圖像配準(zhǔn),圖像合成三步驟組成,其中圖像配準(zhǔn)是整個(gè)圖像拼接的基礎(chǔ)。本文研究了兩種圖像配準(zhǔn)算法:基于特征和基于變換域的圖像配準(zhǔn)算法。 在基于特征的配準(zhǔn)算法的基礎(chǔ)上,提出一種穩(wěn)健的基于特征點(diǎn)的配準(zhǔn)算法。首先改進(jìn)Ha

2、rris角點(diǎn)檢測(cè)算法,有效提高所提取特征點(diǎn)的速度和精度。然后利用相似測(cè)度NCC(normalized cross correlation歸一化互相關(guān)),通過(guò)用雙向最大相關(guān)系數(shù)匹配的方法提取出初始特征點(diǎn)對(duì),用隨機(jī)采樣法RANSAC(Random Sample Consensus)剔除偽特征點(diǎn)對(duì),實(shí)現(xiàn)特征點(diǎn)對(duì)的精確匹配。最后用正確的特征點(diǎn)匹配對(duì)實(shí)現(xiàn)圖像的配準(zhǔn)。本文提出的算法適應(yīng)性較強(qiáng),在重復(fù)性紋理、旋轉(zhuǎn)角度比較大等較難自動(dòng)匹配場(chǎng)合下仍可以準(zhǔn)確實(shí)現(xiàn)圖像配準(zhǔn)。Abstract：Image mosaic is a technology that carries on the spatial matchi

3、ng to a series of image which are overlapped with each other, and finally builds a seamless and high quality image which has high resolution and big eyeshot. Image mosaic has widely applications in the fields of photogrammetry, computer vision, remote sensing image processing, medical image analysis

4、, computer graphic and so on. 。In general, the process of image mosaic by the image acquisition, image registration, image synthesis of three steps, one of image registration are the basis of the entire image mosaic. In this paper, two image registration algorithm: Based on the characteristics and t

5、ransform domain-based image registration algorithm. In feature-based registration algorithm based on a robust feature-based registration algorithm points. First of all, to improve the Harris corner detection algorithm, effectively improve the extraction of feature points of the speed and accuracy. A

6、nd the use of a similar measure of NCC (normalized cross correlation - Normalized cross-correlation), through the largest correlation coefficient with two-way matching to extract the feature points out the initial right, using random sampling method RANSAC (Random Sample Consensus) excluding pseudo-

7、feature points right, feature points on the implementation of the exact match. Finally with the correct feature point matching for image registration implementation. In this paper, the algorithm adapted, in the repetitive texture, such as relatively large rotation more difficult to automatically mat

8、ch occasions can still achieve an accurate image registration.Key words: image mosaic, image registration, image fusion, panorama第一章 緒論 1.1 圖像拼接技術(shù)的研究背景及研究意義 圖像拼接(image mosaic)是一個(gè)日益流行的研究領(lǐng)域，他已經(jīng)成為照相繪圖學(xué)、計(jì)算機(jī)視覺(jué)、圖像處理和計(jì)算機(jī)圖形學(xué)研究中的熱點(diǎn)。圖像拼接解決的問(wèn)題一般式，通過(guò)對(duì)齊一系列空間重疊的圖像，構(gòu)成一個(gè)無(wú)縫的、高清晰的圖像，它具有比單個(gè)圖像更高的分辨率和更大的視野。早期的圖像拼接研究一直用于

9、照相繪圖學(xué)，主要是對(duì)大量航拍或衛(wèi)星的圖像的整合。近年來(lái)隨著圖像拼接技術(shù)的研究和發(fā)展，它使基于圖像的繪制（IBR）成為結(jié)合兩個(gè)互補(bǔ)領(lǐng)域計(jì)算機(jī)視覺(jué)和計(jì)算機(jī)圖形學(xué)的堅(jiān)決焦點(diǎn)，在計(jì)算機(jī)視覺(jué)領(lǐng)域中，圖像拼接成為對(duì)可視化場(chǎng)景描述（Visual Scene Representaions）的主要研究方法：在計(jì)算機(jī)形學(xué)中，現(xiàn)實(shí)世界的圖像過(guò)去一直用于環(huán)境貼圖，即合成靜態(tài)的背景和增加合成物體真實(shí)感的貼圖，圖像拼接可以使IBR從一系列真是圖像中快速繪制具有真實(shí)感的新視圖。在軍事領(lǐng)域網(wǎng)的夜視成像技術(shù)中，無(wú)論夜視微光還是紅外成像設(shè)備都會(huì)由于攝像器材的限制而無(wú)法拍攝視野寬闊的圖片，更不用說(shuō)360 度的環(huán)形圖片了。但是在實(shí)際

10、應(yīng)用中，很多時(shí)候需要將360 度所拍攝的很多張圖片合成一張圖片，從而可以使觀察者可以觀察到周圍的全部情況。使用圖像拼接技術(shù)，在根據(jù)拍攝設(shè)備和周圍景物的情況進(jìn)行分析后，就可以將通過(guò)轉(zhuǎn)動(dòng)的拍攝器材拍攝的涵蓋周圍360 度景物的多幅圖像進(jìn)行拼接，從而實(shí)時(shí)地得到超大視角甚至是360 度角的全景圖像。這在紅外預(yù)警中起到了很大的作用。微小型履帶式移動(dòng)機(jī)器人項(xiàng)目中，單目視覺(jué)不能滿足機(jī)器人的視覺(jué)導(dǎo)航需要，并且單目視覺(jué)機(jī)器人的視野范圍明顯小于雙目視覺(jué)機(jī)器人的視野。利用圖像拼接技術(shù)，拼接機(jī)器人雙目采集的圖像，可以增大機(jī)器人的視野，給機(jī)器人的視覺(jué)導(dǎo)航提供方便。在虛擬現(xiàn)實(shí)領(lǐng)域中，人們可以利用圖像拼接技術(shù)來(lái)得到寬視角的

11、圖像或360 度全景圖像，用來(lái)虛擬實(shí)際場(chǎng)景。這種基于全景圖的虛擬現(xiàn)實(shí)系統(tǒng)，通過(guò)全景圖的深度信息抽取，恢復(fù)場(chǎng)景的三維信息，進(jìn)而建立三維模型。這個(gè)系統(tǒng)允許用戶在虛擬環(huán)境中的一點(diǎn)作水平環(huán)視以及一定范圍內(nèi)的俯視和仰視，同時(shí)允許在環(huán)視的過(guò)程中動(dòng)態(tài)地改變焦距。這樣的全景圖像相當(dāng)于人站在原地環(huán)顧四周時(shí)看到的情形。在醫(yī)學(xué)圖像處理方面，顯微鏡或超聲波的視野較小，醫(yī)師無(wú)法通過(guò)一幅圖像進(jìn)行診視，同時(shí)對(duì)于大目標(biāo)圖像的數(shù)據(jù)測(cè)量也需要把不完整的圖像拼接為一個(gè)整體。所以把相鄰的各幅圖像拼接起來(lái)是實(shí)現(xiàn)遠(yuǎn)程數(shù)據(jù)測(cè)量和遠(yuǎn)程會(huì)診的關(guān)鍵環(huán)節(jié)圓。在遙感技術(shù)領(lǐng)域中，利用圖像拼接技術(shù)中的圖像配準(zhǔn)技術(shù)可以對(duì)來(lái)自同一區(qū)域的兩幅或多幅圖像進(jìn)行比

12、較，也可以利用圖像拼接技術(shù)將遙感衛(wèi)星拍攝到的有失真地面圖像拼接成比較準(zhǔn)確的完整圖像，作為進(jìn)一步研究的依據(jù)。從以上方面可以看出，圖像拼接技術(shù)的應(yīng)用前景十分廣闊，深入研究圖像拼接技術(shù)有著很重要的意義1.2圖像拼接算法的分類 圖像拼接作為這些年來(lái)圖像研究方面的重點(diǎn)之一，國(guó)內(nèi)外研究人員也提出了很多拼接算法。圖像拼接的質(zhì)量，主要依賴圖像的配準(zhǔn)程度，因此圖像的配準(zhǔn)是拼接算法的核心和關(guān)鍵。根據(jù)圖像匹配方法的不同仁闊，一般可以將圖像拼接算法分為以下兩個(gè)類型：（1) 基于區(qū)域相關(guān)的拼接算法。 這是最為傳統(tǒng)和最普遍的算法?；趨^(qū)域的配準(zhǔn)方法是從待拼接圖像的灰度值出發(fā)，對(duì)待配準(zhǔn)圖像中一塊區(qū)域與參考圖像中的相同尺寸的

13、區(qū)域使用最小二乘法或者其它數(shù)學(xué)方法計(jì)算其灰度值的差異，對(duì)此差異比較后來(lái)判斷待拼接圖像重疊區(qū)域的相似程度，由此得到待拼接圖像重疊區(qū)域的范圍和位置，從而實(shí)現(xiàn)圖像拼接。也可以通過(guò)FFT 變換將圖像由時(shí)域變換到頻域，然后再進(jìn)行配準(zhǔn)。對(duì)位移量比較大的圖像，可以先校正圖像的旋轉(zhuǎn)，然后建立兩幅圖像之間的映射關(guān)系。當(dāng)以兩塊區(qū)域像素點(diǎn)灰度值的差別作為判別標(biāo)準(zhǔn)時(shí)，最簡(jiǎn)單的一種方法是直接把各點(diǎn)灰度的差值累計(jì)起來(lái)。這種辦法效果不是很好，常常由于亮度、對(duì)比度的變化及其它原因?qū)е缕唇邮　Ａ硪环N方法是計(jì)算兩塊區(qū)域的對(duì)應(yīng)像素點(diǎn)灰度值的相關(guān)系數(shù)，相關(guān)系數(shù)越大，則兩塊圖像的匹配程度越高。該方法的拼接效果要好一些，成功率有所提高

14、。(2) 基于特征相關(guān)的拼接算法。 基于特征的配準(zhǔn)方法不是直接利用圖像的像素值，而是通過(guò)像素導(dǎo)出圖像的特征，然后以圖像特征為標(biāo)準(zhǔn)，對(duì)圖像重疊部分的對(duì)應(yīng)特征區(qū)域進(jìn)行搜索匹配，該類拼接算法有比較高的健壯性和魯棒性?；谔卣鞯呐錅?zhǔn)方法有兩個(gè)過(guò)程：特征抽取和特征配準(zhǔn)。首先從兩幅圖像中提取灰度變化明顯的點(diǎn)、線、區(qū)域等特征形成特征集岡。然后在兩幅圖像對(duì)應(yīng)的特征集中利用特征匹配算法盡可能地將存在對(duì)應(yīng)關(guān)系的特征對(duì)選擇出來(lái)。一系列的圖像分割技術(shù)都被用到特征的抽取和邊界檢測(cè)上。如canny 算子、拉普拉斯高斯算子、區(qū)域生長(zhǎng)。抽取出來(lái)的空間特征有閉合的邊界、開(kāi)邊界、交叉線以及其他特征。特征匹配的算法有：交叉相關(guān)、距

15、離變換、動(dòng)態(tài)編程、結(jié)構(gòu)匹配、鏈碼相關(guān)等算法。1.3本文的主要工作和組織結(jié)構(gòu) 本文的主要工作：(1) 總結(jié)了前人在圖像拼接方面的技術(shù)發(fā)展歷程和研究成果。(2) 學(xué)習(xí)和研究了前人的圖像配準(zhǔn)算法。 (3) 學(xué)習(xí)和研究了常用的圖像融合算法。 (4) 用matlab實(shí)現(xiàn)本文中的圖像拼接算法(5) 總結(jié)了圖像拼接中還存在的問(wèn)題，對(duì)圖像拼接的發(fā)展方向和應(yīng)用前景進(jìn)行展望。本文的組織結(jié)構(gòu)第一章主要對(duì)圖像拼接技術(shù)作了整體的概述，介紹了圖像拼接的研究背景和應(yīng)用前景，以及圖像拼接技術(shù)的大致過(guò)程、圖像拼接算法的分類和其技術(shù)難點(diǎn)。第二章主要介紹討論了圖像預(yù)處理中的兩個(gè)步驟，即圖像的幾何校正和噪聲點(diǎn)的抑制。第三章主要介紹討

16、論了圖像配準(zhǔn)的多種算法。第四章主要介紹討論了圖像融合的一些算法。第五章主要介紹圖像拼接軟件實(shí)現(xiàn)本文的算法。第六章主要對(duì)圖像拼接中還存在的問(wèn)題進(jìn)行總結(jié)，以及對(duì)圖像拼接的發(fā)展進(jìn)行展望。1.4 本章小結(jié) 本章主要對(duì)圖像拼接技術(shù)作了整體的概述，介紹了圖像拼接的研究背景和應(yīng)用前景，以圖像拼接算法的分類和其技術(shù)難點(diǎn)，并且對(duì)全文研究?jī)?nèi)容進(jìn)行了總體介紹。第二章 圖像拼接的基礎(chǔ)理論及圖像預(yù)處理 2.1圖像拼接 圖像拼接技術(shù)主要有三個(gè)主要步驟：圖像預(yù)處理、圖像配準(zhǔn)、圖像融合與邊界平滑，如圖。 圖像拼接技術(shù)主要分為三個(gè)主要步驟：圖像預(yù)處理、圖像配準(zhǔn)、圖像融合與邊界平滑，圖像預(yù)處理主要指對(duì)圖像進(jìn)行幾何畸變校正和噪聲點(diǎn)

17、的抑制等，讓參考圖像和待拼接圖像不存在明顯的幾何畸變。在圖像質(zhì)量不理想的情況下進(jìn)行圖像拼接，如果不經(jīng)過(guò)圖像預(yù)處理，很容易造成一些誤匹配。圖像預(yù)處理主要是為下一步圖像配準(zhǔn)做準(zhǔn)備，讓圖像質(zhì)量能夠滿足圖像配準(zhǔn)的要求。圖像配準(zhǔn)主要指對(duì)參考圖像和待拼接圖像中的匹配信息進(jìn)行提取，在提取出的信息中尋找最佳的匹配，完成圖像間的對(duì)齊。圖像拼接的成功與否主要是圖像的配準(zhǔn)。待拼接的圖像之間，可能存在平移、旋轉(zhuǎn)、縮放等多種變換或者大面積的同色區(qū)域等很難匹配的情況，一個(gè)好的圖像配準(zhǔn)算法應(yīng)該能夠在各種情況下準(zhǔn)確找到圖像間的對(duì)應(yīng)信息，將圖像對(duì)齊。圖像融合指在完成圖像匹配以后，對(duì)圖像進(jìn)行縫合，并對(duì)縫合的邊界進(jìn)行平滑處理，讓縫

18、合自然過(guò)渡。由于任何兩幅相鄰圖像在采集條件上都不可能做到完全相同，因此，對(duì)于一些本應(yīng)該相同的圖像特性，如圖像的光照特性等，在兩幅圖像中就不會(huì)表現(xiàn)的完全一樣。圖像拼接縫隙就是從一幅圖像的圖像區(qū)域過(guò)渡到另一幅圖像的圖像區(qū)域時(shí)，由于圖像中的某些相關(guān)特性發(fā)生了躍變而產(chǎn)生的。圖像融合就是為了讓圖像間的拼接縫隙不明顯，拼接更自然2.2 圖像的獲取方式 圖像拼接技術(shù)原理是根據(jù)圖像重疊部分將多張銜接的圖像拼合成一張高分辨率全景圖 。這些有重疊部分的圖像一般由兩種方法獲得 : 一種是固定照相機(jī)的轉(zhuǎn)軸 ,然后繞軸旋轉(zhuǎn)所拍攝的照片 ;另一種是固定照相機(jī)的光心 ,水平搖動(dòng)鏡頭所拍攝的照片。其中 ,前者主要用于遠(yuǎn)景或遙

19、感圖像的獲取 ,后者主要用于顯微圖像的獲取 ,它們共同的特點(diǎn)就是獲得有重疊的二維圖像。2.3 圖像的預(yù)處理 2.3.1 圖像的校正 當(dāng)照相系統(tǒng)的鏡頭或者照相裝置沒(méi)有正對(duì)著待拍攝的景物時(shí)候，那么拍攝到的景物圖像就會(huì)產(chǎn)生一定的變形。這是幾何畸變最常見(jiàn)的情況。另外，由于光學(xué)成像系統(tǒng)或電子掃描系統(tǒng)的限制而產(chǎn)生的枕形或桶形失真，也是幾何畸變的典型情況。幾何畸變會(huì)給圖像拼接造成很大的問(wèn)題，原本在兩幅圖像中相同的物體會(huì)因?yàn)榛兌兊貌黄ヅ洌@會(huì)給圖像的配準(zhǔn)帶來(lái)很大的問(wèn)題。因此，解決幾何畸變的問(wèn)題顯得很重要。圖象校正的基本思路是，根據(jù)圖像失真原因，建立相應(yīng)的數(shù)學(xué)模型，從被污染或畸變的圖象信號(hào)中提取所需要的信息

20、，沿著使圖象失真的逆過(guò)程恢復(fù)圖象本來(lái)面貌。實(shí)際的復(fù)原過(guò)程是設(shè)計(jì)一個(gè)濾波器，使其能從失真圖象中計(jì)算得到真實(shí)圖象的估值，使其根據(jù)預(yù)先規(guī)定的誤差準(zhǔn)則，最大程度地接近真實(shí)圖象。2.3.2 圖像噪聲的抑制 圖像噪聲可以理解為妨礙人的視覺(jué)感知，或妨礙系統(tǒng)傳感器對(duì)所接受圖像源信息進(jìn)行理解或分析的各種因素，也可以理解成真實(shí)信號(hào)與理想信號(hào)之間存在的偏差。一般來(lái)說(shuō)，噪聲是不可預(yù)測(cè)的隨機(jī)信號(hào)，通常采用概率統(tǒng)計(jì)的方法對(duì)其進(jìn)行分析。噪聲對(duì)圖像處理十分重要，它影響圖像處理的各個(gè)環(huán)節(jié)，特別在圖像的輸入、采集中的噪聲抑制是十分關(guān)鍵的問(wèn)題。若輸入伴有較大的噪聲，必然影響圖像拼接的全過(guò)程及輸出的結(jié)果。根據(jù)噪聲的來(lái)源，大致可以分為

21、外部噪聲和內(nèi)部噪聲；從統(tǒng)計(jì)數(shù)學(xué)的觀點(diǎn)來(lái)定義噪聲，可以分為平穩(wěn)噪聲和非平穩(wěn)噪聲。各種類型的噪聲反映在圖像畫面上，大致可以分為兩種類型。一是噪聲的幅值基本相同，但是噪聲出現(xiàn)的位置是隨機(jī)的，一般稱這類噪聲為椒鹽噪聲。另一種是每一點(diǎn)都存在噪聲，但噪聲的幅值是隨機(jī)分布的，從噪聲幅值大小的分布統(tǒng)計(jì)來(lái)看，其密度函數(shù)有高斯型、瑞利型，分別成為高斯噪聲和瑞利噪聲，又如頻譜均勻分布的噪聲稱為白噪聲等。1.均值濾波 所謂均值濾波實(shí)際上就是用均值替代原圖像中的各個(gè)像素值。均值濾波的方法是，對(duì)將處理的當(dāng)前像素，選擇一個(gè)模板，該模板為其鄰近的若干像素組成，用模板中像素的均值來(lái)替代原像素的值。如圖2.4所示，序號(hào)為0是當(dāng)前

22、像素，序號(hào)為1至8是鄰近像素。求模板中所有像素的均值，再把該均值賦予當(dāng)前像素點(diǎn)(x, y)，作為處理后圖像在該點(diǎn)上的灰度g(x,y)，即g(x,y)= (2-2-2-1)其中，s為模板，M為該模板中包含像素的總個(gè)數(shù)。圖2.2.2.1模板示意圖2.中值濾波中值濾波是基于排序統(tǒng)計(jì)理論的一種能有效抑制噪聲的非線性信號(hào)處理技術(shù)。它的核心算法是將模板中的數(shù)據(jù)進(jìn)行排序，這樣，如果一個(gè)亮點(diǎn)（暗點(diǎn)）的噪聲，就會(huì)在排序過(guò)程中被排在數(shù)據(jù)序列的最右側(cè)或者最左側(cè)，因此，最終選擇的數(shù)據(jù)序列中見(jiàn)位置上的值一般不是噪聲點(diǎn)值，由此便可以達(dá)到抑制噪聲的目的。取某種結(jié)構(gòu)的二維滑動(dòng)模板，將模板內(nèi)像素按照像素值的大小進(jìn)行排序，生成單

23、調(diào)上升（或下降）的二維數(shù)據(jù)序列。二維德中值濾波輸出為 ( 2-2-2-2 ) 其中，f(x,y)，g (x,y)分別為原圖像和處理后的圖像，w二維模板,k ,l為模板的長(zhǎng)寬，Med 為取中間值操作，模板通常為3 3 、5 5 區(qū)域，也可以有不同形狀，如線狀、圓形、十字形、圓環(huán)形。2.4 本章小結(jié) 本章主要介紹了圖像幾何畸變校正和圖像噪聲抑制兩種圖像預(yù)處理.第三章 圖像配準(zhǔn)算法 3.1 圖像配準(zhǔn)的概念 圖像配準(zhǔn)簡(jiǎn)而言之就是圖像之間的對(duì)齊。圖像配準(zhǔn)定義為:對(duì)從不同傳感器或不同時(shí)間或不同角度所獲得的兩幅或多幅圖像進(jìn)行最佳匹配的處理過(guò)程。為了更清楚圖像配準(zhǔn)的任務(wù)，我們將圖像配準(zhǔn)問(wèn)題用更精確的數(shù)學(xué)語(yǔ)言描

24、述出來(lái)。配準(zhǔn)可以用描述為如下的問(wèn)題: 給定同一景物的從不同的視角或在不同的時(shí)間獲取的兩個(gè)圖像I ,I 和兩個(gè)圖像間的相似度量S(I ,I ),找出I ,I 中的同名點(diǎn)，確定圖像間的最優(yōu)變換T,使得S(T(I ),I )達(dá)到最大值。 圖像配準(zhǔn)總是相對(duì)于多幅圖像來(lái)講的，在實(shí)際工作中，通常取其中的一幅圖像作為配準(zhǔn)的基準(zhǔn),稱它為參考圖,另一幅圖像,為搜索圖。圖像配準(zhǔn)的一般做法是，首先在參考圖上選取以某一目標(biāo)點(diǎn)為中心的圖像子塊，并稱它為圖像配準(zhǔn)的模板，然后讓模板在搜索圖上有秩序地移動(dòng)，每移到一個(gè)位置，把模板與搜索圖中的對(duì)應(yīng)部分進(jìn)行相關(guān)比較，直到找到配準(zhǔn)位置為止。 如果在模板的范圍內(nèi)，同一目標(biāo)的兩幅圖像完

25、全相同，那么完成圖像配準(zhǔn)并不困難。然而，實(shí)際上圖像配準(zhǔn)中所遇到的同一目標(biāo)的兩幅圖像常常是在不同條件下獲得的，如不同的成像時(shí)間、不同的成像位置、甚至不同的成像系統(tǒng)等，再加上成像中各種噪聲的影響，使同一目標(biāo)的兩幅圖像不可能完全相同，只能做到某種程度的相似，因此圖像配準(zhǔn)是一個(gè)相當(dāng)復(fù)雜的技術(shù)過(guò)程。3.2 基于區(qū)域的配準(zhǔn) 3.2.1 逐一比較法 設(shè)搜索圖為s待配準(zhǔn)模板為T，如圖3.1所示，S大小為M N，T大小為U V,如圖所示。 圖3.1搜索圖S與模板T示意圖逐一比較法的配準(zhǔn)思想是: 在搜索圖S中以某點(diǎn)為基點(diǎn)(i,j)，截取一個(gè)與模板T大小一樣的分塊圖像，這樣的基點(diǎn)有(M-U+1) (N-V+1)個(gè)，

26、配準(zhǔn)的目標(biāo)就是在(M-U+1) (N-V+1)個(gè)分塊圖像中找一個(gè)與待配準(zhǔn)圖像最相似的圖像，這樣得到的基準(zhǔn)點(diǎn)就是最佳配準(zhǔn)點(diǎn)。 設(shè)模板T在搜索圖s上移動(dòng)，模板覆蓋下的那塊搜索圖叫子圖S ,(i,j)為這塊子圖的左上角點(diǎn)在S圖中的坐標(biāo)，叫做參考點(diǎn)。然后比較T和S 的內(nèi)容。若兩者一致，則T和S 之差為零。在現(xiàn)實(shí)圖像中，兩幅圖像完全一致是很少見(jiàn)的，一般的判斷是在滿足一定條件下，T和S 之差最小。根據(jù)以上原理，可采用下列兩種測(cè)度之一來(lái)衡量T和S 的相似程度。D(i,j)的值越小，則該窗口越匹配。 D(i,j)= S (m,n)-T(m,n) (3-1)或 D(i,j)= S (m,n)-T(m,n) (3

27、-2)或者利用歸一化相關(guān)函數(shù)。將式(3-1)展開(kāi)可得:D(i,j)= S (m,n) -2 S (m,n)*T(m,n)+ T(m,n) (3-3) 式中等號(hào)右邊第三項(xiàng)表示模板總能量，是一常數(shù)，與(i,j)無(wú)關(guān);第一項(xiàng)是與模板匹配區(qū)域的能量，它隨(i,j)的改變而改變，當(dāng)T和S 匹配時(shí)的取最大值。因此相關(guān)函數(shù)為:R(i,j)= (3-4)當(dāng)R(i,j)越大時(shí)，D(i,j)越小，歸一化后為:R(i,j)= (3-5)根據(jù)Cauchy-Schwarz不等式可知式(3-5)中0 R(i,j) 1，并且僅當(dāng)值S (m, n)/T (m, n)=常數(shù)時(shí)，R(i,j)取極大值。 該算法的優(yōu)點(diǎn): (1)算法

28、思路比較簡(jiǎn)單，容易理解，易于編程實(shí)現(xiàn)。 (2)選用的模板越大，包含的信息就越多，匹配結(jié)果的可信度也會(huì)提高，同時(shí)能夠?qū)⒖紙D像進(jìn)行全面的掃描。 該算法的缺點(diǎn): (1)很難選擇待配準(zhǔn)圖像分塊。因?yàn)橐粋€(gè)如果分塊選擇的不正確，缺少信息量，則不容易正確的匹配，即發(fā)生偽匹配。同時(shí)，如果分塊過(guò)大則降低匹配速度，如果分塊過(guò)小則容易降低匹配精度。 (2)對(duì)圖像的旋轉(zhuǎn)變形不能很好的處理。算法本身只是把待配準(zhǔn)圖像分塊在標(biāo)準(zhǔn)參考圖像中移動(dòng)比較，選擇一個(gè)最相似的匹配塊，但是并不能夠?qū)D像的旋轉(zhuǎn)變形進(jìn)行處理，因此對(duì)照片的拍攝有嚴(yán)格的要求。3.2.2 分層比較法 圖像處理的塔形(或稱金字塔:Pyramid)分解方法是由Burt和Adelson首先提出的，其早期主要用于圖像的壓縮處理及機(jī)器人的視覺(jué)特性研究。該方法把原始圖像分解成許多不同空間分辨率的子圖像，高分辨率(尺寸較大)的子圖像放在下層，低分辨率(尺寸較小)的圖像放在上層，從而形成一個(gè)金字塔形狀。 在逐一比較法的思想上，為減少運(yùn)算量，引入了塔形處理的思想，提出了分層比較法。利用圖像的塔形分解，可以分析圖像中不同大小的物體。同時(shí)，通過(guò)對(duì)低分辨率、尺寸較小的上層進(jìn)行分析所得到的信息還可以用來(lái)指導(dǎo)對(duì)高分辨率、尺寸較大的下層進(jìn)行分析，從而大大簡(jiǎn)化分析和計(jì)算。在