基于點(diǎn)特征的整體匹配方法研究

1、基于點(diǎn)特征的整體匹配方法研究目錄 TOC o 1-3 h z u HYPERLINK l _Toc354230205 摘要（ 頁(yè) （共 17 頁(yè)）基于點(diǎn)特征的整體匹配方法研究1引言 在攝影測(cè)量中，有一些較為著名的點(diǎn)特征提取算子，如：Moravec算子、Forsmer算子與Hannah算子等。將敘述MoraVec算子和Forsmer 算子的基本原理，從提取點(diǎn)的定位準(zhǔn)確性及速度兩個(gè)方面對(duì)兩種算子進(jìn)行比較，并重點(diǎn)分析利用Moravec算子提取特征點(diǎn)實(shí)現(xiàn)過(guò)程分析。針對(duì)地貌測(cè)量重構(gòu)中的圖像特征匹配問題，提出了一種新的圖像特征匹配方法。通過(guò)對(duì)待匹配的資源和模板圖像進(jìn)行分區(qū)，并根據(jù)灰度相關(guān)值實(shí)現(xiàn)區(qū)域之間的匹

2、配，在區(qū)域匹配的基礎(chǔ)上再根據(jù)角點(diǎn)所屬區(qū)域的對(duì)應(yīng)關(guān)系進(jìn)行角點(diǎn)特征匹配運(yùn)算。在角點(diǎn)特征匹配過(guò)程中，利用去均值歸一化相關(guān)法進(jìn)行區(qū)域灰度相關(guān)運(yùn)算，從而確定出初始匹配點(diǎn)對(duì)。為消除初始匹配角點(diǎn)對(duì)中的錯(cuò)誤匹配點(diǎn)對(duì)，保證角點(diǎn)特征提取的準(zhǔn)確性和可靠性，采用松弛迭代法、零交叉法以及最小平方中值法進(jìn)行了錯(cuò)誤匹配角點(diǎn)的濾除?；跀?shù)字圖像的平面位移測(cè)量是近幾年發(fā)展起來(lái)的新的位移測(cè)量方式，而點(diǎn)特征提取是平面位移測(cè)量實(shí)現(xiàn)的基礎(chǔ)，是特征匹配實(shí)現(xiàn)的基礎(chǔ)，是位移測(cè)量精度提高的保證。為了提高測(cè)量精度和效率，利用常用的點(diǎn)特征提取算法對(duì)花崗巖工作臺(tái)進(jìn)行點(diǎn)特征提取。平面位移的測(cè)量在生產(chǎn)實(shí)踐和科學(xué)實(shí)踐中隨處可見，如各類儀器工作臺(tái)的精確定位

3、。傳統(tǒng)的位移測(cè)量通常采用3個(gè)位移傳感器,使測(cè)量成本增加,儀器尺寸增大。在測(cè)量空間受限制時(shí)，安裝和調(diào)試比較困難，另外這種測(cè)量方法由于環(huán)節(jié)多而使不可靠因素增加。本文在旋轉(zhuǎn)與比例不變點(diǎn)特征松弛匹配方法的基礎(chǔ)上，提出了用Hopfield神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)匹配過(guò)程的方法。通過(guò)對(duì)模擬圖象進(jìn)行的大量實(shí)驗(yàn)。得到令人滿意的結(jié)果，證實(shí)采用 Hopfield神經(jīng)網(wǎng)絡(luò)完成旋轉(zhuǎn)與比例不變點(diǎn)特征松弛匹配過(guò)程的有效性和可行性。遙感圖像的配準(zhǔn)是將不同時(shí)相、不同遙感平臺(tái)的數(shù)據(jù)配準(zhǔn)到同一坐標(biāo)系統(tǒng)下，以便各個(gè)圖像能進(jìn)行像元與像元間的對(duì)比和運(yùn)算。在許多遙感圖像處理中，需要對(duì)多源圖像數(shù)據(jù)進(jìn)行比較和分析，而遙感圖像的配準(zhǔn)是進(jìn)行諸如圖像融合、變

4、化檢測(cè)、超分辨率圖像生成等工作的基礎(chǔ)。多源圖像配準(zhǔn)與單傳感器圖像配準(zhǔn)相比，更加困難一些，特別是波段相距較遠(yuǎn)的圖像，由于圖像間相關(guān)性小，實(shí)現(xiàn)自動(dòng)配準(zhǔn)技術(shù)難度更大。當(dāng)前的圖像配準(zhǔn)技術(shù)通常分為兩大類：基于區(qū)域的方法和基于特征的方法。在基于區(qū)域的方法中，使用相關(guān)技術(shù)確定一個(gè)圖像的像素窗口在另一圖像中的匹配位置，采樣的匹配度量通常是相關(guān)系數(shù)。匹配窗口的中心作為控制點(diǎn)對(duì)，這些控制點(diǎn)對(duì)用以求解圖像的變換參數(shù)，基于特征的方法首先從圖像上提取一些公共特征，如輪廓、矩、區(qū)域、線性分割，然后進(jìn)行精確匹配。由于這些特征不依賴于圖像的灰度級(jí)，所以基于特征的配準(zhǔn)算法在多傳感器配準(zhǔn)領(lǐng)域具有廣泛的應(yīng)用。不同的任務(wù)對(duì)配準(zhǔn)精度的

5、要求是不一樣的，有些配準(zhǔn)精度只要在1個(gè)像素內(nèi)即可。但是，對(duì)遙感圖像融合來(lái)說(shuō)，往往要求配準(zhǔn)精度在1個(gè)像素以內(nèi)，例如Landsat遙感圖像的1個(gè)像素對(duì)應(yīng)于地面上80 m距離，也就是說(shuō)像素級(jí)的配準(zhǔn)精度提供的分辨率是40 m。如果能達(dá)到0.1個(gè)像素的配準(zhǔn)精度，那么就可以獲得4m的分辨率。而不斷提出的各種配準(zhǔn)方法使得配準(zhǔn)的精度越來(lái)越高，從像素級(jí)一直到子像素級(jí)。但其中始終存在著一個(gè)問題，就是某一種方法僅對(duì)幾組或幾種圖像可以取得好的效果，但卻不適應(yīng)其他類型的數(shù)據(jù)，本文針對(duì)這一問題，提出了一種基于點(diǎn)特征的高精度圖像配準(zhǔn)方法，該方法的基本思想是：在參考影像上自動(dòng)提取密集的特征點(diǎn)作為配準(zhǔn)控制點(diǎn)( RCP)，通過(guò)嚴(yán)

6、格的圖像匹配算法獲得同名點(diǎn)對(duì)，然后由這些同名點(diǎn)對(duì)構(gòu)成大量不規(guī)則三角網(wǎng)，再以小三角形面元為單位進(jìn)行數(shù)字微分糾正，從而得到精確配準(zhǔn)的影像。2.點(diǎn)特征的提取在攝影測(cè)量中,有一些較為著名的點(diǎn)特征提取算子，如：Morava算子、Former算子與Hannah算子等。點(diǎn)特征是影像最基本的特征，它是指那些灰度信號(hào)在二維方向上都有明顯變化的點(diǎn)，如角點(diǎn)、圓點(diǎn)等。點(diǎn)特征可以應(yīng)用于諸如圖像的配準(zhǔn)與匹配，目標(biāo)描述與識(shí)別，光束計(jì)算，運(yùn)目標(biāo)跟蹤、識(shí)別和立體像對(duì)3D建模等眾多領(lǐng)域。使用點(diǎn)特征進(jìn)行處理，可以減少參與計(jì)算的數(shù)據(jù)量，同時(shí)又不損害圖像的重要灰度信息，在匹配運(yùn)算中能夠較大的提高匹配速度，因而受人們的關(guān)注。提取點(diǎn)特征的

7、算子稱為興趣算子或有利算子(interest operator)，即利用某種算法從影像中提取人們感興趣的，有利于某種目的的點(diǎn)。在影像分析和計(jì)算機(jī)的視覺領(lǐng)域，根據(jù)不同應(yīng)用目的選擇有效的點(diǎn)特征提取。2.1 Morava興趣算子 Morava于1977年提出利用灰度方差提取點(diǎn)特征的算子。Morava算子是在四個(gè)主要方向上，選擇具有最大一最小灰度方差的點(diǎn)作為特征點(diǎn)。 第一步，計(jì)算各像元的興趣值IV。 第二步，給定一經(jīng)驗(yàn)閾值，將興趣值大于該閾值的點(diǎn) (即興趣值計(jì)算窗 口的中心點(diǎn)) 作為候選點(diǎn)。閾值的選擇應(yīng)以候選點(diǎn)中包括所需要的特征點(diǎn)，又不含過(guò)多的非特征點(diǎn)為原則。第三步，選取候選點(diǎn)中的極值點(diǎn)作為特征點(diǎn)。除

8、了以上方法，還可以嘗試首先利用邊緣提取方法提取整個(gè)圖象的邊緣輪廓，然后在此輪廓內(nèi)利用以上特征點(diǎn)提取方法提取特征點(diǎn)。2.2 forstner算子 forstner算子是從影像中提取點(diǎn)(角點(diǎn)、 圓點(diǎn)等) 特征的一種較為有效的算子。forstner算子通過(guò)計(jì)算各像素的Robert梯度和以像素(c，r)為中心的一個(gè)窗口的灰度協(xié)方差矩陣，在影像中尋找具有盡可能小而且接近圓的點(diǎn)作為特征點(diǎn)，它通過(guò)計(jì)算各影像點(diǎn)的興趣并采用抑制局部極小點(diǎn)的方法提取特征點(diǎn)。 第一步： 計(jì)算各像素的Robert 梯度 。 第二步： 計(jì)算 ll 窗口中灰度的協(xié)方差矩陣。 第三步： 計(jì)算興趣值q與w。 第四步： 確定待選點(diǎn)。 第五步：

9、 選取極值點(diǎn)。 2.3 SUSAN角點(diǎn)提取法 傳統(tǒng)意義上，角點(diǎn)定義為兩條直線邊緣的接合點(diǎn)。圖像的角點(diǎn)檢測(cè)方法可概括為兩類。第1類方法先將圖像分割為區(qū)域，用鏈碼表示目標(biāo)邊界，然后通過(guò)方向變化確定角點(diǎn)。這種方法的主要缺點(diǎn)是角點(diǎn)檢測(cè)的結(jié)果依賴于前面的圖像割的結(jié)果。第2類方法，直接對(duì)圖像灰度級(jí)進(jìn)行操作，這些方法主要利用梯度和曲率度量檢測(cè)角點(diǎn)。Smith等人提出的SUSAN算法為第2類方法。它用圓形模板在圖像上移動(dòng)，若模板內(nèi)像素的灰度與模板中心像素灰度的差值小于一定閾值，則認(rèn)為該點(diǎn)與核具有相同的灰度，由滿足這樣條件的像素組成的局部區(qū)域稱為 “USAN( Univalue Segment Assimila

10、tingNucleus )”。根據(jù) SUSAN的尺寸、質(zhì)心和二階矩，可檢測(cè)到角點(diǎn)特征。2.4 結(jié)論 綜上所述，Moravec算子是點(diǎn)特征提取算子中的經(jīng)典算子之一，后來(lái)的很多點(diǎn)特征提取算子都是在它的基礎(chǔ)上改進(jìn)得來(lái)的掌握 Moravec算子的原理和實(shí)現(xiàn)方法對(duì)理解其他的點(diǎn)特征算子的理解和應(yīng)用有很大好處。但其他兩類算子也是各有各的好處，SUSAN算法的優(yōu)點(diǎn)在于在角點(diǎn)檢測(cè)時(shí)不需計(jì)算梯度，不需插值而且不依賴于前期圖像分割的結(jié)果，直接對(duì)像素的鄰域灰度值比較即可檢測(cè)出角點(diǎn)，因而在圖像處理中得到廣泛的應(yīng)用。當(dāng)然針對(duì)不同類型點(diǎn)特征的提取選擇不同的算子才能更有效的降低誤差出現(xiàn)。3 基于點(diǎn)特征的整體匹配 整體影像匹配

11、的基本思想是：通常無(wú)論是基于灰度還是基于特省匹配，多數(shù)是作單點(diǎn)匹配或局部匹配，它們不考慮周圍臨近點(diǎn)（或要素）之間的相關(guān)性。整體影像匹配是一類顧及共軛實(shí)體之間的相容性、一致性、整體協(xié)調(diào)性的影像匹配方法。它具有匹配可靠性高的特點(diǎn)。一般情況，地形可認(rèn)為是連續(xù)的，因此臨近點(diǎn)的高程就有很強(qiáng)的相關(guān)性。如何顧及它們之間的相關(guān)性，產(chǎn)生最佳的整體匹配結(jié)果，這是提高影像匹配可靠性、匹配結(jié)果之間的一致性的重要途徑。它的主要方法有多點(diǎn)最小二乘影像匹配，動(dòng)態(tài)規(guī)劃影像匹配、松弛法影像匹配、人工神經(jīng)元網(wǎng)絡(luò)影像匹配。3.1 多點(diǎn)最小二乘匹配的常規(guī)算法 設(shè)，依次表示左右影像，對(duì)于左影像中任一像元及它在右影像中的同名點(diǎn)，我們有下

12、列觀測(cè)方程（假設(shè)無(wú)輻射畸變存在）： （3-1）是影像噪聲，如果在核線影像對(duì)上匹配，即只存在視差，則有： （3-2）式（3-2）中視差可由該像元鄰近四個(gè)視差格網(wǎng)點(diǎn)的視差雙線性內(nèi)插表示，見圖3-1。設(shè)節(jié)點(diǎn)間的距離為1，像元P到節(jié)點(diǎn)（）的距離為， （3-3）把式（3-2）線性化，并把式（3-3）代入式（3-2），得到誤差方程式： （3-4）式中為右影像在方向的差分，是起始視差之增量。 i+1 j i+1 j+1 p i j i j+1 圖 3-1 相鄰4個(gè)點(diǎn)的位置關(guān)系設(shè)左影像中需匹配的點(diǎn)位于一個(gè)的規(guī)則格網(wǎng)節(jié)點(diǎn)上，依次表示行數(shù)和列數(shù)。多點(diǎn)最小二乘匹配的第二類誤差方程式為虛擬誤差方程式，是對(duì)節(jié)點(diǎn)視差的光

13、滑約束。對(duì)二階差分最小條件下的虛擬誤差方程式為 （3-5）一階差分最小條件下的虛擬誤差方程式為： （3-6）式中為光滑約束的權(quán)值。 式（3-4）、（3-5）、（3-6）即為多點(diǎn)最小二乘匹配的基本誤差方程式，寫成矩陣形式為： （3-7）法方程式為： (3-8)解的表示： (3-9)由于多點(diǎn)最小二乘匹配是對(duì)非線性方程（3-2）線性化后進(jìn)行的，所以必須迭代求解。3.2 概率松弛匹配3.2.1基于概率松弛的整體影像匹配概率松弛算法是并行迭代算法，可被看作歸類或模式識(shí)別方法的一種，其基本原理可描述如下。設(shè)有一個(gè)對(duì)象集和一個(gè)類型集我們是要確定每個(gè)對(duì)象屬于哪個(gè)類型。假設(shè)各個(gè)對(duì)象的歸類之間是相關(guān)的，即對(duì)于一對(duì)

14、歸類隸屬關(guān)系和，存在著一個(gè)度量其相容性的數(shù)值，設(shè)作。根據(jù)歸類問題的實(shí)際物理意義，我們可以得到的可能性的初始估計(jì)。概率松弛算法的目的是以這些初始概率為出發(fā)點(diǎn)，尋求一個(gè)所有對(duì)象的最佳歸類組合，使得它們盡可能的相容。有很多種方法來(lái)度量所有幾個(gè)對(duì)象的歸類之間的整體相容性，“平均局部相容度”即是其中一種。可以證明，下面將要詳細(xì)描述的松弛迭代過(guò)程將會(huì)增加上述度量的值，即增加相容性。在概率松弛的每次迭代過(guò)程中，每個(gè)對(duì)象歸屬于每個(gè)類型的概率都要根據(jù)其他對(duì)象和類型之間的歸屬關(guān)系的概率作出調(diào)整，以增進(jìn)相容性。第r次迭代中，來(lái)自其他對(duì)象的對(duì)象i歸類于類型j的概率值調(diào)整的凈貢獻(xiàn)，而第r+1次迭代后，對(duì)象i隸屬于類型j

15、的概率的新的估計(jì)值，上述計(jì)算過(guò)程迭代進(jìn)行，直至迭代收斂或滿足某人為給定的終止條件。迭代結(jié)束時(shí)所有對(duì)象的歸類之間達(dá)到了最大的相容。 就影響匹配而言，我們把左影像上的像點(diǎn)視作“對(duì)象”，右影像上的像點(diǎn)視作“類型”，這樣就可把影響匹配問題轉(zhuǎn)化為一個(gè)歸類問題，于是匹配問題即可用概率松弛法求解。為簡(jiǎn)單起見，我們假設(shè)左右影響已被重采樣為核線影像，這樣我們只需考慮一維匹配問題。這就是整體影像匹配概率松弛算法的基本原理。 事實(shí)上，沿核線方向的影像重采樣并非概率松弛影像的必要條件。松弛法同樣適用于原始的未經(jīng)重采樣的數(shù)字影像或SPOT影像，甚至物方空間的影像匹配。整體影像匹配概率松弛算法在保證可靠性方面是成功的，但

16、其處理速度過(guò)于緩慢，不足以實(shí)現(xiàn)實(shí)時(shí)的三維數(shù)據(jù)重建。 3.2.2 hopfield神經(jīng)網(wǎng)絡(luò) Hopfield網(wǎng)絡(luò)是一個(gè)復(fù)雜的遞歸網(wǎng)絡(luò)，它包含了從神經(jīng)元輸出到輸入的反饋，這使得這類網(wǎng)絡(luò)的運(yùn)轉(zhuǎn)成為預(yù)感動(dòng)力系統(tǒng)。這意味著，當(dāng)神經(jīng)元接受一個(gè)新的輸入后，計(jì)算機(jī)的輸出將會(huì)立即反饋回去并改變輸入。理想的迭代過(guò)程會(huì)導(dǎo)致越來(lái)越小的輸出變化到輸出不再變化，這是網(wǎng)絡(luò)便達(dá)到了穩(wěn)定狀態(tài)。神經(jīng)元之間的聯(lián)結(jié)強(qiáng)度可設(shè)作。已經(jīng)證明，當(dāng)矩陣對(duì)稱且具有零對(duì)角線時(shí)，即對(duì)所有的i，j有和時(shí)，網(wǎng)絡(luò)是穩(wěn)定的。滿足此條件則具有穩(wěn)定的收斂性。第i個(gè)神經(jīng)元的輸入為，則 （3-10） 這里代表第j個(gè)神經(jīng)元的輸出，是第i個(gè)和第j個(gè)神經(jīng)元之間的聯(lián)結(jié)強(qiáng)度

17、，代表作用于第i個(gè)神經(jīng)元的外部輸出的閾值，這個(gè)值在整個(gè)迭代過(guò)程中保持恒定。迭代過(guò)程中，神經(jīng)元的輸出按照下述規(guī)則來(lái)改變： （3-11）這里函數(shù)被稱作神經(jīng)元i的Sigmoid激勵(lì)函數(shù)，稱作網(wǎng)絡(luò)的增益，越大則函數(shù)的斜率越大。隨著系統(tǒng)的迭代發(fā)展，由于系統(tǒng)的反饋動(dòng)力機(jī)制，能量將遞減直至達(dá)到最小。 適用Hopfield網(wǎng)絡(luò)的主要好處在于它能用集成電路實(shí)現(xiàn)，因而使得處理過(guò)程可以實(shí)時(shí)進(jìn)行。 3.2.3 松弛法的Hopfield網(wǎng)絡(luò)實(shí)現(xiàn) 正如3.2.1所述，松弛處理的目的在于增加系統(tǒng)的所謂“平均局部兼容度”。而另一方面,Hopfield網(wǎng)絡(luò)在迭代過(guò)程中趨向于逐步減小能量函數(shù)的值。從這個(gè)觀點(diǎn)看,容易通過(guò)Hopfi

18、eld網(wǎng)絡(luò)來(lái)實(shí)現(xiàn)松弛運(yùn)算,所要做的只是將平均局部兼容度函數(shù)轉(zhuǎn)化成某個(gè)Hopfield網(wǎng)絡(luò)的能量函數(shù)形式。在這個(gè)網(wǎng)絡(luò)中,神經(jīng)元的狀態(tài)代表了原始松弛優(yōu)化問題的可能狀態(tài)。我們來(lái)構(gòu)造這個(gè)網(wǎng)絡(luò):標(biāo)號(hào)為(i,j)的神經(jīng)元代表對(duì)象類屬于類型這一假設(shè),這一假設(shè)成立的可能性即為神經(jīng)元的輸出。對(duì)照平均局部兼容度的函數(shù)表達(dá)式,易知: （3-12）其中第一項(xiàng)出去常數(shù)因子就是兼容度函數(shù)，而第二項(xiàng)當(dāng)代表某一確定對(duì)象的歸屬所假設(shè)的各神經(jīng)元的輸出的和等于1時(shí)，達(dá)到其最小值零(這意味著我們假設(shè)每個(gè)對(duì)象只能屬于唯一的類別),A和B均是正數(shù)。另一方面,能量函數(shù)的標(biāo)準(zhǔn)形式應(yīng)是: （3-13）比較這兩個(gè)式子，易知神經(jīng)元見的聯(lián)結(jié)強(qiáng)度矩陣

19、和神經(jīng)元的外部輸入閾值應(yīng)有如下形式： （3-14）當(dāng)i=h時(shí)，=1；當(dāng)ih時(shí)，=0。事實(shí)上，對(duì)于整體影像匹配而言，因?yàn)楹蜐M足所有要求，因此一旦確定了和的值，網(wǎng)絡(luò)的特性便完全決定了，系統(tǒng)的最后穩(wěn)定狀態(tài)只取決于初始狀態(tài)。3.3 誤匹配的消除3.3.1 松弛迭代法消除誤匹配 針對(duì)初始匹配點(diǎn)對(duì)集合中存在一個(gè)特征點(diǎn)， 并且同時(shí)對(duì)應(yīng)多個(gè)匹配點(diǎn)和大量錯(cuò)誤匹配點(diǎn)對(duì)的情況，利用松弛迭代法可糾正這類模糊和錯(cuò)誤的匹配。首先，將相關(guān)法得到的初始匹配點(diǎn)對(duì)表示為( ，），其中是模板圖像上的角點(diǎn)，是自愿圖像上的角點(diǎn)，定義兩個(gè)分別以點(diǎn)和為中心，R為半徑的鄰域N（）和N（）。 根據(jù)連續(xù)性準(zhǔn)則，若（，）為正確的匹配點(diǎn)對(duì)，則在其鄰

20、域N（）和N（）內(nèi)必然存在更多的正確匹配點(diǎn)對(duì)，將其表示為（，），其中N（），N（），且點(diǎn)相對(duì)于點(diǎn)的位置關(guān)系與點(diǎn)相對(duì)于的位置關(guān)系相似。若（，）是錯(cuò)誤匹配點(diǎn)對(duì)，則在鄰域N（）和N（）內(nèi)只有很少的匹配點(diǎn)對(duì)甚至沒有，據(jù)此定義匹配強(qiáng)度 （3-15） （3-16）= （3-17） (3-18)式中：為匹配點(diǎn)對(duì)（，）的相關(guān)性系數(shù)；為匹配點(diǎn)對(duì)（，）的相關(guān)性系數(shù)；為點(diǎn)對(duì)（，）和（，）的平均距離；為松弛迭代因子；d（m，n）為點(diǎn)在m與n在歐氏空間下的距離；r表示點(diǎn)的相對(duì)距離偏差；是相對(duì)距離偏差閥值，在實(shí)際計(jì)算中，取=0.3。 計(jì)算出S（，）后，用下式衡量其惟一性P（，）=1- （3-19）其中（，）是指在（，）的

21、鄰域內(nèi)，僅次于S（，）的最大匹配強(qiáng)度。3.3.2 零交叉法消除誤匹配 通過(guò)松弛迭代法消除錯(cuò)誤匹配后，匹配點(diǎn)對(duì)中還可能存在交叉的情況。假設(shè) A和 B 為2對(duì)匹配點(diǎn)對(duì)，若在模板圖像中，A角點(diǎn)位于B角點(diǎn)的左側(cè)，而資源圖像中的匹配角點(diǎn) 位于的右側(cè)，此時(shí)稱 B匹配對(duì)與A 匹配對(duì)水平交叉。垂直交叉的情況類似，此時(shí)匹配結(jié)果不滿足順序性約束條件，因此必須消除匹配交叉現(xiàn)象。針對(duì)匹配點(diǎn)對(duì)存在交叉的情況，可以利用零交叉法來(lái)消除，包括水平消除和垂直消除，水平消除過(guò)程和垂直消除過(guò)程原理相同，在此僅以水平消除為例進(jìn)行分析。 對(duì)于模板圖像中的某個(gè)角點(diǎn)，其對(duì)應(yīng)的匹配角點(diǎn)位于資源圖像中的某個(gè)區(qū)域之中，假設(shè)這對(duì)匹配角點(diǎn)對(duì)為已知匹

22、配點(diǎn)對(duì)，在模板圖像的已知角點(diǎn)周圍，可能存在多組其他匹配角點(diǎn)對(duì)與已知匹配角點(diǎn)對(duì)產(chǎn)生水平交叉，實(shí)際計(jì)算時(shí)，可統(tǒng)計(jì)模板圖像中的已知角點(diǎn)所在的中心區(qū)域范圍內(nèi)的每個(gè)角點(diǎn)對(duì)應(yīng)的匹配對(duì)的水平交叉數(shù)，刪除具有最大水平交叉數(shù)的那對(duì)匹配，然后再進(jìn)行統(tǒng)計(jì)計(jì)算，反復(fù)進(jìn)行，直至所有匹配對(duì)的水平交叉數(shù)為0時(shí)終止。在計(jì)算水平交叉數(shù)時(shí)，可以根據(jù)順序性約束，縮小搜索的范圍，將角點(diǎn)搜索范圍限制在以已知角點(diǎn)所在區(qū)域?yàn)橹行牡淖笥夜?列區(qū)域內(nèi)，因此提高了計(jì)算效率。同理，對(duì)于垂直交叉，角點(diǎn)的搜索范圍可以定為以已知角點(diǎn)所在區(qū)域?yàn)橹行牡纳舷鹿?行區(qū)域內(nèi)。 設(shè)模板圖像灰度函數(shù)為，資源圖像灰度函數(shù)為，=為模板圖像的已知角點(diǎn)，是該角點(diǎn)對(duì)應(yīng)的交叉角

23、點(diǎn)分布范圍內(nèi)的角點(diǎn)。如果和及其匹配點(diǎn)滿足水平順序匹配約束，則記S（，）=0；否則，記S（，）=1。的水平交叉數(shù)為 C(i,j)= (3-20) 式中：N為模板圖像中交叉角點(diǎn)分布范圍內(nèi)的匹配角點(diǎn)數(shù)。統(tǒng)計(jì)總水平的交叉數(shù)為 T= （3-21）其中M 為松弛迭代后的匹配點(diǎn)對(duì)數(shù)。 找出并消除具有最大水平交叉數(shù) 的匹配角點(diǎn)，其灰度 函數(shù)為，這組匹配角點(diǎn)對(duì)的水平交叉數(shù)為 C（k，l）= （3-22）得到新的匹配角點(diǎn)對(duì)，進(jìn)行下一輪處理，直至T=0為止。 3.3.3 最小平方中值法消除誤匹配 通過(guò)最小平方中值法，將錯(cuò)誤的匹配點(diǎn)對(duì)從零交叉運(yùn)算后的匹配點(diǎn)對(duì)集合中剔除掉，其原理為通過(guò)解下列非線性最小化問題來(lái)估計(jì)參數(shù)

24、min （3-23） （3-24） （3-25）式中：為第 i 對(duì)匹配點(diǎn)中各點(diǎn)與對(duì)應(yīng)極線距離的殘差平方；為基礎(chǔ)矩陣；，為匹配點(diǎn)對(duì)的矩陣。在零交叉校正后的n對(duì)匹配點(diǎn)( （，），i=1，2，n ) 中，抽取m個(gè)樣本，每個(gè)樣本由 () 對(duì)匹配點(diǎn)組成。對(duì)每個(gè)樣本，使用二點(diǎn)法計(jì)算，對(duì)每個(gè)，可確定相對(duì)于整個(gè)匹配點(diǎn)對(duì)集的殘差平方的中值 = （3-26）對(duì)應(yīng)于最小中值的被用于錯(cuò)誤匹配點(diǎn)的去除。3.3.4 結(jié)論 從以上幾種方法我們可以根據(jù)自己的要求來(lái)選取一種厚幾種方法來(lái)對(duì)我們得到的數(shù)據(jù)或信息進(jìn)行檢查來(lái)消除誤匹配，當(dāng)然以上方法所針對(duì)的點(diǎn)特征類型有所不同，使用的時(shí)候需要滿足所使用方法的要求，否則會(huì)使得我們消除誤匹配

25、的目的不但沒有達(dá)成，反而致使數(shù)據(jù)或信息結(jié)果出現(xiàn)無(wú)法挽回的錯(cuò)誤。以上的幾種方法若使用得當(dāng)將會(huì)使得我們更方便準(zhǔn)確的完成點(diǎn)特征的匹配。4實(shí)驗(yàn)設(shè)計(jì)4.1 以礦山普通影像圖為實(shí)驗(yàn)源進(jìn)行點(diǎn)特征匹配通過(guò)以上理論，我們需要通過(guò)實(shí)驗(yàn)來(lái)驗(yàn)證我們的理論的準(zhǔn)確性，我們就選取礦山普通影像圖為實(shí)驗(yàn)源來(lái)進(jìn)行點(diǎn)特征的提取、匹配。首先我們對(duì)所選的礦山進(jìn)行拍攝影像，要在不同平移向量條件下拍攝一系列的圖像，獲得的圖像均為1280像素960像素，并在匹配之前進(jìn)行了灰度化處理。接著進(jìn)行程序處理，其結(jié)果顯示區(qū)域匹配算法能夠準(zhǔn)確地搜索到3幅模板圖像中心區(qū)域在資源圖像中的正確匹配位置，根據(jù)圖像連續(xù)性建立的對(duì)應(yīng)區(qū)域匹配對(duì)也同樣符合正確的匹配關(guān)

26、系。采用圖像區(qū)域匹配算法可以得到一組準(zhǔn)確可靠的區(qū)域匹配對(duì)，能夠滿足后續(xù)角點(diǎn)特征匹配的要求。從表4-1的數(shù)據(jù)中可以看出，初始匹配點(diǎn)對(duì)的數(shù)量遠(yuǎn)遠(yuǎn)大于所提取出的角點(diǎn)特征數(shù)量，表明初始匹配點(diǎn)對(duì)中含有大量的錯(cuò)誤匹配對(duì)，以及一對(duì)多個(gè)點(diǎn)的錯(cuò)誤匹配問題，而隨著匹配約束的逐步應(yīng)用，匹配點(diǎn)對(duì)數(shù)量在大幅度減少，其中松弛迭代法消除的匹配點(diǎn)對(duì)最多。由最小平方中值法消除錯(cuò)誤匹配后確定出的最終匹配角點(diǎn)對(duì)，與初始匹配角點(diǎn)對(duì)的主梁相比有大幅度減少。最終匹配角點(diǎn)對(duì)于模板圖像角點(diǎn)數(shù)量的比值最大為19.2%，最小為17.98%。在匹配過(guò)程中，各個(gè)步驟的耗時(shí)情況如表4-2所示。從表4-2中可以看出，耗時(shí)較多的在于區(qū)域匹配、松弛迭代法消

27、除誤匹配和最小平方中值法消除誤匹配的過(guò)程。利用本文所提出的圖像特征匹配方法，在計(jì)算機(jī)主頻為2.8GHz，內(nèi)存512 MB的計(jì)算機(jī)上對(duì)1280像素960像素的圖像進(jìn)行特征匹配運(yùn)算，需要耗時(shí)960s左右，達(dá)到了較高的計(jì)算效率。表4-1 角點(diǎn)特征匹配各個(gè)步驟匹配點(diǎn)對(duì)的結(jié)果試驗(yàn)編號(hào)模板圖像角點(diǎn)數(shù)資源圖像焦點(diǎn)書初始匹配數(shù)松弛迭代處理后匹配數(shù)零交叉處理后匹配數(shù)最小平方中值處理后匹配數(shù)最終角點(diǎn)匹配率（%）110589109878851261135764203219.20211957119629927678976489215017.98313825135489686371136384249718.10試驗(yàn)編號(hào)

28、區(qū)域匹配初始匹配點(diǎn)對(duì)確定松弛迭代消除誤匹配零交叉消除誤匹配最小平方中值法消除誤匹配總耗時(shí)1221.8687.83436.7731.26142.58949.862223.4589.25491.4538.21164.85982.343223.1597.26405.2335.42158.96945.41表4-2 圖像特征匹配各個(gè)步驟的計(jì)算耗時(shí)情況 4.2 實(shí)驗(yàn)結(jié)論 本實(shí)驗(yàn)針對(duì)地貌測(cè)量重構(gòu)中圖像特征的特點(diǎn)，通過(guò)對(duì)圖像特征匹配原理的分析，提出了一種地貌圖像特征匹配方法。由于在角點(diǎn)特征匹配運(yùn)算之前先進(jìn)行了區(qū)域匹配，縮小了角點(diǎn)特征匹配運(yùn)算時(shí)的搜索范圍，因此可以有效地提高算法的計(jì)算效率。大量實(shí)驗(yàn)表明，利用該方

29、法對(duì)1280像素960像素的復(fù)雜紋理圖像進(jìn)行匹配，計(jì)算耗時(shí)在960s 左右，而直接進(jìn)行角點(diǎn)特征匹配則需要數(shù)小時(shí)。本文算法可有效地對(duì)資源圖像與模板圖像進(jìn)行區(qū)域匹配，并能對(duì)錯(cuò)誤的匹配角點(diǎn)對(duì)進(jìn)行過(guò)濾，可剔除約80的錯(cuò)誤匹配點(diǎn)對(duì)，從而保證了角點(diǎn)特征匹配時(shí)的準(zhǔn)確性和可靠性。 由于地貌圖像紋理復(fù)雜，角點(diǎn)數(shù)量多，角點(diǎn)特征錯(cuò)誤匹配率很高，因此該算法適用于地貌測(cè)量重構(gòu)時(shí)的圖像特征匹配運(yùn)算。本文算法在建立區(qū)域匹配對(duì)應(yīng)關(guān)系時(shí)，利用了匹配區(qū)域在水平方向和垂直方向上的連續(xù)性假設(shè)，因此算法對(duì)旋轉(zhuǎn)變換和仿射變換較為敏感。 5 總結(jié)5.1小結(jié) 綜上所述，本文提出的這幾種特征點(diǎn)提取算法，使提取的特征點(diǎn)能有效的實(shí)現(xiàn)匹配，在自動(dòng)配

30、準(zhǔn)中能廣泛的適用，只是在計(jì)算速度上還有待進(jìn)一步地提高。但由于小波變換是全局的變換，無(wú)法對(duì)圖像作分塊并行處理，對(duì)于大尺寸的圖像，可采用基于金字塔結(jié)構(gòu)的方法逐層提取和映射，減少計(jì)算量，提高運(yùn)算速度。而且本文提到的有關(guān)于地貌測(cè)量中圖像特征匹配的原理與分析及誤匹配的消除業(yè)保證了點(diǎn)特征匹配是的準(zhǔn)確性和可靠性。本文算法在建立區(qū)域匹配對(duì)應(yīng)關(guān)系時(shí)，利用了匹配區(qū)域在水平方向和垂直方向上的連續(xù)性假設(shè)，因此算法對(duì)旋轉(zhuǎn)變換和仿射變換較為敏感。本文還提出了一種改進(jìn)后的松弛迭代匹配算法進(jìn)行精匹配，其思想是：利用第一輪迭代過(guò)程所得到的匹配對(duì)，把進(jìn)入下一步迭代的候選匹配對(duì)進(jìn)行優(yōu)化挑選，消除一部分明顯錯(cuò)誤的候選匹配對(duì)。實(shí)驗(yàn)證明

31、，此方法可以很大地提高迭代速度，但此算法比原始算法得到的最終匹配對(duì)略少。5.2 展望 影像匹配神經(jīng)網(wǎng)絡(luò)算法與松弛法一樣,具有很高的匹配精度,其誤差可達(dá)子像素級(jí)。由此證明,整體影像匹配概率松弛法的神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)方法是正確的,算法是實(shí)用的、可行的?；邳c(diǎn)特征的整體匹配方法的探究在航空，航天，醫(yī)學(xué)，建筑，城市規(guī)劃等很多領(lǐng)域都有著廣泛的應(yīng)用，目前的影像匹配中，基于規(guī)則格網(wǎng)點(diǎn)的像方概率松弛法在航空影像的立體匹配中已經(jīng)取得較好的效果，因此我們的科研技術(shù)人員還需要繼續(xù)致力于此研究，以研究出更方便、更快捷、更精確的點(diǎn)特征匹配方法來(lái)推動(dòng)此領(lǐng)域以及其他各個(gè)領(lǐng)域的發(fā)展。相信在未來(lái)的信息化更加廣泛先進(jìn)的時(shí)代此研究會(huì)發(fā)揮

32、它巨大的作用和潛力。參 考 文 獻(xiàn)1 肖靖，彭濤基于特征點(diǎn)的飛行器局部模板匹配J信息技術(shù)，2008，34(8)：27-29. 2 王潤(rùn)生圖像理解M長(zhǎng)沙：國(guó)防科技大學(xué)出版社，1995：56. 3 李海超，張廣軍基于旋轉(zhuǎn)不變的角點(diǎn)匹配方法J紅外與激光T程，2008，37(3)：561565.4 張祖勛，張劍清數(shù)字?jǐn)z影測(cè)量學(xué)M武漢：武漢測(cè)繪科技大學(xué)出版社， 1995：5165. 5 范大昭，張永生地形圖數(shù)據(jù)庫(kù)更新的自動(dòng)化方法研究J，測(cè)繪通報(bào)，2005,16(7)：8692 6 秦志遠(yuǎn)利用遙感影像輔助GIS空間數(shù)據(jù)獲取與更新的研究與實(shí)踐D信息工程大學(xué)，1998：5682.7 周永昌，郭萬(wàn)學(xué)，超聲醫(yī)學(xué)M

33、北京：科學(xué)技術(shù)文獻(xiàn)出版社 1994：5165. 8 馬峰，唐澤圣，夏紹瑋，多尺度幾何活動(dòng)曲線及MR圖象邊界提取J，計(jì)算機(jī)學(xué)報(bào)，2000，23(8)：8298349 李峰，周源華變形系數(shù)相關(guān)的最小二乘匹配算法J上海交通大學(xué)學(xué)報(bào)，1999，33(11)：13911394Method Of Matching Feature Points Based On the WholeAbstract：For mines ordinary digital imaging experiment source, the existing single point matching and the matching

34、method are studied, according to their respective advantages and disadvantages of proposed overall matching method based on point feature, good use gray correlation and the overall features of images, in order to improve the matching accuracy. This article main content including points feature extra

35、ction method of research, the rotation of the characteristics of image matching method and improvement, gray differential invariants of some feature matching, and data of feature parameter extraction and optimization algorithm research, the characteristics of edge point thinning algorithm, etc.; Ima

36、ge matching in digital photogrammetry is to extract object in 3rd information, the basis of establishing DTM, therefore, it is one of the most key technology of digital photogrammetric workstation. In general, in order to improve the accuracy and efficiency of image matching, image pyramid structure is one of the widely used technology, through to the original image as a low pass filter, first carries on the coarse related, the results as a predictive value, gradually add high-frequency components, within the search area is grad