匹配算法优缺点

介绍基于灰度值匹配、基于特征点匹配和基于频域基于匹配各自优缺点。

1、基于灰度相关的算法是一种以一个窗口的里面的灰度信息作为参考性度
量的对象的算法。基于灰度信息有许多经典的匹配算法,最为经典的几个是
平均绝对差,算法归一化互相关算法和序贯相似性检测算法等,至今依然是
学习图像匹配入门的算法。最早的最小绝对差值算法(MAD)算法年由Leese
提出的。Barnea 基于MAD 算法,创新地研究出了序贯相似性检测算法(SSDA)
[3],随后又提出了归一化互相关算法(NCC)。文献[4-8]对MAD,NCC 和SSDA
优化,主要从速度方面提高[9]。在各种灰度算法里,归一化互相关算法在匹
配上被广泛地应用,由于其对于旋转,噪音等影响不敏感,定位准确等特性。
归一化互相关等基于灰度相关的算法在处理的过程当中耗时较多,而且基本
上解决不了图像有大角度旋转、大程度缩放存在时的匹配问题,对于目标物
体被非线性光照照射或遮挡的处理不甚理想,因此基于灰度信息的匹配算法
现在已经不是主流的算法了。
2、基于特征的图像匹配算法主要有:基于角点,例如SURF[10],Harris[11]
特征算法以及基于点、线、面、轮廓等特征的算法。这类算法先进行特征提
取和特征描述,然后对描述的数据进行匹配。特征匹配算法是商业软件中最
为常用的方匹配法。特征匹配的最终目标是求得对应特征空间对应关系,通
常用坐标值,姿态角,缩放系数等数据进行量化。尺度不变特征变换(SIFT)
匹配方法是David G.Lowe 研究出来[12]。商业视觉软件Evision 的EasyFind
模块就是运用SIFT 算法进行匹配的。SIFT 对旋转和缩放很好的不变性,这
个是从理论和实践都证明过的。不仅如此,其还能容忍一定程度的噪声以及
光照变化,因此被誉为性能最为鲁棒的一种特征匹配方法。SIFT 需要对特征
维数为128 的特征向量进行匹配,大大影响了计算时间,因此其实时性难以
满足工业运用的要求。针对SIFT 算法虽然适用性强但计算量大的缺陷,SURF
算法应运而生[13]。Fauqueur J 采用了提取图像边缘方向导数的特征,创建简单的,
具有平移不变性的方向导数直方图这种算法来描述形状特征[14],但该
方法不具有尺度不变和旋转不变等特性,而且对于图像光照强度较为敏感。
对于一些特定情况,特别是存在遮挡和非线性光源照射的情况下,基于特征
的匹配算法仍然可以得到正确匹配的结果,因此基于特征的匹配算法是一种
理想的高速高精度匹配方法。
3、基于频域的图像匹配算法也是研究的热点之一,其中的典型代表算法为
基于傅立叶变换的互相关和相位相关匹配方法。Anuta 用快速傅里叶变换作
为相关性度量,提出了一种匹配算法[15]。Rignot 剖析了待匹配图像中含有众
多目标时,应该达到的技术要求和需要运用的手段[16]。Lucchese 创新性地提
出了能抵抗旋转的匹配方法,同时能得到相应的平移变换[17],Reddy 则提出
了用快速傅里叶变换进行旋转角度的求取[18]。Stone 对频域匹配的算法进行
了优化,提出了通过滤波来实现效果的强化[19]。Keller 采用了极坐标的表示
方法,提升了频谱的高频特性[20]。而Flussr 则发现了无规律扭曲图像可以用
特定的方法,通过把待匹配图像进行切割,求取对应子图像的跟待匹配图像
的映射关系

你可能感兴趣的:(算法,人工智能)