圖像匹配演算法

1. 特徵圖像匹配用什麼演算法好

SIFT SURF等

2. 圖像匹配的匹配關鍵要素

同一場景在不同條件下投影所得到的二維圖像會有很大的差異，這主要是由如下原因引起的：感測器雜訊、成像過程中視角改變引起的圖像變化、目標移動和變形、光照或者環境的改變帶來的圖像變化以及多種感測器的使用等。為解決上述圖像畸變帶來的匹配困難，人們提出了許多匹配演算法，而它們都是由如下四個要素組合而成：
（1）特徵空間
特徵空間是由參與匹配的圖像特徵構成的，選擇好的特徵可以提高匹配性能、降低搜索空間、減小雜訊等不確定性因素對匹配演算法的影響。匹配過程可以使用全局特徵或者局部特徵以及兩者的結合。
（2）相似性度量
相似性度量指用什麼度量來確定待匹配特徵之間的相似性，它通常定義為某種代價函數或者是距離函數的形式。經典的相似性度量包括相關函數和 Minkowski 距離，近年來人們提出了 Hausdorff 距離、互信息作為匹配度量。Hausdorff 距離對於雜訊非常敏感，分數 Hausdorff 距離能處理當目標存在遮擋和出格點的情況，但計算費時；基於互信息的方法因其對於照明的改變不敏感已在醫學等圖像的匹配中得到了廣泛應用，它也存在計算量大的問題，而且要求圖像之間有較大的重疊區域。
（3）圖像匹配變換類型
圖像幾何變換用來解決兩幅圖像之間的幾何位置差別，它包括剛體變換、仿射變換、投影變換、多項式變換等。
（4）變換參數的搜索
搜索策略是用合適的搜索方法在搜索空間中找出平移、旋轉等變換參數的最優估計，使得圖像之間經過變換後的相似性最大。搜索策略有窮盡搜索、分層搜索、模擬退火演算法、Powell方向加速法、動態規劃法、遺傳演算法和神經網路等。遺傳演算法採用非遍歷尋優搜索策略，可以保證尋優搜索的結果具有全局最優性，所需的計算量較之遍歷式搜索小得很多；神經網路具有分布式存儲和並行處理方式、自組織和自學習的功能以及很強的容錯性和魯棒性，因此這兩種方法在圖像匹配中得到了更為廣泛的使用。
在成像過程中，由於雜訊及遮擋等原因，導致一幅圖像中的特徵基元在另一幅圖像中有幾個候選特徵基元或者無對應基元，這些都是初級視覺中的「不適定問題」，通常在正則化框架下用各種約束條件來解決。常用的約束有唯一性約束、連續性約束、相容性約束和順序一致性約束。首先提取左右圖像對中的線段，用對應線段滿足的全局約束、相容性約束、鄰域約束等表示 HopfieIk 神經網路的能量函數，通過最小化能量函數得到兩幅圖像中的對應線段，提高了匹配的可靠性。同時人們還採用最小平方中值法和投票演算法等後處理來有效地消除假配點和誤配點。

3. 圖象匹配比值演算法

自相關比值模板匹配演算法

4. 基於特徵的影像匹配演算法有哪些

基於局部約束的方法：有區域匹配（主要是基於窗口）、特徵匹配（基於特徵點，如SIFT）、相位匹配（主要用濾波來做）。
基於全局約束的方法：主要有動態規劃演算法、圖割演算法、人工智慧演算法、協同演算法、置信度傳播演算法、非線性擴散演算法等。
那個發展史就找兩本攝影測量的書或下幾篇論文看看就知道了

5. 圖像匹配的概述

圖像匹配是指通過一定的匹配演算法在兩幅或多幅圖像之間識別同名點，如二維圖像匹配中通過比較目標區和搜索區中相同大小的窗口的相關系數，取搜索區中相關系數最大所對應的窗口中心點作為同名點。其實質是在基元相似性的條件下，運用匹配准則的最佳搜索問題。

6. 跪求：基於SIFT的圖像匹配演算法研究MATLAB程序

請問樓主問什麼這個代碼里運行那個例子的時候總出現Undefined function or method 'detect_features' for input arguments of type 'uint8'.Error in ==> script_example at 12[features1,pyr1,imp1,keys1] = detect_features(img1);是我運行錯了嗎？應該怎麼做？

7. 圖像匹配 演算法 急啊！！！！！！！！！！！！

如果你能做出來的話，那你就發財了，別作為畢業設計作品交給老師，而是拿著這個東西可以開家大公司了。

8. opencv關於像素點的圖像匹配演算法

首先，建議你將圖像中感興趣區域（比如上圖中的字母）取出來進行歸一化，然後在進行匹配率計算。這是因為周圍環境會對匹配率產生影響。
其次，建議你將匹配率演算法改成Hausdorff距離https://en.wikipedia.org/wiki/Hausdorff，這樣對圖像有些平移什麼的都不怎麼敏感了。

9. 圖像匹配 matlab 圖像匹配方法 的程序

http://www.ilovematlab.cn/forum.php?mod=viewthread&tid=164045 下載區把
SURF實現圖像匹配的matlab代碼（比SIFT速度快）關於SURF我就不介紹了，網上很多資料，跟大名鼎鼎的SIFT有的一拼。需要代碼的來下哈，絕對好用，代碼自帶圖片，運行就可以顯示結果。Image Matching.不說了，直接上代碼。:lol

10. 如何比較SIFT，SURF，Harris-SIFT圖像匹配演算法性能

SIFT匹配（Scale-invariant feature transform，尺度不變特徵轉換)是一種電腦視覺的演算法用來偵測與描述影像中的局部性特徵，它在空間尺度中尋找極值點，並提取出其位置、尺度、旋轉不變數，此演算法由 David Lowe 在1999年所發表，2004年完善總結。其應用范圍包含物體辨識、機器人地圖感知與導航、影像縫合、3D模型建立、手勢辨識、影像追蹤和動作比對。
局部影像特徵的描述與偵測可以幫助辨識物體，SIFT 特徵是基於物體上的一些局部外觀的興趣點而與影像的大小和旋轉無關。對於光線、雜訊、些微視角改變的容忍度也相當高。基於這些特性，它們是高度顯著而且相對容易擷取，在母數龐大的特徵資料庫中，很容易辨識物體而且鮮有誤認。使用 SIFT特徵描述對於部分物體遮蔽的偵測率也相當高，甚至只需要3個以上的SIFT物體特徵就足以計算出位置與方位。在現今的電腦硬體速度下和小型的特徵資料庫條件下，辨識速度可接近即時運算。SIFT特徵的信息量大，適合在海量資料庫中快速准確匹配。
2、SIFT特徵的主要特點
從理論上說，SIFT是一種相似不變數，即對圖像尺度變化和旋轉是不變數。然而，由於構造SIFT特徵時，在很多細節上進行了特殊處理，使得SIFT對圖像的復雜變形和光照變化具有了較強的適應性，同時運算速度比較快，定位精度比較高。如：
在多尺度空間採用DOG運算元檢測關鍵點，相比傳統的基於LOG運算元的檢測方法，運算速度大大加快；
關鍵點的精確定位不僅提高了精度，而且大大提高了關鍵點的穩定性；
在構造描述子時，以子區域的統計特性，而不是以單個像素作為研究對象，提高了對圖像局部變形的適應能力；