圖像匹配演算法研究

『壹』 圖像匹配方法有哪些

圖像匹配的方法很多，一般分為兩大類，一類是基於灰度匹配的方法，另一類是基於特徵匹配的方法。

（1）基於灰度匹配的方法。也稱作相關匹配演算法，用空間二維滑動模板進行圖像匹配，不同演算法的區別主要體現在模板及相關准則的選擇方面。

（2）基於特徵匹配的方法。首先在原始圖像中提取特徵，然後再建立兩幅圖像之間特徵的匹配對應關系。常用的特徵匹配基元包括點、線、區域等顯著特徵。圖像特徵相比像素點數量殺過少很多，特徵間的匹配度量隨位置變化尖銳，容易找出准確的匹配位置，特徵提取能大大減少雜訊影響，對灰度變化、形變和遮擋有較強的適應力。

圖像匹配的任務就是尋找同一場景的兩幅或多幅圖像中像素點之間的對應關系。我們研究的圖像匹配方法主要是基於圖像特徵的方法，主要包括特徵提取、特徵描述和特徵匹配三步。SIFT方法是目前效果較好的經典匹配方法，在我們的研究過程中，均是採用SIFT方法作為基準來評價我們提出的演算法的。

『貳』 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；

『叄』 最早將遺傳演算法應用於圖像匹配的論文

遺傳演算法應用於圖像匹配的最早論文是由美國科學家戴維·戈談咐談德伯格（David Goldberg）在1988年發表的論文《基於遺傳演算法的圖像匹配》（"Genetic Algorithms in Search, Optimization, and Machine Learning"）中，提出了一種利用遺傳演算法進行圖像匹配的方法。該方法主要是利用遺傳演算法對圖像特徵進行編碼，並通過遺傳演算法的交叉、變異等操作，對不同的圖像特徵進行優化，從而實現圖像匹配的目的。
這篇論文的發表標志著遺傳演算法在圖像處理領域中的首次應用，為後來的相關簡桐研究奠定了基礎。同時，該論文也表明了遺傳演算法在解決復雜優化問題中的潛力和優越性，成為了現代遺傳算含碰法應用領域的開山之作。