特征点匹配算法课件

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,特征点匹配算法介绍,特征点匹配算法介绍,1.,特征点匹配定义,2.,特征点描述符,2.1,像素平方和描述符,2.2,互相关法,2.3,归一化互相关法,特征点匹配是指找出需要配准的两幅图像中正确匹配的特征点。一个好的特征点需要用一个好的描述符来描述特征点的局部特征。,2.1,基于像素差平方和的描述符,该方法类似于基于模板匹配的图像配准算法，基于模板匹配的图像配准算法是在参考图像中取得一个能包含图像主要信息的模板作为基准特征块，然后在待配准图像中查找与该基准特征块最为相似的匹配块，匹配的原则是以两幅图像重叠部分（这里是指重叠块）的像素差的平方和（,Sum of Squared Differences,，简称,SSD,）为标准来衡量此区域是否与基准特征块最相似。而该方法只是将模板的概念应用到了特征点局部的邻域窗口，以特征点邻域窗口的灰度信息值作为该特征点的描述符，直接进行比较来实现特征点的匹配。,具体步骤：,首先对需要配准的两幅图像,I,1,和,I,2,分别提特征点，分别得到两个特征点集合，记作,p=p1,p2,p3.pn,和,p=p1,p2,p3.pn,，以每一个特征点为中心，将其邻域窗口（记作,w,）的像素值作为该特征点的描述符，对于图像,I,1,中的每一个特征点,p,i,分别计算其与图像,I,2,中提取的各个特征点的邻域像素值差的平方和：,取其最小者作为图像,I,2,中与,pi,匹配的点。,基于像素平方和（,SSD,）描述子的优缺点,该方法是进行特征点匹配的一种简单可行的方法，但是因为它直接利用图像的灰度信息值，所以最大的缺点就是对光照的变化十分敏感，一旦需要配准的两幅图像在重叠区域的曝光不一致，那么该方法将不再准确。其次，是进行特征点匹配时采用的邻域窗口为矩形，当需要配准的两幅图像存在较大角度的旋转和较大尺度的缩放时，特征点邻域窗口的特征将产生较大的改变，因此对于图像的旋转和缩放就会比较敏感。,2.2,基于互相关的描述符,该方法不直接利用特征点邻域的灰度值，而是依据特征点邻域像素灰度值的互相关系数（,Cross Correlation,）为匹配原则进行匹配。基本思路如下：分别在参考图像和待配准图像中以每一个特征点为中心取一个,(2N+1)(2N+1),大小的相关窗，然后以参考图像中的每个特征点为参考点在待配准图像中寻找对应匹配点，匹配的依据是计算特征点相关窗之间的相关系数：,其中，,W,是相关窗的大小，,I,1,和,I,2,分别为两幅待配准图像中特征点相关窗内像素的灰度值，,CC,是相关系数。特征点匹配时选取相关系数中最大的相关系数所对应的特征点作为该参考点的匹配点。,2.3,归一化互相关法,归一化的目的就是消除上述方法对于光照变化敏感的问题。该方法同上述方法类似，只是在计算互相关系数时进行了归一化处理：,其中 和 分别表示图像,I,1,和,I,2,I,特征点相关窗内像素灰度值的均值：,归一化互相关法优缺点：,1,）该方法较好地解决了对于光照变化敏感的问题。,2,）矩形窗口的选用仍然是该类法的缺憾。所以这种方法只适合于具有平移和小角度旋转关系的图像配准。,