一种快速彩色图像匹配算法
matchtemplate 迭代取匹配方法
标题：使用matchtemplate迭代取匹配方法进行高效图像匹配一、概述图像匹配在计算机视觉领域具有广泛的应用，包括目标识别、物体追踪、图像检索等。
在实际应用中，为了提高匹配的准确度和效率，需要使用一些高效的匹配算法。
本文将介绍一种常用的图像匹配方法——matchtemplate迭代取匹配方法，以及该方法的原理和实现过程。
二、matchtemplate迭代取匹配方法概述1. matchtemplate方法概述matchtemplate是一种常用的图像匹配算法，它通过在输入图像上滑动模板图像，然后在每个位置计算模板与输入图像的相似度，最终找到最佳匹配位置。
这种方法既适用于灰度图像匹配，也适用于彩色图像匹配，且在匹配效果和速度方面都具有较好的表现。
2. matchtemplate方法的原理matchtemplate方法的原理是计算输入图像和模板图像之间的差异，从而找到最佳匹配位置。
在实现过程中，通常会使用相关性或差值来度量匹配相似度。
具体来说，对于每个位置，都会计算输入图像和模板图像之间的相似程度，然后选择相似度最高的位置作为最佳匹配位置。
三、matchtemplate方法的实现步骤1. 基本匹配方法- 选择一个模板- 将模板与输入图像进行匹配- 计算每个位置的相似度- 选择相似度最高的位置作为匹配结果2. 迭代取匹配方法matchtemplate方法的一大特点是可以使用迭代取匹配方法，以提高匹配的准确度和效率。
在迭代取匹配方法中，可以采用多种策略来选择匹配参数，比如步长、尺度、旋转等，从而得到更准确的匹配结果。
通过不断调整匹配参数，可以找到最佳的匹配位置，提高图像匹配的精度和稳定性。
3. 迭代取匹配方法的优势迭代取匹配方法可以适应多种不同的场景和需求，比如不同尺度的目标、不同角度的目标等。
在实际应用中，可以根据具体情况选择不同的迭代取匹配策略，以求得最佳的匹配结果。
另外，迭代取匹配方法还可以结合其他图像处理技术，比如特征点描述子、滤波器等，从而实现更加全面的图像匹配。
图像匹配的算法种类和原理
图像匹配的算法种类和原理
图像匹配是一种广泛应用于计算机视觉领域的技术，用于判断两个或多个图像之间的相似性或是否存在某种关联。
以下是几种常见的图像匹配算法和其原理：
1. 直方图匹配：该算法基于图像的颜色分布，通过比较两个图像的直方图来评估它们的相似性。
直方图是一种将图像像素值与其频率关联起来的统计工具。
2. 特征点匹配：该算法通过提取图像中的特征点，如角点、边缘等，然后比较两个图像中的特征点之间的距离或相似性来确定它们之间的匹配关系。
常见的特征点匹配算法包括SIFT、SURF 和ORB。
3. 模板匹配：该算法使用一个预先定义好的模板图像，将其与输入图像进行比较，找出最佳匹配的位置。
模板匹配算法通常使用相关性或差异性度量来评估匹配程度。
4. 形状匹配：该算法旨在比较图像中的形状特征，例如提取图像边界上的轮廓，并计算它们之间的相似性。
形状匹配通常与图像分割和轮廓提取技术结合使用。
5. 神经网络匹配：近年来，深度学习和卷积神经网络（CNN）等技术的发展为图像匹配带来了新的突破。
使用深度神经网络，可以学习到更高级别的特征表示，并通过训练模型来实现图像匹配任务。
这些算法各有优缺点，并且在不同应用场景下具有不同的适用性。
在实际应用中，经常需要结合多种算法来实现更准确的图像匹配结果。
一种改进的彩色图像匹配算法
梯度的约束条件 ， 用 Ｓ Ｄ算法 实现 了彩 色图像的 匹配 ， 使 Ａ 最后通过对比试验进行 了验证 。试验 结果表明该方法有更高的 匹配精 确
性和正确率。
划的方 法 ， 彩色段就是对灰度段原理的扩展Ｉ 。 Ｉ 。
色图像为 。 ） 。 ） 。 ）和 （ ） （） （）， ： （ （ （ ） ）其中
１
（ － （ ）ｎ（ ） ｘ ＋ １ ％ ）
（） １
／ ） （ ｄ） ｎ（ （ ＝ — ，＋ ２ ）
关键词 ： 立体 匹配 ； 色图像 ； 彩 色差梯度 ；Ａ ＳＤ 文章编号：０ ２ ８ ３ （ ０７ ２ — ０ ８ ０ 文献标识码： 中图分类号 ：Ｐ ９ ．１ １０ — ３ １２ ０ ）７ ０ ９ — ２ Ａ Ｔ ３１ ４
立体匹配是 获得场景三维信 息的有效技术 ， 经过 多年 的研 究， 已经提 出了许 多算 法 ， 然而这些 算法多关注于处理灰度 图 像 。随着彩色摄像机逐步取代黑白摄像机 ， 对彩色 图像的处理 越来越普遍 ， 关于彩色图像匹配算法的研究 文章近年来也不断
ｎ（）ｎ 为高斯 白噪声 ， ｌ 、 （） ２ 满足 ｎ（ ， （ ）Ｎ ０ ） 是两 。 ｎ ～ （， ， ） ２
个 匹配点的视差真实值 。 。 。 和 （ 、 ） （ ） （ ） ） （ 同样满足
Ｔｈｅ ｂｅｔｒ ｔｅ ｍａ ｅ ｉ ａ ｏ ｅ Ｂａ ｅ ｏｎ ｏ ｏ ｍａ ｅ ｈａ ａ ｔｒｓｉ ｃ ｏｍａｉ ｇ ａ ｉ ｎ ｉ ｐ ｅ ｅ ｅ Ｃｏ ｏ ｉ ｇ ｍａｃ ｎｇ ｎｎ ｒ ｓ ｄ ｐｔｄ． ｓ ｄ ｃ ｌ ｒ ｉ ｇ ｅ ｒ ｃｅ ｉｔｃ， ｈｒ ｔｃ ｒ ｄ ｅ ｔ ｓ ｒ ｓ ｎｔｄ． ｌ ｒ ｍａ ｅ ｔｈｉ ｗｉｈ ＡＤ ｔ Ｓ
SUSAN算法在快速图像匹配中的应用
应矩 阵 中提取 特 征 的多寡 ，ｇ 小 ，所得 的特 征 点越 尖 ，提取 边缘 时 ，ｇ 越 值
要大 些 ，一般 最大取 ３ ａ／ 而对 于 实际有 噪声 影响 的图像 ，边 缘 的Ｕ Ａ 抗噪 声干扰 能 力，在 利用Ｕ Ａ值 进行 阈值 比较 时， Ｓ Ｎ
强 ，运算 速度 快 。 三 、Ｓ Ｓ 算 法在 快速 图像 匹配 中的应 用 Ｕ ＡＮ
Ｉ ■
Ｓ Ｓ Ｕ ＡＮ算法在快 速 图像 匹配 中 的应用
汪 熙 蒋晓瑜 姚 军 杜登崇
１０７） ０ ０ ２ （ 甲兵工程学院控制工程系 装 北京
［ 摘
要】 Ｕ Ａ 算子 是一种基于 图像局部 灰度特征的算法 ，编程实现利用Ｓ Ｓ Ｎ ＳＳＮ Ｕ Ａ 算法 的实现 了快速 图像 匹配，并与常用的Ｈ ｒ ｉ 算子作 了对 比，结果表明 ，该算 ａｒｓ
图像配 准是 图像 分析和 处 理的基 本 问题 ，从 图像 中提取 特征 点是 基于
点特 征影像 匹 配的 第一 步 ，在 计算机 视 觉 中，定 义 图像 中 出现局 部 曲率极
大值 的轮 廓 点 以及 两个 以上 边 界 的交 点为角 点 ，单 调背 景上 的孤 立 点等 。
ＵＡ 值 接近 最大 值 的四 分之 一 。在一 幅 图像 中搜 索 图像角 点 或边 缘点 ，就 ＳＮ
（ （）ｘ ［，／ｏ） １ ｘ ：ｐ ＩＹ （Ｙ ） ， ｅｌ（） ＸｏＪ ｃ ｛ ｘ － ，］ 一 ｝
其 中 ，（。Ｙ ｙ 模 核在 图像 中的坐 标 ，（， 为掩 模区 域其它 点 的 ｘ ，。为掩 ｘ ） 坐标。ｌｘ ） Ｉｘ ， 。 （， （０Ｙ ）分别为点 （，）和（ｏＹ ）的灰度值。阈值 ｆ决 ． ｙ ，。 定了两 个 点相似 的最大 差异 。Ｃ 为输 出的 结果 。掩模 区域 的ＵＡ 值可 以 由式 Ｓ Ｎ
RGB-D相机深度图与彩色图配准方法研究
RGB-D一、引言RGB-D 相机是一种同时能够获取彩色图像和深度图的传感器。
相较于传统的彩色相机，它能够为计算机视觉的任务提供更加丰富的信息。
例如，深度图可以用来进行三维物体识别、路径规划、室内场景重建等任务。
因此，如何有效地对RGB-D 相机获取的彩色图像和深度图进行配准，是RGB-D 相机应用场景中的关键技术之一。
本文主要介绍RGB-D 相机深度图与彩色图配准方法的研究。
首先，我们会讨论RGB-D 相机的原理和应用场景。
随后，我们会介绍一些常见的RGB-D 相机配准方法，并分析它们的优缺点。
最后，我们会提出一种基于特征描述符的RGB-D 相机配准方法，并使用实验验证其效果。
二、RGB-D 相机的原理及应用RGB-D 相机将彩色图像和深度信息结合在一起，可以提供更加丰富的信息。
它的工作原理是：在相机内部安装红外激光舵机，激光透过透镜，当照射到物体时，发生反射、散射，部分光线回到相机，通过光学成像和数字信号处理，得到深度图像。
除了深度图像，RGB-D 相机还能够获取彩色图像。
RGB-D 相机广泛应用于三维物体识别、室内场景重建、机器人导航、虚拟现实等领域。
其中，三维物体识别是RGB-D 相机的主要应用领域之一。
通过结合深度和颜色信息，可以更加准确地识别不同的物体。
例如，我们可以通过获取桌子的深度信息来识别桌子的位置、形状和大小。
三、RGB-D 相机配准方法目前，存在许多RGB-D 相机深度图与彩色图配准的方法，下面我们将针对其中几种常见的方法进行分析。
1. 基于投影的方法基于投影的方法是最简单的RGB-D 相机配准方法之一。
它的思路是：将深度图像中的每个像素点投影到彩色图像上，然后通过计算两个图像中投影点的重合度来匹配两幅图像。
优点：方法简单，易于实现缺点：对于物体表面有明显凹凸不平的区域，容易出现投影不准确的情况。
2. 基于区域的方法基于区域的方法是通过分析物体的几何结构来进行配准。
方法主要包括以下几个步骤：将深度图像中的点划分成不同的区域；对每个区域进行匹配；将所有区域的匹配结果合并成整个图像的匹配结果。
一种用于图像匹配的快速有效的二分哈希搜索算法
基金项 目： 自然科Ａ ０ Ｚ３ ） “ ８３ 项 ２０Ａ ０ Ｚ１ 、 ９ Ａ １３２ 及 新世纪优秀人才 ” ０ 计划 （ Ｃ Ｔ Ｎ Ｅ－ ０ － ８） ６ ８２ 资助 ０ 作者简介 ： 何周灿（９４ ， １８ 一）西北工业大学硕士研究生 ， 主要从事高维图像特征匹配及计算 机视觉 等研究 。
不变特性 。因此， 本文采用 ｓ 描述 子用于 图像 ｗｒ
匹配 。
定查询半径 ｒ 根据三角不等式确定查询范 围并执 ， 行查询， 该方法建 立索引 的代 价 （ 主要是 聚类 ） 太
（） １ 相关 工作
Ｓ Ｔ描述子达 １８维 ， Ｉ Ｆ ２ 还有 的数据超过 １ ０ ０ ０ 维， 力求快速有效处理超高维数据 ， 是一个研究热点 和难点。人们研究了大量高维数据搜索算法 ， 从高 维数据集合的数据分布和空间分布角度 出发建立了 各种各样 的数据结构 ， Ｋ —ｅ 、 －ｅ ¨ Ｓ ． 如 Ｄ ｔ ｅ 】Ｍ ｔ ｅ 、Ｐ ｒ ｒ ｔｅ 引 ｒ ｅ［ Ｒｔ ｅ和 Ｂ Ｆ 、Ｄｓ Ｉｅ’等 。Ｋ ．ｅ —ｅ ｒ Ｂ ［ ｉｉａｃ［ ｔ１ Ｄｔ ｅ通 ｒ
体 ， ｑ 使 到 的每一个超平面的距离为 占 Ｓ Ｎ算 。Ｎ 法能处理维数达 ３ 维的数据 ， ５ 但被用于处理 １８ ２ 维
或检索、 基于视频 或者 图像 的三 维场景 重构 等 的 ＳＦ ＩＴ特征 时 ， 效率太 低。 ｉａｃ（ ｄｘ ｇｔｅ ｉ ｓ ｎｅ ｉ ｅｉ Ｄｔ ｎ ｎ ｈ 等。图像匹配包含 ２个部分 ： 建立特征描述子和 Ｋ Ｄｓ ｎｅ 采用 ｋ ｅｎ 聚类算法将数据空间划分为 ｉａｃ ） ｔ － ａｓ ｍ 近邻搜索。Ｍ ｋｌｃｙ ５ 细总结 了近 年来 的局 ｎ ｉ ａ ｚ ．详 ｏｊ ｋ 个不相交的类 ， 每一个类被当成是一个超球体， 超 部不变描述子的发展 现状 ， 并通过大量实验对各种 球体的中心作为参考点， 根据各个超球体 中数据点 描述子 的性 能 进行 对 比 ， 果 表 明 ＳＦ … 在 缩 放 、 结 ＩＴ 到参考点的距离建立一棵 Ｂ＋树。 对于查询点 ｇ 给 ， 旋转、 噪声甚至视点变换 的情况下表现出高可靠 的
快速匹配视觉图像的算法实现与优化
快速匹配视觉图像的算法实现与优化如今，视觉图像已经广泛应用到各个领域。
而对于视觉图像的处理，算法的速度和效率显得尤为重要。
在这篇文章中，我将会讲解如何实现快速匹配视觉图像的算法，并对其进行优化。
一、算法实现在实现快速匹配视觉图像的算法时，我们可以使用一种叫做SIFT（Scale-Invariant Feature Transform）的算法。
它是一种用于图像特征提取的算法，由David G. Lowe于1999年发明。
SIFT算法执行的步骤如下：1.尺度空间极值检测。
这一步主要是通过高斯滤波器对图像进行卷积操作，来得到图像中的关键点。
2.关键点定位。
在这一步中，我们需要精确定位关键点的位置和尺度。
3.精确定位关键点方向。
一般情况下，关键点是不具有方向信息的，所以我们需要通过梯度方向直方图，来确定关键点的方向信息。
4.生成描述子。
在这一步中，我们需要对关键点附近的图像区域建立图像描述子。
描述子是由关键点周围的像素值、尺度、方向等信息产生的。
5.匹配。
在这一步中，我们需要利用描述子来进行图像匹配，最终得到匹配的结果。
以上是SIFT算法流程的主要步骤，但是对于实际应用中，我们还需要考虑到一些问题。
比如对于大规模的数据集，算法的速度会变得非常缓慢，所以我们需要针对性的对算法进行优化。
二、优化策略针对SIFT算法，我们可以采用以下几种优化策略：1.降低图像的尺寸。
图像的尺寸越大，算法的复杂度就越高。
因此，在进行匹配时，我们可以将图像尺寸进行缩小，以降低算法复杂度。
2.利用GPU加速计算。
在进行匹配时，我们可以使用GPU来加速计算。
GPU 比CPU具有更强的并行计算能力，可以提高匹配的速度。
3.采用快速 FFT 算法。
在进行高斯滤波器卷积操作时，可以采用快速傅立叶变换（FFT）算法。
使用FFT算法可以极大的提高卷积的速度，从而加速SIFT算法的实现过程。
4.通过在特征定位和匹配阶段中进行筛选，去除不必要的信息，减少计算量和存储空间。
SURF与FLANN算法结合的图像匹配方法
SURF与FLANN算法结合的图像匹配方法
SURF（Speeded Up Robust Features）是一种图像特征提取算法，FLANN（Fast Library for Approximate Nearest Neighbors）是一种快速最近邻搜索算法。
将这两种算法结合起来，可以实现高效准确的图像匹配。
图像匹配是指在一组图像中，找到与给定图像最相似的图像。
图像匹配在图像检索、
目标跟踪、增强现实等领域具有广泛的应用。
SURF算法对图像进行特征提取。
SURF算法通过检测图像中的关键点，并计算这些关键点的局部特征向量来描述图像。
SURF算法的特点是快速且具有稳定的鲁棒性，适用于各种图像变化情况。
接下来，FLANN算法将SURF提取的特征向量作为输入，构建一个近似最近邻搜索索引。
FLANN算法通过将特征向量映射到一个高维空间，并使用一种适合于高维空间的快速搜索
算法来找到与给定特征向量最相似的特征向量。
FLANN算法的特点是高效且具有较高的准
确性，适用于大规模的高维数据搜索。
通过计算匹配图像与给定图像之间的相似度，选取相似度最高的图像作为匹配结果。
相似度可以使用欧式距离、余弦相似度等度量方法进行计算。
选取相似度最高的图像作为
匹配结果，可以通过设置一个阈值进行筛选，只选择相似度超过阈值的图像。
图像匹配方法的优势在于可以处理图像的尺度、旋转、光照等变化，并具有较高的准
确性和鲁棒性。
将SURF与FLANN算法结合起来，不仅可以提高算法的速度和效率，还可以提高算法的准确性和鲁棒性。
这种图像匹配方法在实际应用中具有很大的潜力。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
下一帧模板图像, 为加权系数 ( 0! ! 1), 该系数 的大小根
据帧内相关置信度 C0, 按照下式计算:
= 1 - e- C 0
( 9)
5 实验结果
将本文设计的算法应 用于移 动机器 人视觉 导航系 统中, 取得了满意的效果 [6] 。基本的 实验环 境描述如 下: 实验场 所 为室内, 背景不太复杂。目标 物体 为一 个 450mm 422mm 385mm 的立方体纸箱, 摄像机初 始距离 目标物 体为 5m, 图 像 采集分辨率设为 160 128。移 动机 器 人采 用的 是三 星公 司 的 S3C44BOX 嵌入式微处理 器, 系统主 频为 60MH z, 另 外, 嵌 入式系统配置了 2M B 的 FLA SH 存储器 以及 8M B 的 SDRAM 存储器。分别对光源情况良好和光源情况不好的情况做了 实 验分析。
的峰值很大, 且峰值与其他非匹配点的均值之差越大, 则表明 匹配越可靠。
定义帧内相关置 信度为:
C0
=
m axR - R m axR
( 6)
M
Ri
R = i= 1
( 7)
M
式中: C 0 是帧内相关置信度; m axR 是 当前帧 匹配点 处的
误差累加次 数; R 是同一帧内 M 个依次比 m axR 小的误差累加
( fqgao@ cqu. edu. cn) 摘 要: 针对彩色图像匹配的特点, 利用颜色分量权重系数对序贯相似性检测算法进行了改进。 同时, 采用了粗 - 精匹配相结合的分层搜索策略, 并在图像匹配过程中根据置信度对模板进行自适应 更新。实验表明, 该算法有效地减少了运算量, 提高了图像匹配的精度, 具有较好的实时性和鲁棒性。 关键词: 图像匹配; 颜色分量权重系数; SSDA 中图分类号: TP391 文献标识码: A
次数的均值。如果 m axR 和 R 相差越大, 则说 明该匹配点 越可
靠。本算法可根据计算速 度的 需要 对 M 取值, 一般可 以取 M 等于 30。若 C0大 于阈值 T 0, 则认为相关匹配值 m axR 符合帧内
置信度, 更新模板; 否则, 相关匹配 不可靠, 不更 新模板。阈 值
T 0 根据所跟踪图像的质量和经验确定。 实践证明, 在 序列图像跟踪过程中, 若单纯地利用当前 图
像的最佳匹配位 置处 的图 像作 为模 板 进行 下一 帧图 像的 匹
配, 则跟踪结果很 容易受某一 帧发生 突变的 图像的 影响而 偏 离正确位置。因此, 本文采用 基于置 信度的 加权自适 应模 板
修正算法。如果当前帧 匹配质量 很差, 则该 帧图像数 据不 进
入模板修正; 而若 当前帧匹配质量很好, 则该帧图像数据进 入 模板修正。
设模板 T 在被搜索图 S 上平 移, 模板覆 盖下的 那块搜 索 图叫作子图 Si, j, i, j 是这块子图的左上 角像素点 在 S 中的 坐 标, 叫作 参考点。算法描述如下:
1) 定义绝对误差值:
( i, j, mk, nk ) = | Si, j (mk, nk ) - S^ ( i, j) - T (m, n) + T^ | ( 1)
超过
T
。
k
传统的 SSDA 是针对 灰度 图像 的匹配, 没有 利用 到图 像
的颜色信息。针对 彩色 图像匹 配的 特点, 对 传统 的 SSDA 作
收稿日期: 2005- 05- 11; 修订日期: 2005- 07- 30 作者简介: 高富强 ( 1956- ) , 男, 广东佛山人, 副研 究员, 主要 研究方向: 模式识别、智能控制; 生, 主要研究方向: 嵌入式系统、模式识别.
3 图像的分层搜索
在保证图像匹配精度的基 础上, 减少数据处理的运算量, 满足系统实时性要求 , 是图像匹配算法首先要解决的问题。
实验表明, 在模板大小大 于 15个 像素 时, 才会 获得比 较 好的相关结果。同时也证明, 可以用模板 中的少量元素进行计 算, 而并不影响结果。这是因为图像相邻 像素灰度之间存在较 高的相关性, 所以可以通过匹配模板亚采样来简化计算。模板 亚采样算法通过每相邻 n个像 素。取一个像素值进行计算, 可 以将运算复杂度到原 来的 1 /n2 , 并 且不影响评估的精度 [ 3] 。
图 1 目标跟踪实验 ( 白天 )
图 2 目标跟踪实验 ( 晚上 ) 表 1 目标跟踪实验结果 ( 白天 )
图像序号 帧内相关置信度 目标当前坐标 目标位移量
1
0. 923
( 76, 80 )
( 0, 0 )
2
0. 837
( 80, 76 )
加权模板修正算法表示如下:
T ( i, j, t + 1) = o ( i, j, t) + ( 1 - ) T ( i, j, t) ( 8)
式中, T ( i, j, t) 为当前帧使用的 模板图像, o( i, j, t) 为 当前帧最佳匹配位置的子图像, T ( i, j, t + 1) 为预 测得到 的
张帆 ( 1979 - ) , 男, 湖北 枝江人, 硕士研 究
第 11期
高富强等: 一种快速彩色图像匹配算法
260 5
了进一步的改进。分别 对模 板图像 和待 匹配图 像的 RGB 色 彩空 间的每 一维空 间分别用 SSDA 进 行计算, 得到 每一维 空 间的检测曲面为: IR ( i, j), IG ( i, j ), IB ( i, j ) 。定义整 个彩 色图像的 SSDA 的检测 曲面为:
K ey words: image m atch ing; co lor w e ight coeffic ient; SSDA
0 引言
2 基于彩色图像的 SSDA
图像匹配在机器人视觉、智能交通、医学图像处理等领域 得到了广泛应用。对 于图像匹 配算法, 处 理时间是 衡量算 法 好坏的重要指标。传 统的相关 性匹配 算法, 其特点 是运算 简 单, 易于实现, 但运算量大。
A fast color im age m atching algorithm
GAO F u qiang, ZHANG F an
(C ollege of A utom ation, Chongq ing University, Chongqing 400044, China)
Abstract: A cco rd ing to the character istics o f co lor im ag ine m atch ing, sequentia l s im ilar ity detection a lgor ithm ( SSDA ) was inprov ed based on co lor w e ight coeffic ient. Furtherm ore, the a lgor ithm used hierarchy search wh ich comb ined w ith rough m atch ing and accura te m atching, and updated tem plate based on cred itab ility during im age m atch ing. T he exper iment resu lts show that the a lgor ithm reduces the am ount of ca lcu lation and increases the accuracy o f im ag ine m a tch ing. T herefo re, the a lgor ithm has w ell rea l tim e perform ance and robustness.
针对上述问题, 本文提出了以 SSDA 为基础, 采用分层搜索 及模板自适应更新三者相结合的新的快速彩色图像匹配算法。
1 彩色图像匹配的特点
从彩 色 CCD 摄像 机可 以 输出 基于 RG B 分量 的 彩色 图 像。目前, 已经有多种借助于 RGB 色彩空间的颜色特征 对图 像进行匹配的 方法 [ 1] 。 RG B色 彩空 间 采用 三种 基本 颜色 R ( 红 )、G (绿 )、B( 蓝 ), 通过对三个分量 的不同比 例组合, 合成 所需要的任意颜色。 在该模 型中, 红、绿、蓝 三种基 色分别 用 256个阶调数值来度量, 不同阶调 数值的这 三种基色 的组合, 便形成了色彩丰富的 颜色空间。
其中,
S^ ( i,
j)
=
1 M2
M m=
1
M n=
1
S i,
j (m,
n)
( 2)
T^
=
1M
M
2 m=
1
M
T ( m,Biblioteka n= 1n)( 3)
2) 取一个阈值 T k 。
3) 在子图中 Si, j (m, n) 随机选取像点, 计算它同 T 中对
应点的误差 , 然后把这 点的 差值同 其他 点对 的差值 累加 起
新。判断模板是否需要更新要 根据相关的置信度信号。如果
相关匹配的置信度高, 就可以根据本帧的匹配点更新模板; 如
果置信度低, 则说明匹配不稳定, 要沿用 以前的匹配模板在下 一帧进行相关匹配。
相关置信度信号 是在分析相关匹配算法的基础上设计出
来的, 它是一个非常重要的参数。经过分析可知: 若匹配点处
第 25卷第 11期 2005年 11月
计算机应用 C ompu ter App lications
V o.l 25 No. 11 N ov. 2005
文章编号: 1001- 9081( 2005) 11- 2604- 02
一种快速彩色图像匹配算法
高富强, 张 帆 ( 重庆大学 自动化学院, 重庆 400044)
模板大小为 M M, R i, Gi, Bi 分别表示每个像素在不同 颜色空间的阶调值。由定义可以看出, 权 重系数代表了该颜色 在目标模板中的重要 程度。