【摘要】：針對傳統(tǒng)的歸一化互相關(guān)算法(NCC)計算量龐大、運算速度慢、正確率較低等問題,本文提出一種基于小波金字塔搜索策略的快速NCC圖像匹配算法。該算法在歸一化互相關(guān)算法的基礎(chǔ)上,采用和表法分別計算圖像均值、圖像方差和圖像間的互相關(guān)來降低運算的復(fù)雜度,減少算法的計算量;同時在選擇特征點匹配搜索策略時,構(gòu)造圖像小波金字塔結(jié)構(gòu),利用分層匹配來提高圖像匹配的效率。與其他算法進行對比,結(jié)果表明該算法獲得的匹配點連線效果更好,所用的時間也量化,證明該算法不僅能提高匹配速度,還能改善匹配精度。
【圖文】：

1，LH1，HL1，HH1。其中LL1反應(yīng)圖像的低頻成分，是由水平和垂直兩個方向的低通濾波器獲得的子帶，LH1則反應(yīng)圖像的水平邊緣細(xì)節(jié)，是由水平方向低通濾波器和垂直方向的高通濾波器獲得的子帶，類似地，HL1為水平方向高頻和垂直方向低頻獲得的子帶，HH1則是由水平方向高頻和垂直方向高頻獲得的子帶。其次將分辨率設(shè)為原圖的1/2，對低頻分量LL1進行再一步分解，又能夠獲得LL2、LH2、HL2和HH2共4個子帶。按照這個過程反復(fù)，能夠?qū)崿F(xiàn)圖像的多級分解。則小波變換三級分解如圖1所示�？紤]到對圖像原有信息的保護以及算法的穩(wěn)定性，分層的層數(shù)一般選擇3～5層。在本文中，選用3層金字塔分層的結(jié)構(gòu)進行匹配。其原理是［16］:利用小波變換的理論對原始圖像進行逐級分解，得到一個尺寸規(guī)模由小到大、分辨率從低到高的金字塔分層結(jié)構(gòu);匹配從小波分解的最低分辨率即金字塔頂層開始，利用匹配算法首先確定兩幅圖像上粗匹配的大致位置(x1，y1)和(x2，y2)，然后根據(jù)子帶樹型關(guān)系，在下一層映射位置中的中心點(2x1，2y1)和(2x2，2y2)鄰域內(nèi)找到精確匹配點，最終在金字塔底層圖像上得到滿足匹配精度要求的特征點。圖1小波三級分解示意圖Fig．1Thewaveletthreedecompositiondiagram在本文中，鄰域的選取影響匹配的準(zhǔn)確度，鄰域選擇過小時，包含信息少，，鄰域選擇過大時，包含特征點多，都易造成誤匹配，因此本文選擇7×7的鄰域進行匹配，小波金字塔搜索示意圖如圖2所示［17］。2.2本文算法具體步驟采用小波金字塔搜索策略，每一層的結(jié)果都是以前一層搜索結(jié)果作為約束，與直接用原圖像進行匹配相比，縮小了搜索的范圍，因此減少運算中的計算量，并且提

哈爾濱工程大學(xué)學(xué)報第38卷部分能量，所以匹配從頂層金字塔圖像的低頻分量圖像開始，利用改進后的快速NCC算法進行匹配，得到該層的最佳匹配點。3)將上層的匹配點作為下層圖像匹配的中心點，在左右兩幅圖像的中心點的鄰域內(nèi)重新搜索進行歸一化互相關(guān)匹配計算，得到本層的最佳匹配點。4)重復(fù)進行3)，隨著分辨率的提高，互相關(guān)匹配的搜索范圍被限定在一個比較小的范圍，隨著分辨率的提高，匹配點對的精度逐漸提高。經(jīng)過匹配得到原始圖像上的最佳匹配點。根據(jù)所得到的最終結(jié)果，將待匹配的準(zhǔn)圖像進行相應(yīng)處理，完成匹配過程。本文算法的框架圖為圖3。圖2小波金字塔搜索示意圖Fig．2Schematicdiagramofthewaveletpyramidsearch3實驗結(jié)果與分析為了便于分析，采用本文算法對兩組圖像進行匹配，并與傳統(tǒng)NCC算法和文獻［9］匹配算法進行比較。對于A組圖像進行詳細(xì)的分析，實驗采用的左右兩幅原始圖像大小都為320×400，經(jīng)小波金字塔分層處理后，中層圖像大小為160×200，頂層為80×100，在金字塔分層搜索過程中，歸一化互相關(guān)鄰域大小統(tǒng)一設(shè)置為7×7。采用傳統(tǒng)NCC算法對兩幅圖像進行匹配，結(jié)果如圖4(a)所示;采用文獻［9］匹配算法獲得的結(jié)果圖如圖4(b)所示，采用本文算法得到的原始圖像的匹配點連線如圖4(c)所示。對于B組圖像，大小為224×344，采用傳統(tǒng)NCC算法，文獻［9］算法和本文算法進行匹配，結(jié)果圖如圖5(a)、5(b)、5(c)所示。圖3本文算法框架圖Fig．3Theframediagramofalgorithminthispaper(a)傳統(tǒng)歸一化算法匹配連線圖(b)文獻［9］匹配連線圖(c)本文算法匹配連線圖圖4A組圖像采用不同算法的匹配結(jié)果Fig．4ThematchingresultsofdifferentalgorithmsforAgroupofimages·794·

【相似文獻】

相關(guān)期刊論文 前10條

1 向征;面向多種圖像匹配算法的硬件實現(xiàn)[J];中國民航學(xué)院學(xué)報;2003年S2期

2 高富強,張帆;一種快速彩色圖像匹配算法[J];計算機應(yīng)用;2005年11期

3 劉征;一種新的圖像匹配算法的研究[J];電腦開發(fā)與應(yīng)用;2005年11期

4 陽方林,楊風(fēng)暴,韋全芳,韓焱;一種新的快速圖像匹配算法[J];計算機工程與應(yīng)用;2005年05期

5 萬勝前;;基于局部最小熵差圖像匹配算法研究[J];科技信息(學(xué)術(shù)研究);2006年07期

6 張敬敏;張志佳;王東署;;基于小波分解的塔式快速圖像匹配算法[J];微電子學(xué)與計算機;2007年01期

7 楊小岡;曹菲;繆棟;彭云輝;;基于序列圖像匹配算法的匹配概率估計[J];計算機工程;2007年20期

8 權(quán)文;王曉丹;王堅;;一種基于小波分解的快速圖像匹配算法[J];航空計算技術(shù);2008年04期

9 董開坤,胡銘曾;一個新穎的基于熵特征的并行圖像匹配算法[J];黑龍江工程學(xué)院學(xué)報;2001年01期

10 潘秀琴,催克寧,侯朝楨,李紅松,蘇利敏;基于局部小波矩的圖像匹配算法[J];計算機工程與應(yīng)用;2002年11期

相關(guān)會議論文 前6條

1 孫海才;疏謙;馬鉞;畢欣;;用于香煙包裝質(zhì)量檢測的圖像匹配算法研究[A];第七屆全國信息獲取與處理學(xué)術(shù)會議論文集[C];2009年

2 王宏力;賈萬波;;圖像匹配算法研究綜述[A];全國第19屆計算機技術(shù)與應(yīng)用（CACIS）學(xué)術(shù)會議論文集（上冊）[C];2008年

3 冷雪飛;劉建業(yè);熊智;;基于導(dǎo)航系統(tǒng)的抗變形圖像匹配算法研究[A];第十三屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2006年

4 尚軍偉;張延華;柳佳斌;;基于小波邊緣識別的圖像匹配算法[A];2010振動與噪聲測試峰會論文集[C];2010年

5 王科倫;任鴻翔;王德強;;基于投影特征的快速圖像匹配算法[A];第十四屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2008年

6 祁凱;吳秀清;王鵬偉;尹葉飛;;一種基于高斯尺度空間的遙感圖像匹配算法[A];第十三屆全國圖象圖形學(xué)學(xué)術(shù)會議論文集[C];2006年

相關(guān)博士學(xué)位論文 前3條

1 鮑文霞;基于結(jié)構(gòu)特征的圖像匹配算法及應(yīng)用[D];安徽大學(xué);2010年

2 王珂;基于有向點和有向線段的圖像匹配算法研究[D];華中科技大學(xué);2013年

3 周英華;位置相關(guān)Web搜索的檢索技術(shù)研究[D];中國科學(xué)技術(shù)大學(xué);2006年

相關(guān)碩士學(xué)位論文 前10條

1 劉強;基于CUDA架構(gòu)下的灰度圖像匹配算法研究與實現(xiàn)[D];南昌大學(xué);2015年

2 張存柱;基于尺度空間和特征描述的快速圖像匹配算法研究[D];大連理工大學(xué);2015年

3 曹建超;基于新型特征描述的快速圖像匹配算法研究[D];大連理工大學(xué);2015年

4 王碧輝;導(dǎo)航系統(tǒng)中的精確實時圖像匹配算法研究及實現(xiàn)[D];南京航空航天大學(xué);2014年

5 邱麗君;基于局部特征的圖像匹配算法研究[D];南京郵電大學(xué);2015年

6 石凱麗;基于局部不變特征方法的圖像匹配算法研究及其應(yīng)用[D];安徽大學(xué);2016年

7 陳天華;基于特征提取和描述的圖像匹配算法研究[D];廣東工業(yè)大學(xué);2016年

8 李瑞龍;圖像匹配算法研究及FPGA實現(xiàn)[D];南京理工大學(xué);2016年

9 毛星云;基于OpenCV的GPU并行加速圖像匹配算法研究[D];南京航空航天大學(xué);2016年

10 李昕宇;用于手機應(yīng)用自動化測試系統(tǒng)的圖像匹配算法研究[D];天津大學(xué);2014年

本文編號：2670757