基于特征点的立体影像匹配

摘要

随着科学技术的迅速发展，影像匹配技术已发展成为近代信息处理尤其是影像处理信息领域中的一项重要的技术。目前，国内外研究学者对影像匹配已开展了大量的研究工作，提出了很多影像匹配方法，并取得了较好的成果。一般来说分为基于灰度匹配和基于特征匹配的方法两大类。基于灰度匹配的方法计算量大，计算速度慢，而且在灰度信息匮乏的区域，匹配错误概率会上升。基于特征的匹配方法有效的避免了基于灰度匹配的缺点，该方法不是直接利用灰度信息进行匹配，而是利用灰度信息导出的符号特征来实现匹配，这样就大大压缩了影像的信息量，提高了匹配的速度，而且特征的匹配度量值对位置变化比较敏感，提高了匹配的精度。另外，特征受噪声的影响小，对灰度变化、影像形变以及遮挡等都有较好的适应能力。目前基于特征的匹配方法中，特征点的匹配方法是应用较广泛的，而传统的基于特征点的匹配方法是基于参考影像和待匹配影像提取的特征点，然后在待匹配影像上遍历整幅影像的特征点计算相似性度量，这样就会产生一对多的伪匹配的情况，而且对于大量的数据来说计算量也比较大。因此，本文提出一种基于影像分割结果的特征点匹配方法。该方法不仅减少了特征点匹配的计算量，也提高了计算速度和匹配精度。具体实现过程如下： 1.影像预处理，包括图像的灰度化，灰度归一化和中值滤波。 2.利用Harris算子提取特征点。 3.K-均值影像分割，对于分割后的区域按照灰度均值从小到大排序，并给以标记。 4.影像匹配。在两幅影像中标号相同的区域进行归一化互相关系数匹配，大于给定阈值的点对即为候选匹配点对。 5.剔除粗差，得到最佳匹配点对。 6.对于匹配结果进行精度评定。 本文的主要内容包括以下几部分： 第一部分，阐述了影像匹配技术的研究意义和国内外研究现状以及主要研究的内容。 第二部分，简单介绍了影像匹配的基础理论。 第三部分，对于目前常用的4种特征点提取算子(Moravec算子、Forstner算子及SUSAN算子，Harris算子)的原理和性能进行阐述和分析，并对匹配中常用的Forstner和Harris算子进行试验分析和比较。选取算法较稳定的Harris算子进行特征点提取。 第四部分，介绍了影像分割中基于区域分割的常用方法，对其基本思想和特点进行阐述和分析，并对影像理解中较常用的K-均值方法进行试验分析。 第五部分，利用航空立体影像，基于MATLAB7.1软件对本文的方法进行试验分析，并将匹配结果与传统的基于特征点的匹配结果进行比较分析。 结论表明，本文提出的方法在匹配精度和速度都较传统的基于特征点的方法有很大的提高。然而，本文的方法也有不足之处，如原始影像的质量，预处理的结果及分割的结果对于匹配结果都会产生影响，这也是本文以后有待完善和研究的。

目录

文摘

英文文摘

论文说明：图表目录

声明

1.绪论

1.1影像匹配技术描述

1.2影像匹配技术研究意义

1.3影像匹配技术的国内外研究现状

1.4论文的研究目的

1.5论文的组织结构

2.特征匹配的相关理论

2.1影像特征提取

2.2特征点匹配

2.3特征匹配准则

2.3.1相关度准则(Cross Correlation)

2.3.2对齐度准则

2.3.3互信息量(Mutual Information)

2.3.4Hausdorff距离

2.4匹配性能的评定

2.5本文的匹配策略

3.特征点的提取

3.1特征点提取方法概述

3.1.1Moravec算子

3.1.2Forstner算子

3.1.3SUSAN算子

3.1.4Harris算子

3.2特征点提取算子的比较

3.2.1特征点提取算法评价标准

3.2.2特征点提取算法的评价

4.K-均值影像分割

4.1影像分割概述

4.2 K-均值分割算法

4.3 K-均值算法试验与分析

5.立体影像匹配

5.1数据源的获取

5.2算法的实现流程

5.2.1影像的预处理

5.2.2基于Harris算子的特征点提取

5.2.3基于K-均值影像分割

5.2.4基于归一化互相关系数的匹配

5.2.5剔除粗差

5.2.6匹配精度评定

5.3试验结果与分析

5.4匹配方法的比较

6.结论与展望

6.1主要结论与创新点

6.1.1主要结论

6.1.2创新点

6.2展望

致谢

参考文献

攻读硕士期间发表的论文