结合小波金字塔的快速NCC图像匹配算法
【图文】：
1，LH1，HL1，HH1。其中LL1反应图像的低频成分，是由水平和垂直两个方向的低通滤波器获得的子带，LH1则反应图像的水平边缘细节，是由水平方向低通滤波器和垂直方向的高通滤波器获得的子带，类似地，HL1为水平方向高频和垂直方向低频获得的子带，HH1则是由水平方向高频和垂直方向高频获得的子带。其次将分辨率设为原图的1/2，对低频分量LL1进行再一步分解，又能够获得LL2、LH2、HL2和HH2共4个子带。按照这个过程反复，能够实现图像的多级分解。则小波变换三级分解如图1所示。考虑到对图像原有信息的保护以及算法的稳定性，分层的层数一般选择3～5层。在本文中，选用3层金字塔分层的结构进行匹配。其原理是［16］:利用小波变换的理论对原始图像进行逐级分解，得到一个尺寸规模由小到大、分辨率从低到高的金字塔分层结构;匹配从小波分解的最低分辨率即金字塔顶层开始，利用匹配算法首先确定两幅图像上粗匹配的大致位置(x1，y1)和(x2，y2)，然后根据子带树型关系，在下一层映射位置中的中心点(2x1，2y1)和(2x2，2y2)邻域内找到精确匹配点，最终在金字塔底层图像上得到满足匹配精度要求的特征点。图1小波三级分解示意图Fig．1Thewaveletthreedecompositiondiagram在本文中，邻域的选取影响匹配的准确度，邻域选择过小时，包含信息少，，邻域选择过大时，包含特征点多，都易造成误匹配，因此本文选择7×7的邻域进行匹配，小波金字塔搜索示意图如图2所示［17］。2.2本文算法具体步骤采用小波金字塔搜索策略，每一层的结果都是以前一层搜索结果作为约束，与直接用原图像进行匹配相比，缩小了搜索的范围，因此减少运算中的计算量，并且提
哈尔滨工程大学学报第38卷部分能量，所以匹配从顶层金字塔图像的低频分量图像开始，利用改进后的快速NCC算法进行匹配，得到该层的最佳匹配点。3)将上层的匹配点作为下层图像匹配的中心点，在左右两幅图像的中心点的邻域内重新搜索进行归一化互相关匹配计算，得到本层的最佳匹配点。4)重复进行3)，随着分辨率的提高，互相关匹配的搜索范围被限定在一个比较小的范围，随着分辨率的提高，匹配点对的精度逐渐提高。经过匹配得到原始图像上的最佳匹配点。根据所得到的最终结果，将待匹配的准图像进行相应处理，完成匹配过程。本文算法的框架图为图3。图2小波金字塔搜索示意图Fig．2Schematicdiagramofthewaveletpyramidsearch3实验结果与分析为了便于分析，采用本文算法对两组图像进行匹配，并与传统NCC算法和文献［9］匹配算法进行比较。对于A组图像进行详细的分析，实验采用的左右两幅原始图像大小都为320×400，经小波金字塔分层处理后，中层图像大小为160×200，顶层为80×100，在金字塔分层搜索过程中，归一化互相关邻域大小统一设置为7×7。采用传统NCC算法对两幅图像进行匹配，结果如图4(a)所示;采用文献［9］匹配算法获得的结果图如图4(b)所示，采用本文算法得到的原始图像的匹配点连线如图4(c)所示。对于B组图像，大小为224×344，采用传统NCC算法，文献［9］算法和本文算法进行匹配，结果图如图5(a)、5(b)、5(c)所示。图3本文算法框架图Fig．3Theframediagramofalgorithminthispaper(a)传统归一化算法匹配连线图(b)文献［9］匹配连线图(c)本文算法匹配连线图图4A组图像采用不同算法的匹配结果Fig．4ThematchingresultsofdifferentalgorithmsforAgroupofimages·794·
【相似文献】
相关期刊论文 前10条
1 向征;面向多种图像匹配算法的硬件实现[J];中国民航学院学报;2003年S2期
2 高富强,张帆;一种快速彩色图像匹配算法[J];计算机应用;2005年11期
3 刘征;一种新的图像匹配算法的研究[J];电脑开发与应用;2005年11期
4 阳方林,杨风暴,韦全芳,韩焱;一种新的快速图像匹配算法[J];计算机工程与应用;2005年05期
5 万胜前;;基于局部最小熵差图像匹配算法研究[J];科技信息(学术研究);2006年07期
6 张敬敏;张志佳;王东署;;基于小波分解的塔式快速图像匹配算法[J];微电子学与计算机;2007年01期
7 杨小冈;曹菲;缪栋;彭云辉;;基于序列图像匹配算法的匹配概率估计[J];计算机工程;2007年20期
8 权文;王晓丹;王坚;;一种基于小波分解的快速图像匹配算法[J];航空计算技术;2008年04期
9 董开坤,胡铭曾;一个新颖的基于熵特征的并行图像匹配算法[J];黑龙江工程学院学报;2001年01期
10 潘秀琴,催克宁,侯朝桢,李红松,苏利敏;基于局部小波矩的图像匹配算法[J];计算机工程与应用;2002年11期
相关会议论文 前6条
1 孙海才;疏谦;马钺;毕欣;;用于香烟包装质量检测的图像匹配算法研究[A];第七届全国信息获取与处理学术会议论文集[C];2009年
2 王宏力;贾万波;;图像匹配算法研究综述[A];全国第19届计算机技术与应用（CACIS）学术会议论文集（上册）[C];2008年
3 冷雪飞;刘建业;熊智;;基于导航系统的抗变形图像匹配算法研究[A];第十三届全国图象图形学学术会议论文集[C];2006年
4 尚军伟;张延华;柳佳斌;;基于小波边缘识别的图像匹配算法[A];2010振动与噪声测试峰会论文集[C];2010年
5 王科伦;任鸿翔;王德强;;基于投影特征的快速图像匹配算法[A];第十四届全国图象图形学学术会议论文集[C];2008年
6 祁凯;吴秀清;王鹏伟;尹叶飞;;一种基于高斯尺度空间的遥感图像匹配算法[A];第十三届全国图象图形学学术会议论文集[C];2006年
相关博士学位论文 前3条
1 鲍文霞;基于结构特征的图像匹配算法及应用[D];安徽大学;2010年
2 王珂;基于有向点和有向线段的图像匹配算法研究[D];华中科技大学;2013年
3 周英华;位置相关Web搜索的检索技术研究[D];中国科学技术大学;2006年
相关硕士学位论文 前10条
1 刘强;基于CUDA架构下的灰度图像匹配算法研究与实现[D];南昌大学;2015年
2 张存柱;基于尺度空间和特征描述的快速图像匹配算法研究[D];大连理工大学;2015年
3 曹建超;基于新型特征描述的快速图像匹配算法研究[D];大连理工大学;2015年
4 王碧辉;导航系统中的精确实时图像匹配算法研究及实现[D];南京航空航天大学;2014年
5 邱丽君;基于局部特征的图像匹配算法研究[D];南京邮电大学;2015年
6 石凯丽;基于局部不变特征方法的图像匹配算法研究及其应用[D];安徽大学;2016年
7 陈天华;基于特征提取和描述的图像匹配算法研究[D];广东工业大学;2016年
8 李瑞龙;图像匹配算法研究及FPGA实现[D];南京理工大学;2016年
9 毛星云;基于OpenCV的GPU并行加速图像匹配算法研究[D];南京航空航天大学;2016年
10 李昕宇;用于手机应用自动化测试系统的图像匹配算法研究[D];天津大学;2014年
本文编号：2670757
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/2670757.html
