论文部分内容阅读
随着计算机视觉技术的飞速发展,图像匹配在工业、医疗和安防等领域发挥了重要作用。在实际匹配应用中,图像不可避免存在模糊降质的问题,比如高斯模糊,所以模糊图像匹配具有广泛应用需求和重要研究意义。本文研究高斯模糊图像匹配算法,给定模糊实时图像和清晰参考图像,求解实时图像在参考图像中的匹配位置。针对高斯模糊图像匹配,此前性能最好的方法是基于加权稀疏表达先验的联合模糊图像复原和匹配算法,简称JRM-DSR算法。该算法使用图像复原和匹配结合的目标函数,让复原和匹配在求解过程中相互帮助。该算法可以改善匹配结果,但是依旧存在诸多不足。针对JRM-DSR算法中图像模糊影响匹配准确率、计算超高维度像素向量的稀疏表达影响算法速度等问题,本文提出了一种基于模糊不变量的联合模糊图像复原和匹配算法,简称JRM-BI算法。该算法提取图像Pseudo-Zernike模糊不变量,提出基于模糊不变量空间稀疏表达先验的算法模型,采用交替最小化优化方法同时求解图像复原和匹配,得到匹配位置和清晰实时图像。模糊不变量可以减轻图像模糊干扰,维度更低。实验结果和分析表明,JRM-BI算法相比JRM-DSR算法匹配准确率更高,复原实时图像更清晰,鲁棒性更好,算法速度更快。针对JRM-BI算法中图像和模糊不变量是非线性关系引入的误差会影响匹配准确率、计算较高维度模糊不变量的稀疏表达影响算法速度等问题,本文提出一种基于双向2DPCA的联合模糊图像复原和匹配算法,简称JRM-2DPCA算法。该算法使用双向2DPCA方法计算图像的特征图,提出基于特征图空间稀疏表达先验的算法模型,同样采用交替最小化优化方法同时求解复原和匹配结果,得到匹配位置和清晰实时图像。特征图既可以去除模糊干扰信息,也可以保证和原图是线性关系,避免引入误差,而且维度更低。实验结果和分析表明,JRM-2DPCA算法相比JRM-BI算法,可以进一步提高匹配准确率,提高复原实时图像的清晰度,增强算法鲁棒性,加快算法速度。针对JRM-2DPCA算法中像素偏差等于0的匹配准确率不高、参考图像或者实时图像尺寸改变后需要重新构建图像字典和特征字典、对参考图像最大尺寸有限制等问题,本文提出一种基于深度学习的模糊图像匹配算法,简称BMN算法。该算法使用由粗到精的思想,提出级联的粗匹配网络和精匹配网络。粗匹配网络在清晰参考图像上寻找目标匹配位置所在的局部区域,精匹配网络计算局部区域内所有图像块和模糊实时图像的相似性,选定相似性最高的图像块对应位置作为匹配位置。该算法学习更加鲁棒的特征和更加准确的相似性度量,匹配计算时间短,针对实时图像和参考图像尺寸变化不需要额外准备操作,没有参考图像尺寸限制。实验结果和分析表明,BMN算法相比JRM-2DPCA算法,可以极大地提高匹配准确率,增强算法鲁棒性,加快算法速度。