论文部分内容阅读
图像匹配技术是计算机视觉研究的基础,同时也是计算机视觉研究的关键步骤。目前,图像匹配技术已经广泛应用于目标跟踪、3D重建、模式识别、图像拼接等多个领域。近些年,图像匹配技术已经得到了很快的发展,一系列图像匹配技术已经得到了广泛研究与应用。总的来说,图像匹配算法可以分为三类:基于灰度匹配、基于特征匹配以及基于变换域匹配。其中,基于特征的匹配以其低复杂度与高鲁棒性被广泛的应用与发展。在基于特征的算法中,通常使用局部描述子来描述特征点附近的图像区域。目前,提取特征点的方法包括高斯微分点、Harris检点检测、不变矩、形状上下文、SIFT描述子、SURF描述子等等。其中,SIFT描述子由于对尺度、旋转、亮度具有不变性,同时,对于视角的变化、仿射变化以及噪声的影响也具有较高鲁棒性,所以SIFT算法在基于特征的图像匹配算法中具有非常广泛的应用。然而,为了降低复杂度,SIFT算法的第一步是将彩色图转化为灰度图,然后在灰度图上提取特征,没有考虑原始彩色图像的颜色信息。由于颜色信息的缺失,降低了彩色图像的对比度,就会导致在颜色不同而对应灰度值相同的区域间无法提取出特征点、正确匹配率低等问题。本文主要对基于SIFT的图像匹配算法进行研究,首先对图像匹配技术的研究背景、意义、国内外研究现状等做了简单的介绍,接着详细阐述了图像匹配的原理、关键要素、一般流程以及分类,对几种经典的匹配算法进行介绍;然后论文详细介绍了基于SIFT的图像匹配算法,给出了算法的流程图,介绍了SIFT特征描述子的提取过程以及匹配过程,同时分析了算法的优势及存在的问题,最后针对SIFT算法在颜色信息缺失方面的问题提出两种改进方式:(1)基于图像灰度化的SIFT图像匹配算法:将图像灰度化算法应用到SIFT算法的第一步中,首先将图像由RGB颜色空间转换到L*a*b*颜色空间中,然后计算出相邻像素点之间的色度差异,最后对色度差异进行迭代优化,得到最终灰度图。(2)基于颜色信息与曝光度信息的SIFT图像匹配算法:通过对彩色图像进行分析,将计算出的彩色图像的颜色信息与曝光度信息加到原始灰度图中来提高灰度图中各区域的对比度,同时做到图像曝光度的调整。采用多组图像,对改进方法进行仿真实现,并与原始SIFT算法实验结果进行对比与分析。实验结果表明,改进算法能够有效的对颜色不同而对应灰度值相同的区域进行区分,同时正确匹配率也有所提高。