1、 南阳师范学院 20XX 届毕业生毕业论文（设计）题 目：基于点特征的整体匹配方法研究完 成 人： 班 级： 学 制： 专 业： 测绘工程 指导教师： 完成日期： 目录摘要 .（1）1 引言 .（1）2 点特征的提取 （3）2.1 Morava 兴趣算子 .（3）2.2 forstner 算子 （4）2.3 SUSAN 角点提取法 .（4）2.4 结论 （4）3 基于点特征的整体匹配 .（5）3.1 多点最小二乘匹配的常规算法 .（5）3.2 概率松弛匹配 .（7）3.2.1 基于概率松弛的整体影像匹配 .（7）3.2.2 hopfield 神经网络 .（7）3.2.3 松弛法的 Hopfie
2、ld 网络实现 .（8）3.3 误匹配的消除 .（9）3.3.1 松弛迭代法消除误匹配 .（9）3.3.2 零交叉法消除误匹配 .（10）3.3.3 最小平方中值法消除误匹配 .（11）3.3.4 结论 .（12）4 实验设计 （12）4.1 以矿山普通影像图为实验源进行点特征匹配 （12）4.2 实验结论 （14）5 总结 .（14）5.1 小结 （14）5.2 展望 （15）参 考 文 献 （15）Abstract （16）第 1 页 （共 17 页）基于点特征的整体匹配方法研究摘要：以矿山普通数码影像为实验源，对现有的单点匹配和整体匹配方法进行研究，针对各自的优缺点提出基于点特征的整体匹
3、配方法，很好的利用影像的灰度相关及整体特征，以提高匹配的正确率。本文主要内容包括点特征的提取方法的探讨研究、点特征的旋转图像匹配的方法及改进、灰度差分不变量的点特征匹配、数据点特征参数提取优化算法的研究、边缘点特征的细化算法等；影像匹配在数字摄影测量中是提取物体三维信息、建立 DTM 的基础,因此,它是数字摄影测量工作站最关键的技术之一。一般来说,为了提高影像匹配的精度和效率,金字塔影像结构是广泛采用的一种技术,通过对原始影像作低通滤波,首先进行粗相关, 将其结果作为预测值,逐渐加入高频成分, 在逐渐变小的搜索区域内进行相关匹配, 最终利用原始影像得到精确的匹配结果。介绍了一种将谱图理论、特征
4、点的局部特征和概率松弛法相结合的特征点匹配算法。该算法通过谱方法,求出特征点匹配的初始概率;利用特征点的结构特征和灰度特征, 求得初始支持度; 将初始概率、初始支持度与概率松弛迭代法相结合,获得匹配结果。实验结果表明,该方法能够达到较高的匹配效果。提到了一种映射方法,使得 Hopfield 神经网络能够用于实现松弛算法。其优点在于 Hopfield 模型可由集成电路实现 ,因而使得基于松弛算法的影像匹配可以实时地完成,极大地提高了处理速度。并且对于近景摄影测量的普通数码影像与航空摄影相比较，存在更为复杂的影像变形和影像遮挡等问题，这使得其影像匹配的难度大大增加。针对近景数码影像的特殊性，提到一
5、种改进搜索策略的概率松弛匹配算法。该算法采用格网点和特征点相结合的方式来确立初始点匹配过程；并从核线、视差等方面进行剁成约束，保证匹配的连续性和正确性。实验结果表明该算法适用于近景数码影像匹配，在复杂的高山硒鼓地区的立体匹配正确率可达到 98%，当然也同样适用于矿山普通数码影像的匹配。关键词：特征点；整体匹配；图像匹配；概率松弛；最小二乘匹配1引言在摄影测量中，有一些较为著名的点特征提取算子，如：Moravec算子、Forsmer 算子与 Hannah 算子等。将叙述 MoraVec 算子和第 2 页 （共 17 页）Forsmer 算子的基本原理，从提取点的定位准确性及速度两个方面对两种算子
6、进行比较，并重点分析利用 Moravec 算子提取特征点实现过程分析。针对地貌测量重构中的图像特征匹配问题，提出了一种新的图像特征匹配方法。通过对待匹配的资源和模板图像进行分区，并根据灰度相关值实现区域之间的匹配，在区域匹配的基础上再根据角点所属区域的对应关系进行角点特征匹配运算。在角点特征匹配过程中，利用去均值归一化相关法进行区域灰度相关运算，从而确定出初始匹配点对。为消除初始匹配角点对中的错误匹配点对，保证角点特征提取的准确性和可靠性，采用松弛迭代法、零交叉法以及最小平方中值法进行了错误匹配角点的滤除。基于数字图像的平面位移测量是近几年发展起来的新的位移测量方式，而点特征提取是平面位移测量
7、实现的基础，是特征匹配实现的基础，是位移测量精度提高的保证。为了提高测量精度和效率，利用常用的点特征提取算法对花岗岩工作台进行点特征提取。平面位移的测量在生产实践和科学实践中随处可见，如各类仪器工作台的精确定位。传统的位移测量通常采用 3 个位移传感器,使测量成本增加,仪器尺寸增大。在测量空间受限制时，安装和调试比较困难，另外这种测量方法由于环节多而使不可靠因素增加。本文在旋转与比例不变点特征松弛匹配方法的基础上，提出了用Hopfield 神经网络实现匹配过程的方法。通过对模拟图象进行的大量实验。得到令人满意的结果，证实采用 Hopfield 神经网络完成旋转与比例不变点特征松弛匹配过程的有效
8、性和可行性。遥感图像的配准是将不同时相、不同遥感平台的数据配准到同一坐标系统下，以便各个图像能进行像元与像元间的对比和运算。在许多遥感图像处理中，需要对多源图像数据进行比较和分析，而遥感图像的配准是进行诸如图像融合、变化检测、超分辨率图像生成等工作的基础。多源图像配准与单传感器图像配准相比，更加困难一些，特别是波段相距较远的图像，由于图像间相关性小，实现自动配准技术难度更大。当前的图像配准技术通常分为两大类：基于区域的方法和基于特征的方法。在基于区域的方法中，使用相关技术确定一个图像的像素窗口在另一图像中的匹配位置，采样的匹配度量通常是相关系数。匹配窗口的中心作为控制点对，这些控制点对用以求解
9、图像的变换参数，基于特征的方第 3 页 （共 17 页）法首先从图像上提取一些公共特征，如轮廓、矩、区域、线性分割，然后进行精确匹配。由于这些特征不依赖于图像的灰度级，所以基于特征的配准算法在多传感器配准领域具有广泛的应用。不同的任务对配准精度的要求是不一样的，有些配准精度只要在 1 个像素内即可。但是，对遥感图像融合来说，往往要求配准精度在 1 个像素以内，例如 Landsat 遥感图像的 1 个像素对应于地面上 80 m 距离，也就是说像素级的配准精度提供的分辨率是 40 m。如果能达到 0.1 个像素的配准精度，那么就可以获得 4m 的分辨率。而不断提出的各种配准方法使得配准的精度越来越
10、高，从像素级一直到子像素级。但其中始终存在着一个问题，就是某一种方法仅对几组或几种图像可以取得好的效果，但却不适应其他类型的数据，本文针对这一问题，提出了一种基于点特征的高精度图像配准方法，该方法的基本思想是：在参考影像上自动提取密集的特征点作为配准控制点( RCP)，通过严格的图像匹配算法获得同名点对，然后由这些同名点对构成大量不规则三角网，再以小三角形面元为单位进行数字微分纠正，从而得到精确配准的影像。2.点特征的提取在摄影测量中,有一些较为著名的点特征提取算子，如：Morava 算子、Former 算子与 Hannah 算子等。点特征是影像最基本的特征，它是指那些灰度信号在二维方向上都有
11、明显变化的点，如角点、圆点等。点特征可以应用于诸如图像的配准与匹配，目标描述与识别，光束计算，运目标跟踪、识别和立体像对 3D 建模等众多领域。使用点特征进行处理，可以减少参与计算的数据量，同时又不损害图像的重要灰度信息，在匹配运算中能够较大的提高匹配速度，因而受人们的关注。提取点特征的算子称为兴趣算子或有利算子(interest operator)，即利用某种算法从影像中提取人们感兴趣的，有利于某种目的的点。在影像分析和计算机的视觉领域，根据不同应用目的选择有效的点特征提取。2.1 Morava兴趣算子 Morava 于 1977 年提出利用灰度方差提取点特征的算子。Morava算子是在四个
12、主要方向上，选择具有最大一最小灰度方差的点作为特第 4 页 （共 17 页）征点。 第一步，计算各像元的兴趣值 IV。 第二步，给定一经验阈值，将兴趣值大于该阈值的点 (即兴趣值计算窗 口的中心点) 作为候选点。阈值的选择应以候选点中包括所需要的特征点，又不含过多的非特征点为原则。第三步，选取候选点中的极值点作为特征点。除了以上方法，还可以尝试首先利用边缘提取方法提取整个图象的边缘轮廓，然后在此轮廓内利用以上特征点提取方法提取特征点。2.2 forstner算子 forstner 算子是从影像中提取点(角点、 圆点等) 特征的一种较为有效的算子。forstner 算子通过计算各像素的 Robe
13、rt 梯度和以像素(c，r)为中心的一个窗口的灰度协方差矩阵，在影像中寻找具有尽可能小而且接近圆的点作为特征点，它通过计算各影像点的兴趣并采用抑制局部极小点的方法提取特征点。 第一步： 计算各像素的 Robert 梯度 。 第二步： 计算 ll 窗口中灰度的协方差矩阵。 第三步： 计算兴趣值 q 与 w。 第四步： 确定待选点。 第五步： 选取极值点。 2.3 SUSAN角点提取法 传统意义上，角点定义为两条直线边缘的接合点。图像的角点检测方法可概括为两类。第 1 类方法先将图像分割为区域，用链码表示目标边界，然后通过方向变化确定角点。这种方法的主要缺点是角点检测的结果依赖于前面的图像割的结果
14、。第 2 类方法，直接对图像灰度级进行操作，这些方法主要利用梯度和曲率度量检测角点。Smith 等人提出的 SUSAN 算法为第 2 类方法。它用圆形模板在图像上移动，若模板内像素的灰度与模板中心像素灰度的差值小于一定阈值，则认为该点与核具有相同的灰度，由满足这样条件的像素组成的局部区域称为 “USAN( Univalue Segment AssimilatingNucleus )”。根据 SUSAN 的尺寸、质心和二阶矩，可检测到角点特征。2.4 结论综上所述，Moravec 算子是点特征提取算子中的经典算子之一，后来的很多点特征提取算子都是在它的基础上改进得来的掌握 第 5 页 （共 17
15、 页）Moravec 算子的原理和实现方法对理解其他的点特征算子的理解和应用有很大好处。但其他两类算子也是各有各的好处，SUSAN 算法的优点在于在角点检测时不需计算梯度，不需插值而且不依赖于前期图像分割的结果，直接对像素的邻域灰度值比较即可检测出角点，因而在图像处理中得到广泛的应用。当然针对不同类型点特征的提取选择不同的算子才能更有效的降低误差出现。3 基于点特征的整体匹配整体影像匹配的基本思想是：通常无论是基于灰度还是基于特省匹配，多数是作单点匹配或局部匹配，它们不考虑周围临近点（或要素）之间的相关性。整体影像匹配是一类顾及共轭实体之间的相容性、一致性、整体协调性的影像匹配方法。它具有匹配
16、可靠性高的特点。一般情况，地形可认为是连续的，因此临近点的高程就有很强的相关性。如何顾及它们之间的相关性，产生最佳的整体匹配结果，这是提高影像匹配可靠性、匹配结果之间的一致性的重要途径。它的主要方法有多点最小二乘影像匹配，动态规划影像匹配、松弛法影像匹配、人工神经元网络影像匹配。3.1 多点最小二乘匹配的常规算法设 ， 依次表示左右影像，对于左影像中任一像元),(1yxg),(2及它在右影像中的同名点 ，我们有下列观测方程1 ),(2yxg（假设无辐射畸变存在）：（3-),(),(),(121 yxn1）是影像噪声，如果在核线影像对上匹配，即只存在视差 ，,1yxn 0x则有：（3-),(),
17、(),(021 yxng2）式（3-2）中视差 可由该像元邻近四个视差格网点的视差双线性内插0表示，见图 3-1。设节点间的距离为 1，像元 P 到节点（ ）的距离ji,为 ，1d2 01201210210 )()()( jijiji xdxdxx 第 6 页 （共 17 页）（3-0121jixd3）把式（3-2）线性化，并把式（3-3）代入式（3-2） ，得到误差方程式：1212212 )()( jiji dxgdxgvjiji （3-,021 yy4）式中 为右影像在 方向的差分， 是起始视差之增量。2gxdxi+1 j i+1 j+1i j i j+1图 3-1 相邻 4个点的位置关系
18、设左影像中需匹配的点位于一个 的规则格网节点上， ， 依21n1n2次表示行数和列数。多点最小二乘匹配的第二类误差方程式为虚拟误差方程式，是对节点视差的光滑约束。对二阶差分最小条件下的虚拟误差方程式为 jiyxjijijijijijijiyx pxdxv ,)(2010111 （3-jizsjijijijijijijizsd25）一阶差分最小条件下的虚拟误差方程式为：jiyjijijijijix pxxv,)(011（3-jizjijijijijisd06）式中 为光滑约束的权值。zsyxp,p 1d2第 7 页 （共 17 页）式（3-4） 、 （3-5） 、 （3-6）即为多点最小二乘匹配
19、的基本误差方程式，写成矩阵形式为：（3-LAdXV7）法方程式为：(3-8)PTT)(解的表示：(3-9)LAdXTT1由于多点最小二乘匹配是对非线性方程（3-2）线性化后进行的，所以必须迭代求解。3.2 概率松弛匹配3.2.1 基于概率松弛的整体影像匹配概率松弛算法是并行迭代算法，可被看作归类或模式识别方法的一种，其基本原理可描述如下。设有一个对象集 和一个nO,21类型集 我们是要确定每个对象属于哪个类型。假设各个mC,21对象的归类之间是相关的，即对于一对归类隶属关系 和 ，jiCkh存在着一个度量其相容性的数值，设作 。根据归类问题的实khjiC,;际物理意义，我们可以得到 的可能性的
20、初始估计 。概率松jiO0ijp弛算法的目的是以这些初始概率为出发点，寻求一个所有对象的最佳归类组合，使得它们尽可能的相容。有很多种方法来度量所有几个对象的归类之间的整体相容性， “平均局部相容度”即是其中一种。可以证明，下面将要详细描述的松弛迭代过程将会增加上述度量的值，即增加相容性。在概率松弛的每次迭代过程中，每个对象归属于每个类型的概率 都要根据其他对象和类型之间的归属关系的概率作出调rijp整，以增进相容性。第 r 次迭代中，来自其他对象的对象 i 归类于类型j 的概率值调整的净贡献 ，而第 r+1 次迭代后，对象 i 隶属于类型ijqj 的概率的新的估计值 ，上述计算过程迭代进行，直
21、至迭代收敛1rij或满足某人为给定的终止条件。迭代结束时所有对象的归类之间达到了最大的相容。就影响匹配而言，我们把左影像上的像点视作“对象” ，右影像上第 8 页 （共 17 页）的像点视作“类型” ，这样就可把影响匹配问题转化为一个归类问题，于是匹配问题即可用概率松弛法求解。为简单起见，我们假设左右影响已被重采样为核线影像，这样我们只需考虑一维匹配问题。这就是整体影像匹配概率松弛算法的基本原理。事实上，沿核线方向的影像重采样并非概率松弛影像的必要条件。松弛法同样适用于原始的未经重采样的数字影像或 SPOT 影像，甚至物方空间的影像匹配。整体影像匹配概率松弛算法在保证可靠性方面是成功的，但其处
22、理速度过于缓慢，不足以实现实时的三维数据重建。3.2.2 hopfield 神经网络 Hopfield 网络是一个复杂的递归网络，它包含了从神经元输出到输入的反馈，这使得这类网络的运转成为预感动力系统。这意味着，当神经元接受一个新的输入后，计算机的输出将会立即反馈回去并改变输入。理想的迭代过程会导致越来越小的输出变化到输出不再变化，这是网络便达到了稳定状态。神经元之间的联结强度可设作 。ijT已经证明，当矩阵 对称且具有零对角线时，即对所有的 i，j 有T和 时，网络是稳定的。满足此条件则具有稳定的收敛性。jiiT0i第 i 个神经元的输入为 ，则 iu（3-ijiiIVu10）这里 代表第
23、j 个神经元的输出， 是第 i 个和第 j 个神经元j ijT之间的联结强度， 代表作用于第 i 个神经元的外部输出的阈值，这个iI值在整个迭代过程中保持恒定。迭代过程中，神经元的输出按照下述规则来改变：（3-2)tanh(1)(iii uugV11）这里函数 被称作神经元 i 的 Sigmoid 激励函数， 称作网络的增i 益， 越大则函数 的斜率越大。随着系统的迭代发展，由于系统的反ig馈动力机制，能量将递减直至达到最小。 适用 Hopfield 网络的主要好处在于它能用集成电路实现，因而使第 9 页 （共 17 页）得处理过程可以实时进行。 3.2.3 松弛法的 Hopfield 网络实
24、现正如 3.2.1 所述，松弛处理的目的在于增加系统的所谓“平均局部兼容度” 。而另一方面,Hopfield 网络在迭代过程中趋向于逐步减小能量函数的值。从这个观点看,容易通过 Hopfield 网络来实现松弛运算,所要做的只是将平均局部兼容度函数转化成某个 Hopfield 网络的能量函数形式。在这个网络中,神经元的状态代表了原始松弛优化问题的可能状态。我们来构造这个网络:标号为(i,j)的神经元代表对象类属于类型 这一假设 ,这一假设成立的可能性即为神经元的输出 。iOjC ijV对照平均局部兼容度的函数表达式,易知:（3-222 )1(),;(iijBij hkhkiA VjiVE12）
25、其中第一项出去常数因子就是兼容度函数，而第二项当代表某一确定对象的归属所假设的各神经元的输出的和等于 1 时，达到其最小值零(这意味着我们假设每个对象只能属于唯一的类别),A 和 B 均是正数。另一方面,能量函数的标准形式应是:（3-ijijhkijhkijij IVYE)(2113）比较这两个式子，易知神经元见的联结强度矩阵和神经元的外部输入阈值应有如下形式：（3-BIkhjiCATijhhkij ,),;()( 14）当 i=h 时， =1；当 i h 时， =0。ihih事实上，对于整体影像匹配而言，因为 和 满足所有要求，因此)(hkijTijI一旦确定了 和 的值，网络的特性便完全决
26、定了，系统的最后稳)(hkijTijI定状态只取决于初始状态。3.3 误匹配的消除3.3.1 松弛迭代法消除误匹配 针对初始匹配点对集合中存在一个特征点， 并且同时对应多个匹配点和大量错误匹配点对的情况，利用松弛迭代法可纠正这类模糊和第 10 页 （共 17 页）错误的匹配。首先，将相关法得到的初始匹配点对表示为( ， ） ，im1j2其中 是模板图像上的角点， 是自愿图像上的角点，定义两个分im1 jm2别以点 和 为中心， R 为半径的邻域 N（ ）和 N（ ） 。ij2 i1j2根据连续性准则，若（ ， ）为正确的匹配点对，则在其邻域i1j2N（ ）和 N（ ）内必然存在更多的正确匹配点
27、对，将其表示为（i1j2， ） ，其中 N（ ） ， N（ ） ，且点 相对于点 的位knl2kn1i1ln2j2kn1im1置关系与点 相对于 的位置关系相似。若（ ， ）是错误匹配l2jm2 ij2点对，则在邻域 N（ ）和 N（ ）内只有很少的匹配点对甚至没有，i1j2据此定义匹配强度（3-jimS21,)( ),(1ax)(11 212122ik lkjijlijNn nmdcklc15）（3-2),(),(),( 2121 ljkilkji ndmnmd16）= （3-)(2,1,lkjinm他0rre17）(3-18),()211lkjijknmdr式中： 为匹配点对（ ， ）的相
28、关性系数； 为匹配点对ijci1jm2 klc（ ， ）的相关性系数； 为点对（ ， ）和（kn1l2 ),(21lkjindim1j2， ）的平均距离； 为松弛迭代因子；d（m，n）为点在 m 与 nl 在欧氏空间下的距离；r 表示点的相对距离偏差； 是相对距离偏差阀r值，在实际计算中，取 =0.3。r第 11 页 （共 17 页）计算出 S（ ， ）后，用下式衡量其惟一性im1j2P（ ， ）=1- （3-i1j2 )()(2,1, jiis19）其中 （ ， ）是指在（ ， ）的邻域内，仅次于 S（ ，si1j2i1jm2 im1）的最大匹配强度。jm23.3.2 零交叉法消除误匹配通过
29、松弛迭代法消除错误匹配后，匹配点对中还可能存在交叉的情况。假设 A 和 B 为 2 对匹配点对，若在模板图像中，A 角A点位于 B 角点的左侧，而资源图像中的匹配角点 位于 的右侧，此AB时称 B 匹配对与 A 匹配对水平交叉。垂直交叉的情况类似， 此时匹配结果不满足顺序性约束条件，因此必须消除匹配交叉现象。针对匹配点对存在交叉的情况，可以利用零交叉法来消除，包括水平消除和垂直消除，水平消除过程和垂直消除过程原理相同，在此仅以水平消除为例进行分析。 对于模板图像中的某个角点，其对应的匹配角点位于资源图像中的某个区域之中，假设这对匹配角点对为已知匹配点对，在模板图像的已知角点周围，可能存在多组其
30、他匹配角点对与已知匹配角点对产生水平交叉，实际计算时，可统计模板图像中的已知角点所在的中心区域范围内的每个角点对应的匹配对的水平交叉数，删除具有最大水平交叉数的那对匹配，然后再进行统计计算，反复进行，直至所有匹配对的水平交叉数为 0 时终止。在计算水平交叉数时，可以根据顺序性约束，缩小搜索的范围，将角点搜索范围限制在以已知角点所在区域为中心的左右共 5 列区域内，因此提高了计算效率。同理，对于垂直交叉，角点的搜索范围可以定为以已知角点所在区域为中心的上下共 5 行区域内。 设模板图像灰度函数为 ，资源图像灰度函数为 ， =),(yxfT ),(yxfRTP为模板图像的已知角点， 是该角点对应的
31、交叉角点分),(jifT )(0,jifQT布范围内的角点。如果 和 及其匹配点满足水平顺序匹配约束，则TP记 S（ ， ）=0；否则，记 S（ ， ）=1。 的水平交叉数为TPQTTP第 12 页 （共 17 页）C(i,j)= (3-20) ,0)(NnQPST式中：N 为模板图像中交叉角点分布范围内的匹配角点数。统计总水平的交叉数为 T= （3-,0)(MmjiC21）其中 M 为松弛迭代后的匹配点对数。 找出并消除具有最大水平交叉数 的匹配角点，其灰度 函数为 ，这组匹配角点对的水平交叉数),(lkfT为 C（k ， l）= ),(max,0jiCM（3-22）得到新的匹配角点对，进行
32、下一轮处理，直至 T=0 为止。 3.3.3 最小平方中值法消除误匹配通过最小平方中值法，将错误的匹配点对从零交叉运算后的匹配点对集合中剔除掉，其原理为通过解下列非线性最小化问题来估计参数 min （3-23） 2irmed（3-i2 ),(),( 211jppji mTFdF24） )2(1)(1),(12 pjpjjpji id（3-25）式中： 为第 i 对匹配点中各点与对应极线距离的残差平方； 为基2ir jF础矩阵； ， 为匹配点对的矩阵。在零交叉校正后的 n 对匹配点( pm1i2（ ， ） ，i=1，2，n ) 中，抽取 m 个样本，每个样本由 (ii p) 对匹配点组成。对每个
33、样本，使用二点法计算 ，对每个 ，p j j可确定相对于整个匹配点对集的残差平方的中值 第 13 页 （共 17 页）= （3-jM),(2),(2,1211ippji mTjFdFmdeni 26）对应于最小中值的 被用于错误匹配点的去除。j3.3.4 结论从以上几种方法我们可以根据自己的要求来选取一种厚几种方法来对我们得到的数据或信息进行检查来消除误匹配，当然以上方法所针对的点特征类型有所不同，使用的时候需要满足所使用方法的要求，否则会使得我们消除误匹配的目的不但没有达成，反而致使数据或信息结果出现无法挽回的错误。以上的几种方法若使用得当将会使得我们更方便准确的完成点特征的匹配。4实验设计
34、4.1 以矿山普通影像图为实验源进行点特征匹配通过以上理论，我们需要通过实验来验证我们的理论的准确性，我们就选取矿山普通影像图为实验源来进行点特征的提取、匹配。首先我们对所选的矿山进行拍摄影像，要在不同平移向量条件下拍摄一系列的图像，获得的图像均为 1280 像素960 像素，并在匹配之前进行了灰度化处理。接着进行程序处理，其结果显示区域匹配算法能够准确地搜索到 3 幅模板图像中心区域在资源图像中的正确匹配位置，根据图像连续性建立的对应区域匹配对也同样符合正确的匹配关系。采用图像区域匹配算法可以得到一组准确可靠的区域匹配对，能够满足后续角点特征匹配的要求。从表 4-1 的数据中可以看出，初始匹
35、配点对的数量远远大于所提取出的角点特征数量，表明初始匹配点对中含有大量的错误匹配对，以及一对多个点的错误匹配问题，而随着匹配约束的逐步应用，匹配点对数量在大幅度减少，其中松弛迭代法消除的匹配点对最多。由最小平方中值法消除错误匹配后确定出的最终匹配角点对，与初始匹配角点对的主梁相比有大幅度减少。最终匹配角点对于模板图像角点数第 14 页 （共 17 页）量的比值最大为 19.2%，最小为 17.98%。在匹配过程中，各个步骤的耗时情况如表 4-2 所示。从表 4-2 中可以看出，耗时较多的在于区域匹配、松弛迭代法消除误匹配和最小平方中值法消除误匹配的过程。利用本文所提出的图像特征匹配方法，在计算
36、机主频为 2.8GHz，内存 512 MB 的计算机上对 1280 像素960像素的图像进行特征匹配运算，需要耗时 960s 左右，达到了较高的计算效率。表 4-1 角点特征匹配各个步骤匹配点对的结果试验编号模板图像角点数资源图像焦点书初始匹配数松弛迭代处理后匹配数零交叉处理后匹配数最小平方中值处理后匹配数最终角点匹配率（%）1 10589 10987 88512 6113 5764 2032 19.202 11957 11962 99276 7897 6489 2150 17.983 13825 13548 96863 7113 6384 2497 18.10第 15 页 （共 17 页）表
37、 4-2 图像特征匹配各个步骤的计算耗时情况4.2 实验结论本实验针对地貌测量重构中图像特征的特点，通过对图像特征匹配原理的分析，提出了一种地貌图像特征匹配方法。由于在角点特征匹配运算之前先进行了区域匹配，缩小了角点特征匹配运算时的搜索范围，因此可以有效地提高算法的计算效率。大量实验表明，利用该方法对 1280 像素960 像素的复杂纹理图像进行匹配，计算耗时在960s 左右，而直接进行角点特征匹配则需要数小时。本文算法可有效试验编号区域匹配初始匹配点对确定松弛迭代消除误匹配零交叉消除误匹配最小平方中值法消除误匹配总耗时1 221.86 87.83 436.77 31.26 142.58 94
38、9.862 223.45 89.25 491.45 38.21 164.85 982.343 223.15 97.26 405.23 35.42 158.96 945.41第 16 页 （共 17 页）地对资源图像与模板图像进行区域匹配，并能对错误的匹配角点对进行过滤，可剔除约 80的错误匹配点对，从而保证了角点特征匹配时的准确性和可靠性。 由于地貌图像纹理复杂，角点数量多，角点特征错误匹配率很高，因此该算法适用于地貌测量重构时的图像特征匹配运算。本文算法在建立区域匹配对应关系时，利用了匹配区域在水平方向和垂直方向上的连续性假设，因此算法对旋转变换和仿射变换较为敏感。 5 总结5.1小结综上所
39、述，本文提出的这几种特征点提取算法，使提取的特征点能有效的实现匹配，在自动配准中能广泛的适用，只是在计算速度上还有待进一步地提高。但由于小波变换是全局的变换，无法对图像作分块并行处理，对于大尺寸的图像，可采用基于金字塔结构的方法逐层提取和映射，减少计算量，提高运算速度。而且本文提到的有关于地貌测量中图像特征匹配的原理与分析及误匹配的消除业保证了点特征匹配是的准确性和可靠性。本文算法在建立区域匹配对应关系时，利用了匹配区域在水平方向和垂直方向上的连续性假设，因此算法对旋转变换和仿射变换较为敏感。本文还提出了一种改进后的松弛迭代匹配算法进行精匹配，其思想是：利用第一轮迭代过程所得到的匹配对，把进入
40、下一步迭代的候选匹配对进行优化挑选，消除一部分明显错误的候选匹配对。实验证明，此方法可以很大地提高迭代速度，但此算法比原始算法得到的最终匹配对略少。5.2 展望影像匹配神经网络算法与松弛法一样,具有很高的匹配精度,其误差可达子像素级。由此证明,整体影像匹配概率松弛法的神经网络实现方法是正确的,算法是实用的、可行的。基于点特征的整体匹配方法的探究在航空，航天，医学，建筑，城市规划等很多领域都有着广泛的应用，目前的影像匹配中，基于规则格网点的像方概率松弛法在航空影像的立体匹配中已经取得较好的效果，因此我们的科研技术人员还需要继续致力于此研究，以研究出更方便、更快捷、更精确的点特征第 17 页 （共
41、 17 页）匹配方法来推动此领域以及其他各个领域的发展。相信在未来的信息化更加广泛先进的时代此研究会发挥它巨大的作用和潜力。参 考 文 献1 肖靖，彭涛基于特征点的飞行器局部模板匹配J信息技术，2008 ，34(8)：27-29. 2 王润生图像理解M长沙：国防科技大学出版社，1995：56. 3 李海超，张广军基于旋转不变的角点匹配方法J红外与激光 T 程，2008， 37(3)：561565.4 张祖勋，张剑清数字摄影测量学M武汉：武汉测绘科技大学出版社， 1995： 5165. 5 范大昭，张永生地形图数据库更新的自动化方法研究J，测绘通报，2005,16(7)：8692 6 秦志远利用
42、遥感影像辅助 GIS 空间数据获取与更新的研究与实践D信息工程大学，1998：5682.7 周永昌，郭万学，超声医学M 北京：科学技术文献出版社 1994：5165. 8 马峰，唐泽圣，夏绍玮，多尺度几何活动曲线及 MR 图象边界提取J，计算机学报，2000，23(8) ：829 8349 李峰，周源华变形系数相关的最小二乘匹配算法J上海交通大学学报，1999， 33(11)：1391 1394Method Of Matching Feature Points Based On the WholeAbstract：For mines ordinary digital imaging exper
43、iment source, the existing single point matching and the matching method are studied, according to their respective advantages and disadvantages of proposed overall matching method based on point feature, good use gray correlation and the overall features of images, in order to improve the matching
44、accuracy. This article main content including points feature extraction method of research, the rotation of the characteristics of image matching method and improvement, gray differential invariants of some feature matching, and data of feature parameter extraction and optimization algorithm researc
45、h, the characteristics of edge point thinning algorithm, etc.; Image matching in digital photogrammetry is to extract object in 3rd information, the basis of establishing DTM, therefore, it is one of the most key technology of digital photogrammetric workstation. In general, in order to improve 第 18
46、 页 （共 17 页）the accuracy and efficiency of image matching, image pyramid structure is one of the widely used technology, through to the original image as a low pass filter, first carries on the coarse related, the results as a predictive value, gradually add high-frequency components, within the sear
47、ch area is gradually smaller correlation matching, eventually, the original image are used to get the accurate matching results. The algorithm by spectrum method, the initial probability of matching feature points; Using the structure characteristic of feature points and gray level characteristics,
48、obtained initial support; The initial probability, the initial support and probabilistic relaxation iteration method, obtain the matching results. Its advantage lies in the Hopfield model can be made of integrated circuit implementation, making relaxation algorithm based image matching can be done in real time, greatly improve the processing speed. And for the close shot photogrammetry of general digital image co
