吳雪蘭

(成都理工大學 四川 成都 610059)

一、引言

影像匹配是通過兩幅或多幅影像對同一區(qū)域的特征、紋理、以及灰度等特征進行分析并通過相似性度量來尋找影像中所對應的同名像點的過程。影像匹配是圖像處理過程中不可或缺且具有關鍵意義的一個重要環(huán)節(jié)，它的匹配結果的好壞直接影響著圖像處理的可靠性，因此，影像匹配的研究一直以來都是各國研究者們研究的重點和難點問題?，F(xiàn)如今，大量的文獻提出的影像匹配算法形態(tài)各異但基本原理相似，雖基本原理類似但卻存在細微的差異。影像匹配不僅僅實現(xiàn)了垂直和傾斜影像匹配，還朝著異源、多源、多視角、多分辨率影像的匹配發(fā)展[1]，它不僅實現(xiàn)了不同傳感數(shù)據(jù)的融合而且還解決了不同時像的影像間的差異問題。由于多學科、多技術的不斷發(fā)展與融合，現(xiàn)階段也將神經網絡卷積與深度學習等引入影像匹配來提高影像匹配的精度與效率[2]。

二、常用的影像匹配方法

(一)基于灰度的匹配方法

基于灰度的匹配算法是以待定點為中心窗口的窗口內，以影像的灰度分布信息為基礎進行匹配的算法，灰度匹配算法最常用的方法有模板匹配算法、相關系數(shù)法和最小二乘匹配算法?；诨叶绕ヅ渌惴ㄊ瞧ヅ渌惴ㄊ瞧ヅ湓缙谔岢鰜淼囊环N算法，它的方法理論比較成熟且易于實現(xiàn)，并在紋理豐富的區(qū)域具有匹配精度高的特點，但容易受到光照強度、陰影、遮擋等影響導致該匹配精度不理想。針對灰度信息的影像匹配算法的不足，國內外學者做出了大量的研究。李強[3]等人提出了通過對局部影像灰度編碼的匹配方法有效的提高了匹配速度并解決了圖像亮度與尺寸變化敏感等問題。在灰度匹配的研究中，最小二乘匹配算法一直是基于灰度匹配算法中較為經典的算法，這種匹配算法深受學者們的喜愛。朱遵尚[4]等人根據(jù)特征點局部形狀自適應的選取匹配窗口進行最小二乘迭代來提高影像的匹配精度。此外，還有學者將變形系數(shù)、極線約束等引入最小二乘匹配來提高匹配的精度與速度[5]。

(二)基于特征的匹配方法

由于基于灰度的影像匹配算法容易受到非線性光照強度、陰影、遮擋等影響導致該匹配算法的精度較低。針對影像灰度匹配算法的缺點，提出了基于特征的影像匹配方法。該算法由特征檢測、特征描述、特征匹配這三個步驟組成，它的匹配方法眾多且存在較大差異。Lowe提出了SIFT(Scale Invariance Feature Transform)算法[6]，該算法具有較高魯棒性并且能夠解決光線變化和遮擋等問題。由于該算法精度較高學者們還提出了很多改進算法，如引入了主成分分析、快速SURF[7]。

Moravec算法是提出用灰度自相關函數(shù)作為相似性判斷準則提取特征點的算法，由于構造較為簡單、計算量大并且對孤立點和噪聲點敏感使得匹配精度較低。SUSAN算子的提出能夠很好的解決邊緣和拐點等問題但由于圖像內容復雜程度不同導致匹配準確度不容易得到保證。Edward Rosten[8]等人提出了通過在圖像中判斷某像素點周圍領域內是否有足夠多的像素與該點處于同一的區(qū)域范圍對圖像進行加速分割測試特征的FAST算法。為了改善高斯分解時造成的邊界模糊與細節(jié)缺失等問題，基于非線性尺度空間的KAZE算法能夠取得較好的匹配結果[9]。戴激光[10]等人使用Hough算法并將其應用于異源遙感影像的匹配中使得異源遙感影像中能顯著提高影像同名直線提取的數(shù)量和精度。

三、結論與展望

由于計算機技術的迅速發(fā)展，影像匹配技術不再像以前那樣受到計算速度的影響較大，因此，現(xiàn)階段學者對影像的匹配研究主要偏向于影像匹配方法的可靠性和精度問題上。針對匹配精度問題，研究人員已經從不同的角度、尺度來對高分辨率衛(wèi)星影像的匹配方法都進行了大量的研究。從特征點提取算法研究到匹配窗口問題以及核線約束條件等方面進行了大量的研究。相似特征、遮擋特征、陰影等問題成為了影像匹配技術的難題，改善單立體影像匹配存在很多不足之處將研究的重點轉向了多基線影像匹配。影像匹配還存在相關的發(fā)展優(yōu)勢，在實用型匹配算法開發(fā)方面，制定一些切實可行的計劃和比較靈活的處理影像匹配方式可以提高匹配效率；在匹配算法實用性方面，可以使每一種理論和方法都能在一定的約束條件下達到比較滿意的匹配效果。