论文部分内容阅读
图像匹配问题一直是计算机视觉和模式识别领域中一项关键的基础研究，而时变图像的匹配又是图像匹配中很重要的一个应用场景，如，计算机视觉中的目标跟踪、遥感图像变化检测、医学领域的临床诊断和治疗等问题。目前对只包含线性变换的时变图像间的匹配的研究已经得到了较好的研究结果。然而在实际应用中，两幅时变图像间往往存在很多非线性变换的复杂场景，需要对图像中存在的非线性形变目标进行快速精确的匹配，进而实现对图像的后续处理和分析。因此，实现快速而准确的时变图像匹配变得至关重要。本文系统分析了国内外现阶段对于图像匹配技术和时变图像匹配算法的研究进展，围绕现有算法对于复杂非线性时变图像的在匹配精度和速度上存在的局限性，本文主要研究内容和结果如下: (1)针对时变图像中存在的复杂非线性变化场景，本文采用DAISY特征点提取算子对图像进行密集特征提取，克服了当前主流特征点提取算法SIFT因采用固定维度向量描述符在非线性匹配上的局限性，同时由于DAISY本身的圆形对称模板结构，避免了梯度图像的重复计算量，提升了算法效率。DAISY和SIFT算子提取速度对比实验表明，DAISY算子在密集特征的提取效率上是SIFT的两倍以上。 (2)本文对Patch-Match算法进行了优化，提出了在搜索改进过程中对初始随机搜索窗口进行局部空间约束的改进算法。较好地解决了因噪声干扰和图像中灰度的一致性与弱纹理性导致的误匹配问题，同时加快了算法的收敛速度，提高了效率。 (3)针对传统的匹配算法大都是针对某一领域中的某个应用进行提出，算法的普适性较差，本文将基于计算机视觉图像提出的时变图像匹配算法应用于遥感时变图像和医学时变图像中，在跨领域的应用上取得了初步的研究成果。通过三组不同领域时变图像匹配实验结果表明，本文算法对不同领域的时变图像具有较好的适应性和鲁棒性。