以下为《基于模板匹配的图像配准》的无排版文字预览，完整格式请下载

下载前请仔细阅读文字预览以及下方图片预览。图片预览是什么样的，下载的文档就是什么样的。

基于模板匹配的图像配准

模板匹配(Blocking Matching)是根据已知模板图像到另一幅图像中寻找与模板图像相似的子图像，是图像配准算法中简单而常见的算法。在模板匹配中对图像的配准有整幅图像进行的匹配，也有局部图像和局部图像之间进行的匹配。在模板匹配过程中通常对模板进行平移，计算对应关系。一般情况下，采用模板和图像的相关运算计算相关值，相关值越大表示匹配越好。

模板匹配对形态固定的图案具有较好的效果，但是随着配准图像在数量级的扩大，计算复杂度会增加，实时性会增加，随着图像拍摄环境和成像条件的多变，算法的适应性会变差。

基于灰度的图像配准

灰度图像配准是利用灰度信息来测量图像的相同部分，它是以两幅图像重叠部分在RGB或CMY颜色系统对灰度级的相似性为准则寻找图像的配准位置，方法简单，但是对目标的变动和扭曲会影响配准效果。较为常见的是求其相似性代价函数，将图像的灰度差做平方和运算。

常用的算法有比值匹配法、块匹配法和网格匹配法等。比值匹配法是从一幅图像重叠区域中部分相邻的两列上取部分像素，然后以它们的比值作为模板，在另一幅图像中搜索最佳匹配，这种算法计算量最小，但精度低；块匹配法是一幅图像重叠区域中的一块作为模板，在另一幅图像中搜索与此模板最相似的块匹配，这种算法精度高，但计算量很大；网格匹配法先进行粗匹配，每次水平或垂直移动一个步长，记录最 内容过长，仅展示头部和尾部部分文字预览，全文请查看图片预览。 用了图像的显著特征，具有计算量小、速度快等特点，对于图像的畸变、噪声、遮挡等也有一定的鲁棒性，但是它的匹配性能很大程度上取决于特征提取的质量。首先提取图像的特征，再生成特征描述子，最后根据描述子的相似程度对两幅图像的特征之间进行匹配。图像的特征主要可以分为点、线(边缘)、区域(面)等特征，也可以分为局部特征和全局特征。这类方法依据使用的特征不同，会表现出不同的效果。比较经典的配准方式是SURF特征+Ransac筛选，得到匹配点对坐标来计算图像变换参数。

这类方法是根据待配准图像的重要特征之间的几何关系确定配准参数，因此这类方法首先需要提取特征，如边缘、角点、线、曲率等。然后建立特征点集之间的关系，进而求出配准参数。

基于特征的图像配准方法一般分为四个步骤：（1）特征提取。（2）特征匹配。（3）模型参数估计。（4）图像变换和灰度差值。

图1 基于特征点的图像拼接流程

6. 消除误匹配算法

使用任何类型的匹配算法，匹配误差都是不可避免的，处于初始匹配结果后有大量的异常点，这些异常点可以通过随机抽样一致性算法（Random Sample Consensus，也就是我们常说的Ransac）来消除误匹配。Ransac是一种不确定和随机的算法，每次运算得到的结果可能会不同，但其具有有效的整体估计效果，即使匹配失败超过50%的数据，仍然能得到合理的结果。

[文章尾部最后300字内容到此结束,中间部分内容请查看底下的图片预览]

以上为《基于模板匹配的图像配准》的无排版文字预览，完整格式请下载

下载前请仔细阅读上面文字预览以及下方图片预览。图片预览是什么样的，下载的文档就是什么样的。