值 然后把这差值同其它点对的插值累加起来，当累加r次误
差超过 Th，则停下来，并记下次数r，定义SSDA的检测曲面为
min I(i,
j)
r
1 r m2
r k 1
(i,j,mk
,n
k
)
Th
（4）、把 I(i,值j) 大的 (点i, j作) 为匹配点，因为这点 上需要很多次累加才使总误差超过 Th。 特点：非匹配点用较少的计算就可以达到阈值而被丢 去，对非匹配点减少计算量，提高匹配速度。
基于灰度的匹配算法
1、ABS（Absolute Balance Search）算法：用模 板图像和待匹配图像上的搜索窗口之间的像素灰 度值的差别来表示二者的相关性。
计算ABS值有三种方法：
1）、
MD(m, n) max x, y
f1(x, y)
f2 (x m, y n)
2）、 SAD(m, n) f1(x, y) f2(x m, y n) xy
3）、
SSD(m, n)
( f1(x, y) f2(x m, y n))2
xy
特点:（1)、思路简单，实现方便。
（2)、模板图像或待匹配图像任一个发生线性 变换，算法失效。
2、归一化互相关匹配算法（NCC）
（Normalized Cross-Correlation）：通过计
算模板图像和待匹配图像上的互相关值来确
^
^
（1）、定义误差值 (i,j,mk ,nk )= Sij(mk ,nk ) S(i, j) T (mk ,nk ) T
其中：
^
S (i,
j)1 M2MSij(m,n)m,n1
（2）、取一不变阈值 Th
^
T
1 M2
M
T(m,n)
m,n1
（3）、在子图 Sij(m中,n)随机选取象点，计算它同T中的误差
当图像发生平抑变化时，mpq也将发生变化。为使具有平移不变性，定义p+q阶中心矩为：
xf (x, y) yf (x, y)
upq x
(x x)( y y) f (x, y),式中：x＝ x
y
y
, y＝ x f (x, y)
y
f (x, y)
xy
xy
f
(x,
y)归一化为：pq＝
u pq u0r0
4、其他匹配算法
（1）、幅度排序相关算法 （2）、FFT的相关算法 （3）、相位相关算法
基于特征的匹配算法
1、图像不变矩匹配算法（IM）：两幅图像之 间的相似度可以用它们的7个不变矩之间的相 似性来描述。
p q阶矩的定义为：
mpq＝ xpyq f (x, y)式中：(x,y)为图像位置坐标，f (x, y)为图像灰度。 xy
关 函数相联系的矩阵M。M矩阵的特征值是自相关函数的一阶曲率， 如M果＝G两(个s- ) 曲率ggx值gx y 都g很gx gy高y ,，I 那d么et(就M )认 为ktr该2(M点),是k 点0特.04征。
-
式中：gx为x方向的梯度，gy为y方向的梯度，G(s )为高斯模板。 det为矩阵的行列式，tr为矩阵的直迹，k为默认常数。
定匹配的程度。
D(x,
y)
J 1
K 1
[
f
(x
j,
y
k)
t(
j,
k )]2
j0 k0
J 1 K 1
J 1 K 1
J 1 K 1
D(x, y) [ f (x j, y k)]2 2 t( j, k) f (x j, y k) [t( j, k)]2
j0 k0
jk
j0 k0
J 1 K 1
（1）公式的意义：对操作灰度图像的每个点，计算其在横向和
纵向的一阶导数，这样可以得到三副gx， 新g的y，图g像x gy。三副图像中的
每个像素对应的属性值分别代表为
，对这三副图像进
行高斯滤波，可计算出原图像上对应的每个点的兴趣值。
(2)选取局部极值点 特征点就是局部范围内的极大兴趣值对应的像素点。 因此在计算完各点的兴趣值后，要提取原始图像中所 有局部兴趣值最大的点。在实际操作中，可以依次以 每个像素为中心的3X3的窗口中提取最大值。如果中心 像素的兴趣值就最大值，则该点就是特征点。
, 式中，r=(p+q)/2+1,p+q=2,3.......
图像各阶不变矩定义为：
1＝20 02 2＝(20 02 )2 4121 3＝(30 312 )2 (321 03 )2 4＝(30 12 )2 (21 03 )2 5＝(30 312 )(30 12 )[(30 12 )2 3(30 312 )2 ] (03 321)(03 21)[(30 12 )2 3(03 12 )2 ] 6＝(20 02 )[(30 12 )2 (03 21)2 ] 4121(30 12 )(03 21) 7＝(321 03 )(30 12 )[(30 12 )2 3(21 03 )2 ] (30 312 )(03 21)[(330 12 )2 (21 03 )2 ]
为加快匹配过程，可采用两步模板匹配策略。首先，使 用零阶矩算子进行粗匹配，获得可能的匹配位置点；然 后对可能的匹配点根据归一化的矩特征实现精匹配。
2、基于图像特征点的匹配算法
在点特征提取方法中，Harris算子是C.Harris和M.J.Stephens在 1988年提出的一种基于信号的点特征提取算子，给出了与自相
DS(x, y) [ f (x j, y k)]2 j0 k0
J 1 K 1
DST (x, y) 2 [t( j, k) f (x j, y k)] j0 k0
J 1 K 1
DT (x, y) [t( j, k)]2 j0 k0
J 1 K 1
t( j,k) f (x j, y k)
R(x, y)
j0 k0
J 1 K 1
J 1 K 1
[ f (x j, y k)] [t( j, k)]2
j0 k0
j0 k0
3、序惯相似检测算法（SSDA）
由于相关法匹配计算量很大，因为模板要在 (N-M个+1参)2 考
位子上做相关计算，其中除一点以外都是在非匹配点上做无用
功。SSDA算法的要点：
图像匹配主要可分为以灰度为基础的匹配和 以特征为基础的匹配。 1、灰度匹配 ：通过利用某种相似性度量，如相关
函数、协方差函数、差平方和、差绝对值和等测 度极值，判定两幅图像中的对应关系。
2、特征匹配是指通过分别提取两个或多个图像的特 征（点、线、面等特征），对特征进行参数描述， 然后运用所描述的参数来进行匹配的一种算法。