图像匹配方法总结
图像匹配最早是美国70年代从事飞行器辅助导航系统，武器投射系统的末制导等应用研究中提出的。

从80年代以后，其应用已逐步从原来单纯的军事应用扩大到其它领域。

随着科学技术的发展，图像匹配技术已经成为现代信息处理领域中的一项极为重要的技术，在许多领域内有着广泛而实际的应用，如：模式识别，自动导航，医学诊断，计算机视觉，图像三维重构、遥感图像处理等领域。

图像匹配是这些应用领域的瓶颈问题，目前很多重要的计算机视觉方面的研究都是在假设匹配问题已经得到解决的前提下开展的。

因此，对图像匹配做进一步深入的研究有着非常重要的意义。

图像匹配是图像处理领域常见的基础问题, 是在变换空间中寻找一种或多种变换, 使来自不同时间、不同传感器或不同视角的同一场景的两幅或多幅图像在空间上一致。

由于拍摄时间、角度、环境的变化、多种传感器的使用和传感器本身的缺陷, 使拍摄的图像不仅受噪声的影响, 而且存在严重的灰度失真和几何畸变。

在这种条件下, 匹配算法如何达到精度高、匹配正确率高、速度快、鲁棒性和抗干扰性强以及并行实现成为人们追求的目标。

根据匹配算法的基本思想可将图像匹配方法分成两大类，即基于区域的匹配方法和基于特征的匹配方法。

两类方法相比而言，基于特征的匹配方法有计算量小，鲁棒性好，对图像形变不敏感等优点，所以基于特征的匹配方法是目前研究的热点。

基于特征的图像匹配方法主要包括三步：特征提取、特征描述和特征匹配。

一、特征提取方法
图像匹配过程中，首先要根据给定的匹配任务和参与匹配图像的数据特性来决定使用何种特征进行匹配。

所选取的特征必须要显著，并且易于提取，在参考图像和待配准图像上都要有足够多的分布，另外，所选择的特征必须易于进行后续的匹配。

在图像配准中常用的特征有特征点，如拐点、角点；特征线，如边缘曲线、直线段；特征面，如小面元、闭合区域等。

1、Harris算法
基本思想：它是一种基于信号的点特征提取算子。

这种算子受信号处理中自相关函数的启发，给出与自相关函数相联系的矩阵M。

M阵的特征值是自相关函数的一阶曲率，如果两个曲率值都高，则认为该点是特征点。

实验结果：Harris算子计算量小，能在一定程度上抗尺度变化，当存在较大尺度缩放时稳定性较差。

并且该算子对旋转，噪声敏感。

2、SUSAN算法
基本思想：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”。

根据USAN的尺寸、质心和二阶矩，可检测边缘、角点等特征。

实验结果：SUSAN算子可提取图像边缘和图像特征点，对明显角点提取的能力较强，较适合提取图像边缘上的拐点。

SUSAN算子提取的特征点抗图像旋转、噪声影响的效果较好。

3、Harris-Laplace算法
基本思想：该算法首先使用尺度Harris角点算子在尺度空间中的每一幅二维图像中检测特征点，尺度维上获得选择大于某一阂值的局部极值作为候选角点，然后再验证这些点是否在Laplacian算子局部极大值。

如果是，则确定为特征点，并将获得极大值的点所在的尺度作为特征尺度。

实验结果：对Harris算法的改进，使其具有更好的尺度不变性。

该算法可提取图像特征点，也
叫特征区域，如图所示每个圆域称为特征区域，圆域的中心称为特征点。

二、图像匹配方法
图像匹配的任务就是寻找同一场景的两幅或多幅图像中像素点之间的对应关系。

我们研究的图像匹配方法主要是基于图像特征的方法，主要包括特征提取、特征描述和特征匹配三步。

SIFT方法是目前效果较好的经典匹配方法，在我们的研究过程中，均是采用SIFT方法作为基准来评价我们提出的算法的。

1、经典SIFT方法
基本思想：建立高斯差分尺度空间DoG，在DoG空间中检测出极值点作为特征点，然后用梯度方向直方图对提取出特征点进行描述，最后利用欧式距离作为度量对两幅图像中的特征点进行匹配。

实验结果：SIFT算法具有平移、尺度缩放、旋转不变性，同时对光照变化、仿射及投影变换也有一定不变性。

2、多视角图像匹配方法
不同视角图像的匹配问题是图像匹配的一个难点。

针对这个难点，我们提出了两种图像匹配方法。

一种方法是结合全局信息（global context）的SIFT特征匹配算法，我们称之为SIFT+GC方法。

首先用SIFT方法在尺度空间检测出特征点, 然后构建结合局部信息（SIFT 向量）和全局信息（边缘信息）的特征描述向量。

另一种方法是采用SIFT描述子和HarrisLBPs描述子加权结合的方法对提取出的特征点进行匹配，我们称之为SIFT&HL方法。

首先提取特征点所在邻域的harris角点图；然后在这个角点图上求出各角点的LBP向量，转变成十进制数；最后将各角点十进制数组成一个一维向量，这个向量就作为该特征点的描述子, 该描述子具有尺度不变、旋转不变和亮度不变的特性, 将SIFT描述子与HarrisLBPs（HL）按照加权平均的方法进行匹配。

这两种方法都对尺度、旋转、亮度变化，特别是存在视角变化（仿射变化）的图像匹配效果很好，优于经典的SIFT方法。

3、多曝光图像匹配方法
多曝光图像匹配是针对于待匹配图像对中存在较大的光照变化提出的。

我们在经典SIFT算法的基础上，通过建立亮度变化空间的全新概念，亮度变化空间是指把输入的原始图像，包括参考图像和待匹配图像分别采用对比度拉伸函数进行亮度变换，得到两组不同亮度对比度的系列亮度变换图像，形成相应的两个亮度变换空间的图像。

在亮度变化空间上结合SIFT提出的方法在每个亮度层上分别提取出尺度不变的特征点。

这样经过亮度变换的两组图像就很容易找到同一空间上的对应的特征点，再对特征点进行特征描述，从而实现了多曝光匹配。

实验结果表明，该方法特别适用于存在剧烈光照变化的图像匹配问题，优于经典的sift方法。

4、乳腺钼靶图像配准方法
图像配准是在不同时间、不同视角或采用不同的传感器得到的两幅或多幅图像在空间几何位置上的对应的过程。

目前，图像配准在医学影像学中的运用备受各国研究人员的关注。

因为从病人的单幅结果图像对病人病情的检测是非常困难的事，即便是一个有经验的放射科医生。

乳腺钼靶图像配准在乳腺癌自动检测中起着关键的作用。

图像配准方法能更好的辅助医生对不同体位或不同时间的两幅或多幅乳腺图像分析对比。

我们提出了一种基于SIFT（尺度不变特征变换）和GTM（图变换）算法相结合的钼靶图像配准方法。

首先，通过SIFT算法提取参考图像和待配准图像中的特征点，匹配两幅图像并得到两幅图像的特征点对；再通过GTM算法去除SIFT算法得到的错
误匹配；然后采用基于点对的TPS插值算法对待配准图像进行空间变换，最后得到配准图像。

实验中我们采用归一化相关系数和误差平方和对配准结果进行分析，结果表明我们提出的方法优于SIFT方法。