本科毕业设计论文题目红外与可见光图像配准专业名称自动化学生姓名指导教师毕业时间2014.06毕业 任务书一、题目红外与可见光图像配准二、研究主要内容选题来源于科研项目。

红外与可见光图像由于相关性小，缺乏一致性特征，因此配准的难度较大。

针对红外与可见光图像配准的研究，拟采用基于特征的图像配准算法。

配准算法中核心的部分在于特征的提取和特征的匹配两个部分。

特征提取拟采用Harris 角点或Susan 角点检测算法，这两种算法稳定性好，也适合实时性场合需要。

特征匹配阶段根据图像物理特性选择合适的匹配测度及匹配算法。

最终实现一种自动、快速、较高性能的配准方法。

三、主要技术指标1、开发工具采用OpenCV ；2、配准时间1秒左右，精度小于1个像素。

四、进度和要求第1-2周：初步查阅与本次毕设有关的背景知识、论文以及书籍，并进行分析、总结，理解所研究的问题。

第3-4周：学习掌握OpenCV 、图像配准的相关知识。

第5-6周：实现Harris 角点,ORB 或者BRIEF 法对图像特征进行提取。

第7-8周：确定特征匹配算法。

第9-10周：用OpenCV 实现算法的程序。

第11-12周：用OpenCV 实现算法的程序。

第13-14周：程序测试。

第15-16周：撰写毕业设计论文，准备论文答辩。

五、主要参考书及参考资料[1] 田伟刚。

基于点特征的多源遥感图像配准技术。

西北工业大学硕士学位论文，2008年设计论文[2] 苑津莎，赵振兵，高强等。

红外与可见光图像配准研究现状与展望。

激光与红外，2009，39(7)：693-699[3] C. Harris，M. Stephens．A combined corner and edge detector．In：Proceedingsof the Fourth Alvey Vision Conference．Manchester：the University of Sheffield Printing Unit，1988，pp147~151[4] S.M. Smith，J.M. Brady．SUSAN-A new approach to low level imageprocessing．Journal of Computer Vision，1997，23：pp45~78[5] S. Ranade，A. Rosenfeld．Point pattern matching by relaxation．PatternRecognition，1980，12：pp269~275[6] D. P. Huttenlocher，G. A. Klanderman，W. J. Rucklidge．Comparing images usingthe Hausdorff distance．IEEE Transactions on Pattern Analysis and Machine Intelligence，1993，15(9)：pp850~863[7] M. P. Dubussion，A. K. Jain．A modified algorithm using robust hausdorff distancemeasures．Proc. of 12th Int. Conf. on Pattern Recognition，Jerusalem，Israel，1994：pp566~568[8] D.G. Sim，O.K. Kwon，R.H. Park．Object matching algorithm using robustHausdorff distance measures．IEEE Trans. on Image Process，1999，8(2)：425~429[9] 周成平，蒋煜，李玲玲等。

基于改进角点特征的多传感器图像配准。

华中科技大学学报，2005，33(11)：pp1~4学生学号 __________ 学生姓名指导教师 __________ 系主任本科毕业设计外文翻译专业名称自动化学生学号2010302197学生姓名郑平指导教师李晖晖完成时间2014.05.25本科毕业设计英文翻译指导教师评阅意见学生姓名：郑平班级：09011006 得分：请指导教师用红笔在译文中直接进行批改，并就以下几方面填写评阅意见，给出综合得分（满分按100分计）。

1、专业术语、词汇翻译的准确性；2、翻译材料是否与原文的内容一致；3、翻译材料字数是否符合要求；4、语句是否通顺，是否符合中文表达习惯。

中文译文：在高分辨率遥感图像自动目标检测使用基于轮廓的空间模型Yu Li, Xian Sun, Hongqi Wang, Hao Sun, and Xiangjuan Li摘要—在这篇文章中，我们提出了一种基于轮廓的空间模型，可以准确地检测出地理空间目标的高分辨率遥感图像。

为了检测结构复杂的地理空间对象，每个图像被划分成使用多个分割的第一件作为目标候选区域。

然后，自动识别目标种子区域是通过计算与使用动态编程的目标模板的轮廓信息的相似度来实现。

最后，基于轮廓的相似性进一步更新，并结合空间关系找出缺少的部分。

以这种方式，更精确的目标检测结果可以实现的。

精度，鲁棒性，所提出的方法的有效性通过了实验结果进行了论证。

关键词：几何信息，图像分割，空间关系建模，目标检测。

一介绍目标检测是在高分辨率遥感图像分析中最具挑战性的任务之一。

随着遥感成像技术的发展,高空间分辨率可以为目标检测提供丰富的空间和上下文信息[1]。

使用这些信息为检测准确地理空间目标和复杂的结构提供了机会，如飞机。

虽然近年来目标检测和分割等领域得到了广泛的研究，许多作者分别考虑这两个任务是常见的。

目标检测已被使用来实现，例如，星座模型[2]和变形形状模型[3]。

然而，通过这些方法在目标检测中结果不够精确。

一些研究目标检测与分割相结合的调查研究已经实现，如视觉类过滤器[4]和隐式形状模型[5]。

由于缺乏空间和结构信息，有些方法只能得到有限的成功的应用程序数据。

此外，很难找到一个很好的分区方法，该方法可以很好地用于在复杂场景中的所有物体，如高分辨率遥感图像。

多重分割收到显著的注意，因为在一个图像中的目标中一些分割的一些地区几乎是正确的。

有意义和有趣的物体使用多个分割提取[6][7] 。

现在的问题是如何从图像段的池中挑选出有意义的区域。

阿克恰伊和索伊[6]和Sun 等[7]提出的方法是基于使用的概率潜在语义分析模型的外观信息[6]和潜在狄利克雷分配模型[7]，其中一个目标被表示为更小的视觉刺激的集合。

这些方法由于强大的本地图像描述符可以达到令人印象深刻的结果。

然而，本地的外表并不是物体检测的唯一通道。

然而，当地的外表并不是物体检测的唯一通道。

实际上，该形状提供了对象的某些类不是本机的外观的详细信息，因为在极端的光照条件下形状是不变的。

最近，基于形状的方法日益受到重视。

提出了先进的目标检测的结果优于以外观为基础的方法[8]-[10]。

捕获的目标的形状信息的模板在基于形状的方法被经常使用的[11][12]。

然而,所有这些方法隐式需要稳定和连接边缘在图像底层表示,这通常打破,淹没在大量的杂物在遥感图像中。

这篇文章提出了一种新的方法，它可以检测目前在高分辨率遥感影像的地理空间目标和目标边界的精确描述。

贡献有三个方面。

首先，空间（CBS ）模型提出了分割，并同时检测目标实例的轮廓。

第二，线段的轮廓，而不是提取的边缘，而是结合相似度计算用于识别该有意义的目标区域。

这是分割后自然和简单的方式，可避免杂乱和提供良好的边缘提取帮助。

第三，在我们的模型中，空间关系的函数用来代表不同的图像块，可以帮助实现准确的检测结果。

二 种子区域识别在本节中对目标种子区域识别进行描述说明。

该问题可以分解为三个阶段。

首先，多个分割是用来从给定图像中提取候选区域。

其结果是一组图像块。

在此之后，使用形状描述符得到每片的轮廓信息。

最后，每一个图像的轮廓与目标模板的相似性是通过动态规划计算和类似件被拾取作为目标种子的区域。

模板是根据目标的形状信息生成的。

这些阶段被示于图1，以下各节描述了该算法的细节。

图1 我们的目标检测算法的方法的概述：一个单一的二进制掩码作为目标模板给出。

A .多个分段算法第一步的目的是获得图像的足够的候选区域，这获得正确的目标种子区域的机会很高。

因为不是所有的分割预计是正确的，所以分割算法的选择不是关键的。

规范化削减框架[13]用于产生候选区域，因为它的目的是找到具有机会成为目标的大段全局分割以产生多个分割，我们改变分割算法的一个关键参数，段的数目。

根据图像的大小，我们执行的分割算法包含参数组⎡⎤⎡⎤H W c H W c c c i i i i ⨯≤≤⨯+=+βα,2:1 (1) 其中W 和H 是图像的宽度和高度，┌┐是顶函数上的功能。

α和β是该段的系数（βα=是指单一分割和βα<表示的多个分割）。

图2显示了一组产生分割一个例子形象。

图2 图像及其05.0,015.0==βα多个细分采样，所选择的图像块用不同颜色显示。

B .分部信息说明从分割得到的区域都使用的形状描述代表他们的轮廓信息。

形状描述符在翻译、规模、旋转,和轻微的形状变化[14]中将健壮且具有不变性特性。

形状上下文（SC ）的描述符是一个全面的选择。

SC 的想法最早由Belongie 等[15]提出。

它描述了具有里程碑意义的在边缘点周围的点的相对空间分布。

通过从轮廓进行采样的一定边缘点序列}21,{n i p i 、=给定一定片段P ，在i p 处，SC 被定义为一个直方图H1的相对坐标的1-n 个点。

直方图是统一于空间2log polar -}1),(,:{#)(K k k bin p p i j p k h i j j i ≤≤∈-≠= (2)其中＃表示集合的基数，)(k bin 是第k 个bin ，T S K ⨯=是bin 的数量，而S 和T 分别表示距离和方向的数量。

它需要)(2n O 时间去计算直方图N 个采样点。

图 3显示了一些SC 。

图3 例如以12,5==TS的SC。

最上面一行显示三个对象具有一个显着的一点红点。

最后一行显示的SC。

请注意，计算了三个形状相似的位置点在SC是相似的。

C.分类选择形成对于每个描述符段轮廓后，我们的目标是搜索类似的片段作为目标种子区域。

相似度计算是由轮廓匹配得到的，这是寻找一组两个轮廓之间的对应关系。

Belongie等人所用的框架组合SC和薄板样条[15]，并表明它对于形状匹配的任务是非常有效的。

Thayananthan等人[16]提出了一个SC匹配包括形状连续性约束的高效动态规划方案。

我们的方法包括通过假定轮廓点是有序的，并使用动态编程在轮廓采样点相匹配的SC类似的约束。