图像匹配算法研究概述

图像匹配算法研究概述

陈秀芳 1 ；袁峰超 2

(1. 商丘工学院，信息与电子工程学院， 河南 商丘 476000;2. 商丘工学院，机械工程学院，河南 商丘 476000)

摘要：图像匹配是信息领域中的一项重要技术，同时也是其它一些图像处理技术的基础。因此,对现有匹配算法展开研究以提高图像处理质量具有十分重要的意义。本文分析了图像匹配常用方法的优点和不足之处，讨论了图像匹配中需要进一步研究和解决的问题。

1.研究背景和意义

人们通过视觉获得外界信息，而信息又以图像作为载体,随着科技的不断发展，通过对图像进行处理来感知信息已经成为生活的重要组成部分。图像匹配技术已经成为学者们研究的一个热点，近些年来也出现了各种图像匹配算法。

图像匹配与很多信息处理方法都紧密相关，同时它又是一些图像处理技术的基础，所以在很多领域都得到了很好的应用^[1]:如在计算机视觉领域、医学领域、遥感信息领域等。

由于现实的需求的不断提高，这就要求图像匹配算法有着更高的性能，实现快速准确的图像匹配算法能带来更多的实用价值，所以对现有算法展开研究和改进，提高算法的精度和效率还是很有意义和前景的。

2.研究现状

在最近几十年中，国内外研究者研究出很多种图像匹配算法，可分为基于灰度的图像匹配和基于特征的图像匹配，都致力于提高算法精度和速度，并取得了一定的成果。

早期图像匹配方法以角点检测与匹配为主，从Harris角点检测到FAST检测，以及对这类角点检测算子的改进方法。SIFT方法的提出将研究者的思维从角点检测中解放出来^[2]，是迄今为止被该方向引用最多的技术。目前，基于深度学习的图像匹配方法逐步兴起，这类算法匹配精确度更高。

图像匹配技术在国内外都得到了一定的发展，但是基于复杂的拍摄环境，图像匹配过程中很容易受到外部因素的干扰，并且随着社会的发展，人们对匹配的精度和实时性都提出了更高的要求，现在还没有一种算法能够解决所有的匹配问题。所以在未来很长一段时间内，对算法改进仍是当下研究的热点。

3.图像匹配三要素

所谓的图像匹配就是把两个图像进行配准，以获得图像之间的映射关系。目前对图像匹配的研究都是基于图像匹配的基本要素:特征空间、相似性度量、搜索策略。

(1)特征空间

所谓特征空间^[3]就是图像中具有代表性的、稳定的、可以用来实现精准匹配的特征集合，也就是从终像中提取的特征集。选取的特征必须是原始图像和待匹配目标图像所共同具有的特征。可以作为图像特征的量有很多，如角点等。

特征空间是图像匹配的关键一步，选择不合理会加大搜索空间，降低匹配精度，削弱算法性能，直接影响匹配结果。

(2)相似性度量

相似性度量就是计算图像局部特征向量之间相似程度，反应了图像之间的匹配度，直接对匹配结果产生影响。

(3)搜索策略

图像匹配的又一重要关键要素是选取合适的搜索方式以提高效率为目的寻找最佳参数的过程，即搜索策略。搜索策略得出最佳参数的时候也就是特征描述子匹配最佳的时候。

4.匹配算法的性能评估准则

图像匹配算法的好坏，需要根据实际匹配效果判断，如鲁棒性如何，抗干扰性如何，是否满足实时性的需求等，而用于评价这些性能的指标就是图像匹配算法性能评估准则。目前常用的算法评估标准总结如下:

(1)匹配精确度

匹配精确度^[4]是图像匹配领域中重要的评价指标之一，实际中，常通过均方根误差来反应匹配精确度的高低，误差越小精确度越高，反之则精确度越低。MSE越小则表示算法的匹配性能越好。

(2)匹配速度

匹配速度用算法完成一次匹配所用的总的时间多少来衡量，总的时间包含算法各个阶段所消耗的时间，因此通过改进算法的某个阶段以减少该阶段的计算量，进而减少整个算法的时间消耗，实现提高算法速度的目的。针对不同的算法各自的特性，可以选择不同的改进方法，针对基于图像灰度信息的匹配算法，减少搜索次数可以降低算法的运算复杂度，而对于基于图像特征的匹配算法，则可以通过减少特征点的冗余信息、选取合适的特征相似性度量方法或者通过优化匹配策略来实现。

(3)匹配正确率

所谓匹配正确率就是在限定的误差范围内，图像匹配正确的概率，正确率越高代表有越多的有用特征点，算法准确度越高，匹配效果就越好。

5.常用匹配算法

通过研究现有算法可知，图像匹配算法经过学者的不断改进，对于不同的场景需求对应着不同的方法。本文将匹配算法划分为基于灰度的匹配方法和基于特征的匹配方法两大类。

基于图像灰度的匹配方法通常直接利用整幅图像的灰度信息^[5]，建立两幅图像之间的相似性度量,然后采用某种搜索方法,寻找使相似性度量值最大或最小的变换模型的参数值。这类算法直接利用灰度信息,因此能提高精度，但是计算过程较长，且灰度值也很容易受到外界因素变化的影响。

基于图像特征的匹配方法需要对图像进行预处理，然后提取图像中保持不变的特征，主要运用的是图像的点、线、面特征信息作为匹配的参考信息，这种方法的主要优点是它提取了图像的显著特征，压缩了图像的信息量,使得计算量小，且对图像的灰度变化不敏感。所以它在在图像匹配领域占据着越来越重要的位置。

6.不同算法对比

可以了解到，图像匹配技术已经涉及到生活中的诸多领域，正是由于它应用的广泛性，同时它也推动着图像处理技术的不断发展，由此对匹配技术就提出了新的要求以及更广泛的应用，这就需要对匹配算法的研究不断深入，进而衍生出很多新的算法，旨在提高其速度和精度。但是由于环境的复杂多变性，现有的算法在某些方面都有缺陷，没有一种算法能解决所有的匹配问题。

7.小结

图像匹配研究作为计算机视觉和图像处理中的主要内容,有着重要的理论和实践意义。由于成像过程中各种不可预知因素的影响，该问题至今尚未得到很好的解决，虽然已经取得了很大的进展。但仍有很多问题值得研究和进一步探讨:

(1)匹配算法的融合，结合各个算法的优缺点，克服单个算法的局限，提高匹配算法性能。

(2)算法为了降低复杂度，对图像进行了灰度化，在灰度图上提取特征，进而完成匹配，忽略了原始图像的彩色信息，就降低了对比度，可能会导致存在颜色差异而灰度值却相同的区域不能提取出特征点问题，因此可以考虑加强彩色图像研究。

参考文献

[1]Zitova B.Flusser J. Image registration methods:a survey [Jl. Image and Vision Computing200321(11):977-1000.

[2]Liu Qiong etal. Design and implementation of parallel algorithm for image matching based on Hausdorff Distance[J].Microprocessors and Microsystems,2021,82:34-86

[3]丁苏楠，张秋菊基于改进SIFT算法的图像匹配方法[J].传感器与微系统，2020，39(10):45-47+50.

[4]贾迪，朱宁丹，杨宁华，吴思，李玉秀，赵明远图像匹配方法研究综述[J].中国图象图形学报，2019，24(05):677-699.

作者简介：陈秀芳，女，现任教于商丘工学院信息与电子工程学院。