文章目录
图像匹配
图像匹配：通过对图像内容、特征、结构、关系、纹理及灰度等的对应关系，相似性和一致性的分析，寻求相似图像目标的方法。
如：已知两幅图像AB，在图像A中寻找最相似的图像B。
图像匹配的方法有很多，比如基于灰度的匹配及基于特征的匹配等，本文主要介绍基于灰度的匹配算法中的NCC算法。
NCC算法
-
NCC（normalization cross-correlation）归一化相关性匹配算法，在图像匹配领域占据重要地位，对噪声具有一定的鲁棒性，不受亮度变化的影响，但是它对存在旋转的图像不能进行匹配。
-
在图像采集中往往会因为环境变化等出现亮度的变化，该算法能很好地解决亮度变化的问题。但是我们一般用NCC算法进行粗匹配，目前匹配算法采用更多的还是基于特征的匹配方法，但是基于特征的匹配会丢弃很多点，精度有所下降。
-
NCC算法是区域匹配算法，就可以对特征区域部分进行匹配，可以提高单个特征匹配的精度，还能提升整体模型的速度，同时抵消灰度变化带来的影响。
NCC算法基本原理
-
首先规定一个一定大小的模板图像灰度矩阵，让它在参考图像的所有可能的灰度阵列中，按某种相似性度量方法进行逐像素的搜索比较，从而进行匹配。
-
核心思路：归一化待匹配目标之间的相关程度，将NCC处理的结果归到[-1，1]范围内。越接近1说明相关性越大，说明两幅图像越相似，反之反之相似度越低，导致无法匹配。因此NCC输出结果的好坏，即可设置一个阈值，通过比较来确定。
由此，NCC不仅可以作为图像匹配算法，还可作为图像拼接融合的客观评价指标，进行相似性的判别。
NCC算法优缺点
缺点：
-
需要遍历所有点的组合，计算时间久。
-
匹配结果受区域块大小的影响。如果区域特征块选取的范围太大，对于含有特征点少的区域块来说就会产生大量的冗余计算，从而算法效率低，如果选取的区域块过小，那么特征点周围的灰度信息不能很好的表达，从而容易导致误匹配。
-
改进方法：可优化点集，将相关性低的特征点剔除（计算目标点与临近点的距离，并设置阈值来剔除）。分析特征块大小对相关系数的影响，从而选择更合适的块大小。
优点：
-
不受灰度值线性变化影响，因此可解决亮度变化问题。
-
适用于纹理、模糊图像以及边缘微变形图像。
-
匹配精度高，不易出现误匹配
NCC计算公式
S：参考图像；参考图像尺寸M_N；R：NCC计算后的输出匹配值；T模板图像；模板图像尺寸：m_n，也称为匹配窗口。
分子是某点灰度值减去平均灰度值的求和。分母是两幅图像灰度标准偏差的乘积。
如果一个图像线性依赖于另一个图像，那么(m，n)∈C，其中C表示重合区域；T = a_S + b ，则NCC值为1，正相关，如果a是负数，那么值为-1，负相关。
方法：将匹配窗口置于参考图像上，然后左上角点（i，j）称为参考点。NCC是计算模板区域与参考图像覆盖区域的匹配度，然后将模板窗口在参考图像由左向右，由上到下的进行平移，逐像素的遍历整个参考图像，最终在整个参考图像中找到匹配度最高的子图作为匹配的结果。
NCC归一化相关匹配算法的Matlab实现
步骤如下：
- 读入参考图像和模板图像
- 获取模板像素并计算均值与标准方差
- 根据模板大小，在目标图像上从左到右，从上到下移动窗口，从而逐像素的计算窗口内像素与模板像素的ncc值，与阈值比较，大于阈值记录位置
- 根据位置信息，采用红色矩形标记出模板匹配的结果。
clear all;
close all;
src=imread('1p.jpg');%读入参考图
[a b d]=size(src);%获取图像长宽以及通道数
if d==3
src=rgb2gray(src);%判断是否灰度图，若不是则转为灰度图，基于灰度的匹配
end
mask=imread('3p.png');%读入模板图
[m n d]=size(mask);
if d==3
mask=rgb2gray(mask);
end
mask=im2double(mask);
N=n;%模板尺寸
M=m;
P=a;%待搜索图像尺寸
Q=b;
%%进行匹配
dst=zeros(P-M,Q-N);%创建矩阵，存放模板计算出的结果
S=M*N;
for i=1:P-M %子图选取，逐个像素
for j=1:Q-N
temp=src(i:i+M-1,j:j+N-1);%当前子图
temp=im2double(temp); %注意要将int转为double型
temp_m=mean(mean(temp));
mask_m=mean(mean(mask));
a=((sum(sum((temp-temp_m).*(mask-mask_m)))));
b=(sqrt(sum(sum(((temp-temp_m).^2))))* sqrt(sum(sum(((mask-mask_m).^2)))));
dst(i,j)=a/b; %NCC值
end
end
abs_max=max(max(dst));%%寻找最小值
[x,y]=find(dst==abs_max);
figure;
imshow(mask);title('模板');
figure;
imshow(src);
hold on;
rectangle('position',[y,x,N-1,M-1],'edgecolor','r');%在参考图上框选匹配出的结果
hold off;title('搜索参考图');
toc
disp(toc) %显示运行时间
%命令行输入如下，进行ncc值的输出，对NCC取阈值，即可判断匹配效果是否符合要求
%dst(i,j)
我们用下面两张图像来模拟同一个相机连续拍摄的两张图像（此时相机没有旋转），其中有一个位置是重复出现在两帧图像中的，（相当于我们图像拼接中的重叠区域）因此我们采用NCC算法进行匹配，并将匹配的区域进行框选。
效果图如下：
左是模板图，右是搜索参考图，红色框的位置是匹配结果。
通过效果图可看出，我们在参考图中找到了相似度最高的模板图，也就实现了匹配。
因此我们即可通过NCC算法来衡量两个区域之间的相似度，可以作为图像拼接融合的评价指标，重叠拼接部分越相似，说明拼接融合效果越好。
补充：
为什么我们给的模板图像和参考图像都是在同一水平线上的？
这里构建相关窗口的前提是两帧图像之间已经校正到水平位置，即光心处于同一水平线上，此时极线是水平的，这样的画，匹配过程无需在倾斜的极线方向上完成，能节约更多计算资源。所以我们在图像拼接质量评估的时候，也是基于水平图像的一种匹配计算。
为什么给予小尺寸图像进行测试？
NCC算法是逐像素进行计算的，因此计算速度比_较慢，我们验证该算法，即可采用两个比较小尺寸的图像来进行，节约运行的时间，我这里的参考图像是645_210，模板图像是450*185，所需要的时间是788秒。
图像配准精度计算
这里补充一个图像配准精度的计算方法，其中图像配准精度由匹配率和正确率构成。
匹配率=匹配数/特征点数；
正确率=正确配准数/匹配数；
问题：
可以正常的匹配图像，在Matlab输入如下的命令也可以进行NCC值的输出，但是输出值出现问题，却没有影响匹配，给了两张几乎一样的图像，本应该输出一个接近1的数值，但是却输出了一个接近-1的数值。但是有一个规律，如果重合区域偏左边，值为负数，如果偏右边为正数，但是不管正负，只要有重合区域就会被搜索到并框选出来。
评论（1）
您还未登录，请登录后发表或查看评论