摘要：提出了一种新的基于特征点的快速图像匹配算法。 该算法结合角点特征和灰度值特征，定义基于Harris角点的灰度值特征，充分利用角点灰度值以及角点周边灰度值和位置信息，并根据这些信息进行匹配。 实验结果表明，该算法不仅速度快，而且同样适用于灰度值分布不均匀的图像与含噪图像的匹配。
关键词：图像匹配； 特征点； 灰度值； 哈里斯拐角； 噪声
图像对齐“1”是指同一目标上两个或多个图像的空间对齐。 图像对齐的过程称为图像匹配(Image Match )。 图像配准广泛应用于航空航天技术、图像镶嵌与融合、地理信息系统、医学图像分析、虚拟现实和机器人视觉等领域。 国内外许多学者在图像匹配方面进行了大量的研究，但还没有一种方法能普遍适用于解决各种图像匹配问题，许多方法都是针对实际应用中遇到的问题提出的。 一般的图像匹配方法根据其匹配方法的不同[2-4]，分为基于灰度的[5]、基于特征的[6]、基于理解的[7]三种。 基于灰度的图像匹配方法具有精度高的优点，但对图像灰度变化很敏感，特别是非线性变化的光照变化严重降低了算法的性能。 对计算复杂的目标旋转、应变和遮挡很敏感。 基于特征的图像匹配方法可以克服基于灰度的图像配准方法的缺点，由于图像的特征点远远少于图像的像素点，可以大大减少匹配过程中的计算量； 特征点提取过程可以减少噪声的影响，对灰度变化、图像变形及遮挡等有很好的自适应能力。 基于理解的图像匹配技术才刚刚开始，还没有显著的进步。 本文算法将基于灰度的图像匹配方法与基于特征的图像匹配方法相结合，首先利用Harris角点检测算法找到角点，然后基于找到的角点定义新的特征点，并将该特征点作为匹配的根实验表明，该算法不仅速度快，而且同样适用于灰度值分布不均匀的图像与含噪声的图像的匹配。
1传统的模板图像匹配算法
现有的基于灰度的模板图像匹配技术[8]，使模板t在搜索图像s上移动，将被模板复盖的块搜索图称为子图Si、j、I、j，是该子图的左上角的像素点在s图像中的坐标，是其中一个
基于Harris角点的快速匹配算法
2.1哈里斯拐角检测
赫里斯角点检测算法由赫里斯c和斯台普斯m于1988年在参考文献[9]中提出，是参考文献[10]中Moravec角点检测算子的扩展。 Moravec角点检测算法的主要缺点是噪声，特别是边缘响应是敏感的响应，因为没有准确地找到所有角点，图像没有经过降噪处理。 Harris算法受信号处理自相关函数的启发，给出了自相关函数相关矩阵m。 m列的特征值是自相关函数的一阶曲率，如果图像中某一点矩阵的曲率值都较高，则认为该点是特征点。 Harris算法的表达式如下：
2.2基于Harris角点的图像特征点
为了实现快速准确的图像匹配，本文基于图像Harris角点定义了新的特征点，并以该特征点作为匹配的依据。
在说明算法之前，定义如下。
定义一阶特征点：在所有检测到的哈里斯拐角点中，拐角点的灰度值占其8附近灰度值之和的比例最大的点。
如果检测到相同的一次特征点，即，两个像素点都是一次特征点，但是如果图像内的位置不同，则可以类似地定义二次特征点。 也就是说，考虑1次特征点区域内的24点，可以将2次特征点作为匹配的依据，并且可以同样地定义其他各次特征点。
以基于Harris角点的灰度值特征点为匹配依据，在减少计算量的同时利用了灰度值的正确性。 特征点的选取方式决定了对噪声不敏感，对于灰度分布不均匀的匹配问题也同样适用。
算法的步骤如下。
(1)用Harris角点检测算法检测模板图像t，找到角点；
)2)在检测到的Harris角点找到一次特征点，如果有多个一次特征点，则查找更高阶的特征点。 之所以不对参照图像s进行角点检测，是因为通常参照图像大，需要时间；
(3)在参考图像s中，找到灰度值与一次特征点的灰度值相同的所有点，计算该灰度值与八邻近灰度值之和的比例是否与一次特征点相同，如果相同，则该点的位置成为模板图像上的特征点在参考图像上的位置。
在本论文中找到的模板图像上的点和参照图像上的对应点不是以往模板图像的左上角的点，但简单换算的话就知道左上角的点的位置和在参照图像内的定位图像的位置。
该方法的具体流程如图2所示。
3实验结果分析
为了验证本文匹配算法的有效性，分别用一组参考图像和相应的模板图像进行了实验。 实验环境为：英特尔酷睿i3 M370 2.40 GHz CPU、2 GB DDR3内存、Windows 7旗舰和MATLAB 7.7.0。 图3是参考图像为256256的lena图、模板图像尺寸为6767的模板图像与参考图的匹配结果。 模板图左上角的像素点在参照图中的坐标为[ 60，70 ]，一致的特征点的对坐标分别为[ 2，36 ]和[ 61，105 ]。
为了
说明本文算法速度上的优越性，将本文算法分别与传统模板匹配算法、序贯相似性检测算法[11](SSDA)进行了比较,共进行了100次匹配，实验结果如表1所示。本文在经Harris角点检测处理过的图像的基础上，定义了一种灰度值特征，并以此灰度值特征作为匹配依据。实验证明，与传统模板算法和SSDA算法相比，本文算法在保留精确性的同时具有更快的速度，并且对含有噪声的图像也能很好地找到匹配点。本文算法也有一定的局限性，当模板图像角点特征不明确时,可能由于检测不到角点而导致方法失效。
参考文献
[1] mhdc. 现代数字图像处理技术提高及应用案例详解(MATLAB版)[M].北京:北京航空航天大学出版社，2012.
[2] RADKE R J，ANDRA S，AL-KOFAHI O，et a1． Image change detection algorithms：a systematic survey[J]． IEEE Transactions on Image Processing，2005，14(3)：294-307．
[3] 冷静的钻石，忧心的未来．一种基于Harr小波的快速模板匹配算法[J]．计算机工程，2005,31(22):169-171.
[4] ZITOVA B，FLUSSER J．Image registration methods：a survey[J]． Image and Vision Computing，2003，21(11)：977-1000．
[5] THORNTON J，SAVVIDOS M． A bayesian approach to deformed pattern matching of iris image[J]． IEEE Pattern Analysis Machine Intelligence，2007，29(4)：596-606．
[6] JAIN A K，CHEN Yi． Pores and ridges： high-resolution fingerprint match using level3 features[J]． IEEE Pattern Analysis Machine Intelligence，2007，29(1)：15-27．
[7] KOLMOGOROV V．Graph based algorithms for scene re．construction from two or more views[D]． New York: The Graduate School of Cornell University，2004．
[8] STEFANO L D，MATTOCCIA S．ZNCC-based template matching using bounded partial correlation[J]．Pattern Recognition Letters，2005(26)：2129-2134．
[9] HARRIS C， STEPHENS M． A combined corner and edge detector[C]. Proceedings of the 4th Alvey Vision Conference，1988：147-151．
[10] MORAVER H P． Towards automatic visual obstacle avoidance[C]． Proceedings of International Joint Conference on Artificial Intelligence，1977：584-590．
[11] BARNEA D I，SILVERMA N H F． A class of algorithms for digital image registration[J]．IEEE Thansations on Computer， 1972，C-21(2)：179-186.