高甜
信息技术的迅猛发展,带动图像匹配技术日益成为信息处理,尤其是图像处理学中的基准环节。本文先介绍图像匹配技术,并根据不同的匹配技术,介绍相应的研究现状和应用情况。
图像是对客观事物的直接描述,是人们获得信息、认识事物、观察世界的中枢环节。图像匹配是在不同时间,用不同传感器从不同角度拍摄的同一个场景的2幅或多幅图像,让其在空间上匹配,用来确认他们之间关系变换的过程。图像匹配技术最早于1970年美军首次应用于飞行器导航,随后,在不同的实际应用要求下,学者为了提高图像匹配的精度、速度、通用性和抗干扰性,进行了深入研究。
图像匹配的方法大致分成两类:基于灰度匹配的方法,直接利用图像的灰度进行匹配,较高的匹配精度是其特有的优势,但也有计算量大、计算速度慢的缺点;另一类则是不依赖于灰度值而需事先提取图像特征,然后与被提取特征的图像进行匹配操作的基于特征匹配方法。图像匹配过程,需以特征空间、相似性度量函数和搜索策略为研究角度。这三者是决定匹配精准度、实时性以及鲁棒性的重要因素。评判图像匹配质量的好坏,要综合考量整体的匹配概率、匹配精度以及匹配速度。性能优越效果显著的匹配算法,一般匹配概率尽量高,匹配误差尽可能小,抗干扰能力强且耗时短,具有相当的实用性。
国内外学者在研究图像匹配技术时,主要关注以下几个方面,改进匹配算法本身以更高匹配精度和速度实现图像匹配,或者通过实验探究出更好的描述算子,增强算法的普遍适用度。
基于灰度匹配的方法中,传统经典的算法有MAD,SSDA,NCC等,针对其计算量大的问题,众多研究者尝试利用新兴的群智能算法如粒子群算法、模拟退火算法、人工蜂群算法和细菌觅食优化算法,也有将不同的智能算法优势互补之后,再与傳统的图像匹配算法结合。利用群智能算法本身的优势,将传统匹配算法设置为智能算法的适应度函数,并利用智能算法作为搜索策略进行高效并行寻优,很快找到目标图像在原图像中的最佳匹配位置,同时也为这类研究算法指引方向,不断研究出新的图像匹配算法。
基于特征的图像匹配技术本质是将2幅图中提取到的2组特征向量集合,通过比对特征向量的相似性,得到相似性最高的特征向量用以匹配。因为特征的选择,描述算子匹配方法都各有不同,方法选择的空间也很广泛。经典的特征描述算法有SIFT算法、Harris算法和ORB算法等。这类算法研究着重于提高图像抗噪性能力与匹配效率,更多地是引入应用与场景重建、识别等领域。
现在,图像匹配的应用早已从单一图像领域扩展至目标识别与跟踪、气象学、光学与雷达跟踪、环境监测、航空摄影测量和遥感等多个核心科技信息应用范畴。也可将应用于算法结合作为研究方向,以应用驱使算法不断改进更新。