图像的匹配与识别源码_图像匹配技术

文章目录：

• 1、图像识别和图像匹配的区别是什么？
• 2、人脸图像如何匹配和识别？
• 3、求教：怎样实现图像匹配啊，最好有MATLAB源程序，急用啊
• 4、基于局部特征的图像匹配与识别有哪些方法

图像识别和图像匹配的区别是什么？

可以说图像匹配是图像识别的一种，图像识别是对图像根据特征进行分类，匹配是根据两幅图像之间的相似程度区分

人脸图像如何匹配和识别？

其提取人脸图像的特征数据库中存储的特征模板进行搜索匹配，通过设定一个阈值，当相似度超过这一阈值，则把匹配得到的结果输出，人脸识别就是将待识别的人脸特征与已得到人脸特征模板进行比较，根据相似程度对人脸的身份信息进行判断。这一过程又分为两类：一类是确认，是一对一进行图像比较的过程，另一类是辨认，是一对多进行图像匹配对比的过程。

求教：怎样实现图像匹配啊，最好有MATLAB源程序，急用啊

您好!

实验平台

X86 PC，Windows XP sp2, Matlab 7.1

资源的获取

图片资源来自，其中每个压缩包里存有两副图片，每副图片以矩阵形式保存。

matlab工具的使用方法：查看帮助mage Processing Toolbox User's Guide——Image registration。

涉及配准方法简介

该工具箱提供的配准方法均需手工选择图像间的匹配点对（control points pair），均属于交互配准方法。其基本过程为：读入图像数据－在两副图像上选择足够匹配点－选择配准算法，计算变换参数－变换图像。

假设input image（输入图像）为欲进行配准的图像，base image为配准是的参考图像。以下是我参考matlab帮助给出了简介。

1．线性正投影（linear conformal）：最简单。平面映射成平面。

当输入输入图像与参考图像对比，只是存在全局的平移、旋转、缩放或其三者组合的差别时（正方形仍对应正方形），选择此配准方法。此方法至少需要2对匹配点。

2．仿射（affine）：将平行线转换成平行线。

当输入图像形状存在切变现象（正方形对应平行四边形），选此法。至少需3对匹配点。

3．投影（projective）：将直线映射成直线。

如果输入图像呈现倾斜，翘起现象，选此法。至少需4对匹配点。

4．多项式（polynomial）：将直线映射成曲线。

如果输入图像出现不规则曲变，采用此法。Matlab中提供有2、3、4次幂的实现，分别至少需要6，10，10对匹配点。

5．分段线性（piecewise linear）

如果输入图像的各个局部之间的退化模式明显不一样，选此法。至少需要4对匹配点。

6．局部加权平均（local weighted mean）

与分段线性一致，但效果较之好。至少需要6对（推荐12对）匹配点。

实验步骤

1．读取图像数据。

因为源图像以矩阵形式存在一个二进制的文件里，用fread可将其读取到变量矩阵中。将读取文件编制成一个子函数(RTIread.m)，源代码如下：

function imMatrix=RTIread(FILENAME,SIZE)

%RTIread Read the image matrix from binary "Registration Test Image" file.

% imMatrix=RTIread(FILENAME,SIZE) opens the file FILENAME, and reads the

% number of elements specified by SIZE.

%

% FILENAME is a string containing the name of the file to be opened.

% Valid entries for SIZE are:

% N read N elements into a column vector.

% inf read to the end of the file.

% [M,N] read elements to fill an M-by-N matrix, in column order.

% N can be inf, but M can't.

%

% It returns the image matrix.

fid=fopen(FILENAME,'r');

imMatrix=fread(fid,SIZE,'uint8=uint8');

fclose(fid);

%image(imMatrix);

这里我们选取了两张600×600的图片，文件名为“casitas84”和“casitas86”。运行以下代码读取图像矩阵：

% 1. Read the images into the MATLAB workspace.

base=RTIread('casitas84',[600,600]);

input=RTIread('casitas86',[600,600]);

2．选取匹配点（control points）。

根据预定的配准方法，选定足够的匹配点对。运行下列代码：

% 2.Specify control point pairs n the images and save.

cpselect(input,base); %please select 15 points for test.

出现GUI界面。

操作很简单，只需注意选点要均匀布开，以增加其代表性。选定完毕，File- Save Points to Workspace将数据保存到工作区中。Workspace立刻多出两个N×2的数组（其中N为选定的匹配点对数），分别为input_points和base_points，如：

input_points =

119.5185 193.5926

168.9012 242.9753

105.9383 140.5062

459.0247 131.8642

313.3457 257.7901

292.3580 165.1975

276.3086 33.0988

283.7160 380.0123

76.3086 297.2963

135.5679 83.7160

360.2593 313.3457

94.8272 446.6790

70.1358 354.0864

181.2469 361.4938

381.2469 460.2593

252.8519 433.0988

3．利用十字相关法调整选定了的匹配点。

这步可选。运行代码：

% 3.Fine-tune the control points using cross-correlation.

input_points_corr = cpcorr(input_points,base_points,input,base); %optimism the points

input_points_corr为优化后在输入图片的对应匹配点。

4．计算变换公式的参数。

利用cp2tform，选定变换类型（即配准方法），计算变换参数。以下只需选定一种即可。

% 4.Specify the type of transformation to be used and infer its parameters

% (1) not Fine-tune points

Tlinear = cp2tform(input_points,base_points,'linear conformal');

Taffine = cp2tform(input_points,base_points,'affine');

Tprojective = cp2tform(input_points,base_points,'projective');

Tpolynomial2 = cp2tform(input_points,base_points,'polynomial',2);

Tpolynomial3 = cp2tform(input_points,base_points,'polynomial',3);

Tpolynomial4 = cp2tform(input_points,base_points,'polynomial',4);

Tpiecewise = cp2tform(input_points,base_points,'piecewise linear');

Tlwm = cp2tform(input_points,base_points,'lwm');

% (2)Fine-tune points

fTlinear = cp2tform(input_points_corr,base_points,'linear conformal');

fTaffine = cp2tform(input_points_corr,base_points,'affine');

fTprojective = cp2tform(input_points_corr,base_points,'projective');

fTpolynomial2 = cp2tform(input_points_corr,base_points,'polynomial',2);

fTpolynomial3 = cp2tform(input_points_corr,base_points,'polynomial',3);

fTpolynomial4 = cp2tform(input_points_corr,base_points,'polynomial',4);

fTpiecewise = cp2tform(input_points_corr,base_points,'piecewise linear');

fTlwm = cp2tform(input_points_corr,base_points,'lwm');

诸如Tlinear的变量为一个称为TFORM的数据结构，尚没做仔细研究：

Tlinear =

ndims_in: 2

ndims_out: 2

forward_fcn: @fwd_affine

inverse_fcn: @inv_affine

tdata: [1x1 struct]

5．变换图像。

% 5.Transform the unregistered image to bring it into alignment.

title('image registration polynomial method');

subplot(2,2,1);

imshow(base);

title('Base image');

subplot(2,2,2);

imshow(input);

title('Input image');

subplot(2,2,3);

imshow(imtransform(input,Tpolynomial2));

title('registered image');

subplot(2,2,4);

imshow(imtransform(input,fTpolynomial2));

title('registered image(fine-tune points)');

结果如下：

总结

1．image和imshow区别。前者视base，input此类二维图片矩阵为索引图像，在系统的index库中选取颜色。

2．选择适当的方法来建立转换参数，并非算法越复杂越好，应参考成像因素（退化因素）。

3．尚没有看出十字相关法的好处。

4. 利用cpselect选择匹配点，cpselect可以返回一个GUI句柄。欲实现如下功能：当打开cpselect GUI 时，m文件程序暂停运行，关闭之后继续执行。因为对GUI编程不懂， 使用了waitfor,pause函数都没法实现。尝试中……

基于局部特征的图像匹配与识别有哪些方法

从图像中提取的特征可以组成一个向量，两个图像之间可以通过定义一个距离或者相似性的测量度来计算相似程度。

特征匹配是图像检索的一个关键环节，具有特征依赖的特点，不同的特征应该采用不同的度量方法。在检索的过程中，根据系统相似性度量的算法计算查询特征与特征库中对应的每组特征的相似程度，把所得结果由大到小排序后得到一个匹配图像序列返回给用户。其间可以通过人机交互，对检索的结果逐步求精，不断缩小匹配集合的范围，从而定位到目标。匹配过程常利用特征向量之间的距离函数来进行相似性度量,模仿人类的认知过程,近似得到数据库的认知排序。常用的距离度量公式有：Minkkowsky距离，Manhattan距离，Euclidean距离，加权Euclidean距离，Chebyshev距离，Mahalanobis距离等。

其中，Manhattan 距离计算简单，效果也较好，被广泛采用；加权Euclidean 距离考虑了不同分量的重要性,也较为常用；Mahalanobis 距离考虑了样品的统计特性和样品之间的相关性，在聚类分析中经常用到。当采用综合特征进行检索时，需要对各特征向量进行归一化,以使得综合特征的各特征向量在相似距离计算中地位相同。