圖像匹配及其應用

高甜

信息技術的迅猛發展，帶動圖像匹配技術日益成為信息處理，尤其是圖像處理學中的基準環節。本文先介紹圖像匹配技術，并根據不同的匹配技術，介紹相應的研究現狀和應用情況。

1引言

圖像是對客觀事物的直接描述，是人們獲得信息、認識事物、觀察世界的中樞環節。圖像匹配是在不同時間，用不同傳感器從不同角度拍攝的同一個場景的2幅或多幅圖像，讓其在空間上匹配，用來確認他們之間關系變換的過程。圖像匹配技術最早于1970年美軍首次應用于飛行器導航，隨后，在不同的實際應用要求下，學者為了提高圖像匹配的精度、速度、通用性和抗干擾性，進行了深入研究。

2圖像匹配技術

圖像匹配的方法大致分成兩類：基于灰度匹配的方法，直接利用圖像的灰度進行匹配，較高的匹配精度是其特有的優勢，但也有計算量大、計算速度慢的缺點；另一類則是不依賴于灰度值而需事先提取圖像特征，然后與被提取特征的圖像進行匹配操作的基于特征匹配方法。圖像匹配過程，需以特征空間、相似性度量函數和搜索策略為研究角度。這三者是決定匹配精準度、實時性以及魯棒性的重要因素。評判圖像匹配質量的好壞，要綜合考量整體的匹配概率、匹配精度以及匹配速度。性能優越效果顯著的匹配算法，一般匹配概率盡量高，匹配誤差盡可能小，抗干擾能力強且耗時短，具有相當的實用性。

3研究應用現狀

國內外學者在研究圖像匹配技術時，主要關注以下幾個方面，改進匹配算法本身以更高匹配精度和速度實現圖像匹配，或者通過實驗探究出更好的描述算子，增強算法的普遍適用度。

基于灰度匹配的方法中，傳統經典的算法有MAD，SSDA，NCC等，針對其計算量大的問題，眾多研究者嘗試利用新興的群智能算法如粒子群算法、模擬退火算法、人工蜂群算法和細菌覓食優化算法，也有將不同的智能算法優勢互補之后，再與傳統的圖像匹配算法結合。利用群智能算法本身的優勢，將傳統匹配算法設置為智能算法的適應度函數，并利用智能算法作為搜索策略進行高效并行尋優，很快找到目標圖像在原圖像中的最佳匹配位置，同時也為這類研究算法指引方向，不斷研究出新的圖像匹配算法。

基于特征的圖像匹配技術本質是將2幅圖中提取到的2組特征向量集合，通過比對特征向量的相似性，得到相似性最高的特征向量用以匹配。因為特征的選擇，描述算子匹配方法都各有不同，方法選擇的空間也很廣泛。經典的特征描述算法有SIFT算法、Harris算法和ORB算法等。這類算法研究著重于提高圖像抗噪性能力與匹配效率，更多地是引入應用與場景重建、識別等領域。

現在，圖像匹配的應用早已從單一圖像領域擴展至目標識別與跟蹤、氣象學、光學與雷達跟蹤、環境監測、航空攝影測量和遙感等多個核心科技信息應用范疇。也可將應用于算法結合作為研究方向，以應用驅使算法不斷改進更新。