11印二班级0615胡念

1、 学号_2011301760044_ 密级_ 武汉大学本科毕业论文彩色印刷品质量检测中的图像匹配技术研究院（系）名 称：印刷与包装系专 业 名 称 ：印刷工程学 生 姓 名 ：胡念指 导 教 师 ：刘全香 教授 二一五年六月郑 重 声 明本人呈交的学位论文，是在导师的指导下，独立进行研究工作所取得的成果，所有数据、图片资料真实可靠。尽我所知，除文中已经注明引用的内容外，本学位论文的研究成果不包含他人享有著作权的内容。对本论文所涉及的研究工作做出贡献的其他个人和集体，均已在文中以明确的方式标明。本学位论文的知识产权归属于培养单位。本人签名： 日期： 绪论1.1 引言科技的发展推动着印刷行业的不断

2、进步，当今社会，彩色印刷已经越来越普遍，丰富着我们的生活。彩色印刷技术也向着系统、多样、数字化的方向发展，随之而来的是印刷质量检测的标准的提高，促进彩色印刷品的检测更加的数据化、规范化、标准化和自动化。这些好的发展趋势使得印刷品的质量更好更优质，让我们的生活变得更加美好。印刷品质量检测系统中，由同一CCD在不同时间收集到的图像，即使是经过了机构的预定位处理，但是由于拍摄时间的不同、拍摄角度的变换、收集图像是自然环境的改变和传感器本身的原因，会造成所收集的图像受到噪声的影响，而且在一定程度上发生几何变形以及灰度失真。在这种情况下，就需要运用到图像匹配技术。1.2 研究背景和意义信息技术的不断发展

3、使得人们对信息处理的要求有了显著的提高，已经从最开始的文本和数字上升为了如今的更高级的对象和信息载体。而图像作为人们获取信息最直接和最主要的方式之一，就成为了现在的研究热点，对图像信息的收集、加工、处理和应用等方面的技术同样显得尤为重要，图像处理也就成为了重点研究对象。目前，比较常用的图像处理方法有图像匹配技术、图像的压缩与编码技术、图像的增强技术。其中，图像匹配是印刷高质量检测的基础，所以，图像匹配技术必将在未来的社会生活当中和工业生产中起到越来越重要的作用，因此，现如今研究图像匹配技术有重大的理论意义。近阶段，图像匹配技术遥感信息处理领域（如匹配遥感目标图像、检测遥感目标图像等）、计算机视

4、觉领域（如分割图像、重建物体、跟踪目标、识别图像等）、工业检测领域（如测量工程进度、产品的质量评估、检测表面缺陷等）、医学领域（如医学信息诊断、医学图像成像、医学信号处理等）都有广泛的应用。在目标识别和目标跟踪方面也应用广泛。图像匹配技术从技术方法上主要可以分为两类：一种是基于灰度相关的匹配，另一种是基于特征的匹配1。基于特征的匹配技术在原理上是通过进行很多复杂的图像处理技术来获取图像的特征信息，而不是直接使用图像的像素灰度。基于特征的匹配算法在抗图像的旋转、抗图像光照强度的变化、抗噪声和缩放方面有良好的匹配效果。缺点在于，基于特征的匹配算法是经过了复制的图像处理，需要用到大量的几何运算，计算

5、量极大，导致匹配时间很长，实时性差。而且，该算法的通用性很窄，使用不便利。另一种基于灰度信息的图像匹配技术是直接使用图像的像素灰度进行匹配的。这种算法与基于特征的匹配算法不同，不需要进行特征的提取，可以降低预处理时的精度损失，提高匹配的精确率。但是这类算法同样存在问题，该算法是直接利用像素信息的，容易受到噪声的影响，对尺寸、角度、灰度的变化也比较敏感，匹配速度也较慢。每种算法都有其适用性，在不同的场合我们可以选择不同的算法。1.3 研究现状图像匹配技术应用的很早，到目前为止已经取得了比较令人满意的成果。图像匹配技术匹配速度以及匹配精度的提高在近几十年一直是众研究者们的关注的热点，一直受到广泛的

6、关注。当然匹配算法的通用性也是研究的重点，不可忽视。在现阶段的研究中，最常研究的两种算法是基于灰度与基于特征的算法，而且都已经有了一定的研究成果。国内外的学者在基于灰度信息的匹配算法4上取得了很大的成果。这种算法在处理存在一定程度的旋转和缩放的匹配对象时效果不错，同时提出了大量的新的基于灰度信息的匹配算法。现阶段大量的算法的目的大都是提高匹配的速度、匹配精度、以及其适用范围和抗干扰性。模板匹配算法被认为是最通用的匹配算法，具有通用的数学模型，只需要调用相关的相似度量公式即可完成匹配。该算法已经广泛运用到各大领域。1992年，黎倩为了解决匹配过程中位移、旋转以及尺度变化方面的识别，提出了采用双H

7、opfield神经网络假设检验的匹配方法1。1993年，通过在模板匹配算法中采用沃尔什一阿达马变换2吴小培和汪炳权，减少了匹配时间。1997年，又提出了算法结构并行的模板匹配算法，来解决模板图与匹配图在检测时出现的图像边缘问题。研究发现，利用Prewitt算子能够较好的对图像边缘进行检测，同时，在PVM上做的实验显示，这种算法能很好的减少匹配的时间。1999年，刘继敏提出了另一种改进的模板匹配算法，平面形状拟相似算法2，主要是从算法的构成、匹配过程中调用的公式以及几何变形等问题来进行研究。模板匹配算法在实时性上很差，之后学者又基于模板匹配算法的实时性提出了一种新的匹配算法SSDA匹配算法。1.

8、4 论文研究内容1.4.1 论文的预期目标论文的预期目标是通过设计对比实验，对两种基于像素灰度匹配算法：模板匹配算法，SSDA检测算法进行分析和研究，掌握两种算法的基本原理、匹配效果、各自的优缺点及其适用性。1.4.2 主要研究内容第一章讲述了研究的背景和意义以及国内外学者对匹配技术研究的现状。第二章讲述了图像匹配的理论基础，具体有图像匹配的原理，匹配技术的分类、匹配性能分析，以及造成匹配误差的因素。第三章讲述了基于灰度的模板匹配算法和SSDA算法的原理第四章对两种算法做了对比实验分析。通过在不同情况下的大量实验，得出两种算法的优缺点。第五章中对论文进行了简单的总结以及对日后研究工作的展望。2

9、 图像匹配技术理论基础2.1图像匹配的概述一般来说，我们将在匹配前已知的图像作为匹配的基准图，将匹配过程中从基准图中获取的图像作为模板图。图像匹配的过程可以简单的理解为通过建立匹配模型或者使用算法，寻找出基准图与模板图之间最相似的特征关键点，得到两幅图之间最大相关值的地方来找出最佳的匹配位置。两幅或者多幅图像之间关联程度是由计算所得的相关值决定的，通过计算得到的相关值越大，图像的匹配程度越高，相关值太低，则图像不匹配。而图像匹配通常是指在相同或不同的时间和空间，使用相同或者不用的传感器对同一场景产生的两幅或多幅图像进行匹配19，以得到其相对位置关系的过程。当模板图与基准图之间发生了空间坐标上的

10、变换，如基准图与模板图之间存在一定的缩放、旋转或者投影变换等，或者是模板图与基准图之间发生了想对平移时，基准图像与模板图像可能会产生匹配误差甚至错误匹配，增加了图像匹配的难度。2.2图像匹配技术分类常见的数字图像匹配技术分为两大类：基于图像灰度信息的匹配算法1和基于图像特征的匹配算法2。基于像素灰度的匹配是直接利用图像的像素灰度来进行匹配的，而基于特征的图像匹配是通过提取图像中的特征点来完成匹配的，特征点可以是点，也可以是轮廓，或者是纹理特征等。目前，图像匹配算法主要研究如何提高匹配速度、降低图像对噪声干扰以及几何变化等因素对匹配效果的影响。2.2.1 基于特征的图像匹配基于特征的匹配方法通常

11、不直接依赖像素灰度之，而是会经过较复杂的图像处理过程提取特征后再进行匹配。一般做法是利用两幅图像中对灰度变化、缩放、旋转等均具有不变性的特征，首先提取搜索图和模板图的特征，然后用相似度量函数对其进行度量，从而得到相关值进而完成图像匹配。这种算法的优点是压缩了原来图像的信息量， 不是对每个像素点的灰度值进行运算，使计算量很大程度上减少，匹配速度比较快。同时能够充分结合图像灰度等相关特性，有效去除因光照背景等条件的不同时带来的误匹配问题，而且算法在图像发生缩放变换和旋转变换等现象时敏感度低，适应性强，二队轻微扭曲或有一定噪声的图像也有较好的匹配度。但是，该算法的不足在于：在进行图像特征信息的提取时

12、，需要进行较大的几何运算，计算量过大导致匹配时间太长，难以达到实际需求，而且，该算法无通用性，使用不便利。基于特征的匹配方法常见的有基于点的和基于线的匹配。通过提取两幅图像中共同的图像特征。常见提取的特征点的方法主要有Harris算子，旋转不变量算子等。而提取线特征方法有一阶提取方法和二阶提取方法。经典的一阶提取线特征方法有一阶梯度算子，差分算子，Sobel算子，Prewitt算子等。而经典的二阶线特征有Laplace算子和方向二阶差分算子等3。2.2.2 基于灰度信息的图像匹配基于灰度的匹配，简单说来就是利用一定的方法来找出图像之间的相似处，是根据图像中每个区域的像素灰度信息，调用公式来计算

13、两者的匹配关系。该算法的基本思想是通过正确的数学方法，来设计出能够高效稳定精确的匹配算法。匹配的实质就是在一定的匹配规则下的最好的搜索方法，数学中很多好的技术都能够在匹配中应用，比如动态规划、遗传算法以及松弛法等。比较经典的基于灰度信息匹配方法有：平均绝对差（MAD）算法，绝对平衡搜索（ABS）算法和序贯相似性检测（SSDA）算法等。这类算法的主要特点是基本原理简单容易理解，和其他匹配算法相比，没有大量复杂的几何计算，具有较好的实时性。而且在区分不同图像的信息上能力强，能够准确的找出灰度变化大的区域同时综合利用图像中国的所有信息，匹配精度较高。但是同时也存在的较大的不足之处，目前上需要解决的问

14、题主要有：计算复杂，匹配速度较慢；过于依赖图像像素灰度值，对外界环境变换敏感，抗干扰性低。近年来,这种匹配算法研究的最多，这种算法直接计算图像的灰度信息，通过对其中的某一种相似性度量进行像素扫描来实现匹配，而且在匹配速度、匹配精度以及稳定性上都有一定的研究结果，值得我们做进一步的研究。2.3 匹配效果分析图像的匹配效果表现在三个方面：一是匹配速度、二是匹配精度、三是匹配概率。匹配速度：即完成匹配所需的时间。主要由算法的复杂度和计算量来决定。算法的计算量取决于计算过程中需要搜索的点数以及采用的搜索的方法所利用的计算公式。算法的计算量=相似性度量计算量计算所需搜索的点数。匹配精度：即匹配的准确度。

15、在匹配过程中可能因为时间空间的不同或其他外界因素的影响导致，模板图没有在基准图的正确位置上匹配，存在一定过的误差，这就是匹配误差。匹配误差越小越好匹配概率指匹配结果在误差允许的范围内的概率，匹配概率越大，算法的稳定性越高。2.4 影响匹配的误差因素误差因素是指由于外界原因而非程序本身的原因造成匹配误差的因素。现阶段的研究也主要是在努力客服误差因素对匹配结果的影响。1、噪声噪声可分成两大类:一类是系统固有的噪声，另一类是量子噪声。图像受到噪声的影响会影响到图像的灰度值，从而对匹配效果造成影响。2、几何失真几何失真是指两幅图片在外界因素的影响下发生了空间坐标的转换以及像素灰度的变换。 HYPERL

16、INK C:UsersmyDesktop t right 主要表现为旋转变形、比例误差、投影误差等。配准图片之间出现几何失真对匹配效果的影响最大3、图像灰度变化 因为外界环境的影响，比如太阳的投射角度的不同，景物反射率的变化等因素，都会造成基准图上的灰度值全部发生变化或者部分发生变化，造成灰度改变。2.5 本章小结本章首先介绍了图像匹配的理论知识，然后介绍了图像匹配技术的分类：基于灰度的匹配和基于特征的匹配，接着介绍了应该从哪几个方面分析匹配效果，最后介绍了最常见的造成匹配误差的因子。3 两种基于灰度信息的匹配算法基于像素灰度的模板匹配算法是图像匹配中常用的方法，可以根据算法的不同，选取不同的

17、相关系度量公式。该算法直接能够直接使用通用的数学模型进行相似程度的计算。 序贯相似检测算法（SSDA）是提出的一种高效的图像匹配算法。匹配思想是先对基准图像进行初步搜索，逐渐减少搜索范围再进行精确搜索，本实验中，采用归一化积相关度量公式（NPROD）模板匹配算法与SSDA算法进行对比实验。3.1 基于灰度信息的模板匹配算法3.1.1 模板匹配算法的基本思想基于灰度的模板匹配算法是直接运用模板图与基准图中的灰度值匹配的，根据模板图与基准图的灰度信息建立相关的相似性度量，通过我们采用的搜索方法，匹配出使两幅图像相似性度量最大或最小的地方。也就是说，通过将模板图与基准图比较，确定模板图在基准图上是否

18、有相同或相似的区域，若有，则标记出来且匹配成功。3.1.2 模板匹配算法的基本原理基准图像T和模板图像S是否匹配由匹配相似度来判断。进行模板匹配的过程中，当搜索子图和模板图之间的计算差值最小时，说明找到了模板图像在实时图像中的位置。设模板图T在基准图上的S上的投影区域记为Sij，i,j为模板图在基准图上的投影的左上角像素点的坐标，取值的范围是1模板匹配示意图如图所示： （a）基准图 （b）模板图 图3.1 模板匹配的基准图和模板图数字图像在存储时一般以矩阵或者二位数组的形式，所以在计算相似性度量值时，要先将图像向量化，然后再进行相似度的计算。本实验中，通过对基准图和模板图进行归一化积相关度量（

19、NPROD）计算，计算公式为：（3.1（3.1）其中A（3.2）（3.2）（3.3（3.3）相关系数可以表示对两个矩阵线性联系的密切程度的衡量，取值范围在0到1之间，值越大表明两者的线性联系越密切。该算法对基准图区域的每一个像素点都进行匹配计算，对任何一个搜索子图Sij中的像素点都算出一个R(i,j),当R（i,j3.1.3 实验中模板匹配算法基本流程1、基本步骤如下：读取模板图与基准图，由于模板图与基准图均为彩色图像，将模板图与基准图灰度化，以便于计算；利用函数得到模板图与基准图的尺寸大小；在基准图上扫描所有的像素点，每扫描一个像素点，以此像素点为为左上角裁切出一个和模板图大小一样的矩阵。

20、调用NPROD函数计算这个裁切出的矩阵和基准图的相关系数值;如果计算得到的相关系数值大于预先规定的值，则这个区域是模板图在基准图上的匹配区域，反之则不是。如果是则标记出该矩阵。完成匹配后，显示总的匹配时间。并在基准图上用绿框标记出模板图在模板图上的匹配位置。2、流程图如下：开始开始读入基准图和模板图基准图和模板图灰度化处理对基准图每个点进行扫描，并以此像素点为准裁剪出一个与模板图相同大小的矩阵，该像素点为矩阵的左上角第一个像素计算该矩阵与模板图之间的相关系数值若求出的相关系数值大于规定值，则将次矩阵区域标记出来，反之，则不标记输出匹配结果图像结束图3.2 模板匹配算法流程图3.1.4 模板匹配

21、算法优缺点分析该模板匹配算法中使用的归一化积相关度量算法的稳定性和精确度都很好，通过函数得到的NPROD值也不受灰度值线性变换的影响。该算法的不足之处在于必须对模板图在基准图上搜索区域的每一个像素点进行匹配计算，计算量大，实时性差。此外，这种匹配算法对发生旋转的匹配对象或匹配对象只能看到一部分的情况敏感，只能进行平行移动。3.2 基于灰度信息的SSDA匹配算法3.2.1 SSDA算法的基本思想该算法是由巴尼亚和西尔弗曼最先提出来的3。搜索时模板图T在基准图S上按每个像素点移动搜索，同时计算两图的相似度，相似度最大的地方为匹配的最佳处。3.2.2 SSDA算法的主要原理模板图S为MN，基准图T为

22、mn，Sij为搜索子图，其中：1i,jM-N+1, Sij（m,n）和T（m,n）分别为子图和模板图中位于S(1)定义绝对误差为： i,j,mk,n其中，（3.5（3.5）（3.6（3.6）（2）取不变阈值Tk（3）选取基准图Sijx,y中的像素点，计算其与模板图中对应点的误差，将所有对应点的误差值累加，当累加后的误差超过预先设定的阈值Tk，就停止计算，同时记下累加次数r。定义（3.7（3.7）(4) 将计算出的Ii,j值最大的点作为最佳的匹配点，因为如果要使总误差超过Tk，必须在这一点上经过很多次累加。如下图所示，A、B、C 三条曲线分别表示了不同的模板图的累加误差增长的曲线图，从图中可以看

23、出，A、B表示的模板图不在匹配点上，因为这条曲线上的累加误差增长的很快，很快就超过了预先设定的阈值，而图3.3 SSDA算法阈值变化曲线图3.2.3 实验中SSDA算法的基本流程1、基本步骤如下：首先读取模板图与基准图，由于模板图与基准图均为彩色图像，将图像均转换为灰度图像；利用函数得到两矩阵的大小；求出基准图的灰度平均值，并设定阈值Tk，和累计次数矩阵R（Tk可调整大小，R初始设置为0用函数来查找基准图像S中的模板图T的位置，位置值取匹配区域的左上角坐标。计算模板图的灰度平均值，从模板图的左上角开始运算。搜索方法用互相关法实现，为了减小搜索区域，先将原图像和子图像抽取至较小范围，获取相应位置

24、后，再在原图像相应点附近详细搜索。逐一计算相关值，当累计误差大于阈值时，则该区域不是正确匹配位置，停止计算。进入下一区域的计算。按照以上方法，一直计算，直到计算完成。找出累计次数最大的点以及显示目标点的左边并保存。计算结束后，显示总的计算时间。并在基准图上用红框标记出模板图在基准图上的匹配位置。2、流程图如下：YesNoYesNoNoYes开始读取模板图T和基准图S计算模板位图像素平均值设置f（i，j）左上角为初始位置 小于T移动到下一个匹配点No是否到达f(i,j)的末层Yes计算图像覆盖下方的子图像素平均值子图中随机选取像素点计算其与f(I,j)中对应的误差值及累加和找到r次累加过程中最大

25、值，记为匹配位置输出匹配结果图像图3.4 SSDA算法匹配流程图结束3.2.4 SSDA算法优缺点分析SSDA算法只计算部分的像素灰度绝对值，当该值大于预先设定的阈值时，停止模板图在该搜索区域的搜索，进行下一个搜索子图的搜索，这样在一定程度上减少了匹配的计算量，节约了匹配的时间。SSDA算法就匹配速度来说，确实优于很多其他的基于灰度信息的匹配算法，但是此易受外界因素的影响。根据上述的算法优缺点，许多学者对序贯相似性匹配算法提出了一些新的研究方法和改进策略，主要改进方法可以分为以下两类：（1）将固定的阈值为自适应变化的阈值。将标准模板图像内最开始位置上进行匹配的图像内所有像素分别于待检测图像上对

26、应位置上的像素进行灰度值的相减，进行差值累积，得到初始阈值。进行下一位置的图像匹配，按照前面的方法进行像素差值的累积，若累积得到的值超过了当前设定的阈值，则停止计算，进行下一位置的图像匹；如果累积的值小于当前设定的阈值，就将此次得到的累计值设定为新的阈值，进入下一位置的匹配。按照上述方法对甄宓图像进行搜索，获取得到的最小阈值所对应的子图像即为匹配得到的图像。这种方法缩短了计算时间，是一种快速精确地搜索全图的匹配的方法。（2）将序贯相似性匹配过程分两步进行：粗匹配和精匹配。首先对图像进行隔m行n列搜索的粗略匹配，利用公式D 式（3.8）对粗匹配结果进行相似性的度量，以此获得粗匹配位置；将粗匹配点

27、作为矩心，在2m2n范围内再采用序贯相似性算法寻找精确匹配点，并将此精匹配点作为图像的匹配位置。4 实验设计与性能分析4.1 实验目的在第二章我们了解到一些影响匹配性能的误差因素，如噪声，几何变换，灰度失真等，本实验研究的目的是为了通过实验，对比分析两种算法的匹配性能、优缺点以及各自适用的场合。实验主要通过对彩色图片进行不同的变换处理来设计实验，主要的处理包括加噪与不加噪，旋转，灰度失真，灰度反转几个方面来进行实验。4.2 实验部分为了从不同方面测试上述两种算法的性能，设置了几组对比试验。实验的基准图是lena头像，而模板图是从基准图上任意位置裁切下来的。根据实验要求对各图片进行相应的处理，进

28、行实验。 （a）基准图 （b）模板图图4.1 未经处理的基准图与模板图上面两图分别为基准图（a），大小是从基准图中切割出模板图（b）。大小分别为200200，模板图的大小是6526，其中模板图的左上角位于原始图像的（86,92）坐标点上（坐标轴以基准图的左上角为坐标原点，水平向右为X轴的正方向，竖直向下为Y轴的正方向）。实验的软件为：matlab程序主要显示了以下几个结果：运行结果显示了基准图通过程序得出模板图在基准图中的匹配位置，并通过方框基准图上标记出来显示了计算的时间4.2.1 基准图与模板图不经过任何处理的匹配效果实验中，基准图与模板图不经过任何处理,使用matlab分别用SSDA算法

29、和模板匹配算法对图片进行实验，得出匹配效果图，实验效果如下： （C1）SSDA算法匹配效果图 图4.2 未经处理的基准图与模板图的匹配效果图表4.1 SSDA算法和模板匹配算法匹配结果匹配算法精确位置匹配位置匹配误差匹配时间SSDA算法（86,92）（93,87）（7,-5）2.5428s模板匹配算法（86,92）（86,92）（0,0）31.084s4.2.2 基准图与模板图进行加噪处理采用控制变量法来进行对比实验，分别对基准图和模板图添加高斯噪声，来进行实验。使用matlab对基准图进行加噪处理（添加高斯噪声），模板图不做任何处理，效果如下图所示。 （a）加入高斯噪声的基准图 （b）模板图

30、 图4.3 添加高斯噪声的基准图与未经处理的模板图经过两种匹配算法匹配后的效果图如图所示，（C1）为SSDA算法的匹配效果图，（C （C1）SSDA算法匹配效果图 图4.4 基准图加噪处理的SSDA检测算法与模板匹配算法效果图表4.2 SSDA算法和模板匹配算法的匹配结果匹配算法精确位置匹配位置匹配误差匹配时间SSDA算法（86,92）（88,105）（2,13）2.2620s模板匹配算法（86,92）（86,92）（0,0）31.426s 使用matlab对模板图进行加噪处理（添加高斯噪声），基准图不做任何处理，效果如下图所示。 （a）基准图 （b）添加高斯噪声的模板图图4.5 未经处理的基

31、准图与添加高斯噪声的模板图经过两种匹配算法匹配后的效果图如图所示，（C1）为SSDA算法的匹配效果图，（C （C1）SSDA算法匹配效果图 图4.6 模板图加噪处理的SSDA检测算法与模板匹配算法效果图表4.3 SSDA算法和模板匹配算法匹配结果匹配算法精确位置匹配位置匹配误差匹配时间SSDA算法（86,92）（141,110）(55,28)2.4804s模板匹配算法（86,92）（87,93）（1,1）31.682s4.2.3 基准图与模板图之间存在一定范围的角度差将模板图旋转一定的角度，基准图保持不变，进行匹配。处理后的效果如图所示。 （a）基准图 （b）顺时针旋转1的模板图图4.7 基准

32、图与模板图之间存在角度差的效果图经过两种匹配算法匹配后的效果图如图所示，（C1）为SSDA算法的匹配效果图，（C （C1）SSDA算法匹配效果图 图4.8 基准图与模板图之间存在旋转的SSDA检测算法与模板匹配算法效果图表4.4 SSDA算法和模板匹配算法匹配结果匹配算法精确位置匹配位置匹配误差匹配时间SSDA算法（86,92）2.9172s模板匹配算法（86,92）匹配失败32.335s4.2.4 基准图与模板图之间存在一定程度的灰度失真基准图做一定程度的灰度失真处理将基准图经过photoshop进行加工处理，使得基准图存在一定程度的灰度失真，模板图不做任何处理。在此条件基础上进行实验，经过

33、处理后的基准图和模板图如下图所示。 （a）存在一定灰度失真的基准图 （b）模板图图4.9 存在一定灰度失真的基准图与未经处理的模板图经过两种匹配算法匹配后的效果图如图所示，（C1）为SSDA算法的匹配效果图，（C（C1）SSDA算法匹配效果图 图4.10基准图与模板图之间一定灰度失真SSDA检测算法与模板匹配算法效果图表4.5 SSDA算法和模板匹配算法匹配结果匹配算法精确位置匹配位置匹配误差匹配时间SSDA算法（86,92）（97,82）（11,，-10）2.4804s模板匹配算法（86,92）(87,92)(1,0)31.734s基准图与模板图之间存在严重的灰度失真（实时图与基准图之间出现

34、灰度反转）通过matlab对实验的基准图进行处理，使得基准图与原基准图之间灰度反转，模板图不做任何处理。在此条件基础上进行实验，经过处理后的基准图和模板图如下图所示： （a）灰度反转的基准图 （b）模板图图4.11 存在灰度反转的基准图与未处理的模板图经过两种匹配算法匹配后的效果图如图所示，（C1）为SSDA算法的匹配效果图，（C（C1）SSDA算法匹配效果图 图4.12 基准图与模板图之间灰度反转的SSDA检测算法与模板匹配算法效果图表4.6 SSDA算法和模板匹配算法匹配结果匹配算法精确位置匹配位置匹配误差匹配时间SSDA算法（86,92）（43,70）（-43，-18）2.5272s模板

35、匹配算法（86,92）匹配失败31.734s4.3 实验结果分析由4.2.1基准图与模板图不经过任何处理的匹配实验可以看出，SSDA算法匹配时间比模板匹配算法要短很多。本实验中所采用的模板匹配算法是通过对模板图与基准图进行归一化积相关度量（NRROD）计算，来计算两幅图片之间的相关值的。这种算法在匹配过程中要求对基准图像中的所有像素点进行相关匹配计算。而且，只有最佳的匹配点是有效计算，所以，该模板匹配算法计算量大，且耗时较长，匹配速度较慢。而SSDA算法，并不是对基准图的中所有像素点都进行计算。在匹配过程中，对像素点求和，超过预先设定的阈值，则放弃该搜索子图的计算，该匹配算法不需要进行对大量无

36、用位置的计算，提高了匹配的时效性，但是可以从结果中看出，SSDA算法是通过减少了对基准图中像素点的选取来提高匹配速度的，在匹配过程中会因为错失一些相似的匹配点，而导致匹配精度下降，影响匹配效果。特别是在一些图像信息很少的图像区域，很容易发生匹配误差和错误匹配的情况。由4.2.1基准图与模板图不经过任何处理的匹配实验与4.2.2基准图与模板图进行加噪处理的匹配实验对比，可以看出不论是基准图添加噪声还是模板图添加噪声，模板匹配算法所受的影响不大，具有较好的抗噪性，均可以正确的匹配，而SSDA算法则容易受到噪声的干扰，受噪声影响很大。由4.2.1基准图与模板图不经过任何处理的匹配实验与4.2.3基准

37、图与模板图之间存在角度差的匹配实验对比，可以看出模板匹配算法对于发生旋转的匹配对象，完全失效，而SSDA算法在模板图与基准图存在旋转时,能够明显看出，匹配效果误差太大，SSDA算法也失效。由4.2.1基准图与模板图不经过任何处理的匹配实验与4.2.4基准图与模板图之间存在一定的灰度失真的匹配实验对比，可以看出对于基准图与模板图之间存在一定的灰度失真，模板匹配算法仍具有良好的匹配性能，而SSDA算法受到很大的影响。对于基准图与模板图之前存在很严重的灰度失真（灰度反转）时，SSDA算法与模板匹配算法均失效。综上所述，从上述几个实验可以看出，模板匹配算法在抗噪性、抗一定的灰度失真性上有良好的匹配性能

38、，但是对于灰度反转以及旋转上该算法失效。缺点就是因为存在大量的计算，所以耗时较长。而SSDA算法对噪声、灰度失真以及旋转等都外界因素敏感，在这些因素下都难以达到匹配的要求。虽然减少了大量的像素点计算，但是也正因为如此，匹配效果达不到要求，容易受各种误差因素的影响。5 总结5.1 本文所做的工作图像匹配技术是图像处理的重点研究方向，对匹配的速度和精度要求都比较高。本文介绍了基于像素灰度的两种匹配算法，SSDA算法以及模板匹配算法。并对这两种算法的设计实验对其匹配效果进行了分析。本文所做的主要工作如下：1、介绍了图像匹配的研究背景和意义，以及现阶段图像匹配的发展现状；2、较系统的介绍了图像匹配的理

39、论基础，进行了技术分类，简要的介绍了两大类算法的优缺点以及适用范围；3、详细的介绍了基于像素灰度的模板匹配算法和SSDA算法的详细过程，基本原理、流程图，并对算法进行了比较分析；4、针对上述两种算法，进行了的对比试验分析，从匹配速度以及匹配精度方面进行实验结果分析，比较了两种算法的匹配效果的不同以及各自的适用范围。由上文可以看出模板匹配在抗躁性、抗灰度失真方面都比SSDA检测算法要好，但是两种算法在灰度反转和旋转上都没有良好的匹配效果。SSDA算法优于模板匹配算法的就是在时间上匹配所需时间少，而模板匹配算法耗时较长。但是SSDA算法易受各种误差因素的影响，匹配效果达不到要求。5.2 展望本文分

40、别对于基于像素灰度的SSDA算法和模板匹配算法进行了分析和研究，实验效果还行，但是存在的问题也有很多，还需要进一步研究。具体如下所述：基于像素灰度的模板匹配算法较之SSDA算法稳定性更高一些，但是匹配所需时间太长，而SSDA算法在匹配速度上很好，但是匹配精度上差强人意，所以两种算法均又可以改进的空间，可以通过结合匹配算法和搜索算法来提高实时性和匹配精度。参考文献1饶俊飞. 基于灰度的图像匹配方法研究D.武汉理工大学,2005. 2乔杰忠,吴中雷. 基于灰度匹配算法在图像处理中的研究J. 装备制造技术,2009,10:42-43.3陈艳. 基于灰度图像的字符切分技术的研究D.中国科学院研究生院（计算技术研究所）,2004.4贺晓佳. 灰度图像快速匹配算法研究D.合肥工业大学,2012.5 Barbara Zitova, Jan Flusser. Image registration methods: a surveyJ. Image and Vision Computing 21(2003): 981-984. 6 Svedlow M, McGillem C D, Anuta P E. Experimental e