图像分析之图像特征匹配

[TOC]

相似度

• SSD (Sum of Squared Distance)

\[ {D(I_A,I_B)}_{SSD} = \sum_{x,y}[{I_A}(x,y)-{I_B}(x,y)]^2 \]

• SAD (Sum of Absolute Difference)

\[ {D(I_A,I_B)}_{SAD} = \sum_{x,y} | {I_A}(x,y)-{I_B}(x,y) | \]

• NCC (Normalized Cross Correlation)

\[ {D(I_A,I_B)}_{NCC} = \frac { \sum_{x,y} {I_A}(x,y) {I_B}(x,y) } { \sqrt { \sum_{x,y} {I_A}(x,y)^2 \sum_{x,y} {I_B}(x,y)^2 } } \]

• 去均值 版本

• 汉明距离

块匹配

极线搜索

对极几何中，通过 极线搜索 缩小搜索范围，减少计算资源

仿射变换

基本步骤

• 假设图像I1和图像I2，分别对应的角点为p1i和p2j，在图像I2角点中找到与图像I1对应的角点；
• 以角点p1i为中心，在图像I1中提取9*9的像素块作为模板图像T1i；
• 在图像I2中p1i点周围(以角点p1i为中心20*20的像素 范围)查找所有的角点p2jm(m<=n,n为该范围内角点数)；
• 遍历所有的角点p2jm，以角点p2jm为中心，在图像I2中提取9*9的像素块，计算该像素块与T1i的SSD；
• SSD最小对应的角点p2jm，即为图像I2中与图像I1中角点p1i对应的匹配角点；
• 循环执行以上5步，查找图像I2中与图像I1对应的所有匹配角点；

描述子匹配

Brute Force匹配和FLANN匹配是opencv二维特征点匹配常见的两种办法，分别对应BFMatcher（cv::BFMatcher）和FlannBasedMatcher（cv::FlannBasedMatcher）。

Brute-Force

FLANN