1、 學號_2011301760044_ 密級_ 武漢大學本科畢業論文彩色印刷品質量檢測中的圖像匹配技術研究院（系）名 稱：印刷與包裝系專 業 名 稱 ：印刷工程學 生 姓 名 ：胡念指 導 教 師 ：劉全香 教授 二一五年六月鄭 重 聲 明本人呈交的學位論文，是在導師的指導下，獨立進行研究工作所取得的成果，所有數據、圖片資料真實可靠。盡我所知，除文中已經注明引用的內容外，本學位論文的研究成果不包含他人享有著作權的內容。對本論文所涉及的研究工作做出貢獻的其他個人和集體，均已在文中以明確的方式標明。本學位論文的知識產權歸屬于培養單位。本人簽名： 日期： 緒論1.1 引言科技的發展推動著印刷行業的不斷

2、進步，當今社會，彩色印刷已經越來越普遍，豐富著我們的生活。彩色印刷技術也向著系統、多樣、數字化的方向發展，隨之而來的是印刷質量檢測的標準的提高，促進彩色印刷品的檢測更加的數據化、規范化、標準化和自動化。這些好的發展趨勢使得印刷品的質量更好更優質，讓我們的生活變得更加美好。印刷品質量檢測系統中，由同一CCD在不同時間收集到的圖像，即使是經過了機構的預定位處理，但是由于拍攝時間的不同、拍攝角度的變換、收集圖像是自然環境的改變和傳感器本身的原因，會造成所收集的圖像受到噪聲的影響，而且在一定程度上發生幾何變形以及灰度失真。在這種情況下，就需要運用到圖像匹配技術。1.2 研究背景和意義信息技術的不斷發展

3、使得人們對信息處理的要求有了顯著的提高，已經從最開始的文本和數字上升為了如今的更高級的對象和信息載體。而圖像作為人們獲取信息最直接和最主要的方式之一，就成為了現在的研究熱點，對圖像信息的收集、加工、處理和應用等方面的技術同樣顯得尤為重要，圖像處理也就成為了重點研究對象。目前，比較常用的圖像處理方法有圖像匹配技術、圖像的壓縮與編碼技術、圖像的增強技術。其中，圖像匹配是印刷高質量檢測的基礎，所以，圖像匹配技術必將在未來的社會生活當中和工業生產中起到越來越重要的作用，因此，現如今研究圖像匹配技術有重大的理論意義。近階段，圖像匹配技術遙感信息處理領域（如匹配遙感目標圖像、檢測遙感目標圖像等）、計算機視

4、覺領域（如分割圖像、重建物體、跟蹤目標、識別圖像等）、工業檢測領域（如測量工程進度、產品的質量評估、檢測表面缺陷等）、醫學領域（如醫學信息診斷、醫學圖像成像、醫學信號處理等）都有廣泛的應用。在目標識別和目標跟蹤方面也應用廣泛。圖像匹配技術從技術方法上主要可以分為兩類：一種是基于灰度相關的匹配，另一種是基于特征的匹配1。基于特征的匹配技術在原理上是通過進行很多復雜的圖像處理技術來獲取圖像的特征信息，而不是直接使用圖像的像素灰度。基于特征的匹配算法在抗圖像的旋轉、抗圖像光照強度的變化、抗噪聲和縮放方面有良好的匹配效果。缺點在于，基于特征的匹配算法是經過了復制的圖像處理，需要用到大量的幾何運算，計算

5、量極大，導致匹配時間很長，實時性差。而且，該算法的通用性很窄，使用不便利。另一種基于灰度信息的圖像匹配技術是直接使用圖像的像素灰度進行匹配的。這種算法與基于特征的匹配算法不同，不需要進行特征的提取，可以降低預處理時的精度損失，提高匹配的精確率。但是這類算法同樣存在問題，該算法是直接利用像素信息的，容易受到噪聲的影響，對尺寸、角度、灰度的變化也比較敏感，匹配速度也較慢。每種算法都有其適用性，在不同的場合我們可以選擇不同的算法。1.3 研究現狀圖像匹配技術應用的很早，到目前為止已經取得了比較令人滿意的成果。圖像匹配技術匹配速度以及匹配精度的提高在近幾十年一直是眾研究者們的關注的熱點，一直受到廣泛的

6、關注。當然匹配算法的通用性也是研究的重點，不可忽視。在現階段的研究中，最常研究的兩種算法是基于灰度與基于特征的算法，而且都已經有了一定的研究成果。國內外的學者在基于灰度信息的匹配算法4上取得了很大的成果。這種算法在處理存在一定程度的旋轉和縮放的匹配對象時效果不錯，同時提出了大量的新的基于灰度信息的匹配算法。現階段大量的算法的目的大都是提高匹配的速度、匹配精度、以及其適用范圍和抗干擾性。模板匹配算法被認為是最通用的匹配算法，具有通用的數學模型，只需要調用相關的相似度量公式即可完成匹配。該算法已經廣泛運用到各大領域。1992年，黎倩為了解決匹配過程中位移、旋轉以及尺度變化方面的識別，提出了采用雙H

7、opfield神經網絡假設檢驗的匹配方法1。1993年，通過在模板匹配算法中采用沃爾什一阿達馬變換2吳小培和汪炳權，減少了匹配時間。1997年，又提出了算法結構并行的模板匹配算法，來解決模板圖與匹配圖在檢測時出現的圖像邊緣問題。研究發現，利用Prewitt算子能夠較好的對圖像邊緣進行檢測，同時，在PVM上做的實驗顯示，這種算法能很好的減少匹配的時間。1999年，劉繼敏提出了另一種改進的模板匹配算法，平面形狀擬相似算法2，主要是從算法的構成、匹配過程中調用的公式以及幾何變形等問題來進行研究。模板匹配算法在實時性上很差，之后學者又基于模板匹配算法的實時性提出了一種新的匹配算法SSDA匹配算法。1.

8、4 論文研究內容1.4.1 論文的預期目標論文的預期目標是通過設計對比實驗，對兩種基于像素灰度匹配算法：模板匹配算法，SSDA檢測算法進行分析和研究，掌握兩種算法的基本原理、匹配效果、各自的優缺點及其適用性。1.4.2 主要研究內容第一章講述了研究的背景和意義以及國內外學者對匹配技術研究的現狀。第二章講述了圖像匹配的理論基礎，具體有圖像匹配的原理，匹配技術的分類、匹配性能分析，以及造成匹配誤差的因素。第三章講述了基于灰度的模板匹配算法和SSDA算法的原理第四章對兩種算法做了對比實驗分析。通過在不同情況下的大量實驗，得出兩種算法的優缺點。第五章中對論文進行了簡單的總結以及對日后研究工作的展望。2

9、 圖像匹配技術理論基礎2.1圖像匹配的概述一般來說，我們將在匹配前已知的圖像作為匹配的基準圖，將匹配過程中從基準圖中獲取的圖像作為模板圖。圖像匹配的過程可以簡單的理解為通過建立匹配模型或者使用算法，尋找出基準圖與模板圖之間最相似的特征關鍵點，得到兩幅圖之間最大相關值的地方來找出最佳的匹配位置。兩幅或者多幅圖像之間關聯程度是由計算所得的相關值決定的，通過計算得到的相關值越大，圖像的匹配程度越高，相關值太低，則圖像不匹配。而圖像匹配通常是指在相同或不同的時間和空間，使用相同或者不用的傳感器對同一場景產生的兩幅或多幅圖像進行匹配19，以得到其相對位置關系的過程。當模板圖與基準圖之間發生了空間坐標上的

10、變換，如基準圖與模板圖之間存在一定的縮放、旋轉或者投影變換等，或者是模板圖與基準圖之間發生了想對平移時，基準圖像與模板圖像可能會產生匹配誤差甚至錯誤匹配，增加了圖像匹配的難度。2.2圖像匹配技術分類常見的數字圖像匹配技術分為兩大類：基于圖像灰度信息的匹配算法1和基于圖像特征的匹配算法2。基于像素灰度的匹配是直接利用圖像的像素灰度來進行匹配的，而基于特征的圖像匹配是通過提取圖像中的特征點來完成匹配的，特征點可以是點，也可以是輪廓，或者是紋理特征等。目前，圖像匹配算法主要研究如何提高匹配速度、降低圖像對噪聲干擾以及幾何變化等因素對匹配效果的影響。2.2.1 基于特征的圖像匹配基于特征的匹配方法通常

11、不直接依賴像素灰度之，而是會經過較復雜的圖像處理過程提取特征后再進行匹配。一般做法是利用兩幅圖像中對灰度變化、縮放、旋轉等均具有不變性的特征，首先提取搜索圖和模板圖的特征，然后用相似度量函數對其進行度量，從而得到相關值進而完成圖像匹配。這種算法的優點是壓縮了原來圖像的信息量， 不是對每個像素點的灰度值進行運算，使計算量很大程度上減少，匹配速度比較快。同時能夠充分結合圖像灰度等相關特性，有效去除因光照背景等條件的不同時帶來的誤匹配問題，而且算法在圖像發生縮放變換和旋轉變換等現象時敏感度低，適應性強，二隊輕微扭曲或有一定噪聲的圖像也有較好的匹配度。但是，該算法的不足在于：在進行圖像特征信息的提取時

12、，需要進行較大的幾何運算，計算量過大導致匹配時間太長，難以達到實際需求，而且，該算法無通用性，使用不便利。基于特征的匹配方法常見的有基于點的和基于線的匹配。通過提取兩幅圖像中共同的圖像特征。常見提取的特征點的方法主要有Harris算子，旋轉不變量算子等。而提取線特征方法有一階提取方法和二階提取方法。經典的一階提取線特征方法有一階梯度算子，差分算子，Sobel算子，Prewitt算子等。而經典的二階線特征有Laplace算子和方向二階差分算子等3。2.2.2 基于灰度信息的圖像匹配基于灰度的匹配，簡單說來就是利用一定的方法來找出圖像之間的相似處，是根據圖像中每個區域的像素灰度信息，調用公式來計算

13、兩者的匹配關系。該算法的基本思想是通過正確的數學方法，來設計出能夠高效穩定精確的匹配算法。匹配的實質就是在一定的匹配規則下的最好的搜索方法，數學中很多好的技術都能夠在匹配中應用，比如動態規劃、遺傳算法以及松弛法等。比較經典的基于灰度信息匹配方法有：平均絕對差（MAD）算法，絕對平衡搜索（ABS）算法和序貫相似性檢測（SSDA）算法等。這類算法的主要特點是基本原理簡單容易理解，和其他匹配算法相比，沒有大量復雜的幾何計算，具有較好的實時性。而且在區分不同圖像的信息上能力強，能夠準確的找出灰度變化大的區域同時綜合利用圖像中國的所有信息，匹配精度較高。但是同時也存在的較大的不足之處，目前上需要解決的問

14、題主要有：計算復雜，匹配速度較慢；過于依賴圖像像素灰度值，對外界環境變換敏感，抗干擾性低。近年來,這種匹配算法研究的最多，這種算法直接計算圖像的灰度信息，通過對其中的某一種相似性度量進行像素掃描來實現匹配，而且在匹配速度、匹配精度以及穩定性上都有一定的研究結果，值得我們做進一步的研究。2.3 匹配效果分析圖像的匹配效果表現在三個方面：一是匹配速度、二是匹配精度、三是匹配概率。匹配速度：即完成匹配所需的時間。主要由算法的復雜度和計算量來決定。算法的計算量取決于計算過程中需要搜索的點數以及采用的搜索的方法所利用的計算公式。算法的計算量=相似性度量計算量計算所需搜索的點數。匹配精度：即匹配的準確度。

15、在匹配過程中可能因為時間空間的不同或其他外界因素的影響導致，模板圖沒有在基準圖的正確位置上匹配，存在一定過的誤差，這就是匹配誤差。匹配誤差越小越好匹配概率指匹配結果在誤差允許的范圍內的概率，匹配概率越大，算法的穩定性越高。2.4 影響匹配的誤差因素誤差因素是指由于外界原因而非程序本身的原因造成匹配誤差的因素。現階段的研究也主要是在努力客服誤差因素對匹配結果的影響。1、噪聲噪聲可分成兩大類:一類是系統固有的噪聲，另一類是量子噪聲。圖像受到噪聲的影響會影響到圖像的灰度值，從而對匹配效果造成影響。2、幾何失真幾何失真是指兩幅圖片在外界因素的影響下發生了空間坐標的轉換以及像素灰度的變換。 HYPERL

16、INK C:UsersmyDesktop t right 主要表現為旋轉變形、比例誤差、投影誤差等。配準圖片之間出現幾何失真對匹配效果的影響最大3、圖像灰度變化 因為外界環境的影響，比如太陽的投射角度的不同，景物反射率的變化等因素，都會造成基準圖上的灰度值全部發生變化或者部分發生變化，造成灰度改變。2.5 本章小結本章首先介紹了圖像匹配的理論知識，然后介紹了圖像匹配技術的分類：基于灰度的匹配和基于特征的匹配，接著介紹了應該從哪幾個方面分析匹配效果，最后介紹了最常見的造成匹配誤差的因子。3 兩種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圖像匹配中常用的方法，可以根據算法的不同，選取不同的

17、相關系度量公式。該算法直接能夠直接使用通用的數學模型進行相似程度的計算。 序貫相似檢測算法（SSDA）是提出的一種高效的圖像匹配算法。匹配思想是先對基準圖像進行初步搜索，逐漸減少搜索范圍再進行精確搜索，本實驗中，采用歸一化積相關度量公式（NPROD）模板匹配算法與SSDA算法進行對比實驗。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運用模板圖與基準圖中的灰度值匹配的，根據模板圖與基準圖的灰度信息建立相關的相似性度量，通過我們采用的搜索方法，匹配出使兩幅圖像相似性度量最大或最小的地方。也就是說，通過將模板圖與基準圖比較，確定模板圖在基準圖上是否

18、有相同或相似的區域，若有，則標記出來且匹配成功。3.1.2 模板匹配算法的基本原理基準圖像T和模板圖像S是否匹配由匹配相似度來判斷。進行模板匹配的過程中，當搜索子圖和模板圖之間的計算差值最小時，說明找到了模板圖像在實時圖像中的位置。設模板圖T在基準圖上的S上的投影區域記為Sij，i,j為模板圖在基準圖上的投影的左上角像素點的坐標，取值的范圍是1模板匹配示意圖如圖所示： （a）基準圖 （b）模板圖 圖3.1 模板匹配的基準圖和模板圖數字圖像在存儲時一般以矩陣或者二位數組的形式，所以在計算相似性度量值時，要先將圖像向量化，然后再進行相似度的計算。本實驗中，通過對基準圖和模板圖進行歸一化積相關度量（

19、NPROD）計算，計算公式為：（3.1（3.1）其中A（3.2）（3.2）（3.3（3.3）相關系數可以表示對兩個矩陣線性聯系的密切程度的衡量，取值范圍在0到1之間，值越大表明兩者的線性聯系越密切。該算法對基準圖區域的每一個像素點都進行匹配計算，對任何一個搜索子圖Sij中的像素點都算出一個R(i,j),當R（i,j3.1.3 實驗中模板匹配算法基本流程1、基本步驟如下：讀取模板圖與基準圖，由于模板圖與基準圖均為彩色圖像，將模板圖與基準圖灰度化，以便于計算；利用函數得到模板圖與基準圖的尺寸大小；在基準圖上掃描所有的像素點，每掃描一個像素點，以此像素點為為左上角裁切出一個和模板圖大小一樣的矩陣。

20、調用NPROD函數計算這個裁切出的矩陣和基準圖的相關系數值;如果計算得到的相關系數值大于預先規定的值，則這個區域是模板圖在基準圖上的匹配區域，反之則不是。如果是則標記出該矩陣。完成匹配后，顯示總的匹配時間。并在基準圖上用綠框標記出模板圖在模板圖上的匹配位置。2、流程圖如下：開始開始讀入基準圖和模板圖基準圖和模板圖灰度化處理對基準圖每個點進行掃描，并以此像素點為準裁剪出一個與模板圖相同大小的矩陣，該像素點為矩陣的左上角第一個像素計算該矩陣與模板圖之間的相關系數值若求出的相關系數值大于規定值，則將次矩陣區域標記出來，反之，則不標記輸出匹配結果圖像結束圖3.2 模板匹配算法流程圖3.1.4 模板匹配

21、算法優缺點分析該模板匹配算法中使用的歸一化積相關度量算法的穩定性和精確度都很好，通過函數得到的NPROD值也不受灰度值線性變換的影響。該算法的不足之處在于必須對模板圖在基準圖上搜索區域的每一個像素點進行匹配計算，計算量大，實時性差。此外，這種匹配算法對發生旋轉的匹配對象或匹配對象只能看到一部分的情況敏感，只能進行平行移動。3.2 基于灰度信息的SSDA匹配算法3.2.1 SSDA算法的基本思想該算法是由巴尼亞和西爾弗曼最先提出來的3。搜索時模板圖T在基準圖S上按每個像素點移動搜索，同時計算兩圖的相似度，相似度最大的地方為匹配的最佳處。3.2.2 SSDA算法的主要原理模板圖S為MN，基準圖T為

22、mn，Sij為搜索子圖，其中：1i,jM-N+1, Sij（m,n）和T（m,n）分別為子圖和模板圖中位于S(1)定義絕對誤差為： i,j,mk,n其中，（3.5（3.5）（3.6（3.6）（2）取不變閾值Tk（3）選取基準圖Sijx,y中的像素點，計算其與模板圖中對應點的誤差，將所有對應點的誤差值累加，當累加后的誤差超過預先設定的閾值Tk，就停止計算，同時記下累加次數r。定義（3.7（3.7）(4) 將計算出的Ii,j值最大的點作為最佳的匹配點，因為如果要使總誤差超過Tk，必須在這一點上經過很多次累加。如下圖所示，A、B、C 三條曲線分別表示了不同的模板圖的累加誤差增長的曲線圖，從圖中可以看

23、出，A、B表示的模板圖不在匹配點上，因為這條曲線上的累加誤差增長的很快，很快就超過了預先設定的閾值，而圖3.3 SSDA算法閾值變化曲線圖3.2.3 實驗中SSDA算法的基本流程1、基本步驟如下：首先讀取模板圖與基準圖，由于模板圖與基準圖均為彩色圖像，將圖像均轉換為灰度圖像；利用函數得到兩矩陣的大小；求出基準圖的灰度平均值，并設定閾值Tk，和累計次數矩陣R（Tk可調整大小，R初始設置為0用函數來查找基準圖像S中的模板圖T的位置，位置值取匹配區域的左上角坐標。計算模板圖的灰度平均值，從模板圖的左上角開始運算。搜索方法用互相關法實現，為了減小搜索區域，先將原圖像和子圖像抽取至較小范圍，獲取相應位置

24、后，再在原圖像相應點附近詳細搜索。逐一計算相關值，當累計誤差大于閾值時，則該區域不是正確匹配位置，停止計算。進入下一區域的計算。按照以上方法，一直計算，直到計算完成。找出累計次數最大的點以及顯示目標點的左邊并保存。計算結束后，顯示總的計算時間。并在基準圖上用紅框標記出模板圖在基準圖上的匹配位置。2、流程圖如下：YesNoYesNoNoYes開始讀取模板圖T和基準圖S計算模板位圖像素平均值設置f（i，j）左上角為初始位置 小于T移動到下一個匹配點No是否到達f(i,j)的末層Yes計算圖像覆蓋下方的子圖像素平均值子圖中隨機選取像素點計算其與f(I,j)中對應的誤差值及累加和找到r次累加過程中最大

25、值，記為匹配位置輸出匹配結果圖像圖3.4 SSDA算法匹配流程圖結束3.2.4 SSDA算法優缺點分析SSDA算法只計算部分的像素灰度絕對值，當該值大于預先設定的閾值時，停止模板圖在該搜索區域的搜索，進行下一個搜索子圖的搜索，這樣在一定程度上減少了匹配的計算量，節約了匹配的時間。SSDA算法就匹配速度來說，確實優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響。根據上述的算法優缺點，許多學者對序貫相似性匹配算法提出了一些新的研究方法和改進策略，主要改進方法可以分為以下兩類：（1）將固定的閾值為自適應變化的閾值。將標準模板圖像內最開始位置上進行匹配的圖像內所有像素分別于待檢測圖像上對

26、應位置上的像素進行灰度值的相減，進行差值累積，得到初始閾值。進行下一位置的圖像匹配，按照前面的方法進行像素差值的累積，若累積得到的值超過了當前設定的閾值，則停止計算，進行下一位置的圖像匹；如果累積的值小于當前設定的閾值，就將此次得到的累計值設定為新的閾值，進入下一位置的匹配。按照上述方法對甄宓圖像進行搜索，獲取得到的最小閾值所對應的子圖像即為匹配得到的圖像。這種方法縮短了計算時間，是一種快速精確地搜索全圖的匹配的方法。（2）將序貫相似性匹配過程分兩步進行：粗匹配和精匹配。首先對圖像進行隔m行n列搜索的粗略匹配，利用公式D 式（3.8）對粗匹配結果進行相似性的度量，以此獲得粗匹配位置；將粗匹配點

27、作為矩心，在2m2n范圍內再采用序貫相似性算法尋找精確匹配點，并將此精匹配點作為圖像的匹配位置。4 實驗設計與性能分析4.1 實驗目的在第二章我們了解到一些影響匹配性能的誤差因素，如噪聲，幾何變換，灰度失真等，本實驗研究的目的是為了通過實驗，對比分析兩種算法的匹配性能、優缺點以及各自適用的場合。實驗主要通過對彩色圖片進行不同的變換處理來設計實驗，主要的處理包括加噪與不加噪，旋轉，灰度失真，灰度反轉幾個方面來進行實驗。4.2 實驗部分為了從不同方面測試上述兩種算法的性能，設置了幾組對比試驗。實驗的基準圖是lena頭像，而模板圖是從基準圖上任意位置裁切下來的。根據實驗要求對各圖片進行相應的處理，進

28、行實驗。 （a）基準圖 （b）模板圖圖4.1 未經處理的基準圖與模板圖上面兩圖分別為基準圖（a），大小是從基準圖中切割出模板圖（b）。大小分別為200200，模板圖的大小是6526，其中模板圖的左上角位于原始圖像的（86,92）坐標點上（坐標軸以基準圖的左上角為坐標原點，水平向右為X軸的正方向，豎直向下為Y軸的正方向）。實驗的軟件為：matlab程序主要顯示了以下幾個結果：運行結果顯示了基準圖通過程序得出模板圖在基準圖中的匹配位置，并通過方框基準圖上標記出來顯示了計算的時間4.2.1 基準圖與模板圖不經過任何處理的匹配效果實驗中，基準圖與模板圖不經過任何處理,使用matlab分別用SSDA算法

29、和模板匹配算法對圖片進行實驗，得出匹配效果圖，實驗效果如下： （C1）SSDA算法匹配效果圖 圖4.2 未經處理的基準圖與模板圖的匹配效果圖表4.1 SSDA算法和模板匹配算法匹配結果匹配算法精確位置匹配位置匹配誤差匹配時間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 基準圖與模板圖進行加噪處理采用控制變量法來進行對比實驗，分別對基準圖和模板圖添加高斯噪聲，來進行實驗。使用matlab對基準圖進行加噪處理（添加高斯噪聲），模板圖不做任何處理，效果如下圖所示。 （a）加入高斯噪聲的基準圖 （b）模板圖

30、 圖4.3 添加高斯噪聲的基準圖與未經處理的模板圖經過兩種匹配算法匹配后的效果圖如圖所示，（C1）為SSDA算法的匹配效果圖，（C （C1）SSDA算法匹配效果圖 圖4.4 基準圖加噪處理的SSDA檢測算法與模板匹配算法效果圖表4.2 SSDA算法和模板匹配算法的匹配結果匹配算法精確位置匹配位置匹配誤差匹配時間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對模板圖進行加噪處理（添加高斯噪聲），基準圖不做任何處理，效果如下圖所示。 （a）基準圖 （b）添加高斯噪聲的模板圖圖4.5 未經處理的基

31、準圖與添加高斯噪聲的模板圖經過兩種匹配算法匹配后的效果圖如圖所示，（C1）為SSDA算法的匹配效果圖，（C （C1）SSDA算法匹配效果圖 圖4.6 模板圖加噪處理的SSDA檢測算法與模板匹配算法效果圖表4.3 SSDA算法和模板匹配算法匹配結果匹配算法精確位置匹配位置匹配誤差匹配時間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 基準圖與模板圖之間存在一定范圍的角度差將模板圖旋轉一定的角度，基準圖保持不變，進行匹配。處理后的效果如圖所示。 （a）基準圖 （b）順時針旋轉1的模板圖圖4.7 基準

32、圖與模板圖之間存在角度差的效果圖經過兩種匹配算法匹配后的效果圖如圖所示，（C1）為SSDA算法的匹配效果圖，（C （C1）SSDA算法匹配效果圖 圖4.8 基準圖與模板圖之間存在旋轉的SSDA檢測算法與模板匹配算法效果圖表4.4 SSDA算法和模板匹配算法匹配結果匹配算法精確位置匹配位置匹配誤差匹配時間SSDA算法（86,92）2.9172s模板匹配算法（86,92）匹配失敗32.335s4.2.4 基準圖與模板圖之間存在一定程度的灰度失真基準圖做一定程度的灰度失真處理將基準圖經過photoshop進行加工處理，使得基準圖存在一定程度的灰度失真，模板圖不做任何處理。在此條件基礎上進行實驗，經過

33、處理后的基準圖和模板圖如下圖所示。 （a）存在一定灰度失真的基準圖 （b）模板圖圖4.9 存在一定灰度失真的基準圖與未經處理的模板圖經過兩種匹配算法匹配后的效果圖如圖所示，（C1）為SSDA算法的匹配效果圖，（C（C1）SSDA算法匹配效果圖 圖4.10基準圖與模板圖之間一定灰度失真SSDA檢測算法與模板匹配算法效果圖表4.5 SSDA算法和模板匹配算法匹配結果匹配算法精確位置匹配位置匹配誤差匹配時間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基準圖與模板圖之間存在嚴重的灰度失真（實時圖與基準圖之間出現

34、灰度反轉）通過matlab對實驗的基準圖進行處理，使得基準圖與原基準圖之間灰度反轉，模板圖不做任何處理。在此條件基礎上進行實驗，經過處理后的基準圖和模板圖如下圖所示： （a）灰度反轉的基準圖 （b）模板圖圖4.11 存在灰度反轉的基準圖與未處理的模板圖經過兩種匹配算法匹配后的效果圖如圖所示，（C1）為SSDA算法的匹配效果圖，（C（C1）SSDA算法匹配效果圖 圖4.12 基準圖與模板圖之間灰度反轉的SSDA檢測算法與模板匹配算法效果圖表4.6 SSDA算法和模板匹配算法匹配結果匹配算法精確位置匹配位置匹配誤差匹配時間SSDA算法（86,92）（43,70）（-43，-18）2.5272s模板

35、匹配算法（86,92）匹配失敗31.734s4.3 實驗結果分析由4.2.1基準圖與模板圖不經過任何處理的匹配實驗可以看出，SSDA算法匹配時間比模板匹配算法要短很多。本實驗中所采用的模板匹配算法是通過對模板圖與基準圖進行歸一化積相關度量（NRROD）計算，來計算兩幅圖片之間的相關值的。這種算法在匹配過程中要求對基準圖像中的所有像素點進行相關匹配計算。而且，只有最佳的匹配點是有效計算，所以，該模板匹配算法計算量大，且耗時較長，匹配速度較慢。而SSDA算法，并不是對基準圖的中所有像素點都進行計算。在匹配過程中，對像素點求和，超過預先設定的閾值，則放棄該搜索子圖的計算，該匹配算法不需要進行對大量無

36、用位置的計算，提高了匹配的時效性，但是可以從結果中看出，SSDA算法是通過減少了對基準圖中像素點的選取來提高匹配速度的，在匹配過程中會因為錯失一些相似的匹配點，而導致匹配精度下降，影響匹配效果。特別是在一些圖像信息很少的圖像區域，很容易發生匹配誤差和錯誤匹配的情況。由4.2.1基準圖與模板圖不經過任何處理的匹配實驗與4.2.2基準圖與模板圖進行加噪處理的匹配實驗對比，可以看出不論是基準圖添加噪聲還是模板圖添加噪聲，模板匹配算法所受的影響不大，具有較好的抗噪性，均可以正確的匹配，而SSDA算法則容易受到噪聲的干擾，受噪聲影響很大。由4.2.1基準圖與模板圖不經過任何處理的匹配實驗與4.2.3基準

37、圖與模板圖之間存在角度差的匹配實驗對比，可以看出模板匹配算法對于發生旋轉的匹配對象，完全失效，而SSDA算法在模板圖與基準圖存在旋轉時,能夠明顯看出，匹配效果誤差太大，SSDA算法也失效。由4.2.1基準圖與模板圖不經過任何處理的匹配實驗與4.2.4基準圖與模板圖之間存在一定的灰度失真的匹配實驗對比，可以看出對于基準圖與模板圖之間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算法受到很大的影響。對于基準圖與模板圖之前存在很嚴重的灰度失真（灰度反轉）時，SSDA算法與模板匹配算法均失效。綜上所述，從上述幾個實驗可以看出，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、，但是對于灰度反轉以及旋轉上該算法失效。缺點就是因為存在大量的計算，所以耗時較長。而SSDA算法對噪聲、灰度失真以及旋轉等都外界因素敏感，在這些因素下都難以達到匹配的要求。雖然減少了大量的像素點計算，但是也正因為如此，匹配效果達不到要求，容易受各種誤差因素的影響。5 總結5.1 本文所做的工作圖像匹配技術是圖像處理的重點研究方向，對匹配的速度和精度要求都比較高。本文介紹了基于像素灰度的兩種匹配算法，SSDA算法以及模板匹配算法。并對這兩種算法的設計實驗對其匹配效果進行了分析。本文所做的主要工作如下：1、介紹了圖像匹配的研究背景和意義，以及現階段圖像匹配的發展現狀；2、較系統的介紹了圖像匹配的理

39、論基礎，進行了技術分類，簡要的介紹了兩大類算法的優缺點以及適用范圍；3、詳細的介紹了基于像素灰度的模板匹配算法和SSDA算法的詳細過程，基本原理、流程圖，并對算法進行了比較分析；4、針對上述兩種算法，進行了的對比試驗分析，從匹配速度以及匹配精度方面進行實驗結果分析，比較了兩種算法的匹配效果的不同以及各自的適用范圍。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檢測算法要好，但是兩種算法在灰度反轉和旋轉上都沒有良好的匹配效果。SSDA算法優于模板匹配算法的就是在時間上匹配所需時間少，而模板匹配算法耗時較長。但是SSDA算法易受各種誤差因素的影響，匹配效果達不到要求。5.2 展望本文分

40、別對于基于像素灰度的SSDA算法和模板匹配算法進行了分析和研究，實驗效果還行，但是存在的問題也有很多，還需要進一步研究。具體如下所述：基于像素灰度的模板匹配算法較之SSDA算法穩定性更高一些，但是匹配所需時間太長，而SSDA算法在匹配速度上很好，但是匹配精度上差強人意，所以兩種算法均又可以改進的空間，可以通過結合匹配算法和搜索算法來提高實時性和匹配精度。參考文獻1饒俊飛. 基于灰度的圖像匹配方法研究D.武漢理工大學,2005. 2喬杰忠,吳中雷. 基于灰度匹配算法在圖像處理中的研究J. 裝備制造技術,2009,10:42-43.3陳艷. 基于灰度圖像的字符切分技術的研究D.中國科學院研究生院（計算技術研究所）,2004.4賀曉佳. 灰度圖像快速匹配算法研究D.合肥工業大學,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