毕业基于SIFT算法的目标识别毕业设计.doc

沈阳理工大学学士学位论文摘 要目标识别是指一个特殊目标（或一种类型的目标）从其它目标（或其它类型的目标）中被区分出来的过程。目标识别技术是图像处理技术中的重要研究内容，是图像信息领域之中的一项重要技术，同时它也是其它一些图像分析技术的基础。正由于其应用的广泛性，使得其算法的研究逐步走向成熟。目标识别是一个多步骤的过程，不同的匹配算法之间步骤也会有很大的不同，效果也有较大的出入。SIFT算法是一种基于尺度空间的算法，该算法特征是图像的局部特征，使其对旋转、尺度缩放、亮度变化具有保持不变性，对视角变化、方式变换、噪声也具有良好的稳定性，同时SIFT算法具有独特性好、信息量丰富，运行速度快等特点。本课题研究了基于SIFT算法的目标识别方法，论述了SIFT算法的实现过程。通过实验，探寻SIFT在亮度变化、尺度变化、旋转变化下的匹配效果。并运用SIFT算法实现物体识别。关键词：目标识别，尺度空间，稳定性， SIFT算法，物体识别AbstractTarget identification refers to the process of a particular target(a type of target) distinguish from other targets(or other types of targets). Generally speaking, target identification technology is of important, not only in the application of image processing technology, but also in the field of pattern information. Besides, it is also the basis of some other technology of image analysis. Therefore, it would seem that further investigation about target identification technology is needed.Target identification is a multistep process. Different matching algorithm would have different calculate steps and results. In addition, SIFT is an algorithm based on scale-space, which feature is the local features of the image, its rotation, scale zooming, brightness variation have the advantage of invariability, and the change of viewpoint ,pattern transformation, noise also has good trait of stability. Meanwhile, the SIFT algorithm has the characteristics of good uniqueness, huge information, faster running speed and so on.This article presents that the method of Target identification what based on SIFT algorithm, and summarize that the implementation procedure of SIFT algorithm as well as explores the matching results of SIFT in the aspect of brightness variation, scale variation and Rotation variation.Besides, it also discusses the way of object recognition by use of SIFT algorithm.Keywords: Target identification, scale-space, stability, SIFT algorithms, object recognition目 录第1章 绪论11.1 研究背景与意义11.2 国内外研究现状21.3 目标识别的基本流程41.4 本文主要内容4第2章 相关背景知识52.1 数字图像处理的概念52.2 数字图像处理的基本方法62.3 本章小结8第3章 图像预处理93.1 图像平滑93.1.1 均值滤波93.1.2 中值滤波93.1.3 高斯滤波103.2 图像增强113.2.1 直方图均衡化113.2.2 Wallis 滤波12第4章 SIFT特征匹配144.1 图像的初始154.2 尺度空间极值检测154.2.1 高斯模糊154.2.2 高斯金字塔174.2.3 建立DoG金字塔184.2.4 极值检测，初步确立特征点194.3 精确定位特征点的位置和所在的尺度204.3.1 关键点精确定位204.3.2 去除边缘响应214.4 确定特征点的主方向224.5 生成SIFT特征向量234.5.1 关键点描述思路244.5.2 关键点描述步骤244.6 SIFT特征向量的匹配254.7 本章小结26第5章 实验结果及分析275.1 SIFT特征提取实验结果275.2 特征匹配实验结果285.2.1 亮度变换的匹配285.2.2 尺度变换的匹配295.2.3 旋转变换的匹配315.3 图像匹配应用物体识别335.3.1 建立物体库345.3.2 目标图像与库匹配355.4 本章小结38结论39致谢41参考文献42附录A：英文原文44附录B：汉语翻译61附录C：程序代码71IV第1章 绪论1.1 研究背景与意义计算机视觉及认知一直以来都是人们研究的热点，它是一门研究如何通过机器或计算机智能地认知周围物体的技术。但是即使是一个十分简单的物体，要通过机器或计算机去智能认知它都是一件十分不容易的事。其中，物体的表示或描述是最关键的，即通过使用什么样的方式来描述物体，使得计算机简易地区分一个物体与另一个物体。图像匹配技术的出现，似乎使我们看到了解决这一问题的希望，它作为一种十分有效的手段已被成功地应用到广泛的领域和系统中，包括医疗诊断、数字摄影测量、视频图像拼接、遥感图像分析（包括飞机导航、形匹配、自然资源分析、天气预报等）、交通图像分析、工业自动化生产、视频跟踪与识别（包括场景分类、物体检测、目标物体的检测与跟踪等）等1。自动目标识别技术在信息技术中属于跨学科的前沿领域。从研究方法上看,它可以与数学、物理学、医学、电子学、计算机科学等许多学科相互借鉴;从研究范围上看,它又与计算机视觉、计算机图形学等多个专业相互联系。另外,目标识别技术的研究进展与神经网络、遗传算法和模糊逻辑等技术都有着密切的联系,它的发展及应用与遥感控制、通信工程和系统自动化等许多领域也是密不可分的。而在近年来,随着数字图像处理技术的进步,自动目标识别技术也得到了较快地发展,在工农业生产的各个领域中的应用越来越广泛,也显得越来越重要。尤其是在军事方面,自动目标识别技术在现代战争中扮演着重要的角色,是不可替代的。自古以来,用兵之道一直讲究快速、迅捷,正所谓“兵贵神速”,而目标识别技术正是提高现代战争中军事反应速度的重要条件之一。从当代的几次战争中可以看出,即使各种先进的信息化武器装备都出色地发挥了应有的作用,但如果目标识别技术的发展落后,同样会限制其它武器装备的应用,失去战争的主动性,从而给己方造成难以预计的损失,甚至可能会造成对整个战争形式的错误估计,从而导致整个战略指挥上的决策失误。因此,目标识别技术的发展程度直接影响着战场信息控制权的归属,与作战的反应速度、各兵种之间的整体配合、甚至是整个战役的成败有着密切的联系2。具体针对地面目标识别技术,可以用于敌方威胁和军事设施的判断以及快速获得战场上正确的态势情况,以供快速的军事响应和战略决策3,在军事上同样具有极其重要的意义。1.2 国内外研究现状近几十年以来,自动目标识别技术的发展十分迅速,通过与计算机技术、通信技术和光电信息技术等高新技术的集成,已经被成功地应用于社会生活的各个方面,直接或者间接的改变了人们的生活质量,提高了人们的工作效率。在20世纪80年代初期,国外就开始了启发式自动目标识别算法的研究。这种研究是首先在目标周围假设存在一个已知大小的矩形框,然后根据目标与框内局部背景的对比度来设定适当的阈值进行目标探测,接着通过一系列的全局性操作来分割目标:第一步操作为选择适当的边缘探测算子,对探测出的目标区域进行边缘检测;第二步是进行边缘连接,即填充边缘上间断的部分,在目标周围形成连续、完整的边缘;最后通过之前设定的阈值对边缘内的目标区域进行二值化操作,从而把目标从周围的背景中分离出来,接着对分离出来的目标进行特征计算,得到一组特征空间内的特征向量,然后则可以利用这些得到的特征向量对目标进行分类和判别。对目标进行分类和判别需要基于一些统计分类器,例如贝叶斯函数,k近邻函数和Parzen窗函数。这些早期的自动目标识别技术的性能并不好,在低杂波背景中成功探测目标的概率小于70%,即使在良性的杂波背景中,它的虚警率也同样难以令人满意。而造成这种情况的主要原因为:早期的识别过程对目标特征信息的选取并不具有全面性,而是选择了一些较为特殊的特征,并且获取这些特征信息的途径仅仅是依靠测量或者假定,稳定性很差,而利用特征信息对目标进行判别的方式也只是简单的通过阈值来进行分类。另外,在决定识别需要的特征种类时,依靠的仅仅是人们的直觉和猜测。这种依靠直觉设计出的识别算法与通过对具体场景和目标物理本质进行分析后设计出的自动目标识别算法相比,在遇到新目标或者处于不同的环境中时,性能会显著下降,难以保证目标能够有效地与背景实现分离。此外,由于算法的实现流程基于串行处理器,因此它的性能也受到了很大程度上的限制,比如不同算法程序模块之间不能共享它们提取的信息。另外,这些早期的自动目标识别技术并不具有鲁棒性4。从20世纪80年代末始,人们逐渐发出了一种新的自动目标识别技术。这种新的识别技术并没有釆用早期识别技术的顺序处理的方法,而是利用特征提取技术事先建立了知识系统或者模板,然后与目标特征进行匹配的方法。这种新的目标识别技术需要在平时进行数据釆集,建立包含大量信息的大型数据库,数据库中包括有各种目标物在不同方位角以及不同俯仰角下的外形信息。分类操作可以分为兴趣区生成阶段和目标分类阶段。在兴趣区生成阶段,首先利用双窗口滤波器函数对目标图像卷积,然后在目标图像中对和目标物的外形特征相仿的物体进行标定,然后寻找邻近区域内具有相似特征的区域,并利用区域生长法对特征相似的区域进行合并,即可得到所谓的感兴趣区域。在目标分类阶段,将内窗口滤波器中的所有信息分别和事先建立的目标模板进行比较,不断对模板比例进行调整直至二者的最小均值平方误差达到最小为止,从而得到最佳匹配,判断出感兴趣区域中目标物的类型。对得到的所有最佳匹配进行评价,通过设定适当的阈值对其进行判定,这样还可以进一步降低虚警率。虽然这种目标识别技术较之早期的识别技术在性能和稳定性上都得到了一定程度的提升,但是如果背景中存在较低或中等杂波时,识别率也仅仅只有80%,虚警率仍然较高4。尤其是在战场上,通常情况下需要识别的目标数量十分巨大,因此这种数据库的规模同样十分庞大,难以使模型检索和匹配具有实时性5。近几年来,自动目标识别技术已经从实验室仿真实验阶段过渡到可生产硬件进行使用的阶段,在战场监视系统、侦察系统、精确制导武器等装备系统上得到大量的实际应用。随着新型高性能传感器的发展和更完善的目标识别算法的出现,地面目标识别技术有希望实现低虚警率和高可靠性。图1.1目标识别的基本流程1.3 目标识别的基本流程现阶段,目标识别技术已经形成了比较成熟的基本框架,其工作流程在一般情况下可以分成七个阶段,其流程图如图1.1所示。在目标识别的基本流程当中,首先要对釆集到的目标图像进行预处理,也就是除目标图像中存在的噪声。接着对处理后的图像进行分割,以求得到目标图像中需要识别的目标物的完整图像,也就是要使目标物与背景分离,以降低背景对于识别结果的影响。然后对提取出的目标物图像进行特征提取,再将提取出的特征点与特征库中的标准特征信息匹配。这里的标准特征库是在事先建立好的,是通过采集大量标准的图像信息,包括不同类型的物体在不同角度下的各种图像,然后运用特征提取算法提取特征信息建立的,作为识别目标物的标准模板。特征库中的图像信息越详细,识别的效果就越好。特征匹配结束后还要对匹配中存在的错误匹配进行消除,之后计算最终的匹配率。最后通过匹配率的高低来判断目标物的类型,而判断的标准则是通过大量模拟实验的积累而分析出的经验值。1.4 本文主要内容本课题为基于SIFT的目标识别方法。本课题对基本的数字图像处理理论进行的简要的描述。再着重详细阐述SIFT算法的实现方法，从理论上证明SIFT算法的可行性和优越性。然后通过实验，分别对SIFT算法在各种情况下的匹配效果。测试该算法在尺度变换、旋转变换、亮度变换下的匹配效果。测试特征点的提取与图像之间的关系。得到实验数据，对数据进行分析总结，得出SFIT算法的实际匹配效果。然后将SIFT算法进行了简单运用，进行图像的识别。我们建立一个库文件夹，在文件夹中放入单个物体的照片，作为库图像。然后输入一张图像，如果该输入图像中有库文件夹中的物体，那么输出的结果中就会显示该图像中有库图像中所对应的物体。并显出，匹配上的的关键点对用蓝色细线连接起来，实现图像的简单识别。在最后对系统的用时和准确性分别统计分析，提高系统的稳定性课时效性。第2章 相关背景知识在本章中，简要阐述了数字图像处理的相关背景知识，包括基本概念和相关的步骤等。本文中所具体用到的步骤，图像预处理，图像分割，包括SIFT算法的特征匹配，将会在在后续的章节详细阐述。2.1 数字图像处理的概念一幅图像可定义为一个二维函数f(x,y)，这里x和y是空间坐标，而在任何一对空问坐标(x,y)力上的幅位f称为该点图像的强度或灰度、当x,y和幅值f为有限的、离散的数值时，称该图像为数字图像。数字图像处理是指借用数字计算机处理数字图像，伙得提及的是数字图像是由有限的元素组成的、每一个元素都有一个特定的位置和幅值，这必元素称为图像元素、画面元素或像素6。像素是广泛用于表示数字图像元素的词汇。视觉是人类最高级的感知器官，所以，毫无疑问图像在人类感知中扮演着最重要的角色。然而，人类感知只限于电磁波谱的视觉波段，成像机器则可覆盖儿乎全部电磁波谱，从伽马射线到无线电波。它们可以对非人类习惯的那些图像源进行加工，这些图像源包括超声波、电子显微镜及计算机产生的图像。因此，数字图像处理涉及各种各样的应用领域。图像处理涉及的范畴或其他相关领域(例如，图像分析和计算机视觉)的界定在初创人之间并没有一致的看法7。有时用处理的输入和输出内容都是图像这一特点来界定图像处理的范围。我们认为这一定义仅是人为界定和限制。例如，在这个定义下，甚至最普通的计算一幅图像灰度平均值的工作都不能算做是图像处理。另一方面，有些领域(如计算机视觉)研究的最高口标是用计算机去模拟人类视觉，包括理解和推理并根据视觉输人采取行动等8。这一领域本身是人工智能的分支，其目的是模仿人类智能。人工智能领域处在其发展过程中的初期阶段，它的发展比预期的要慢得多，图像分析(也称为图像理解)领域则处在图像处理和计算机视觉两个学科之间。从图像处理到计算机视觉这个连续的统一体内并没有明确的界线。然而，在这个连续的统一体中可以考虑三种典型的计算处理(即低级、中级和高级处理)来区分其中的各个学科。低级处理涉及初级操作9，如降低噪声的图像预处理，对比度增强和图像尖锐化。低级处理是以输入、输出都是图像为特点的处理。中级处理涉及分割(把图像分为不同区域或目标物)以及缩减对目标物的描述，以使其更适合计算机处理及对不同日标的分类(识别)。中级图像处理是以输人为图像，但输出是从这些图像中提取的特征(如边缘、轮廓及不同物体的标识等)为特点的。最后，高级处理涉及在图像分析中被识别物体的总体理解，以及执行与视觉相关的识别函数(处在连续统一体边缘)等。根据上述讨论，我们看到，图像处理和图像分析两个领域合乎逻辑的重叠区域是图像中特定区域或物体的识别这一领域。这样，我们界定数字图像处理包括输人和输出均是图像的处理，同时也包括从图像中提取特征及识别特定物体的处理。举一个简单的文本自动分析方面的例子来具体说明这一概念。在自动分析文本时首先获取一幅包含文本的图像，对该图像进行预处理，提取(分割)字符，然后以适合计算机处理的形式描述这些字符，最后识别这些字符，而所有这些操作都在本书界定的数字图像处理的范围内。理解一页的内容可能要根据理解的复杂度从图像分析或计算机视觉领域考虑问题。2.2 数字图像处理的基本方法图像处理的方法大体可以分为两类，一类是其输人和输出都是图像；另一类，输人可能是图像，但是输出是从图像中提取的特征属性。这一结构在图2.1中做了概括。该图并不意味着每一步处理都用于图像，更确切的目的是给出所有方法的一个概念，这些方法可以针对不同的目的，也许带有不同的目标。图像获取是图2.1所示的第一步处理。通常，图像获取包括如设置比例尺等预处理,也是图像处理最为简单基础的一步，这其中包括灰度，编码方式，图像获取方式等等基本概念，在此不再一一详细论述。图像增强是数字图像处理最简单和最有吸引力的领域。基本上，增强技术后面的思路是显现那些被模糊了的细节，或简单地突出一幅图像中感兴趣的特征。一个图像增强的例子是增强图像的对比度，使其看起来好一些。增强是图像处理中非常主观的领域，这一点很重要。图像复原也是改进图像外貌的一个处理领域10。然而，不像增强，图像增强是主观的，而图像复原是客观的。在某种意义上说，复原技术倾向于以图像退化的数学或概率模型为基础。另一方面，增强以怎样构成好的增强效果这种人的主观偏爱为基础。彩色图像处理已经成为一个重要领域，因为基于互联网的图像处理应用在不断增长。同时，彩色模型、数字域的彩色处理方面涵盖了大量基本概念11。彩色还是图像中感兴趣特征被提取的基础。小波是在各种分辨率下描述图像的基础。压缩，正如其名称所指的意思，所涉及的技术是减少图像的存储量，或者在传愉图像时降低频带。虽然存储技术在过去的几年内有了很大改进，但对传输能力我们还不能图2.1 数字图像处理的基本步骤这样说，尤其在互联网上更是如此，互联网是以大量的图片内容为特征的。图像压缩技术对应的图像文件扩展名对大多数计算机用户是很熟悉的(也许没注意)，如JPG文件扩展名用于JPEG（联合图片专家组)图像压缩标准。形态学处理涉及提取图像元素的工具，它在表现和描述形状方面非常有用。分割过程将一幅图像划分为组成部分或目标物。通常，自主分割是数字图像处理中最为困难的任务之一。复杂的分割过程导致成功解决要求物体被分别识别出来的成像问题需要大量处理工作。另一方面，不健壮且不稳定的分割算法几乎总是会导致最终失败。通常，分割越准确，识别越成功12。表示与描述几乎总是跟随在分割步骤的输出后边，通常这一输出是未加工的数据，其构成不是区域的边缘(区分一个图像区域和另一个区域的像素集)就是其区域本身的所有点。无论哪种情况，把数据转换成适合计算机处理的形式都是必要的。首先，必须确定数据是应该被表现为边界还是整个区域。当注意的焦点是外部形状特性(如拐角和曲线)时，则边界表示是合适的。当注意的焦点是内部特性(如纹理或骨骼形状)时，则区域表示是合适的。在某些应用中，这些表示方法是互补的。选择一种表现方式仅是解决把原始数据转换为适合计算机后续处理的形式的一部分。为了描述数据以使感兴趣的特征更明显，还必须确定一种方法13。描述也叫特征选择，涉及提取特征，该特征是某些感兴趣的定量信息或是区分一组目标与其他目标的基础。识别是基于目标的描述给目标赋以符号的过程。本文的重点内容，便是利用SIFT算法进行目标的特征识别与匹配。到目前为止，还没有谈到图2.1中关于先验知识及知识库与处理模块之间的交互这部分内容。关于问题域的知识以知识库的形式被编码装人一个图像处理系统。这一知识可能如图像细节区域那样简单，在这里，感兴趣的信息被定位，这样，限制性的搜索就被引导到寻找的信息处。知识库也可能相当复杂，如材料检测问题中所有主要缺陷的相关列表或者图像数据库(该库包含变化检测应用相关区域的高分辨率卫星图像)。除了引导每一个处理模块的操作，知识库还要控制模块间的交互。这一特性在图1甲23中的处理模块和知识库间用双头箭头表示。相反，单头箭头连接处理模块。虽然没有专门地讨论图像显示，但图像显示是很重要的。图像处理结果的观察可在图2.1中任何一级的输出执行。还注意到不是所有的图像处理应用都需要图2.1所指出的复杂交互14。事实上，在某些情况下并不是所有那些模块都需要:例如，为了人的视觉解释，图像增强很少需要使用图2.1中的其他任何步骤。然而，通常随着图像处理任务复杂度的增加要求做更多处理才能解决问题。2.3 本章小结本章主要对数字图像处理的相关基本知识进行了简要概括的介绍。由于篇幅的关系，并没有过多的内容和深度，很多仅仅是一带而过。当然，对于本次设计中使用到的相关图像预处理的内容，会在后边的第三章详细阐述。第3章 图像预处理由于环境中也是图像配准整个过程一个不可缺少的环节。为了提高系统的搜索精度，改善匹配性能随机噪声的存在、成像传感器的变化以及在不同时间受到不同环境的影响等各种因素的作用，我们得到的原始图像都不是理想的待匹配图像，这些图像间的差异会使后面的配准产生错误的结果，甚至无法配准。所以在进行图像匹配之前，对原始图像进行匹配预处理是非常必要的，包括减小噪声或改善图像的特性以利于高精度的图像匹配。同时，图像预处理，在图像匹配前，必须对待匹配图像进行适当的预处理，以消除或减少各种误差因素对匹配性能带来的影响。3.1 图像平滑一般来说,由于成像设备和外部环境等因素,在釆集、传输和处理图像信息的过程中不可避免地要受到噪声的影响。如果对噪声的处理不够彻底、不够及时的话,就会对后续图像的分割和特征提取及匹配工作造成不利的影响,甚至可能会导致最终的类型判断产生错误。因此,图像的去噪成为目标识别过程中必不可少的一部分。3.1.1 均值滤波 均值滤波是典型的线性滤波算法，其主要采用领域平均法。即对目标像素点( x , y )，首先选择一个模板，该模板由其近邻的若干像素组成，然后求模板中所有像素的均值14，最后把该均值赋予目标像素( x , y )。假设目标像素灰度值为 f ( x , y ),均值滤波后，目标像素灰度值为 g ( x , y ),模板大小为 MN，则均值滤波的公式为： （3.1） 3.1.2 中值滤波 中值滤波是常用的非线性滤波方法，也是数字图像处理技术中常用的预处理方法，它可以克服线性滤波器给图像带来的模糊，在有效清除颗粒噪声的同时，又能保持良好的边缘特性，从而获得较满意的滤波效果，特别适合去除椒盐噪声。 中值滤波的原理如下：将目标像素邻域中的像素按灰度值大小进行排序，然后选择该序列的中间值作为目标像素的替代值15。实现过程如下：首先选择一个以目标像素为中心点的邻域区域，邻域区域一般为方形（33、55），然后将邻域中的每一个像素按灰度值大小进行排序。 假设排序为 n为奇数 （3.2） n为偶数 （3.3）对排序好的像素序列取其中间值 Y 作为目标点像素灰度值的替代值。邻域窗口在图像中按一定方向进行平滑移动后，可以对整幅图像进行中值滤波算法的平滑处理。 3.1.3 高斯滤波 高斯滤波是基于高斯函数的形状来选择权值的线性平滑滤波方法。高斯平滑滤波器对去除服从正态分布的噪声效果较好。一维零均值高斯函数为 （3.4）其中的决定了高斯滤波器的宽度。对图像来说，常用二维离散高斯函数做平滑滤波器，函数表达式如下： （3.5） 高斯滤波的原理是：用一个模板(或称卷积、掩模)扫描图像中的每一个像素，用模板确定的邻域内像素的加权平均灰度值替代模板中心像素点的灰度值。一般的模板大小为 33 或 55，其权值分布如下：121242121 1/16 1474141626164726412674162616414741 1/273 图3.1 高斯滤波权值分布表格均值滤波、中值滤波和高斯滤波对噪声的滤除显然对提高信噪比和匹配准确率有一定的帮助。并且增加了匹配点的数量。但是滤波后图像在匹配准确率和匹配点数量方面还有不足，由于我们只对待匹配图像添加了噪声，而对匹配图像没做处理，这就增加了匹配的难度。相对来说，均值滤波针对椒盐噪声在匹配点数量方面没有改善，高斯滤波对于椒盐噪声的滤除在匹配概率方面有些不足，同时，中值滤波对椒盐噪声效果较好，但对其他噪声太敏感，同时，高斯滤波具有旋转对称性、可分离性等优点，所以这里选取高斯滤波对图像进行滤波处理。最后需要对滤波后的噪声图像进行进一步的图像增强处理，以提高图像匹配准确率、匹配点数量和匹配精度。 3.2 图像增强图像增强是数字图像处理技术中最基本的方法之一，为了改善视觉效果或便于人或机器对图像的分析理解，人们根据图像的特点或存在的问题，以及应用目的所采取的改善图像质量或加强图像的某些特征的方法称为图像增强。图像增强作为一类基本的图像处理技术，其目的主要是去除噪音、边缘增强、提高对比度、增加亮度改善颜色效果、改善细微层次等。考虑到上文为了减少由于噪声引起的图像差异，所采取的图像平滑方法模糊了图像的边缘、降低了图像对比度，从而影响了图像匹配的效果。所以本节考虑对滤波后的图像进行图像增强处理。 图像增强的主要方法分为空域处理和频域处理两种方法，空域处理是直接对图像的像素进行处理，而频域处理是借助傅氏变换或其他正交变换，增强感兴趣的频率分量，处理的基础是卷积定理。3.2.1 直方图均衡化 直方图均衡由于有效性和简单易用性而成为基于灰度的图像增强方法中最常用、最要的算法之一。该算法一般分为两类：全局方法和局部方法。目前，效果好、应用较广泛的直方图均衡化方法是采用分段线性拉伸进行全局直方图均衡。采用分段拉伸函数可以根据用户的需要，拉伸图像中的感兴趣部分的灰度级，抑制不感兴趣部分的灰度级16，其具体实现步骤如下：首先把输入图像按灰度值大小非均匀的划分为 N 段，使每段nT 内的直方图之和满足： （3.6） 即输入图像灰度值处在每个子区间内的像素数大致相等。 (2)按照步骤(1)中的寻找原则找到分段的边界点，若终点为则起点为然后将可以使用输出动态范围均匀的划分为 N段，取得各段的边界点：终点为则该段的起点为上一段的终点加 1。最后，在直角坐标系中对每一段的起点坐标和终点坐标之间做线性插值。 （3.7）其中 。 （3.8）便得到了直方图均衡化所需要的变换函数。直方图均衡化处理虽然有一定的图像增强效果，特别是对高斯噪声的图像增强了纹理信息、去除了部分噪声、使图像中对比度弱的区域边缘的得到较好的保护，但是在均衡化有椒盐噪声的图像同时也增强了椒盐噪声的强度，效果不是很好。说明通过直方图均衡化的方法增强图像信息适用性不好。 3.2.2 Wallis 滤波 Wallis 滤波器是一种比较特殊的滤波器，它可以增强原始图像的反差同时压制噪声，特别是它可以大大增强图像中不同尺度的图像纹理模式，所以在提取图像中的点特征时可提高点特征的数量和精度，而在图像匹配中则提高了匹配结果的可靠性及精度。Wallis 滤波器的基本原理是把原始图像的灰度均值和方差(即图像灰度的动态范围)映射到给定的灰度均值和方差的范围内。Wallis 滤波是针对图像的局部进行变换处理,它的目的是使原始图像中反差小的区域增大反差,原始图像中反差大的区域减小反差,并增强图像中灰度微小变换的信息。同时，Wallis 滤波器采用平滑算子来计算图像的局部灰度方差和均值，因此它既增强了图像的有用信息又抑制了噪声干扰，提高了图像的信噪比，增强了图像中极为模糊的纹理模式17。 Wallis 滤波器的一般形式为18： （3.9）令， 其中,g(x,y)为原始图像的灰度值；f(x,y)为Wallis滤波后结果图像的灰度值；为原始图像的局部灰度均值；为原始图像的局部灰度方差值；为结果图像局部灰度均值的目标值；为结果图像局部灰度方差值的目标值；c0,1为图像反差的扩展常数；b0,1为图像的亮度系数。Wallis 滤波的实现过程如下19： (1)把原始图像分为互不重叠的若干个矩形区域，使矩形区域的尺度对应于要增强的纹理模式的尺度； (2)计算每个矩形区域的灰度均值与方差 （3.10） 其中，。 （3.11）为像素的邻域窗口的大小。(3)根据经验，一般情况下灰度均值的目标值取 127，方差的目标值取 4065 之间的某一数值，为了防止大量像素的灰度值被饱和(即落于0,255之外),应使方差的目标值随着区域尺度的减小而减小，然后分别计算出各矩形区域的滤波器乘性系数和加性系数； (4)由于划分的矩形区域没有重叠部分，所以图像中的任一像素的系数、采用双线性内插得到，并计算出所有像素新的灰度值。通过Wallis滤波器对图像的增强处理，有一定的图像增强效果，特别是对椒盐噪声的图像不仅增强了纹理信息，同时去除了部分噪声，使图像中的纹理边缘信息更加突出，Wallis 滤波对高斯噪声图像也增强了的纹理信息强度，效果较好。说明通过 Wallis 滤波增强图像信息的方法适用性强。第4章 SIFT特征匹配SIFT算法是1999年加拿大英属哥伦比亚大学大卫.劳伊（David G.Lowe）教授在总结了现有的基于不变量技术的特征检测方法后提出的一种新的图像匹配方法-SFT。这种算法在2004年被加以完善。SIFT算法是一种基于尺度空间的算法。该算法的特征是图像的局部特征，使其对旋转、尺度缩放、亮度变化具有保持不变性，并在对视角变化、仿射变换、噪声也具有很好的保持一定程度的稳定性。同时SIFT算法还具有独特性好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配。另外，SIFT算法还具有多量性，即使是少数的几个物体也可以产生大量SIFT特征向量。而且，SIFT算法还具有可扩展型，可以很方便的与其他形式的特征向量进行联合。同时，SIFT算法经过优化和，执行速度较快，可以满足一定的速度要求。SIFT算法的实现简单步骤如下图：图4.1 SIFT算法步骤SIFT算法从实质可以总结为在不同尺度空间上查找特征点的问题，在对特征点进行一一比对，找出相匹配的关键点。SIFT算法实现对物体的匹配主要分为四步：提取关键点。对图像进行处理，提取出图像的关键点，产生关键点集。对关键点加以描述。对产生的关键点附加方向的信息（局部信息），也就是所谓的描述器。建立景物之间的对应关系。通过对两张图片的特征点集（附带特征向量的关键点）进行两两比较，找出相匹配的若干对特征点。然后用线连接起来。消除错误匹配点。用参数估计方法，对匹配点反复测试、不断迭代运算，消除错误匹配点。 4.1 图像的初始SIFT算法是在灰度图像进行数据处理的。所以在执行SIFT算法之前，我们需要将图像进行初始化处理，也就是要将图像进行归一化处理，把图像转换为灰度图像。转换成适当大小的图像。对图像进行高斯平滑处理，使图像更易于处理，准确性更高。 4.2 尺度空间极值检测构建尺度空间的目的是模拟图像数据的多尺度特征。高斯核是唯一可以产生多尺度空间的线性核。在不同的尺度参数连续变化时，高斯函数G(x, y,)与图像I(x,y)卷积可以得到图像I(x,y)的尺度空间。 （4.1）式中L表示尺度空间，(x,y)代表I上的点。是尺度因子，其值越大则表征该图像被平滑得越大；其值越小则表征该图像被平滑得越小20。大尺度对应于图像的概貌特征，小尺度对应于图像的细节特征。因此，选择合适的尺度因子平滑是建立尺度空间的关键。4.2.1 高斯模糊高斯模糊对于图像来说就是一个低通滤波器，是在 Adobe Photoshop、GIMP 以及 Paint.NET 等图像处理软件中广泛使用的处理效果，通常用它来减少图像噪声以及降低细节层次。这种模糊技术生成的图像，其视觉效果就像是经过一个半透明屏幕在观察图像，这与镜头焦外成像效果散景以及普通照明阴影中的效果都明显不同。高斯平滑也用于计算机视觉算法中的预先处理阶段，以增强图像在不同比例大小下的图像效果。从数学的角度来看，图像的高斯模糊过程就是图像与正态分布做卷积。由于正态分布又叫作高斯分布，所以这项技术就叫作高斯模糊。图像与圆形方框模糊做卷积将会生成更加精确的焦外成像效果。从理论上讲，图像中每个点的分布都不为零，这也就是说每个像素的计算都需要包含整幅图像，在实际的计算中，在计算高斯函数的离散近似时在大概3距离之外的像素都可以看作不起作用，这些像素的计算也就可以忽略。通常，图像处理程序只需要计算 的矩阵就可以保证相关的像素