论文部分内容阅读
图像匹配是以一幅图像为基准，在另一幅图像中寻找相同或者接近位置的过程，不仅需要考虑图片的特点，还需要考虑匹配算法的性能。随着计算机视觉和图像领域的发展，越来越多的需求被提出来，主要集中在如何提高匹配的速度或者精度以及算法稳定性，一般将重点放在提出新的特征相似度度量方法或者在匹配点对的寻找过程中进行优化。 图像匹从图像的信息提取上分类有基于灰度值的图像匹配[1,2]和基于特征的图像匹配。基于灰度值的图像匹配，像素点多，层面单一，虽然原理简单，但是计算量大。基于特征的图像匹配算法，如SUFT算法[3]、Harris算法[4]、SIFT算法[5]等，由于与灰度图像匹配相比，其特征点数量骤减，会在速度上有很大的提升。而且，美国著名学者Mikolajczyk[6]在实验中比较了这几种图像特征的性能，得出SIFT特征具有较强的稳健性，不管图像是发生光照变换，还是尺度的变换或者空间变换。 近十几年，国内外研究学者，使用了数百种方法进行图像匹配，但在匹配速度、匹配精度、通用性和稳定性等方面无法达到一个平衡状态。本文围绕SIFT特征的匹配搜索策略问题，结合群体智能优化算法，旨在提高图像的匹配效率。工作思路如下: (1)为了避免SIFT特征维数高带来的计算复杂问题，分别采用主成分分析法(PCA)和内核投影法(walsh-hadamard)对初始SIFT特征进行降维; (2)引入群体智能算法优化匹配过程中的搜索策略。当特征点数量较多时，穷举法的匹配方式耗时较多，则需从搜索方式提高特征点的匹配效率，故引入群体智能算法。群体智能算法具有高度结构化的管理和较强的协同工作能力，而被广泛用来进行目标寻优，本文主要使用其中的两种算法，分别为粒子群算法和蚁群算法，最后，详细阐述了改进算法的基本思想和实现过程，最后通过实验结果得出结论。