文档介绍：指导教师评定成绩
(五级制):
指导教师签字:
附件C:译文_第一篇(共两篇)
基于Wavelet解析的图像角点拼接算法
Kun Zhang, Cuirong Wang, Ligang Miao, Bingyu Liu
摘要:
本文阐述了小波分析在图像角点配准中的应用。经小波变换得出的小波系数可有效表达图像局部特征。在图像角点配准中,基于小波系数权重的新方法已被提出。我们可以通过这种新的图形表述及角点配准方法,可以为每个图形建立角点库,以此提高图形角点配准的效率,实验结果表明该方法有可行,可操作性,且精度高,速度快。
关键词:图像角点配准,小波分析,小波系数,权重。
1 阐述
图像配准是电脑视觉中众多问题的基础层面,包括目标或影像识别,多图形3D构造解决,立体关联以及轨迹跟踪。多数图像配准方法可以分为三大层面:角点探测,特征描述及特征匹配。
借助一系列本地角点而进行的图像配准的发展可以追溯到Moravec使用角点检测器用于立体匹配的工作,随后Morave角点探测器算法被Harris和stephen改善,但Harris角点探测算法对图像尺寸的变化很敏感,所以它无法对不同尺寸的图像配准提供好的方法。Lowe通过最大化DOG探测器在尺寸间的上的输出从而将Harris角点探测算法拓展成尺度不变性,然而,DOG探测器算法的重复性并不如Harris算法,由Lowe描述得出的SIFT算法在不同类型的图像特征配准中被证明是性能最好的,并且基于SIFT描述符的各种改良算法已被提出。Ke和Sukthankar 通过在图形梯度上使用PCA而提高SIFT运算速度。对于图形特征匹配,使用叫做类对应测量的直方图匹配策略是常见的试验方法。尽管SIFT算法试图消减由类对应带来的不利条件。匹配结果也并没有那么高效,由于类对应算法的限制性。
近来由Shoktonfandeh,Marsic和Dickinson做的基于图像配准的工作提供了一个独具特色的图形匹配算法,该方法使用小波系数,针对特征匹配,如何明确一个合适且一致尺寸的方法已经由Lindeberg提出并深入研究。小波变换已经被用于在图形配准的各级频率上获取多分辨率。
本文,我们提出一个新的基于小波系数的特征描述及图像配准算法,该方法致力于减少不同图像配准的计算量,提高图像的配准效率。接下来将按一下形式组织本文:章节2简单介绍小波理论;章节3,4详细描述该方法;章节5提供试验数据,最后是总结及参考文献。
小波理论
小波分析是将数据分解成不同频率部分的数学函数,并研究每一部分。每一部分的分辨率与大小相对应。小波分析已经成为时序中能量局部变化分析的主流工具。将时域序列转化为时频域序列,我们可以明确可变性的调控模式以及该模式在时间上的变化方式。若某一物理模式下,其信号具有不连续性且含有尖刺,对于该物理模式的分析,小波理论是优于傅里叶变换的。在最近十年里,小波理论已经引导出多种小波应用。类如图形理解,干扰,人体视觉,雷达及地震预测等。
现在我们提供一个针对于小波多分辨率理论的简单描述。
任意函数,基准分辨率为,则Wavelet分析中表达式如下:
(1)
其中:
(2)
调整函数与小波函数应由公式(2)定义,多分辨率理论中的关键点便是以下空间序列:
(4)
在任一级j+1上,我们有以下关系,其中是与空间正交的结果。小波分析函数及其整数轻化形成对的基础。小波函数及其整数轻化问题。这些区间将函数分解为平滑及详细部分,这就类似从不同规模及每个规模的角度上去分析函数,从而会有一个关于函数低通性与高通性的视野。分解及重建程序见图1、图2。
图1 小波分析
图2 小波重建
针对二维图像,。调整公式,调整函数,小波函数,分解和重建算法是多分辨率分析方法中的重要组成因素。本文中,我们使用Danbeches Wavelet算法对图像进行分析,该分析方法已广泛应用于多分分辨率分析算法。
特征点新描述方法
基于小波系数,我们提出了新的图形描述方法。小波系数中数据包括均值、中值、最大值、最小值、范围、标准微分、中值全微分、均值全微分等。关于这些,我们使用与相关图像有关的小波系数数据制定表格。比如,我们可以使用db-3小波,水平等级设为2去对图像name 9-42进行小波分析。数据分析结果见图3。
图3 小波统计9-42形象
类似的,我们可以对其他图形做相同的工作。因此,不同图形的所有这些数据都会记录在表格1中,我们对此排序并且给表格中的每个数据一个序列号,仍然采用图形ID去表征图形名字。
表格中数据表明,第四组数据(最小值)始终为1,故其值不高,其他组数据都不相同。尤其是均值,中值,模型,最大值及范围。表格中