圖像匹配是計算機視覺中的一個重要問題，也是許多視覺應(yīng)用工作的基礎(chǔ)。在實際中，由于拍攝時間、拍攝角度、非線性形變等諸多因素的影響，使得解圖像匹配問題非常困難。非剛性圖像匹配中特征匹配是核心內(nèi)容。為了使研究的方法具有更好的通用性，作者采用*層次的特征——點，來展開研究。本書介紹的主要內(nèi)容是基于點匹配的圖像匹配算法及其相關(guān)應(yīng)用。點匹配算法需要尋找點集間的對應(yīng)關(guān)系和變換關(guān)系。實際圖像對中，由于噪聲、遮擋、離群點及非線性形變的影響，為點集匹配帶來了困難。為了盡可能的去除圖像對中存在的離群點和噪聲點，找到正確的圖像點集對應(yīng)關(guān)系，近年來，許多研究者提出了各種各樣的方法來解決這個問題，取得了一定的效果，但離實際的要求還有距離。如何找到新的算法，使其能夠取得比現(xiàn)有方法更好的性能，是圖像匹配算法一直所關(guān)注的。此外，現(xiàn)有的點集匹配算法都不能處理圖像對中有多種大的形變的情況，這意味著要求匹配算法能夠區(qū)分不同部分的不同變換關(guān)系。由于圖像中每一部分都可能存在一種復(fù)雜的變換關(guān)系，對這種匹配算法的研究是一個巨大的挑戰(zhàn)。
更多科學(xué)出版社服務(wù)，請掃碼獲取。
目錄
第1章 緒論 1
1.1 概述 1
1.2 圖像匹配問題的定義和分類 1
1.2.1 圖像匹配問題的定義 1
1.2.2 圖像匹配方法的分類 3
1.3 圖像匹配問題的基本框架 5
1.3.1 問題的數(shù)學(xué)描述 7
1.3.2 特征提取及描述 11
1.3.3 特征匹配 14
1.3.4 存在的問題及解決方案 17
1.3.5 研究趨勢 19
第2章 基于空間關(guān)系一致性的剛性點集匹配算法 21
2.1 概述 21
2.2 圖像初始特征點的提取與匹配 22
2.3 空間關(guān)系一致性算法 24
2.3.1 問題建模 24
2.3.2 問題求解 25
2.3.3 剛性變換估計 27
2.4 算法復(fù)雜度分析 30
2.5 實驗結(jié)果及分析 30
2.5.1 實驗配置 30
2.5.2 單應(yīng)實驗結(jié)果 31
2.5.3 基礎(chǔ)矩陣實驗 35
2.6 收斂性分析 36
2.7 相關(guān)算法分析 38
第3章 基于空間關(guān)系一致性的非剛性點集匹配算法 39
3.1 概述 39
3.2 點對應(yīng)的建立 40
3.3 非剛性變換關(guān)系的估計 41
3.3.1 問題建模 41
3.3.2 問題求解 42
3.3.3 變換函數(shù)的估計 44
3.4 形狀匹配算法分析 46
3.5 實驗結(jié)果及分析 47
3.5.1 形狀匹配結(jié)果 47
3.5.2 圖像匹配結(jié)果 51
3.6 收斂性分析 60
3.7 相關(guān)算法分析 61
第4章 基于分層混合模型的魯棒點匹配算法 63
4.1 概述 63
4.2 混合變換估計 64
4.2.1 問題建模 64
4.2.2 問題求解 65
4.3 快速算法 67
4.4 算法復(fù)雜度分析 68
4.5 分層非剛性點集匹配問題 69
4.6 實驗結(jié)果及分析 70
第5章 基于特征導(dǎo)引的圖像匹配算法 75
5.1 概述 75
5.2 特征導(dǎo)引算法 76
5.2.1 基于邊緣圖的特征提取 76
5.2.2 問題建模 77
5.2.3 問題求解 78
5.2.4 局部幾何約束 80
5.2.5 幾何形變估計 80
5.2.6 算法復(fù)雜度分析 82
5.2.7 算法參數(shù)說明 83
5.3 實驗結(jié)果及分析 83
5.3.1 數(shù)據(jù)集和評估標(biāo)準(zhǔn) 84
5.3.2 多模態(tài)圖像的結(jié)果 84
5.3.3 部分重疊圖像的配準(zhǔn)結(jié)果 87
5.3.4 部分重疊的多模態(tài)圖像對的配準(zhǔn)結(jié)果 90
第6章 基于稀疏點集與稠密流的匹配算法 93
6.1 概述 93
6.2 基于局部線性約束的稀疏點集匹配 93
6.3 基于SIFT流的稠密像素匹配 95
6.4 基于稀疏點集與稠密流的匹配模型構(gòu)建和求解 96
6.4.1 問題建模 96
6.4.2 優(yōu)化求解 96
6.4.3 實施細(xì)節(jié) 98
6.5 實驗結(jié)果及分析 99
6.5.1 數(shù)據(jù)集和設(shè)置 99
6.5.2 定性實驗 101
6.5.3 定量實驗 103
第7章 基于同類相似性的類別檢索 105
7.1 概述 105
7.2 算法思想描述 105
7.3 檢索算法實現(xiàn) 107
7.3.1 圖像間相似性度量 107
7.3.2 問題表述 107
7.3.3 圖模型 109
7.3.4 擴展：匯總和最大化相似性 110
7.3.5 計算復(fù)雜度 110
7.4 實驗結(jié)果及分析 111
7.4.1 實驗數(shù)據(jù)庫 111
7.4.2 MPEG-7形狀數(shù)據(jù)庫上對比結(jié)果 111
7.4.3 N-S數(shù)據(jù)庫上對比結(jié)果 113
7.4.4 AT&T人臉數(shù)據(jù)庫上對比結(jié)果 115
第8章 機器人拓?fù)鋵?dǎo)航 117
8.1 概述 117
8.2 拓?fù)浣▓D和局部化 118
8.2.1 CNN特征的圖像比較 120
8.2.2 圖像清晰度測量 121
8.2.3 ORB特征提取 121
8.3 基于非剛體特征匹配的幾何校驗 122
8.3.1 基于圖像對的向量場 122
8.3.2 VFC算法表述 123
8.4 實驗結(jié)果及分析 124
8.4.1 CNN特征的圖像相似性比較 125
8.4.2 清晰度度量 125
8.4.3 ORB特征提取效率 126
8.4.4 VFC的幾何驗證 127
8.4.5 拓?fù)鋵?dǎo)航 128
第9章 視覺歸巢 130
9.1 概述 130
9.2 全景運動流的平滑先驗 130
9.2.1 運動流的平滑性 130
9.2.2 平滑先驗的驗證 132
9.3 基于平滑先驗的關(guān)鍵點匹配和視覺歸巢 133
9.3.1 全景圖像對誘導(dǎo)的運動流 133
9.3.2 基于平滑先驗的內(nèi)點檢測公式化 135
9.3.3 基于平滑先驗的內(nèi)點檢測實現(xiàn) 136
9.3.4 基于運動流的奇點進(jìn)行視覺歸巢 138
9.4 實驗結(jié)果及分析 139
9.4.1 實驗設(shè)置 139
9.4.2 實驗結(jié)果 141
參考文獻(xiàn) 143
附錄I 專用詞匯中英文對照 150
附錄II 定理4.1的證明 152
書單推薦
