基于灰度的图像匹配——NCC归一化相关匹配算法的Matlab实现

关注

VIP免费原创 2023-05-10 14:09:25 1.5w 阅读 AI 写同款· GEO 优化 ›

计算机视觉7—立体视觉之NCC算法 1.立体视觉一个多视图成像的特殊例子是立体视觉（或者立体成像），即使用两台只有水平（向一侧）偏移的照相机观测同一场景。当照相机的位置如上设置，两幅图像具有相同的图像平面，图像的行是垂直对齐的，那么称图像对是经过矫正的。该设置在机器人学中很常见，常被称为立体平台。通过将图像扭曲到公共的平面上，使外极线位于图像行上，任何立体照相机设置都能得到矫正（通常构建立体平台来产生经过矫正的图像对）。 ... 阅读详情

图像匹配

图像匹配：通过对图像内容、特征、结构、关系、纹理及灰度等的对应关系，相似性和一致性的分析，寻求相似图像目标的方法。
如：已知两幅图像AB，在图像A中寻找最相似的图像B。
在这里插入图片描述
图像匹配的方法有很多，比如基于灰度的匹配及基于特征的匹配等，本文主要介绍基于灰度的匹配算法中的NCC算法。

NCC算法

NCC（normalization cross-correlation）归一化相关性匹配算法，在图像匹配领域占据重要地位，对噪声具有一定的鲁棒性，不受亮度变化的影响，但是它对存在旋转的图像不能进行匹配。
在图像采集中往往会因为环境变化等出现亮度的变化，该算法能很好地解决亮度变化的问题。但是我们一般用NCC算法进行粗匹配，目前匹配算法采用更多的还是基于特征的匹配方法，但是基于特征的匹配会丢弃很多点，精度有所下降。
NCC算法是区域匹配算法，就可以对特征区域部分进行匹配，可以提高单个特征匹配的精度，还能提升整体模型的速度，同时抵消灰度变化带来的影响。

NCC算法基本原理

首先规定一个一定大小的模板图像灰度矩阵，让它在参考图像的所有可能的灰度阵列中，按某种相似性度量方法进行逐像素的搜索比较，从而进行匹配。
核心思路：归一化待匹配目标之间的相关程度，将NCC处理的结果归到[-1，1]范围内。越接近1说明相关性越大，说明两幅图像越相似，反之反之相似度越低，导致无法匹配。因此NCC输出结果的好坏，即可设置一个阈值，通过比较来确定。
由此，NCC不仅可以作为图像匹配算法，还可作为图像拼接融合的客观评价指标，进行相似性的判别。

NCC算法优缺点

缺点：

需要遍历所有点的组合，计算时间久。
匹配结果受区域块大小的影响。如果区域特征块选取的范围太大，对于含有特征点少的区域块来说就会产生大量的冗余计算，从而算法效率低，如果选取的区域块过小，那么特征点周围的灰度信息不能很好的表达，从而容易导致误匹配。
改进方法：可优化点集，将相关性低的特征点剔除（计算目标点与临近点的距离，并设置阈值来剔除）。分析特征块大小对相关系数的影响，从而选择更合适的块大小。

优点：