基于图像匹配算法的几何尺寸测量分析

基于图像匹配算法的几何尺寸测量分析

吴家辉

1广东省现代几何与力学计量技术重点实验室，广东 广州 510405

2广东省质量监督测绘装备检验站（广州），广东 广州 510405

3广东省计量科学研究院，广东 广州510405

摘要：图像匹配算法主要是对结构、内容、关系、特征、灰度以及纹理等内容，执行一致性或是相似性的分析，以择选出相似影像目标的的一种方法。若将它应用于几何尺寸测量过程中，可从质量角度出发，减少在图像匹配环节的非人工缺陷。基于此本文结合实际思考，首先简要分析了图像匹配算法的工作机理，其次阐述了基于图像匹配算法的几何尺寸测量措施。以期对相关部门的工作有所帮助。

关键词：图像匹配算法；几何尺寸；测量

引言：在数字经济时代背景下，为保证几何尺寸的测量工作能够顺利开展，相关人员应增加对图像匹配算法的关注，了解图像匹配算法在应用期间的工作机理，有效地匹配与识别两个甚至是多个图像在相同场景的情况。同时，可通过模板匹配算法、特征点匹配算法以及相位相关匹配算法等，实现对图像的处理、提取、匹配以及姿态估计等工作，使工作人员在得到准确结果后进行检验及筛选，以减少测量环节的误差。

一、图像匹配算法的工作机理

（一）变换域的匹配

在图像匹配算法应用前期，应增加对频域匹配技术方面的关注，了解到光照亮度与检验结果之间是不存在关联的，让图像在进行旋转时，能够掌握其中几何图形尺度的变化情况。依靠模板匹配算法、相位相关匹配算法实现对其的处理。

在模版匹配算法应用时，可依靠小的图像模版，让其与较大的目标图像进行比较，由此方式确认目标图像内存在的物体，使得目标物体能够在对应的空间进行分布。利用模版图像、目标图像中的像素值完成匹配操作。而在相位相关匹配算法应用过程中，可以依靠频域算法，比较两个图像之间产生的相位差。掌握物体旋转、形变以及平移的情况，运用三维形状的测量以及重建方式，确认物体的几何尺寸。

例如：m（x，y）是模版图像，而t（x，y）是待匹配的图像。其中M（N

,Y）与T（u，v）是二者的傅里叶变换。若此时平移量是（x0，y0），则可列出公式表示二者中的关系：

而傅里叶变换关系也可用公式进行表达：

若此时图像在匹配阶段存在平移的情况，则可根据上式中的内容，确认其中的傅里叶变换幅值呈现出的状态。若相位差值是1，则可列出以下等式，确认交叉功率谱，具体如下：

其中*表示复共轭运算符号。根据上式内容则可实现对交叉功率谱的确认，了解傅里叶反变换阶段峰值情况，方便人们完成信息分析操作并顺利进行图像匹配[1]。

（二）灰度相关匹配

通过图像像素等内容的了解，掌握图像中的全部信息，以确认灰度值并完成对图像像素的匹配操作。首先，可通过图像内灰度信息的应用，创建出相对完整的相似度内容，让工作人员运用探索的方式，确认相速度的比值。其次，可采用相位相关、序贯相似度、互相关等内容，确认图像之间灰度的平方差。如此，则可准确掌握图像匹配点[2]。

（三）模型匹配

在图像匹配环节可基于计算机模式识别以及视觉等领域进行分析，在确保刚体形状匹配工作顺利开展的前提下，让模版能够通过平移、旋转、尺度化的操作方式，将目标图像进行匹配，从而运用加权等方式，确认目标函数，从而确认给定图像与变形模版之间的匹配度（流程如图1所示）。

图一图像匹配算法应用流程图

二、基于图像匹配算法的几何尺寸测量措施

（一）开展算法设计工作

为满足几何尺寸的测量要求，可结合给定图片中的内容，实现对目标物体的储存测量及计算，在保证图片的预处理工作实施完毕后，方可进行过滤去噪并执行边缘的检测工作，确保目标识别匹配环节不会出现问题，从而完成透视变形矫正等操作。

（1）图像预处理期间，可优先对图像开展尺度归一化处理及去噪操作，使RGB模型内的R=G=B，让彩色图像能够以灰度颜色为主，让灰度图像中的灰度范围在0-255区间（如图2）。

图2图像预处理期间灰度变化示意图

通过对给定数据内容的预处理，使图像有所增强，保证目标可以更为突出。同时，也可采用卷积运算的方式，让图像的细节更加明显，在保证对比度有所增强的同时，列出小的矩阵，核对好单独的区域以完成掩码运算操作。在确认好图像中的特定卷积值的前提下，让锚点可以在制定的像素点位上放置，使像素邻域与其他值之间能够进行重合，进而让相应像素值与核内的各值相乘，然后，将乘积相加，最终将所得结果放在对应的像素点上。如此，则可进行锐化及降采样操作，使图像中的信息是完整的，减少背景噪声等因素所带来的影响。

（2）边缘检测期间，工作人员应优先进行目标识别操作，让图像周边的像素灰度进行变化，阐明图像分割的前提依据，从而实行边缘检测工作。同时，可以确认检测边界的最大值以及最小值，确认图像达到某一像素点时所产生的变化，精准指出边缘方向及位置，以确认图像色彩通道，确认检测算子，如Prewitt算子、Roberts Cross算子、Sobel算子等，从而确认卷积的最大输出值。

（二）做好特征匹配操作

在实行目标识别操作时，应注重图像的几何特征、纹理特征并增加模式分类器的应用，以增加现场内的识别依据，从而保证目标识别工作可以顺利开展。同时，采用轮廓拾取的方式，实现对目标及参照物的识别，以保证处理工作效率有所提升。在多通道内的检测以及识别工作时实施完毕后，方可对目标物进行多次的识别，在清除待识别和不能识别的立方体及矩形干扰后，方可确认几何体的特性。

如：当几何体是圆时，其特性是较为特殊的并具有“1”的特性。任何小于或是大于“1”的几何图形都不可能是圆。所有，我们应结合实际进行思考，在确认透视形变状况、图片质量的同时，确认其阈值是0.8，若大于此值则可断定为“圆形”。同时，我们也可增加对立体目标的了解，若拍摄时能够看到“3”个面，其中的2个面经过变形以及拉伸操作后可以为梯形，其顶端是菱形时，我们考虑其是长方形。

据此，运用相关算法，了解图像中的特征描述符及特征点，找到两个甚至多个图像之间的描述符后，方可完成特征的匹配操作。

（三）检验及筛选

以相关准则为基础，在完成检验和筛选匹配工作后，方可将系统中错误信息清除，以减少在匹配环节可能出现的误差。

例如：在测量玻璃屏尺寸时，可了解各个工件以及相机的所在位置（如图3）。

图3 工件以及相机位置位置分布图

其中A、B、C、D表示4个相机位置，我们可通过对距角的计算，使步距角的精度提升3%-5%，让细分之后的步距角能够维持0.09°。这样，则可运用图像匹配算法，确认其中矩形导轨的状态，提取图像中的特征点，以减少人工标记工作的开展频率，从而依靠虚拟数据集，形成全卷积网络，利用虚拟数据集构建对应的基本图形，如三角形、立方体、矩形等。同时，把控直线运动精度及角刚度高，确保图像处理期间以及图像采集工作中不会出现问题。

结论：综上所述，基于图像匹配算法，执行几何尺寸的测量工作需优先了解图像灰度值方图内的特征，让图像进行锐化，使阈值进行分割并确认图像的边缘特征，才能基于变换域匹配、灰度匹配以及模型匹配的方式，减少图形匹配算法中的不足，利用开展算法设计工作、做好特征匹配操作，检验及筛选等方式， 避免几何尺寸测量环节出现问题。

参考文献：

[1] 陈建新,唐丽玉. 一种SIFT-FREAK图像匹配算法[J]. 测绘与空间地理信息,2023,46(6):32-35.

[2] 陈雪松,武小凯. 改进SIFT的图像匹配算法[J]. 吉林大学学报（信息科学版）,2022,40(4):672-676.