c語言圖像配准算法,c語言圖像識別算法

本文目錄一覽：

• 1、怎樣用C語言實現數字圖像處理的局部直方圖均衡算法?
• 2、圖像比對的原理或者算法
• 3、如何實現兩張圖片的匹配？

怎樣用C語言實現數字圖像處理的局部直方圖均衡算法?

1、ctrl+alt+l，自動色階。 2、手動調色階，用黑場和白場吸取色樣。 3、曲線調色。 4、圖像調整，匹配顏色，勾選中和選項。 方法很多的，學會靈活運用喲

圖像比對的原理或者算法

原理如下：

首先兩張圖要配准（可以姑且理解為對準），然後做減法就可以得到兩張圖不同的地方。

題主可以先從圖像配准開始學習。

關於編程語言和工具：

在C/C++下的圖像處理庫OpenCV是很強的的工具，Matlab下用圖形處理工具箱也很方便。

總之，題主要學的還有很多，不是那麼簡單的。

如何實現兩張圖片的匹配？

一、特徵點（角點）匹配

圖像匹配能夠應用的場合非常多，如目標跟蹤，檢測，識別，圖像拼接等，而角點匹配最核心的技術就要屬角點匹配了，所謂角點匹配是指尋找兩幅圖像之間的特徵像素點的對應關係，從而確定兩幅圖像的位置關係。

角點匹配可以分為以下四個步驟：

1、提取檢測子：在兩張待匹配的圖像中尋找那些最容易識別的像素點（角點），比如紋理豐富的物體邊緣點等。

2、提取描述子：對於檢測出的角點，用一些數學上的特徵對其進行描述，如梯度直方圖，局部隨機二值特徵等。檢測子和描述子的常用提取方法有：sift，harris，surf，fast，agast，brisk，freak，brisk，brief/orb等。

3、匹配：通過各個角點的描述子來判斷它們在兩張圖像中的對應關係，常用方法如 flann等。

4、消噪：去除錯誤匹配的外點，保留正確的匹配點。常用方法有KDTREE，BBF，Ransac，GTM等。

二、SIFT匹配方法的提出

為了排除因為圖像遮擋和背景混亂而產生的無匹配關係的關鍵點，SIFT的作者Lowe提出了比較最近鄰距離與次近鄰距離的SIFT匹配方式：取一幅圖像中的一個SIFT關鍵點，並找出其與另一幅圖像中歐式距離最近的前兩個關鍵點，在這兩個關鍵點中，如果最近的距離除以次近的距離得到的比率ratio少於某個閾值T，則接受這一對匹配點。因為對於錯誤匹配，由於特徵空間的高維性，相似的距離可能有大量其他的錯誤匹配，從而它的ratio值比較高。顯然降低這個比例閾值T，SIFT匹配點數目會減少，但更加穩定，反之亦然。

Lowe推薦ratio的閾值為0.8，但作者對大量任意存在尺度、旋轉和亮度變化的兩幅圖片進行匹配，結果表明ratio取值在0. 4~0. 6 之間最佳，小於0. 4的很少有匹配點，大於0. 6的則存在大量錯誤匹配點，所以建議ratio的取值原則如下:

ratio=0. 4：對於準確度要求高的匹配；

ratio=0. 6：對於匹配點數目要求比較多的匹配；

ratio=0. 5：一般情況下。

三、常見的SIFT匹配代碼

1、vlfeat中sift toolbox中的vl_ubcmatch.c使用的是普通的歐氏距離進行匹配（該SIFT代碼貢獻自Andrea

Vedaldi）。

2、Lowe的C++代碼中使用的是歐氏距離，但是在matlab代碼中為了加速計算，使用的是向量夾角來近似歐氏距離：先將128維SIFT特徵向量歸一化為單位向量（每個數除以平方和的平方根），然後點乘來得到向量夾角的餘弦值，最後利用反餘弦（acos函數）求取向量夾角。實驗證明Lowe的辦法正確率和耗時都很不錯。

同樣，也可以採用knnsearch函數求最近點和次近點：knnsearch採用euclidean距離時得到的結果與lowe採用的近似方法結果幾乎一致，正好印證了模擬歐氏距離的效果。

3、Rob Hess的OpenSIFT採用了KDTREE來對匹配進行優化。

4、CSDN大神v_JULY_v實現了KDTREE+BBF對SIFT匹配的優化和消除錯誤匹配：從K近鄰算法、距離度量談到KD樹、SIFT+BBF算法

– 結構之法 算法之道 – 博客頻道 – CSDN.NET。

5、OpenCV中features2d實現的SIFT匹配有多種matcher：VectorDescriptorMatcher，BFMatcher（Brute-force descriptor matcher），FernDescriptorMatcher，OneWayDescriptorMatcher，FlannBasedMatcher 等等。目前只知道採用knnsearch，提供了多種距離度量方式，具體區別不懂。