《表4 不同算法的匹配平均耗时Tab.4 Average time consuming of the matching of different algorithms》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于区域自适应模型耦合向量约束的图像匹配算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

不同算法的匹配准确率见图7。依图7可知，随着旋转角度的增加，不同算法的匹配准确率都有所下降。但是，文中算法的匹配准确率始终最高。当旋转角度为100°时，文中算法的匹配准确率为88.95%，而文献[18]、文献[19]的准确度分别为63.35%，79.54%。不同算法的匹配平均耗时见表4。依表4可知，文中算法的特征描述符只有512比特位，复杂度最低，使其运行效率最高，其所需的匹配平均耗时最少，为2.32 s，文献[18]和文献[21]均是采用了SURF算法，所获取的特征描述符维64维。文献[21]采用了稀疏表示来降低数据冗余，使其整体复杂度要低于文献[18]，二者的匹配时耗分别为3.37，4.75 s；文献[19]、文献[22]则是利用SIFT算子，其特征描述符为128维，复杂度很高。而且文献[19]使用了RANSAC策略，增加了运算次数，使其复杂度要高于文献[22]，二者的方匹配时耗分别为6.08，5.49 s。文献[20]虽然没有使用高维的特征描述符，但是其小波分解的复杂较高，而且需要对每一层分解结果完成特征检测，使其匹配效率要低于所提算法，约为2.96 s。原因是文中算法接着利用长点集来获取特征方向，利用短点集来获取特征向量，生成的二进制特征描述符具有良好的旋转不变性以及简洁性，使得特征匹配过程的计算复杂度得到大幅降低，提高了算法的鲁棒性能以及效率。另外文中还利用匹配特征点形成的向量建立向量约束规则，从仿射角度出发对匹配特征点进行优化，进一步提高了算法的鲁棒性以及匹配准确率。文献[18]通过联合改进的SURF方法、快速近邻搜索算法以及RANSAC策略来完成特征点的准确匹配，但是，SURF机制只考虑了特征点周围3/8的信息量，使其描述能力不强，且在求取其主方向阶段太过于依赖局部区域像素的梯度方向，在遇到旋等几何变换时，易导致主方向不准确。文献[19]中将图像匹配问题转化为马尔科夫随机场的优化问题，通过SIFT方法获取特征点后，利用Daisy方法获取描述符与几何约束来完成图像粗匹配，并利用RANSAC策略来优化匹配结果。由于SIFT方法获取特征点过程依赖固定阈值，无法根据图像的不同像素来确定合适的阈值，使得获得的特征点中存在较多的伪特征点以及冗余特征点，而且SIFT的特征维数较高，RANSAC策略的运算次数较多，从而导致算法的匹配准确率以及匹配效率较低。文献[20]中虽然快速归一化互相关函数计算速率有所提升，但是对小波分解后每层图像都需要通过Harris算法与快速归一化互相关函数计算，使其总体的计算量较大，同时该方法没有对匹配结果进行优化，而且小波变换具有一定的方向制约性，从而使得算法的匹配正确率以及匹配效率不是很理想。文献[21]中方法通过SURF方法获取特征点以及描述符，接着利用欧氏距离度量以及稀疏表示理论完成匹配。虽然稀疏表示降低了数据冗余，但是由于SURF的特征维数较高，且对局部区域像素梯度方向的依赖性，导致其主方向不确定，而且单一的欧氏距离度量容易产生错误，以及一对多匹配现象出现，从而使得算法的匹配正确率有所下降，匹配耗时增加。文献[22]中方法通过SIFT方法获取特征点与特征描述符，进而利用广义Hough变换完成匹配。由于SIFT方法生成的特征点伪特征点较多，而且获取的特征描述符维度较高，使其计算量增大，从而使得算法的耗时大幅增加，匹配正确度有所下降。