《表4 不同算法的平均耗时统计结果Tab.4 Average time-consuming statistical result of differ-ent 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

《改进的多尺度Retinex耦合夹角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

不同算法的匹配平均耗时见表4。由表4可知，文中算法的匹配平均耗时为2.02 s，较对照组算法该算法耗时最少。不同算法的匹配正确率见图6—7。通过对比图6数据可知，缩放比例增大时，3种方法匹配图像的正确率都有所下降，尽管如此，文中算法匹配图像的正确率始终要大于对照组。在缩放比例为35%时，文中算法的匹配正确率为90.67%，文献[17]、文献[18]、文献[19]、文献[20]及文献[21]的匹配正确率分别为75.14%，82.45%，83.41%，85.20%，88.13%。图7所提算法与其他对照组算法表现出不同的鲁棒性，当旋转角度较小时（<40°），文献[19]与文献[20]的匹配精度要高于文献[21]，但略低于所提技术。在旋转角度为100°时，文中算法具有更大的优势，其匹配正确率为90.16%，文献[17]、文献[18]、文献[19]、文献[20]及文献[21]中算法的匹配正确率分别为72.88%，78.06%，82.26%，84.67%，86.49%。由此可见，文中算法具有较好的匹配性能，不管是大尺度缩放，还是大角度旋转，其正确匹配率均在90%以上。这是因为文中算法通过计算Haar小波响应以及求取邻域圆构成扇区内的灰度特征的方法，生成了17维度的特征描述符。同时，文中还利用特征向量间的夹角，建立夹角约束法则，通过特征点向量之间的夹角约束完成特征点匹配，使得算法能够适应旋转、缩放等仿射变换，从而提升了文中算法的效率以及匹配正确度。文献[17]算法首先利用小波变换对图像进行分解，然后再利用Harris算法对每层图像检测特征点，最后利用快速NCC算法获取匹配结果。因为文献[17]算法中需要利用Harris操作对每层图像检测特征点，增加了算法的匹配耗时，且小波分解受到方向性的限制，以及该方法没有对错误匹配点进行检测，因此导致其匹配效率以及匹配正确度不佳。文献[18]算法中利用BRISK算法获取图像的特征点，并生成特征描述符，接着通过汉明距离度量方法实现特征匹配，最后通过设计分类环的方法对匹配结果进行优化，实现图像匹配。该方法中BRISK算法生成特征描述符的过程较为复杂，且通过汉明距离度量实现特征匹配时忽略了特征点的分布情况，难以适应缩放等仿射变换，导致算法的匹配耗时有所增加、匹配正确度不佳。文献[19]是通过SIFT算法获取特征点与特征描述符，再利用基于均值的自适应RANSAC算法完成匹配。由于SIFT算法获取的特征点中存在一定的伪特征点，而且其获取的特征描述符高达128维，使得算法的匹配正确度与匹配效率不理想。文献[20]算法中通过FAST算子与SURF算法完成特征描述符的获取和特征匹配。由于FAST算子的尺度及仿射性能不佳，导致算法的匹配正确度下降，且SURF算法获取的特征描述符为64维，使其匹配效率不高。文献[21]算法中通过Hessian矩阵与尺度制约规则获取特征点，利用Haar小波响应获取特征描述符，并通过空间相似法则与距离约束模型完成特征匹配，使其可以消除误匹配，从而具有较高的正确匹配度。该方法中的特征点提取过程较为复杂，而且距离约束模型忽略了特征点之间的相关性，使得算法匹配正确度与效率有所下降。