F R E A K 特 征 点 匹 配 算 法 介 绍 ( 2 0 2 0 )

接 图像 ， 这两 幅 图像 应 有 ２ ～ ３ 的重 叠 区域 ， ｏ Ｏ
提取 ， 则计 算 量 会 过 于 庞 大 。 为此 在 进 行 ＳＦ 提 ＩＴ 取 特 征前应 先将 彩 色图转 变为 灰度 图 ， 即采用 公式
ｆｒ ａ ｇｅＨ ｔｉ，ｔｅｅｏ ｅ ｍａ ｅｔ ｅ ｗｏｉ ｇ ｓ ｉｈｈ ｖ ｎ ｌ ｄｆ ｒｎ ｅ ｄｕ ｔ ｏｖ ｒｉ ｏ ｍ ｎ ｌ ｍａｒ ｘ ｈ ｒｆｒ ， ｋ ｈ ｔ ｍａ ｅ ｃ ａ ｅａ ｇｅ ｉｅｅ ｃ ｊｓ ｅｔ ｗｈ ｆ ａ ｔ — ｃｌ ｈ ｏｉｇｐａ ｅ ｉａｌ ， ｓｉ ｉｇａ ｊｓｅ ｗｏｉ ｇ ｓａ ｃｒ ｉｇＳ Ｆ ｎ ｒｊｃｉｎａｇ — ａ ｓ ｏ ｔ ｌｎ ．Ｆ ｎ ｌ ｍｏ ａｃ ｎ ｄｕ ｔｄｔ ｎ ｙ ｋ ｍａ ｅ ｃｏｄｎ Ｉ ａ ｄｐｏｅｔ ｌｏ Ｔ ｏ
抽样一致性去粗 算法求得 两幅图像 间的 Ｈ 矩 阵初值 ， 并运 用迭代精 炼算法求 出 Ｈ 矩阵的精确值 ， 用摄像 头预 先 利
拍摄好 的固定角度 的 图像 来得 到转换角度的 Ｈ 矩 阵， 而将 均具有 角度 差的 两幅图像调 整至垂直拍摄 的平 面， 从 最 后根据尺度 不变特征 变换 匹配算法及投影算法将调 整后 的 两幅 图像拼 接 。实验表 明， 本方 法简单 易行 ， 可降低 具 有 角度 差的两幅图像 拼接 后的边缘变形 ， 而改善拼接 质量 。 从 关键词 ： 尺度不变特征 变换 匹配算法； 图像拼 接 ； 影矩 阵； 投 投影 变形 中图分 类号 ： Ｐ ５ ． Ｔ ７ １１ 文献标识码 ： Ａ 文章编 号 ：０ ７ ２ ４ ２ １ ）１ ０ ８ —０ １ ０ —３ ６ （０ ２ ０ — ０ ７ ５
析 图像 中 的多种 不 变量 ， 从 多 方 面进 行 限制 与 筛 并 选 ， 而在选 择候 选 特征 点 时充 分 根据 配准 的需 要 进

２１ ．特征点方向的确定
利用特征点邻域像素的的梯 度方 向分布特征 ，为每
一
个特征点指定方 向参数 ，使算子具有 尺度不变性 。
ｍｘ ）√ ＋ ｙ Ｌ 一） ＋ ， １ Ｌ ， ｌ （ ＝ ｌ） （ １） ） （Ｙ ， ， 一 ｘ ， ， ＋一 ｘ— ０ｘ ）ｏ ｎ ＯｙＯ Ｌ ， １／ （ １）三 一） ） ９ ， ＝ ２ ， －（ｙ ）（ ｘ ，一 Ｏ １） （ ） ｙ ｔ ｔ ａ ＋ ￣ －）Ｌ ＋ ，） ，
２２ ＊ 个种子 点 ，每个 种子 点８ 方 向 ，共可生 产３ 个数 个 ２
二 、算 法 实现 和 实验 结果
实验算法采用Ｖ ２ ０ 开发 。结果如下 ： Ｃ ０８ 第一 组实 验 ，上 图是 由下 图放大 而来 ，且 ±
光 照 强 度 。两 幅 图 中
的箭 头 方 向代 表 了该 像 素 点 的梯 度 方 向 ，
ＬｘＹｏ ＝Ｇ ｘＹ ） （，） （ ） （，， ） （， ，ｏ Ｉｘ ２
ＳＦ 特征匹配算法是Ｄａｉ Ｌ ｗｅ ０ ４ ＩＴ ｖｄＧ．ｏ 在２ ０ 年总结了
现有 的基于不变量特征检测技术的基 础上 ，提出的一种
基于尺度空 间的，对 图像缩放 、旋转甚至仿 射变换保持
不 变性 的 图像 局部特 征描述算 法 。ＳＦ 特征是 图像 局 ＩＴ
骤 ：１ 特征点 的检测 ；２特 征 向量 的生成 ；３特 征 向 ． 是 ． ．
量的匹配。
尺度对应 于图像 的概貌特征 ，小尺度对应于图像 的细节
特征 。选择 合适 的尺度 因子平 滑是建 立 尺度空 间 的关 键 。在这里 ，主要是建立高斯金字塔和Ｄ Ｇ（ ｉ ｅｅ ｃ Ｏ Ｄ ｆ ｒｎ ｅ
１ ． ．

4、在熟悉函数图象的基础上，通过观察、分析抛物线的特征，来理解二次函数的增减性、极值等性质；利用图象来判别二次函数的系数a、b、c、△以及由系数组成的代数式的符号等问题.
三、要充分利用抛物线“顶点”的作用.
1、要能准确灵活地求出“顶点” .形如y=a（x＋h）2＋K →顶点（－h,k），对于其它形式的二次函数，我们可化为顶点式而求出顶点.
列表：
x
-3
-2
-1
0
1
2
3
y
-3
-1.5
-1
-1.5
-3
-5.5
-9
描点，连线成如图13-11所示不能反映其全貌的图象。
正解：由解析式可知，图象开口向下，对称轴是x＝-1,顶点坐标是(-1，-1)
列表：
x
ቤተ መጻሕፍቲ ባይዱ-4
-3
-2
-1
0
1
2
y
-5.5
-3
-1.5
-1
-1.5
-1.5
-5.5
描点连线：如图13-12
图13-11
例如，要研究抛物线L1∶y＝x2-2x+3与抛物线L2∶y＝x2的位置关系，可将y＝x2-2x+3通过配方变成顶点式y＝(x-1)2+2，求出其顶点M1(1，2)，因为L2的顶点为M2(0，0)，根据它们的顶点的位置，容易看出：由L2向右平移1个单位，再向上平移2个单位，即得L1；反之，由L1向左平移1个单位，再向下平移2个单位，即得L2.
活动步骤：①举例：x²=y；x²+1=y；x²+x=y；x²+x+1=y。②画直角坐标系；列表（找出（x，y））；描点；连线。③小组一起观察图像并讨论他们的共同点。记下讨论结果。④利用统式（ax²+bx+c=y）证明讨论结果的必然性。

上限：1010 mol-1·dm3·s-1
2. 过渡状态理论的应用
A+B
(A:B)≠→P
非电解质溶液：
(G ) GS G0
k
k0
exp
(G RT
)
GS ：溶剂S中的标准活化自由能
G0 ： 基准溶剂中的标准活化自由能
电解质溶液：
ln A B Le2 (AB) RT
(1
k
k0
A B
(AB)
0. 35
900 3.9×10-4
▲ H +CCl4→HCl+CCl3 16
7
1400 5×10-3
▲ COCl +Cl→Cl2+CO 3.5 400
65 6.15
并不是在任何方位上的碰撞都会引起反应：
方位因素 NO2-C6H4-Br+OH- NO2-C6H4-OH+Br-
OH－必须与Br原子端碰撞→可能发生反应。 复杂分子传递能量需要时间：
A
RTe
exp(
r
S
)
hL
R
的振动频率
◆ A与活化熵变有关，与碰撞理论的结果相
比较得：P与活化熵有关；
◆ 若知道过渡状态的构型，就可计算k值。
——绝对速率理论
§5 液相反应和多相反应动力学分析
一、液相反应
多相反应
化学反应
气相反应
均相反应
液相反应
气态：分子间作用力可忽略→分子运动理论描述
晶态：质点排列有序
阿氏公式得：lnk~ (1/T)呈线性关系； 硬球碰撞理论得： ln(k/T1/2)~ (1/T)呈线性关系；
Ec —— 发生化学反应的最小临界能， Ec= Lε0

Ａｂ ｏｕ ｅＤｉｅｅ ｃ ） 均 方误 差 （ Ｅ，Ｍｅ ｎＳ ｕ ｒ ｓ ｌｔ ｆ ｒｎｅ 、 ｆ ＭＳ ａ ｑ ａｅ
值 ， 为 第 ｋ帧 图像 第 行 的灰 度 投影 值 ， Ｇ （） Ｇ （，）
为第 ｋ帧图像 上 （，） 置 处的像 素灰 度值 。 位 ② 相关计 算 将 第 点帧 图像 的行 、 灰度 投 影 曲线 与 参考 帧 图 列 像 的行 、 列灰 度投 影 曲线 做互 相关 运算 ， 根据 两条相关 曲线 的波谷值 即可确定 当前 帧图像 相对 于参考 帧 图像 的行 、 位移 矢量值 。 式为进 行行 相关 运算 的计 算公 列 下
式 （ ） ， ． 为第 ｋ帧 图像 第 列 的灰 度 投 影 ４ 中 Ｇ （） 『
索 区域 内所有 的候 选块 中 ， 出于前 一 帧参 考块 在 某 找 匹配 准则 下 最相似 的块 ， 即匹配块 ， 考块 与其 匹配块 参
之 间 的相对 位移 即为该块 的运动矢 量 。 最 佳 匹配可 以通过使某 一 目标 函数最 小或最 大而 求 出 ， 用 的 目标 函数 有 绝 对 误 差 和 （ ＡＤ， ｕ ｆ 常 Ｓ Ｓ ｍ ｏ
一
种 基 于 灰 度 投 影 块 匹 配 算 法 的 电 子稳 像 方 法
向量 。全 局块 匹配法 的实 现过程 如 图 １ 示 。 引 所
当前 帧 （）
现过 程 可 由两 个 主要 的步 骤 组成 ， 图像 的灰度 映 射 即 和相关 计算 。
①灰 度映 射
搜 索 块
把 每 一 帧 图像 灰 度 值 映射 成 两 个 独 立 的一 维 波 形， 即把两 维 图像信息 用两 个独 立 的一维 信息来 表示 。 其 投 影公式 可表 示为 ：
Ｍ ＳＥ（ ｘ ） １ ＃ ， ＝ ）

近似匹配公式(二)近似匹配公式1. Levenshtein距离（编辑距离）公式•描述：Levenshtein距离用于衡量两个字符串之间的差异程度，即通过添加、删除和替换字符将一个字符串转换为另一个字符串的最小操作次数。

•公式：d[i,j] = min(d[i-1,j]+1, d[i,j-1]+1, d[i-1,j-1]+(s[i]!=t[j]))•例子：比如字符串s为“kitten”，字符串t为“sitting”，计算Levenshtein距离时，最小编辑次数为3次，即将”i”替换为”i”，“e”替换为”i”，“n”替换为”g”。

2. 欧几里得距离公式•描述：欧几里得距离用于衡量两个向量之间的差异程度，即两个向量的欧式距离。

•公式：d = sqrt((x2-x1)^2 + (y2-y1)^2)•例子：比如有两个二维向量A(1, 2)和B(4, 6)，计算欧几里得距离时，即d = sqrt((4-1)^2 + (6-2)^2) = sqrt(9+16) = 5。

3. Jaccard相似性系数公式•描述：Jaccard相似性系数用于衡量两个集合之间的相似程度，即两个集合的交集与并集的比值。

•公式：J(A,B) = |A ∩ B| / |A ∪ B|•例子：比如有两个集合A={1, 2, 3}和B={2, 3, 4}，计算Jaccard相似性系数时，即J(A,B) = |{2, 3}| / |{1, 2, 3,4}| = 2 / 4 = 。

4. 余弦相似度公式•描述：余弦相似度用于衡量两个向量之间的夹角余弦值，范围在-1到1之间，数值越接近1表示越相似。

•公式：similarity = cos(θ) = (A·B) / (||A|| ||B||)•例子：比如有两个向量A(1, 2)和B(3, 4)，计算余弦相似度时，即similarity = (13 + 24) / (sqrt(1^2 + 2^2) * sqrt(3^2 + 4^2)) = (3+8) / (sqrt(5) * sqrt(25)) ≈ 。

大 的指 纹 有较 强 的抗 干扰 性 ， 法相 对 简单 且效 果 良好 ． 算 关 键 词 ：图像处 理 ；中心 点 ； 向图 ；特 征提 取 ；匹配 方
文献标 识 码 ： Ａ 文 章 编 号 ：１７ —５ ２ ２ ０ ）００ ７ —３ ６ １４ １ （ ０ ２ １ —０ ８０ 中 图分 类号 ： ３ ＴＰ ９
即是 此 块 的块 方 向编 码 值 ， 方 向 编 码 如 图 １ ， 块 示 然 后 在 这个 粗 的块 方 向 图 上 按 照 以 下 原 则 去 粗 搜 索 中心 区 域 ：
ａ 逐 行 检 查 块 方 向 数 组 ｂ ｃ ｌ ［ ， ］ 若 ． ｌ ｋ６ ｉＪ ， ｏ ｂｏｋ ６ ｉＪ ＝１２ ３且 ｂ ｃ ｌ ［ ， ｌ ｌ ［ ，］ ， ， ｃ ｌ ｋ ６ ｉＪ＋１ ＝５ ６ ｏ ］ ，，
数组 ｂ ｃ ｌ ［ ， （ ｌ ｋ６ ｉ ｏ ］ ＝１ ，… ，１ ； ，２ ６ Ｊ＝１ ， ，２
特征点 的位置 参数 显得 格外 重要 ． 常 的做法 是 通
选 取 一 个 中心 点 ， 出 特 征 点 相 对 于 中心 的 位 置 ， 求
再 进 行 比 对 ． 心 点 的 算 法 有 Ｐ ｉｃｒｉｄ ｘ Ｊ 中 ｏｎ ａ ｎ ｅ ｌ 算 ＿
维普资讯
第 ３ ０卷 第 １ ０期
２０ ０ ２年 １ ０月
华 中
科
技
大
学
学
报（ 自然科 学 版 ）
Ｖｏ．０ Ｎｏ １ １ ３ ．０
Ｏｃ． ２ ０ ｔ ０２
Ｊ ．Ｈｕｚ ｏ ｇＵｎｖ ｆ ｃ．＆ Ｔ ｃ ． Ｎ ｔｒ ｃ ｎ ｅＥ ｉｏ ） ａｈ ｎ ｉ．ｏ ｉ Ｓ ｅｈ （ ａｕｅＳ ｉ ｃ ｄｔ ｎ ｅ ｉ

后续我会把一些常用的芯板以及各种组合的 PP 厚度汇总给大家,以便学习用 Polar 软件 计算阻抗及层叠结构时使用! 四, 怎样使用 Polar Si9000 软件计算阻抗:8 v% ~: L% b6 e- ]' i
首先应知道是特性阻抗还是差分阻抗,具体阻抗线在哪些信号层上,阻抗线的参考面是哪 些层?其次根据文件选择正确的阻抗模型来计算阻抗,最后通过调整各层间的介质厚度,或者 调整阻抗线的线宽及间距来满足阻抗及板厚的要求! [( p; R* t. k/ h9 T 五,举例说明怎样使用 Polar Si9000 计算阻抗及设计层叠结构:6 `: C$ i4 k2 W. ^/ ?
半固化片(即 PP),一般包括:106,1080,2116,7628 等,其厚度为:106 为 0.04MM,1080 为 0.06MM,2116 为 0.11MM,7628 为 0.19MM.5 j( g- f. l& [0 V* |" l 当我们计算层叠结构时候通常需要把几张 PP 叠在一起,例如:2116+106,其厚度为 0.15MM,即 6MIL;1080*2+7628,其厚度为 0.31MM,即 12.2MIL 等.但需注意以下几点:1,一般不允许 4 张或 4 张以上 PP 叠放在一起,因为压合时容易产生滑板现象.2,7628 的 PP 一般不允许放在外层, 因为 7628 表面比较粗糙,会影响板子的外观.3,另外 3 张 1080 也不允许放在外层,因为压合时 也容易产生滑板现象.0 g# a. _2 T$ H- h8 B; {
S1=20mil S1=40mil
我们可以看到如果要使线宽达到 4mil 那么差分间距 S1 要达到 20mil，此 距离是比较大的，对布线空间要求比较严格。 所以综上所述，一般我们采取的做法实际上是有误差的，但是还是接近于 计算结果的。如果要真的严格控制，是比教难达到的，何况差分还要严格 平行等间距，这在设计中都比较难实现。下图是个实际的设计例子：

内,s～t/r2曲线和W(u)～1/u标准曲线在形状上是相同的,只是
纵坐标平移了 Q 4T,横坐标平移了
* 。 4T
将二曲线重合，任选一匹配点，记下对应的坐标值，代入
Theis公式可求。
②具体步骤
在双对数坐标纸上绘制W(u)—1/u标准曲线。
在另一张模数相同的透明双对数纸上绘制实测的s—t/r2曲 线。
流计算。其降深s的计算公式为:
s
Q
2KM
r K0( B)
因为：r r B
B
对二式两边取对数，得:
lg
s
lg
k0
r B
lg
Q
2T
lg
r
lg
r B
lg
B
式中，lg Q 和 lg B是常数。曲线 lg s ~ lg r与曲线
2T
相似l，gk只0 是Br 坐~标lg Br平移了
lg
Q
2T
在另一张模数相同的透明双对数纸上绘制实测的 s—t曲线。
将实际曲线置于标准曲线上，在保持对应坐标轴彼 此平行的条件下相对平移，直至两曲线重合为止。
任取一配点（在曲线上或曲线外均可），记下匹配 点的对应坐标：W(u)、1/u、s、t，代入下式求参数：
T
Q
4 s
W
* 4T t
r
2
1 u
u
配线法的优点：
)
,
K M
T B2
B
§3－3 利用地下水动态资料确定 水文地质参数
利用地下水动态长期观测资料来确定水文地质参数 是一种比较经济的方法，并且确定参数的范围比前 者更为广泛，可以求出一些用抽水试验不能求得的 一些参数。
本节主要介绍给水度、降水入渗系数和潜水蒸发系 数的确定方法。

转矩阵和位移矩阵ꎬ实现目标点云与源点云数据集的相交
平行于相平面ꎮ 保证在两像平面同一行高度搜寻匹配点
半全局匹配算法生成如图 ３ 所示的 ８ 位视差图ꎮ
以最小二乘法进行矩阵刚体运算ꎬ迭代数次后得到最优旋
区域特征描述符最大限度重合ꎮ 配准前后只变更点云的
相对位置ꎬ不改变点云数据ꎮ
设源点云集 Ｓ 的点云数为 ｎ ｓ ꎮ 目标点云集 Ｑ 的点云
ｆａｓｔｅｒ ｓｐｅｅｄ ｗｈｉｌｅ ｅｎｓｕｒｉｎｇ ｔｈｅ ｒｅｇｉｓｔｒａｔｉｏｎ ａｃｃｕｒａｃｙ.
Ｋｅｙｗｏｒｄｓ: ｒｏｂｏｔꎻ ｐｏｉｎｔ ｃｌｏｕｄ ｒｅｇｉｓｔｒａｔｉｏｎꎻ ｒｅｃｏｇｎｉｔｉｏｎ ｇｒａｂｂｉｎｇꎻ ｂｉｎｏｃｕｌａｒ ｃａｍｅｒａ
度概念的局部特征搜索方法ꎬ保证了不同分辨率传感器获
的相对位置关系ꎮ
双目相机成像及矫正原理如图 ２ 所示ꎮ 极点 ｅ ｌ 和 ｅ ｒ
位于成像光心连接线上ꎬｌ ｌ 和 ｌ ｒ 表示共轭极线ꎬＩ ｌ 和 Ｉ ｒ 表
示相平面ꎬ空间任意点 Ｐ 与光心 Ｏ ｌ 和 Ｏ ｒ 构成截交极平
面 Ｓꎮ
第一作者简介:陈壮(１９９５—) ꎬ男ꎬ山东青岛人ꎬ硕士ꎬ研究方向为机器视觉及自动化控制ꎮ
Ｔ Ｍ 等针对稀疏点云相邻点间的对应关系ꎬ提出基于超密
双目视觉为物体的三维重建提供原始图像输入ꎬ通过
ＲＧＢ－Ｄ 图像以及相机内外参数矩阵ꎬ生成物体点云数据
集ꎮ 双目相机与 Ｋｉｎｏｖａ 机器人采用如图 １ 所示“ 手在眼
外” 的安装方式ꎬ为双目相机{ Ｃ ｌ } { Ｃ ｒ } 与机器人基座{ Ｂ}
经过坐标转换成为抓取位姿矩阵ꎮ
ＩＣＰ 算法在局部寻优时出错率较高ꎬ容易陷入局部最
优解ꎬ此外原始的数据结构不利于处理数据量大的点云

Sklearn_工具--2SKlearn介绍SKlearn介绍一.Python科学计算环境Final二.SKlearn算法库的顶层设计 1.SKlearn包含哪些模块 2.SKlearn六大板块统一API2.1API2.2sklearn监督学习工作流程2.2sklearn无监督学习工作流程2.3sklearn数据预处理工作流程 2.4SKlearn算法模块的学习顺序三.SKlearn数据集操作API1.自带小数据集1.1鸢尾花数据集1.2手写数字数据集:load_digits()1.3乳腺癌数据集:load_breast_cancer()1.4糖尿病数据集:load_diabetes()1.4波士顿房价数据集:load_boston()1.5体能训练数据集:load_linnerud()1.6图像数据集:load_sample_image(name)2.svmlight-libsvm格式的数据集3.可在线下载的数据集(Downloadable Dataset）3.1 20类新闻文本数据集3.2 野外带标记人脸数据集:fetch_lfw_people()-fetch_lfw_pairs()3.3Olivetti人脸数据集:fetch_olivetti_faces()3.4rcv1多标签数据集:fetch_rcv1()3.5Forest covertypes:预测森林表面植被类型4计算机生成的数据集 4.1用于分类任务和聚类任务的4.2make_multilabel_classification,多标签随机样本4.3用于回归任务的4.4用于流形学习的4.4用于因子分解的一.Py【现场实操追-女教-程】thon科学计算环境FinalScik【QQ】it-Image是专门用来处理图像的机器学习接口处理图【１】像的还有OpenCV，OpenCV使用c和c++写的，但是提供了py【О】thon接口，可以用python去调用二.SK【⒈】learn算法库的顶层设计科学包【６】是如何架构起来的1.S【⒐】Klearn包含哪些模块SKl【⒌】earn监督学习模块有15种SKle【２】arn无监督学习模块SKle【б】arn数据变换模块管道流pipline严格来说不是数据变换模块，pipline负责输出重定向，sklearn通过pipline可以将train，test，得分估计连成一个一长串的，方便整理代码。

匹配效 果 相 差 不 大 ， 执 行 速 度 越 快 的算 法 越 有
优势 。 测试 数 据 集 ： Ｍｉ ｋ ｏ ｌ ａ ｊ ｃ ｚ ｙ ｋ和 Ｓ ｃ ｈ ｍｉ ｄ提 供 的 数 据集 中 的 ｕ ｂ ｃ 图集 。
表 １ 各 算 法 匹配 相 同 图像 的执 行 速 度
［ 收稿 日期］ ２ ０ １ ３ —０ ４ —０ ９ ［ 作 者 简 介］ 索 春 宝 （ １ ９ ８ ９ 一） ， 男， 汉族 ， 山东 济 南 人 ， 硕士生 ， 主要从事视觉／ 惯导组合导航方面的研究工作 。
２ ０ １ ４年 第 ４期
・ 北 京 测绘 ・
２ ３
多种 角度 比较 Ｓ Ｉ Ｆ Ｔ、 Ｓ Ｕ Ｒ Ｆ 、 Ｂ Ｒ Ｉ Ｓ Ｋ、 Ｏ Ｒ Ｂ、 Ｆ Ｒ Ｅ Ａ Ｋ算 法
索春 宝 杨 东清 刘 云鹏
（ 山 东科 技 大 学 测绘 科 学 与 工 程 学 院 ， 山东 青岛 ２ ６ ６ ５ ９ Ｏ ）
特征 匹配
性 能 比较 ［ 文章编号］ １ ０ ０ ７ ～３ ０ ０ ０ （ ２ ０ １ ４ ） ０ ４ —５
［ 中图 分 类 号 ］ Ｔ Ｐ ３ ９ １ ． ４ ； Ｐ ２ ３ ７ ［ 文献标识码］ Ｂ
图像 匹 配 技 术 是 计 算 机 视 觉 的重 要 组 成 部 分， 是 现代 遥 感 技 术 、 微 电 子 技 术 和精 密 测 绘 技 术 的综 合性 产 物 】 ， 在 目标识 别 、 图像拼接、 运 动 跟踪、 图像 检 索 、 自动 定 位 等 研 究 中起 着 重 要 作
提出 Ｆ Ｒ Ｅ ＡＫ 算法 不 同的 图像 匹配算 法在 检测 关 键 点和提 取 描述 向量 时采 用 不 同的 方 法 ， 构 造 出 的局 部 特 征 描 述 子 就 会 具 有 不 同 的 鲁 棒 性 。在

Ｓ ＨＩ Ｘｉ ａ ｎ ｇ — ｂｉ ｎ ＇ ， ＺＨＡＮ Ｇ Ｊ ｉ ｎ ． ｓ ｏ ｎｇ ， ＬＩ Ｕ Ｊ ｉ ｎ — ｌ ｉ ， ＣＨＥＮ Ｒｕ ｎ ． ｆ ｅ ｎ ｇ
（ １ ． Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆ Ｃ ｏ ｍｐ ｕ ｔ ｅ ｒ Ｓ ｃ ｉ ｅ ｎ ｃ ｅ ， Ｓ ｈ ｅ ｎ ｙ ａ ｎ ｇ Ａ ｅ ｒ ｏ ｓ ｐ ａ ｃ ｅ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｓ ｈ ｅ ｎ ｙ ａ ｎ ｇ １ １ ０ １ ３ ６ ２ ． Ｃ ｏ ｌ ｌ ｅ ｇ ｅ ｏ ｆ Ｉ ｎ ｆ ｏ ｒ ｍａ ｔ ｉ ｏ ｎ ， Ｌ ｉ ａ ｏ ｎ ｉ ｎ ｇ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｓ ｈ ｅ ｎ ｙ ａ ｎ ｇ １ １ ０ ０ ３ ６ ）
ｅ ｘ ｔ ｒ ｅ ｍｅ ｐ ｏ ｉ ｎ ｔ ｓ ． Ｔｈ ｅ ｄ ｉ ｒ ｅ ｃ ｔ ｉ ｏ ｎ ａ ｎ ｄ ｔ ｈ ｅ ｓ ｃ ａ ｌ ｅ ｉ ｎ ｆ ｏ ｍ ａ ｒ ｔ ｉ ｏ ｎ ｃ ａ ｎ ｂ ｅ ｋ ｅ ｐ ｔ ｗｈ ｉ ｌ ｅ ｍａ ｋ ｉ ｎ ｇ ｑ ｕｉ ｃ ｋ ｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ ｏ ｆ ｔ ｈｅ ｆ ｅ ａ — ｔ ｕ ｒ ｅ ｐ ｏ ｉ ｎ ｔ ｓ ． Ｔｈ ｅ ｎ ｗｅ ａ ｐ ｐ ｌ ｙ ａ ｂ ｉ ｎ ａ ｒ ｙ ｄｅ ｓ ｃ ｉｐｔ ｒ ｏ ｒ ｔ ｏ ｄ ｅ ｐ ｉ ｃ ｔ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｐ ｏ ｉ ｎ ｔ ｓ ｉ ｎ ｄ ｉ ｆ ｆ ｅ ｒ ｅ ｎ ｔ ｓ ｃ ａ ｌ ｅ ｓ ， ａ ｎｄ ｔ ｈ ｅ ｄ ｉ ｓ ｔ ａ ｎ ｃ ｅ ｏ ｆ ｄ ｅ ｓ ｃ ｉｐｔ ｒ ｏ ｒ ｓ ｃ ａ ｎ ｂ ｅ ｑ ｕ ｉ ｃ ｋ ｌ ｙ ｃ ｏ ｍｐｕ ｔ ｅ ｄ ｂ ｙ Ｘ ＯＲ ｏ ｐ ｅ ｒ ａ ｔ ｉ ｏ ｎ． Ｕｓ ｉ ｎ ｇ ａ ｓ ｐ ｅ ｃ ｉ ｉｅ ｆ ｄ ｔ ｈ ｒ ｅ ｓ ｈ ｏ ｌ ｄ ｔ ｏ ａ ｖ ｏ ｉ ｄ ｍｉ ｓ ｍａ ｔ ｃ ｈ ｉ ｎ ｇ， ａ ｐ ｐ ｌ ｙ ｉ ｎ ｇ ＲＡＮ ＳＡＣ ｔ ｏ ｅ ｌ ｉ ｍｉ ｎ ａ ｔ ｅ ｍｉ ｓ ｍａ ｔ ｃ ｈ ｉ ｎ ｇ ｐ ｏ ｉ ｎ ｔ ｓ ， ｔ ｈ ｅ ｐａ ｐ ｅ ｒ ｐ ｒ ｅ ｓ ｅ ｎ ｔ ｓ ｅ ｘ ｐ ｅ ｉｍｅ ｒ ｎ ｔ ａ ｌ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｔ ｏ ｓ ｈ ｏ ｗ ｔ ｈ ａ ｔ ｔ ｈ ｅ

第42卷第5期 激光杂志Vol.42,No.5 2021 年5 月 LASER JOURNAL M a y,2021大数据挖掘技术的光流场图像匹配方法设计黄凯宁\郭有强、杨静2'蚌埠学院计算机工程学院，安徽蚌埠232000;2安徽理工大学数学与大数据学院，安徽淮南232001摘要：光流场图像匹配可以提高图像的质量，便于后继的光流场图像处理，而当前光流场图像匹配方法存在一些不足，如匹配耗时间长，错误率较高等，为了获得更优的光流场图像匹配结果，提出了大数据挖掘技术的光流场图像匹配方法。

首先采集大量的光流场图像，并对图像预处理，消除干扰因素，从中提取边缘信息，幅 值特征，角度特征等特征向量，并引入大数据挖掘技术根据对提取到的特征向量进行光流场图像匹配，最后对比其它图像匹配方法。

实验结果表明，大数据挖掘技术的光流场图像匹配方法用时较短，提高光流场图像匹配效率，而且光流场图像匹配精度超过95%,大幅度减少了光流场图像匹配错误率，错误率仅为3%,具有广泛的应用范围。

关键词：大数据挖掘；边缘特征；光流场图像；图像方法设计；匹配效率中图分类号:TN29 文献标识码：A d o i：10. 14016/j. cnki.jgzz. 2021. 05. 107Design of image matching method of optical flow fieldbased on big data mining technologyH U A N G Kaining1,G U O Youqiang1，Y A N G Jing~1School o f Com puter E n g in eerin g,B engbu U niversity,B engbu A n h u iy232000,C hina；2 School o f M athem atics a n d B ig D a ta,A n h u i University o f Science &T echnology,H u a inan A n h u i,232001 ,C hinaAbstract：Image matching of optical flow f i e l d can improve the image quality and f a c i l i t a t e the subsequent image processing of optical flow field.However,there are some shortcomings in the current image matching methods of the optical flow field,such as long matching time and high error rate.In order t o obtain better image matching results of the optical flow field,an image matching method o f optical flow f i e l d based on big data mining technology i s proposed. Firstly,many optical flow f i e l d images are collected,and image preprocessing i s carried out t o eliminate interference factors,and feature vectors such as edge information,amplitude feature and angle feature are extracted from them.Big data mining technology i s then introduced t o match optical flow f i e l d images according t o the multi-extracted feature vectors.Finally,other image matching methods are compared.The experimental results show that the optical flow f i e l d image matching method of big data mining technology in this paper takes less time,improves the efficiency of optical flow f i e l d image matching,and the accuracy of optical flow f i e l d image matching i s more than95%.I t dramatically re­duces the error rate of optical flow f i e l d image matching.The error rate i s only 3%and has a wide range of applica­tions.Key words：big data mining；edge features；laser image；image method design；matching efficiency收稿日期:2020-10-26基金项目：国家自然科学基金项目（No.617020008);国家自然科学基金项目（No.61672001)作者简介:黄凯宁（ 1982-)，女，硕士，高级工程师，研究方向：数据挖掘，大数据收集和存储技术研究。

【原创】我的KM算法详解0.二分图二分图的概念二分图又称作二部图，是图论中的一种特殊模型。

设G=(V, E)是一个无向图。

如果顶点集V可分割为两个互不相交的子集X和Y，并且图中每条边连接的两个顶点一个在X中，另一个在Y中，则称图G为二分图。

可以得到线上的driver与order之间的匹配关系既是一个二分图。

二分图的判定无向图G为二分图的充分必要条件是，G至少有两个顶点，且其所有回路的长度均为偶数。

判断无向连通图是不是二分图，可以使用深度优先遍历算法（又名交叉染色法）。

下面着重介绍下交叉染色法的定义与原理首先任意取出一个顶点进行染色,和该节点相邻的点有三种情况:1.如果节点没有染过色，就染上与它相反的颜色，推入队列，2.如果节点染过色且相反，忽视掉，3.如果节点染过色且与父节点相同，证明不是二分图，return二分图博客推荐交叉染色法博客推荐：交叉染色法判断二分图另外附上二分图的性质博客：二分图的一些性质1.KM算法初步KM算法全称是Kuhn-Munkras，是这两个人在1957年提出的，有趣的是，匈牙利算法是在1965年提出的。

?增广路径增广路径定义：若P是图G中一条连通两个未匹配顶点的路径，并且属于M的边和不属于M的边(即已匹配和待匹配的边)在P上交替出现，则称P为相对于M 的一条增广路径（举例来说，有A、B集合，增广路由A中一个点通向B中一个点，再由B中这个点通向A中一个点……交替进行）增广路径有如下特性：?1. 有奇数条边?2. 起点在二分图的X边，终点在二分图的Y边?3. 路径上的点一定是一个在X边，一个在Y边，交错出现。

?4. 整条路径上没有重复的点?5. 起点和终点都是目前还没有配对的点，其他的点都已经出现在匹配子图中?6. 路径上的所有第奇数条边都是目前还没有进入目前的匹配子图的边，而所有第偶数条边都已经进入目前的匹配子图。

奇数边比偶数边多一条边?7. 于是当我们把所有第奇数条边都加到匹配子图并把条偶数条边都删除，匹配数增加了1.例如下图，蓝色的是当前的匹配子图，红色表示未匹配的路径，目前只有边x0y0，然后通过x1找到了增广路径：x1y0-y0x0-x0y2?增广路径有两种寻径方法，一个是深搜，一个是宽搜。

中图分类号 ：２２ Ｐ ３ 文献标志码 ： Ａ 文 章 编 号 ：０ ６７ ４ 【０ １ ０—０ １０ １ ０ —９９ ２ １ ）２０ ２ —３
Ａｎ ｍ ｐｒ ｅ ｉ ｏｖ ｄ ｐｏｉ ｓ ｃ ｏｕ ｒ ｇ ｓ ｒ ｔｏ ｍ ｅ ｈｏ ｎｔ ｌ ｄ ｅ ｉ ｔ ａ ｉ ｎ ｔ ｄ
子使用 两个如 下有 向算子 （ 一个水平 的 ， 一个是 垂直
集 之 间 的旋 转 Ｒ 和平 移 ｔ变换 ， 得 两 匹 配数 据 之 使 间满 足某种度 量 准则下 的最优 匹 配 。假设 目标点 集
Ｐ的坐 标 为 ｛ １ ∈Ｒ。 ｉ １ ２ … ， ｝ 参 考 点 ，一 ， ， Ｎ 及 集 Ｑ 的坐标 为 ｛ ∈Ｒ ，＝ １ ２ … ， ） 在第 ｋ ＱＩ Ｑ 。ｉ ，， ， 次 迭代 中计 算 与点 集 Ｐ 的 坐标 相 对 应 的 对应 点 坐 标 为 ｛ Ｉ ∈Ｒ。 ｉ １ ２ … ， ｝ 计算 Ｐ与 Ｑ ，一 ， ， ， 之 间的变换 矩阵并 对 原变 换 进 行 更新 ， 到数 据 问 的 直 平均 距离小 于 给定 的阈值 ｒ 即满 足式 （ ） ， １ 最小 。
ｎ ；２ Ｋｅ ｂ ｒ ｔ ｒ ｏ ｎ ｖ ｒ ｎ ｎ ｎ ｓ ｓ ｅ ｏ ｉ ｒ ｇ ｏ Ｂ Ｍ ， ｉ ａＵ ｎ ｖ ｒ ｉｙ ｏ ｉ ｉ ｇ ａ ｄ Ｔｅ ｈ ｏ ｏ ｙ， ａ ． ｙ Ｌａ ｏ ａ ｏ ｙ ｆ ｒＬａ ｄ Ｅｎ ｉｏ ｍｅ ｔａ ｄ Ｄｉａ ｔ ｒＭ ｎ ｔ ｉ ｆＳ Ｓ ｏ ｎ Ｃｈ ｎ ｉ ｅ ｓｔ ｆＭ ｎ ｎ ｎ ｃ ｎ ｌｇ
产 生 了不 同坐 标 系 下 数 据 配 准 的 问题 。数 据 配 准
（ ｔ Ｒ ｇｓｒｔ ｎ 是 将 两 个 或 两 个 以上 坐标 系 中 Ｄａａ ｅ ｉｔ ｉ ） ａｏ

收 稿 Ｂｇ ：２ ｌ一 ９２ ｔ 收到 修改稿 日期 ：２ １—２ ０ ｑ ０ ｌ０— ２ ０ １１— ６
基 金项 目：“ 十一 五” 国家科 技支 撑计 划重大 项 目（０６ ＡＪ５ ３ ２ ０Ｂ ０ Ａ１）
作 者简 介 ：） （９６） ￣ １８－，男（ 族） 汉 ，安 徽南陵 县 人 。 博 士研 究生 ，主 要研 究工作 是 ３ ｓ集成 及应 用 。Ｅｍ ｉ ａｇ ｎ ５３ ｉａ ｏ － ａｌ ｎｍｉ０５ ＠ｓ ． ｍ。 ：ｔ ｎｔ
ｈ ｔ ：／ ｔｐ ／ｗｗｗ ｇ ｇ ｃｃ ｄ ｃａ ｎ
２ ０
光 电 工程
的算法 来完 成 。
目前 ，部分 学者 进行 着这 方面 的研 究 。杨 晓敏 等¨采 用 基于 置信 度的算 法 对影像 同名点进 行 匹配 ；张 登 荣 等 通 过 构 建 仿 射 变 换 方 程 ，使 用 距 离 约 束 对 匹配特 征 点 对 进 行校 正 和 消 除错 误 匹配 ；Ｚ ｅｇｏ ｈｎ ｙｕ Ｚ ａｇ １ 用极 线约 束消除 不 良匹配 点。这些 研究 取得 了一定 的成 果 ，但 也都 存在 问题 ，特 别是 应 用到 无人 ｈｎ １采 ３ 机影像 的 同名 点 匹配上 来 ， 由于其 影像 几何 变形大 且复 杂等特 点 ，若直 接应用 这些 方法 很难 取得 满意 的效 果 。本文针 对上述 问题 ，主 要通过 改进 剔除误 匹配同名 点的算 法上 来解 决无 人机影 像 同名 点 匹配 可靠性 不
无人机影像 的同名点 匹配
唐 敏 ，李永树 ，鲁 恒
（西南交通大学 地理信息工程中心 ，成都 ６ ０ ３ ） １０ １ 摘要 ：与传统航 空摄 影测量相 比，无人机所获取 的影像存在更 大、更复杂的几何 变形 问题 ，而且 由于摄影比例尺