5.2 HDEVELOP形状匹配原理    24
5.3 HDEVELOP形状匹配的算法步骤    25
5.4 HDEVELOP实验结果    27
结论    29
致谢    30
参考文献    31
附录    33
1绪论
1.1 图像匹配技术的描述
机器视觉、数字图像处理领域中的基本问题之一就是图像匹配问题。图像匹配，有两个问题与相应的模型：一种是处理两个（或多个）从不同的传感器，不同目标的拍摄角度的或不同的拍摄时间之间的利益图像之间的对应关系，图像后匹配可以得出两个图像之间的一些差异和相似性，并作为用于在一个过程中的下的基础;第二个是根据已知模板搜索相似模板图像中的另一图像的图像中。图像匹配是原始图像或通过比较计算结果和给匹配程度的描述被检测的模板图像和图像。若运算结果显示带匹配图像中的某一部分与模板或原始图像相同或是大于设定的相似度衡量阈值，则认为是匹配成功。
图像匹配问题通常可以理解为将取自同一目标物体的图像或影响在空间上进行"对准”。在多数的应用场合下，必须考虑图像之间的空间坐标变换，诸如旋转变换、比例变换、投影变换等等，从而导致了图像和模板发生旋转和扭曲等变形，使得匹配问题变得更加复杂[7]。
两幅图像间的匹配问题可以理解为度量两幅图的“相关性”的问题。使用匹配计算处的相关性值衡量两幅图像的相似度：若是相关性值大，既可以说两幅图像的相似程度高；反之，若是相关性计算结果值小，则说明两幅图相似度低。
因此，图像的匹配问题就可以分成两个步方面：其一就是图像的特征选择及提取，为匹配进行准备工作；其二就是对所选的特征进行相关性计算，相关性计算方法的选择也事关重要。特征特点和选择提取将在第四章进行介绍。
计算相关性的算法选择一般都是由上一步骤所选取的进行匹配的特征决定的。最通用的相关性计算算法是是归一化相关计算，根据所选择的特征不同，还可以采用基于距离的判断和计算、基于字符串匹配的判断和计算等等。具体的实现方法应该与实际的特征选择相联系。
1.2 课题的研究背景和意义
现阶段，全球对图像匹配技术的研究主要集中在解决匹配准确性和匹配的实时性（即匹配的速度）同时对匹配方法的通用性及鲁棒性也有一定要求。相对研究的较多的就是基于图像灰度的匹配算法和基于图像特征的匹配算法。
图像匹配领域概括起来主要有以下几个方面：
(1)机器视觉和模式识别。包括图像分割、目标识别、形状重建、运动跟踪和特征识别。
(2)医学图像分析。包括医学成像信息诊断，生物医学信号处理等。
(3)遥感信息处理。包括特定目标的定位和识别。
图像匹配算法大致可以分为五类：第一类是基于灰度的图像匹配算法[1]；第二类是基于特征的图像匹配算法[1]；第三类是基于模型的匹配；第四类是基于变换域的匹配；第五类是基于对图像理解和解释的匹配算法[1]。
基于对图像理解和解释的匹配算法是把计算机中的模型同外部现实世界中的物体、景象或现象建立对应关系，这种匹配算法涉及到机器视觉、人工智能、识别模式等许多学科知识，也就是用已有的只是和规则来描述匹配对象。不过这种算法在实现时，为减少计算量或者设计不合理往往不能将所有对应关系描述完整，且还缺少一种有效的衡量点集见先死的的手段，因此这种算法到现在为止也没取得突破性的进展。
基于图像灰度的匹配方法也被称为基于区域的匹配方法，这种匹配方法通常是直接利用整幅图像的或者目标区域的所有灰度信息，建立两幅图像或量匹配目标之间的相似性度量，然后进行某种搜索方法的运算，寻找出那些变换模型的参数值使相似度值最大或者最小。 HDevelop基于特征的轮廓的形状匹配+程序(2):http://www.youerw.com/zidonghua/lunwen_34988.html