本發(fā)明屬于圖像匹配、圖像定位技術(shù)領(lǐng)域，特別涉及一種基于統(tǒng)計(jì)相關(guān)的快速互信息圖像匹配方法。

背景技術(shù)：

圖像匹配技術(shù)是在航天技術(shù)、衛(wèi)星應(yīng)用技術(shù)、傳感器技術(shù)、計(jì)算機(jī)技術(shù)、圖像處理及模式識(shí)別的基礎(chǔ)上發(fā)展起來(lái)的一門新技術(shù),它在飛機(jī)輔助導(dǎo)航、遠(yuǎn)程武器或精確制導(dǎo)武器系統(tǒng)如巡航導(dǎo)彈的末制導(dǎo)、圖像目標(biāo)的搜索與跟蹤等軍事領(lǐng)域具有重要的應(yīng)用價(jià)值。目前，匹配技術(shù)在工業(yè)控制、醫(yī)學(xué)圖像處理、遙感圖像處理、制圖學(xué)、目標(biāo)識(shí)別等領(lǐng)域有著廣泛應(yīng)用。在基于視覺(jué)的飛行器導(dǎo)航與制導(dǎo)、遙感衛(wèi)星災(zāi)害監(jiān)控與環(huán)境監(jiān)測(cè)、醫(yī)學(xué)圖像分析等應(yīng)用中，常常需要對(duì)不同成像傳感器獲取的異源圖像進(jìn)行匹配。異源圖像最大的特點(diǎn)是異源圖像同名點(diǎn)之間的灰度值一般不具有直接聯(lián)系。因此，同源圖像的匹配方法多數(shù)難以直接應(yīng)用于異源圖像匹配?；诨バ畔y(cè)度的匹配方法是一種完全基于圖像灰度統(tǒng)計(jì)概率的匹配方法，不需要對(duì)原圖像間的灰度關(guān)系作任何假設(shè),比傳統(tǒng)的相似性度量具有更強(qiáng)的魯棒性，但互信息準(zhǔn)則最大的缺陷是計(jì)算量大，匹配耗時(shí)較長(zhǎng)。為此，研究者們就圍繞減少非匹配點(diǎn)相關(guān)計(jì)算量和改進(jìn)搜索策略減少計(jì)算量?jī)蓚€(gè)方面提出了相應(yīng)的加速方法。例如文獻(xiàn)安如，王慧麟等，16階歸一化互信息和改進(jìn)PSO算法的快速圖像匹配，吉林大學(xué)學(xué)報(bào)(工學(xué)版)，2013年3月第43卷357-364，采用灰度壓縮和粒子群優(yōu)化算法相結(jié)合加快匹配速度。文獻(xiàn)楊猛,潘泉等.基于定量定性互信息的多層次特征圖像匹配算法，中國(guó)圖象圖形學(xué)報(bào)2010年9月第15卷第9期1376-1383，通過(guò)提取多層次特征點(diǎn)減少互信息測(cè)度的計(jì)算量。文獻(xiàn)A Dame，E Marchand.Second-order optimization of mutual information for real-time image registration.IEEE Transactions on Image Processing A Publication of the IEEE Signal Processing Society 2012,21(9):4190-203，利用粒子群優(yōu)化算法提高搜索速度。文獻(xiàn)Y Zhuang，K Gao，X Miu，L Han，X Gong.Infrared and visual image registration based on mutual information with a combined particle swarm optimization–Powell search algorithm.Optik-International Journal for Light and Electron Optics.將粒子群優(yōu)化方法與Powell優(yōu)化方法相結(jié)合提高匹配速度。上述方法中，灰度壓縮方法和特征提取方法會(huì)損失圖像部分灰度信息，影響匹配精度，而粒子群優(yōu)化方法又容易陷入局部極值，影響匹配精度，Powell方法對(duì)初始點(diǎn)的要求較高，初始點(diǎn)的選擇會(huì)直接影響到最后的搜索最優(yōu)值。總之，傳統(tǒng)的快速互信息匹配算法大多是通過(guò)降灰度階或減少參與互信息測(cè)度計(jì)算的像素?cái)?shù)來(lái)加速匹配速度，一定程度上會(huì)對(duì)匹配精度造成影響。

技術(shù)實(shí)現(xiàn)要素：

為了克服上述現(xiàn)有技術(shù)的缺點(diǎn)，本發(fā)明的目的在于提供一種基于統(tǒng)計(jì)相關(guān)的快速互信息圖像匹配方法，與已有的以灰度壓縮、特征提取或采取優(yōu)化搜索策略等快速互信息匹配方法不同，本發(fā)明利用匹配過(guò)程中相鄰基準(zhǔn)子圖間的相關(guān)性，通過(guò)差量法減少每一個(gè)匹配位置互信息的計(jì)算量來(lái)加快匹配速度，同時(shí)，本發(fā)明方法可以與灰度壓縮、特征提取等方法相結(jié)合，通過(guò)多種途徑進(jìn)一步加快匹配速度。該方法能有效地提高互信息匹配的實(shí)時(shí)性，可用于對(duì)實(shí)時(shí)性要求比較高的異源圖像匹配或圖像配準(zhǔn)應(yīng)用系統(tǒng)中。

為了實(shí)現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是：

一種基于統(tǒng)計(jì)相關(guān)的快速互信息圖像匹配方法，包括如下步驟：

步驟1.獲取實(shí)測(cè)圖像A和基準(zhǔn)圖像I，將兩幅圖像的灰度值調(diào)整到同一灰度區(qū)間；

步驟2.統(tǒng)計(jì)實(shí)測(cè)圖A各灰度值出現(xiàn)次數(shù)并存入灰度直方圖矩陣h_A，計(jì)算A的信息熵H_A并存儲(chǔ)，H_A的計(jì)算公式為：

其中，T為實(shí)測(cè)圖總像素?cái)?shù)。

步驟3.從基準(zhǔn)圖I的左上角(1,1)點(diǎn)截取與實(shí)測(cè)圖大小相等的第1幅基準(zhǔn)子圖S_ini，統(tǒng)計(jì)S_ini各灰度值出現(xiàn)次數(shù)并存入灰度直方圖矩陣h_{S_ini}，計(jì)算S_ini的信息熵H_{S_ini}并存儲(chǔ)，H_{S_ini}的計(jì)算公式為：

其中，T為基準(zhǔn)子圖總像素?cái)?shù)。

步驟4.匹配過(guò)程中，通過(guò)比較當(dāng)前基準(zhǔn)子圖和前一基準(zhǔn)子圖對(duì)應(yīng)行或列像素變化情況，按照差量法將前一基準(zhǔn)子圖的直方圖矩陣h_S0更新為當(dāng)前子圖的直方圖矩陣h_S。

步驟5.找出當(dāng)前基準(zhǔn)子圖直方圖矩陣h_S與前一基準(zhǔn)子圖直方圖矩陣h_S0的不同元素，計(jì)算這些元素對(duì)應(yīng)的熵值求和項(xiàng)，通過(guò)差量法將前一基準(zhǔn)子圖的信息熵H_S0更新為當(dāng)前基準(zhǔn)子圖的信息熵H_S。

步驟6.找出當(dāng)前基準(zhǔn)子圖聯(lián)合直方圖矩陣h_AS和前一基準(zhǔn)子圖聯(lián)合直方圖矩陣h_AS0的不同元素，計(jì)算這些元素對(duì)應(yīng)的熵值求和項(xiàng)，通過(guò)差量法將前一基準(zhǔn)子圖的聯(lián)合熵H_AS0更新為當(dāng)前基準(zhǔn)子圖的聯(lián)合熵H_AS。

步驟7.計(jì)算實(shí)測(cè)圖與當(dāng)前基準(zhǔn)子圖的歸一化互信息NMI，計(jì)算公式為：

NMI＝(H_A+H_S)/H_AS

步驟8.遍歷搜索整個(gè)基準(zhǔn)圖，以互信息最大值對(duì)應(yīng)的位置作為最終匹配位置。

步驟4的“按照差量法將前一基準(zhǔn)子圖的直方圖矩陣h_S0更新為當(dāng)前子圖的直方圖矩陣h_S”，按如下步驟進(jìn)行：

步驟4-1在列方向，通過(guò)統(tǒng)計(jì)當(dāng)前基準(zhǔn)子圖最后一行和前一基準(zhǔn)子圖第一行對(duì)應(yīng)像素灰度值出現(xiàn)次數(shù)，以前一基準(zhǔn)子圖的直方圖矩陣h_S0為基準(zhǔn)，減去前一基準(zhǔn)子圖第一行對(duì)應(yīng)像素灰度值出現(xiàn)次數(shù)，加上當(dāng)前基準(zhǔn)子圖最后一行對(duì)應(yīng)像素灰度值出現(xiàn)次數(shù)即得到當(dāng)前子圖的直方圖矩陣h_S；

步驟4-2在行方向，通過(guò)統(tǒng)計(jì)當(dāng)前基準(zhǔn)子圖最后一列和前一基準(zhǔn)子圖第一列對(duì)應(yīng)像素灰度值出現(xiàn)次數(shù)，以前一基準(zhǔn)子圖的直方圖矩陣h_S0為基準(zhǔn)，減去前一基準(zhǔn)子圖第一列對(duì)應(yīng)像素灰度值出現(xiàn)次數(shù)，加上當(dāng)前基準(zhǔn)子圖最后一列對(duì)應(yīng)像素灰度值出現(xiàn)次數(shù)即得到當(dāng)前子圖的直方圖矩陣h_S；

步驟5的“通過(guò)差量法將前一基準(zhǔn)子圖的聯(lián)合熵H_S0更新為當(dāng)前基準(zhǔn)子圖的聯(lián)合熵H_S”，按如下步驟進(jìn)行：

步驟5-1找出h_S與h_S0的不同元素，分別組成矩陣h_ΔS和h_ΔS0，計(jì)算h_ΔS和h_ΔS0對(duì)應(yīng)的信息熵Δ_S及Δ_S0；

Δ_S計(jì)算公式為：

Δ_S0計(jì)算公式為：

其中，T為基準(zhǔn)子圖總像素?cái)?shù)，norm_s0(s)為與h_ΔS0中元素對(duì)應(yīng)的前一基準(zhǔn)子圖熵值計(jì)算過(guò)程中的求和項(xiàng)，此次只計(jì)算這些求和項(xiàng)的和，無(wú)需對(duì)各個(gè)求和項(xiàng)再進(jìn)行重復(fù)計(jì)算。

步驟5-2以前一基準(zhǔn)子圖的信息熵H_S0為基準(zhǔn)，通過(guò)差量法將H_S0更新為當(dāng)前基準(zhǔn)子圖的信息熵H_S；

H_S對(duì)應(yīng)的計(jì)算公式為：

H_S＝H_S0-Δ_S0+Δ_S

步驟6的“通過(guò)差量法將前一基準(zhǔn)子圖的聯(lián)合熵H_AS0更新為當(dāng)前基準(zhǔn)子圖的聯(lián)合熵H_AS”，按如下步驟進(jìn)行：

步驟6-1找出h_AS與h_AS0的不同元素，分別組成矩陣h_ΔAS和h_ΔAS0，計(jì)算h_ΔAS和h_ΔAS0對(duì)應(yīng)的信息熵Δ_AS及Δ_AS0；

Δ_AS計(jì)算公式為：

Δ_AS0計(jì)算公式為：

其中，T為基準(zhǔn)子圖總像素?cái)?shù)，norm_AS(s)為與h_ΔAS0中元素對(duì)應(yīng)的前一基準(zhǔn)子圖聯(lián)合熵計(jì)算過(guò)程中的求和項(xiàng)，此次只計(jì)算這些求和項(xiàng)的和，無(wú)需對(duì)各個(gè)求和項(xiàng)再進(jìn)行重復(fù)計(jì)算。

步驟6-2以前一基準(zhǔn)子圖的信息熵H_AS0為基準(zhǔn)，通過(guò)差量法將H_AS0更新為當(dāng)前基準(zhǔn)子圖的信息熵H_AS；

H_AS對(duì)應(yīng)的計(jì)算公式為：

H_AS＝H_AS0-Δ_AS0+Δ_AS

步驟7.計(jì)算實(shí)測(cè)圖與當(dāng)前基準(zhǔn)子圖的歸一化互信息NMI，計(jì)算公式為：

NMI＝(H_A+H_S)/H_AS

步驟8.遍歷整個(gè)基準(zhǔn)圖，以互信息最大值對(duì)應(yīng)的位置作為最終匹配點(diǎn)。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果是：

1.本發(fā)明利用了匹配過(guò)程中相鄰基準(zhǔn)子圖之間具有相關(guān)性的特點(diǎn)，在進(jìn)行互信息測(cè)度計(jì)算時(shí)，只用傳統(tǒng)方法計(jì)算實(shí)測(cè)圖和第1幅基準(zhǔn)子圖的灰度直方圖矩陣、熵、聯(lián)合熵以及實(shí)測(cè)圖與各基準(zhǔn)子圖的聯(lián)合直方圖矩陣，遍歷搜索過(guò)程中其它所有基準(zhǔn)子圖的灰度直方圖、熵以及聯(lián)合熵都采用差量法完成計(jì)算。因?yàn)榛バ畔y(cè)度的計(jì)算量主要集中在熵值計(jì)算過(guò)程中各個(gè)求和項(xiàng)的計(jì)算，采用差量法只需更新熵值計(jì)算過(guò)程中發(fā)生變化的求和項(xiàng)，與傳統(tǒng)的獨(dú)立計(jì)算每個(gè)匹配位置的互信息匹配方法相比，計(jì)算量大為減少。設(shè)實(shí)測(cè)圖大小為m*n，本發(fā)明方法基準(zhǔn)子圖直方圖的計(jì)算量為傳統(tǒng)方法的或多次實(shí)驗(yàn)表明，每個(gè)基準(zhǔn)子圖熵計(jì)算量與傳統(tǒng)方法熵計(jì)算量相比平均減少約50％，聯(lián)合熵計(jì)算量減少約25％；當(dāng)圖像灰度級(jí)別越多,像素灰度值越分散,圖像熵值越大的情況本發(fā)明的提速效果越好。

2.本發(fā)明采用遍歷搜索，能夠避免一般優(yōu)化搜索方法可能收斂到局部極值的缺陷，保證匹配結(jié)果的可靠性。

3.本發(fā)明方法能夠與已有的灰度壓縮、特征提取等方法相結(jié)合，進(jìn)一步提高匹配的實(shí)時(shí)性。

附圖說(shuō)明

圖1是本發(fā)明應(yīng)用系統(tǒng)主要組件。

圖2是本發(fā)明互信息匹配實(shí)施過(guò)程的流程圖。

圖3是本發(fā)明應(yīng)用于SAR與可見(jiàn)光匹配的仿真結(jié)果示意圖。

圖4是本發(fā)明應(yīng)用于紅外與可見(jiàn)光匹配的仿真結(jié)果示意圖。

具體實(shí)施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面結(jié)合實(shí)施方式和附圖對(duì)本發(fā)明作進(jìn)一步地詳細(xì)描述。

參照附圖1，本發(fā)明的應(yīng)用系統(tǒng)主要包括5大組件：

組件1：匹配處理器CPU模塊1，主要用來(lái)對(duì)實(shí)時(shí)拍攝的實(shí)測(cè)圖和基準(zhǔn)圖進(jìn)行匹配計(jì)算。

組件2：內(nèi)部存儲(chǔ)器模塊2，主要用來(lái)暫時(shí)存儲(chǔ)匹配過(guò)程中的原始數(shù)據(jù)、中間結(jié)果和最終匹配結(jié)果。

組件3：實(shí)時(shí)圖像傳感器模塊3，主要用來(lái)實(shí)時(shí)地獲取實(shí)測(cè)圖像；

組件4：數(shù)字地圖存儲(chǔ)器模塊4，主要用來(lái)存儲(chǔ)預(yù)先拍攝好的基準(zhǔn)圖像；

組件5：基準(zhǔn)圖像選取模塊5，主要根據(jù)外界其它導(dǎo)航信息在數(shù)字地圖庫(kù)中選取適用于本次匹配的基準(zhǔn)圖。

參照附圖2，組件1采用基于互信息的快速匹配方法進(jìn)行匹配，實(shí)現(xiàn)過(guò)程包括以下步驟：

步驟1.計(jì)算實(shí)測(cè)圖A的灰度直方圖矩陣h_A和信息熵H_A；

按照傳統(tǒng)方法，通過(guò)遍歷整個(gè)實(shí)測(cè)圖統(tǒng)計(jì)實(shí)測(cè)圖各像素灰度值的出現(xiàn)次數(shù)存入直方圖矩陣h_A，設(shè)實(shí)測(cè)圖總像素?cái)?shù)為T，按照下面的求和公式用傳統(tǒng)算法計(jì)算實(shí)測(cè)圖熵H_A:

步驟2.計(jì)算基準(zhǔn)圖第一幅基準(zhǔn)子圖S_ini的灰度直方圖矩陣h_{S_ini}和信息熵H_{S_ini}；

從基準(zhǔn)圖I的左上角(1,1)點(diǎn)截取第1幅基準(zhǔn)子圖S_ini，與實(shí)施步驟2的過(guò)程類似，用傳統(tǒng)方法獲得S_ini的灰度直方圖矩陣h_{S_ini}，按照下面公式用傳統(tǒng)算法計(jì)算S_ini的信息熵H_{S_ini}:

其中，norm_{_ini}為熵計(jì)算的求和項(xiàng)。

步驟3.從基準(zhǔn)圖I的(1,2)點(diǎn)開始，按照從左到右、從上至下的方法在基準(zhǔn)圖每一個(gè)點(diǎn)截取與實(shí)測(cè)圖大小相同的基準(zhǔn)子圖，以前一基準(zhǔn)子圖的直方圖、熵、聯(lián)合熵為基準(zhǔn)，按照差量法計(jì)算當(dāng)前基準(zhǔn)子圖的直方圖、熵及聯(lián)合熵，并計(jì)算與實(shí)測(cè)圖的互信息，遍歷完整個(gè)基準(zhǔn)圖后，找出互信息最大值對(duì)應(yīng)的位置的坐標(biāo)作為最終匹配點(diǎn)。設(shè)當(dāng)前基準(zhǔn)子圖左上角位置為(i,j)，下面結(jié)合圖1和圖2對(duì)本步驟作進(jìn)一步地詳細(xì)描述。

步驟3-1計(jì)算每行第一列處基準(zhǔn)子圖的直方圖

設(shè)當(dāng)前基準(zhǔn)子圖所在行號(hào)為i，該行第一列(i,1)點(diǎn)處基準(zhǔn)子圖的直方圖為h_S，前一行即i-1行第一列(i-1,1)處基準(zhǔn)子圖直方圖h_S0，則h_S是由h_S0通過(guò)差量法更新得到的。具體做法為：以(i-1,1)處基準(zhǔn)子圖的直方圖則h_s0為基準(zhǔn)，減去該子圖第一行像素灰度值的出現(xiàn)次數(shù)，加上當(dāng)前(i,1)處基準(zhǔn)子圖最后一行像素灰度出現(xiàn)次數(shù)即可得到當(dāng)前基準(zhǔn)子圖直方圖h_S。

步驟3-2計(jì)算每行第一列處基準(zhǔn)子圖的熵

設(shè)當(dāng)前基準(zhǔn)子圖所在行號(hào)為i，該行第一列(i,1)點(diǎn)處基準(zhǔn)子圖的熵H_S，則H_S是由(i-1,1)處基準(zhǔn)子圖熵H_S0通過(guò)差量法更新得到的。具體做法為：在步驟4-1的基礎(chǔ)上，找出h_S與h_S0的不同元素，分別組成矩陣h_ΔS和h_ΔS0，計(jì)算h_ΔS和h_ΔS0對(duì)應(yīng)的信息熵Δ_S及Δ_S0；

Δ_S計(jì)算公式為：

Δ_S0計(jì)算公式為：

其中，T為基準(zhǔn)子圖總像素?cái)?shù),norm_s0(s)為與h_ΔS0中元素對(duì)應(yīng)的前一基準(zhǔn)子圖熵值計(jì)算過(guò)程中的求和項(xiàng)，此次不需再另行計(jì)算。

再根據(jù)差量法將H_S0更新為H_S，對(duì)應(yīng)的公式為：

H_S＝H_S0-Δ_S0+Δ_S

計(jì)算實(shí)測(cè)圖與當(dāng)前基準(zhǔn)子圖的歸一化互信息NMI，計(jì)算公式為：

NMI＝(H_A+H_S)/H_AS

步驟3-3計(jì)算每行第一列處基準(zhǔn)子圖與實(shí)測(cè)圖的聯(lián)合熵

設(shè)當(dāng)前基準(zhǔn)子圖所在行號(hào)為i，實(shí)測(cè)圖與該行第一列(i,1)點(diǎn)處基準(zhǔn)子圖的聯(lián)合熵H_AS是由實(shí)測(cè)圖與(i-1,1)處基準(zhǔn)子圖的聯(lián)合熵H_AS0通過(guò)差量法更新得到的。設(shè)實(shí)測(cè)圖與(i-1,1)處基準(zhǔn)子圖的聯(lián)合直方圖為h_AS0，具體做法為：按照傳統(tǒng)遍歷法統(tǒng)計(jì)得到實(shí)測(cè)圖與(i,1)處基準(zhǔn)子圖的聯(lián)合直方圖h_AS，找出h_AS與h_AS0的不同元素，分別組成矩陣h_ΔAS和h_ΔAS0，先計(jì)算h_ΔAS和h_ΔAS0對(duì)應(yīng)的信息熵Δ_AS及Δ_AS0；

Δ_AS計(jì)算公式為：

Δ_AS0計(jì)算公式為：

其中，T為基準(zhǔn)子圖總像素?cái)?shù)，norm_AS(s)為與h_ΔAS0中元素對(duì)應(yīng)的前一基準(zhǔn)子圖聯(lián)合熵計(jì)算過(guò)程中的求和項(xiàng)，此次不需再另行計(jì)算。

再根據(jù)差量法將H_AS0更新為H_AS，對(duì)應(yīng)的公式為：

H_AS＝H_AS0-Δ_AS0+Δ_AS

計(jì)算實(shí)測(cè)圖與當(dāng)前基準(zhǔn)子圖的歸一化互信息NMI，計(jì)算公式為：

NMI＝(H_A+H_S)/H_AS

步驟3-4在行方向，以每行第一列(i,1)處基準(zhǔn)子圖的直方圖、熵、聯(lián)合熵為基準(zhǔn)，從左到右，依次通過(guò)差量法計(jì)算該行其它基準(zhǔn)子圖的直方圖、熵及與實(shí)測(cè)圖的聯(lián)合熵，并計(jì)算與實(shí)測(cè)圖的互信息。

設(shè)(i,j-1)處基準(zhǔn)子圖的直方圖為h_S0、熵為H_S0、與實(shí)測(cè)圖的聯(lián)合熵為H_AS0；(i,j)處基準(zhǔn)子圖的直方圖為h_S，熵為H_S、與實(shí)測(cè)圖的聯(lián)合熵為H_AS，具體做法為：以(i,j-1)處基準(zhǔn)子圖的直方圖h_S0為基準(zhǔn)，減去該子圖第一列像素灰度值的出現(xiàn)次數(shù)，加上當(dāng)前(i,j)處基準(zhǔn)子圖最后一列像素灰度出現(xiàn)次數(shù)即可得到當(dāng)前基準(zhǔn)子圖直方圖h_S；當(dāng)前基準(zhǔn)子圖熵H_S、以及與實(shí)測(cè)圖的聯(lián)合熵H_AS的計(jì)算方法與步驟3-2及步驟3-3計(jì)算方法類似。

步驟3-5按上述步驟遍歷完整個(gè)基準(zhǔn)圖后，找出互信息值最大的點(diǎn)作為最終匹配位置。

通過(guò)以上步驟，就可以實(shí)現(xiàn)基于互信息的快速匹配。

下面以兩個(gè)實(shí)施例為例，通過(guò)比較每個(gè)匹配位置處本文方法與傳統(tǒng)方法在互信息計(jì)算量方面的差別以及總耗時(shí)來(lái)說(shuō)明本發(fā)明方法的有效性。具體實(shí)施過(guò)程為：以Matlab R2015為仿真平臺(tái)，首先按照具體實(shí)施方案中的步驟3-1、步驟3-2以及步驟3-3分別統(tǒng)計(jì)列方向各基準(zhǔn)子圖的直方圖、熵以及聯(lián)合熵的計(jì)算量，并與傳統(tǒng)計(jì)算方法進(jìn)行比較；然后再按照具體實(shí)施方式中的步驟3-4分別統(tǒng)計(jì)行方向各基準(zhǔn)子圖的直方圖、熵以及聯(lián)合熵的計(jì)算量，并與傳統(tǒng)計(jì)算方法進(jìn)行比較；最后通過(guò)完整的匹配過(guò)程比較本發(fā)明方法與傳統(tǒng)方法的匹配耗時(shí)。

匹配過(guò)程中設(shè)：基準(zhǔn)子圖直方圖計(jì)算中像素灰度值統(tǒng)計(jì)次數(shù)為N，基準(zhǔn)子圖熵值計(jì)算中求和項(xiàng)的項(xiàng)數(shù)為N_H_S，基準(zhǔn)子圖與實(shí)測(cè)圖聯(lián)合熵計(jì)算中的求和項(xiàng)項(xiàng)數(shù)為N_H_AS。

實(shí)施例1：將本發(fā)明的遍歷式互信息匹配方法和傳統(tǒng)的遍歷式互信息匹配方法分別應(yīng)用于可見(jiàn)光與SAR圖像的匹配，如圖3所示，其中圖3(a)為可見(jiàn)光基準(zhǔn)圖I，大小為422*358；圖3(b)為SAR實(shí)測(cè)圖像A1，大小為150*150，圖3(c)為SAR實(shí)測(cè)圖像A2，大小為100*90，圖3(d)為實(shí)測(cè)圖在基準(zhǔn)圖上的匹配定位結(jié)果；表1為本實(shí)施例列方向匹配時(shí)部分位置計(jì)算量統(tǒng)計(jì)結(jié)果，表2為本實(shí)施例行方向匹配時(shí)部分位置計(jì)算量統(tǒng)計(jì)結(jié)果。表3為本實(shí)施例的總匹配耗時(shí)。

表1實(shí)施例1在列方向匹配時(shí)部分位置計(jì)算量統(tǒng)計(jì)結(jié)果

表2實(shí)施例1在行方向匹配時(shí)部分位置計(jì)算量統(tǒng)計(jì)結(jié)果

表3實(shí)施例1的匹配耗時(shí)比較

實(shí)施例2：將本發(fā)明的遍歷式互信息匹配方法和傳統(tǒng)的遍歷式互信息匹配方法分別應(yīng)用于可見(jiàn)光與紅外圖像的匹配，如圖4所示，其中圖4(a)為可見(jiàn)光基準(zhǔn)圖I，大小為473*734；圖4(b)為紅外實(shí)測(cè)圖像A1，大小為80*80，圖4(c)為紅外實(shí)測(cè)圖像A2，大小為120*120，圖4(d)為實(shí)測(cè)圖在基準(zhǔn)圖上的匹配定位結(jié)果；表4為本實(shí)施例列方向匹配時(shí)部分位置計(jì)算量統(tǒng)計(jì)結(jié)果，表5為本實(shí)施例行方向匹配時(shí)部分位置計(jì)算量統(tǒng)計(jì)結(jié)果。表6為本實(shí)施例的匹配結(jié)果和匹配耗時(shí)。

表4實(shí)施例2在列方向匹配時(shí)部分位置計(jì)算量統(tǒng)計(jì)結(jié)果

表5實(shí)施例2在行方向匹配時(shí)部分位置計(jì)算量統(tǒng)計(jì)結(jié)果

表6實(shí)施例2的匹配耗時(shí)比較