摘要: 图像畸变下的形状匹配和识别问题是计算机识别的根本问题之一。然而往往面临以下困难：第一，显著特征往往存在于图像和形状曲线的高频部分，因此很难被句法或大尺度的特征描述子所捕捉。第二，算法的优化目标往往受限于特定类型的图象畸变，而这往往对用户是无法获得的。第三，全局的图象结构相比局部图像特征对噪声更鲁棒，但对图像畸变却更敏感。本文提出一个多尺度算法解决以上问题。它从以下几方面解决以上问题：第一，高尺度的分析突出了图像的高频部分，因此能够更准确地匹配图像特征；第二，利用非均匀有理B样条表示图像畸变，这对大多数现实的图像几何畸变都适用。第三，多尺度算法允许由粗到精的搜索，因此低尺度下的匹配提供了较为可靠的初始化，而高尺度下又充分考虑了局部图像特征问题。此外，本文提出了一种一致、带约束的对应点匹配算法以完成鲁棒、高效的匹配。算法的一致性属性保证对应点匹配结果对数据是对称的，并且各个尺度的匹配结果不发生冲突。而算法同时提出了两个拓扑约束来过滤对应点，顺序保持约束有效地降低算法效率，而方向保持约束有效地过滤错误匹配，从而提供匹配精度。此外，匹配的特征相似性度量结合了非均匀有理B样条的畸变估计和局部的图形窗口交叉相关性，从而融合了几何结构和图像灰度的相似性。本文的主要贡献包括以下几点：第一，提出了一种一致的特征匹配方法以获得可靠的对应点估计。第二，使用耦合的非均匀有理B样条表示任意图形畸变。第三，定义了一种多尺度的特征相似性度量，从而把图像灰度分布和几何结构结合在一个完整的框架中。第四，利用图像畸变的拓扑不变性质对特征匹配剪枝，降低计算代价。需要特别指出的是，本文提出的方法不仅仅是一个曲线匹配新方法，同时也着眼于把知识融合到图像分析中去。目前知识在人类和机器视觉系统中的作用已被广泛认可，但是相应的工作却很少。本文方法揭示了如何自动地从灰度图中获取知识，并应用到图像分析系统中去。