人工神经网络在图像匹配中的应用

图像匹配是三维数字化技术的关键环节。图像匹配的算法主要有基于特征匹配和基于灰度匹两类【”。这两种算法都存在着先天 性的不足。基于灰度的算法实现简单，匹配精度高，误匹配率低，但是计算量通常很大，并且容易受网像采集时光照、空气等条件的 影响：在基于特征匹配算法中，由于对特征的选择及提取的方法、算法结构复杂，匹配定位不够准确，实现难度大。基于人工神经网 络的图像匹配可以避开上述因素的影响。设计出合理的网络结构，利用神经网络的非线性映射能力和泛化能力，可直接进行图像匹 配。

1匹配原理 · 图像匹配是从不同视角获取的两幅(或两幅以上)图像进行关联对应，其本质是不同坐标系之间的坐标映射。用两个摄像机从不 同角度采集图像，为每幅图像分别建立坐标系，用其中一幅图像中各点的坐标作为人工神经网络的输入向量，另一幅图像中对应像 点的坐标作为目标向每，对神经网络进行训练，确定出网络各结点权值，从而得到坐标转换关系。人工神经网络具有泛化能力，可以 认为两个坐标系平面坐标系之间某一区域内实现了二维连续非线性变换。

2人工神经网络的结构设计与学习原则选择

2．1设计人工神经网络结构 用人T神经网络实现隔象匹配。输入、输出均为X、Y坐标，输入、输出结点均为2个。用一个3层前馈神经网络可精确地逼近任 意一个连续函数121。如果隐层层数为l层，输入层有1个神经元，则取隐层神经元个数为2I+1。根据这些原则，采用3层网络结构，输 入、输出层各2个结点，隐层5个结点。隐层结点的激活函数选S型函数，输出结点为线性函数。

2．2选择学习算法 最速下降法(SDBP)是前馈型人T．神经网络的基本算法，也是最简单的算法，但它收敛速度慢，有可能收敛于局部极值，稳定性 不足。Levenberg—Marquardt(LMBP)算法是高斯一牛顿法的变形，用以最小化作为其他非线性函数平方和的函数，适合于性能指数 是均方误差的神经网络训练。LMBP算法主要训练过程13I为：对每一个网络输出结点的输出误差，求出其对网络每一权值的偏导数， 利用这些偏导数组成的雅可比矩阵．得出网络权值调节量。它采用了可变的学习速度，克服了SDBP算法易收敛于局部极小的缺点， 收敛速度比SDBP算法快20倍以上。然而，LMBP算法仍旧存在着以下三个方面的不足：1)迭代控制参数斗、-it初始值的选择会在很 大程度上影响迭代次数，迭代过程中如果u的值过大。会造成“小步长”现象，影响收敛进度，LMBP算法并没有提供确定¨、v初始值 的理论方法．只能根据实验效果选择：2)LMBP算法中存在大量耗时的矩阵求逆运算，是算法收敛的瓶颈；3)在一次迭代中当误差平 方和没有变小时，LMBP算法将参数“增大"IY倍，这种做法可能会导致该次迭代消耗大量时间【4l。针对这些不足，QLMBP算法提出了 相应的优化措施(详见参考文献【4】，使得神经网络的收敛速度大大提高。本文中选择QLMP算法。