基于改进的SURF的图像匹配查重算法.doc

基于改进的SURF的图像匹配查重算法
作者:

摘 要:随着新型冠状病毒的蔓延,各大高校都普遍尝试和采用了线上教学的方式进行授课和评价。目前各高校普遍实行的过程成了一定的影响。传统的查重方式往往更加专注于文字的查重。无论是人工方式核对还是线上的查重平台,对于图片查重和匹配这方面涉猎较少且不是十分完善。如果仍然进行人工核对,这不仅考验的是教师的学术水平,这种重复性的劳动对于教师的精神压力也是成倍增加的。随着人工智能技术的成熟普及和完善,人们往往将大量传统重复而又无意义的劳动以人工智能的方式替代,特别是将人工智能思想和技术应用于图像处理之后,很多算法和应用也得到了充分的发展和完善,如神经网络、强化学习等。在这些领域中图像匹配算法往往是人们比较常关注的基础算法,他对于人工智能算法学习数据的筛选和提取也有着非常重要的意义。基于以上的观点,本文提出了一个以人工智能技术替代传统核对,基于SURF的学生实验报告图像匹配度算法。希望通过此算法能够因此改善甚至最终会替代传统对实验报告手工校验的方式。
SIFT算法是一种关键点检测和描述算法,但这种算法在批量的执行速度方面会落后很多,在大批量的图像匹配应用中,速度往往是十分重要的因素。Bay,H.,Tuytelaars,T. 和 Van Gool,L 在2006年发表了 SURF(加速稳健特征)算法[1]。这个算法从某种意义上说可以被看作是一个加速版的SIFT算法。SIFT将构建尺度空间时使用Difference of Gaussian对Laplacian of Gaussian进行近似。SURF使用box filter对Laplacian of Gaussian进行近似,使用积分图像进行卷积计算,积分图像可以在不同的尺度空间计算图像中像素和的计算量的大小与其本身大小无关。SIFT算法通过图片的特征提取来实现图片的匹配度实现,稳定可扩展性强,该算法首先计算出128维度特征的向量欧几里得的距离,这个计算需要算算术平方根相对SURF来说有些耗费时间。SURF 算法计算关键点通过Determinant of Hessian 也就是使用每个像素Hessian矩阵的行列式的近似值构成,即其尺度和位置通过Hessian矩阵行列式获取。 1 SURF算法应用案例及优势分析
SURF在图像匹配的过程中仍然着重关注在图像的特征点而对于图像的大小角度等几何方面的信息并不关注。往往在学生实验报告图片这种大量图像数据集当中,获取数据的速度不仅依赖于硬件设定的条件,同时也依赖于算法的稳定性和速度上。而SURF对于特征值的计算都是简单的加减法单单相对于算数平方根的计算来说就更显得有优势。夏磊等[2]在基于改进SURF算法的红外图像拼接一文中,提出基于双向匹配策略的自适应阈值配准算法,将特征点通过相似性度量准则匹配图像对应的像素点,并将过程中匹配的最小和次小欧几里得距离最小比值作为参数,从而在特定红外图像拼接的条件下保证精确性的基础上提高了算法的速度。王阳萍等[3]在结合加速鲁棒特征的遥感影像半全局立体匹配一文中,提出了利用改进加权联合双边滤波算法进行视差的优化以便去除图像的噪点等不需要的信息,将弱纹理以及视差不连续区域产生噪点的问题有效解决。黄春