一、摘要

传统方式：通过提取布料图像的SURF特征进行形状分析。缺点：速度慢（SURF特征维度高）、匹配结果不符合人眼视觉特点（基于灰度图）。
本文：基于小波变换的自适应SURF特征提取算法和基于K-Means的布料图像颜色分析算法。通过融合图像形状特征、颜色特征加快布料匹配速度，使结果更见符合人眼视觉感受。

二、背景

常见图像匹配思路：基于灰度图像的匹配、基于特征图像的匹配。
基于灰度的图像匹配：根据全局最优化像素间的相似度来度量。
基于特征的图像匹配：提取图像特征点实现匹配。

三、算法简介

1、SURF算法

主要思想是：采用离散化和裁剪的DOH（Determinantof Hessian）来获取特征点，用Harr小波模板提取特征，并采用积分图像来加速计算DOH和Haar模板响应。

1.1 特征点检测

1.1.1 积分图像
功能：快速实现方框卷积滤波。
特点：使矩形区域内像素值与坐标无关，秩序根据矩形四个顶点坐标即可得到。
1.1.2 Hessian矩阵检测极值点
主要思想：用前面的方框滤波近似代替二阶高斯滤波，用det（H）估计Hessian矩阵H，来达到减小运算量。然后使用尺度空间金字塔进行非极大值抑制，当极值点满足比周围26个邻域值都大或者小的情况下，使其成为特征点。

1.2 特征描述子

1.2.1 确定特征点主方向
主要思路：以特征点画圆，计算所有特征点在x和y轴上的Haar小波响应，将圆以60分成6个部分，计算每个部分所有像素点Haar小波响应之和，取最大值为该特征点主方向。
1.2.2 生成特征描述子
主要思路： 以特征点为中心，特征点主方向画正方形，分成4x4个子区域，计算每个子区域的Harr小波响应，得到4维矢量，也就得到4x4x4的64维的特征方向描述子。
1.2.3 小波变换
基本思想：将基本小波经过伸缩和平移，分解成一系列具有不同空间分辨率、不同频率及不同方向特性的子带信号，实现对信号时间、频率的局部化分析。

3、RANSAC算法

1.1 作用：剔除基于特征匹配图像的误匹配特征点。

1.2 思路：

（1）：从数据集合S选出3对不共线的初始匹配点，用最小二乘法得到初始变换矩阵H；
（2）：对其余n-3对匹配点，分别计算其与模型之间的距离，小于阈值，则认为为匹配对内，否则为外，统计内点个数num；
（3）：重复（1）（2），当num不再变化，且大于阈值，停止。

四、基于小波变换和SURF的图像匹配

1、WtSurf图像匹配算法

主要思路：
（1）：对图像进行小波分解，获得低频分量；
（2）：通过低频分量提取SURF特征；
（3）：用交叉过滤法和RANSAC算法提取误匹配特征点；
（4）：通过匹配到的特征点对数占待测图片特征点数比例作为相似度判断依据。
算法流程图：

2、自适应WtSurf图像匹配短发（AWtSurf）

SURF算法可设置参数：组数、层数、Hessian行列式阈值。
组数和层数作用：决定了方框滤波模板的大小，即从使用哪些尺度空间；
Hessian行列式阈值作用：表征图像中对应场景特征的强弱程度。

主要问题所在处：提高Hessian会导致效果差（特征点数过少），降低特征值会导致速度变慢。

五、基于颜色聚类和特征的图像匹配

1、作用

SURF算法基于灰度图，可以实现形状特征的匹配，缺少颜色的分析，本章节使用基于K-Means聚类和颜色直方图颜色特征提取，增加匹配算法对颜色的分辨。

2、C_AWtSurf图像匹配算法

算法流程图：