基于Radon和解析FourierMellin变换的尺度

由于正交矩对噪声鲁棒性强、重建效果好，因此被广泛应用于目标识别与分类中，但是正交矩本质上缺乏尺度变换不变性，而且必要的图像二值化与规一化过程会引入重采样与重量化误差。为此，在研究现有正交矩的基础上，提出了一种基于Radon变换和解析FourierMellin变换的尺度与旋转不变的目标识别算法。该算法首先直接对目标灰度图像进行Radon变换，然后对Radon变换结果进行进一步解析，通过FourierMellin变换将原图像的旋转变化转化为相位变化，将原图像的尺度变化转化为幅度变化；最后，通过定义一旋转与尺度不变函数，同时利用不变函数的4种特征，再应用k近邻法实现分类。理论与实验结果表明，由于避免了正交矩方法存在的重采样与重量化误差，该算法的分类精度高于基于正交矩的分类方法，而且对白噪声的鲁棒性也显著高于基于正交矩的识别与分类方法。