圖像矩匹配方法
1、灰度匹配
灰度匹配的基本思想:以統計的觀點將圖像看成是二維信號，採用統計相關的方法尋找信號間的相關匹配。利用兩個信號的相關函式，評價它們的相似性以確定同名點。灰度匹配通過利用某種相似性度量，如相關函式、協方差函式、差平方和、差絕對值和等測度極值，判定兩幅圖像中的對應關係。
最經典的灰度匹配法是歸一化的灰度匹配 法，其基本原理是逐像素的把一個以一定大小的實時圖像視窗的灰度矩陣，與參考圖像的所有可能的視窗灰度陣列，按某種相似性度量方法進行搜尋比較的匹配方法，從理論上說就是採用圖像相關技術。
利用灰度信息匹配方法的主要缺陷是計算量太大，因為使用場合一般都有一定的速度要求，所以這些方法很少被使用。現在已經提出了一些相關的快速算法，如幅度排序相關算法，FFT相關算法和分層搜尋的序列判斷算法等。
2、特徵匹配
特徵匹配是指通過分別提取兩個或多個圖像的特徵（點、線、面等特徵），對特徵進行參數描述，然後運用所描述的參數來進行匹配的一種算法。基於特徵的匹配所處理的圖像一般包含的特徵有顏色特徵、紋理特徵、形狀特徵、空間位置特徵等。
特徵匹配首先對圖像進行預處理來提取其高層次的特徵，然後建立兩幅圖像之間特徵的匹配對應關係，通常使用的特徵基元有點特徵、邊緣特徵和區域特徵。 特徵匹配需要用到許多諸如矩陣的運算、梯度的求解、還有傅立葉變換和泰勒展開等數學運算。
常用的特徵提取與匹配方法有：統計方法、幾何法、模型法、信號處理法、邊界特徵法、傅氏形狀描述法、幾何參數法、形狀不變矩法等。
基於圖象特徵的匹配方法可以克服利用圖象灰度信息進行匹配的缺點，由於圖象的特徵點比較象素點要少很多，大大減少了匹配過程的計算量;同時，特徵點的匹配度量值對位置的變化比較敏感，可以大大提高匹配的精確程度;而且，特徵點的提取過程可以減少噪聲的影響，對灰度變化，圖象形變以及遮擋等都有較好的適應能力。所以基於圖象特徵的匹配在實際中的套用越來越廣泛。所使用的特徵基元有點特徵(明顯點，角點，邊緣點等)，邊緣線段等。
3、比較
特徵匹配與灰度匹配的區別：灰度匹配是基於像素的，特徵匹配則是基於區域的，特徵匹配在考慮像素灰度的同時還應考慮諸如空間整體特徵、空間關係等因素。特徵是圖象內容最抽象的描述，與基於灰度的匹配方法相比，特徵相對於幾何圖象和輻射度影響來說更不易變化，但特徵提取方法的計算代價通常較大，並且需要一些自由參數和事先按照經驗選取的閥值，因而不便於實時套用。同時，在紋理較少的圖象區域提取的特徵的密度通常比較稀少，使局部特徵的提取比較困難。另外，基於特徵的匹配方法的相似性度量也比較複雜，往往要以特徵屬性、啟發式方法及閥方法的結合來確定度量方法。
