尺度不变特征变换的二维图像的匹配分析(源码)【字数：15657】
在计算机视觉和图像信息领域，二维图像的匹配一直是个研究热点。图像匹配是指通过相应的匹配算法对不同条件下获取的两幅或者多幅图像的特征、纹理以及灰度等对应关系进行分析，识别同名点。目前，图像匹配技术已扩展到其他各领域，应用越来越普遍，如天文学上的影像追踪，医疗中检测肿瘤，遥感制图等。本文主要研究基于尺度不变特征变换的二维图像的匹配分析。尺度不变特征变换，即SIFT（Scale-invariant feature transform）特征。SIFT特征不但具有高度清晰的优点而且能够被轻易获取，在容量巨大的图像特征数据库中，SIFT特征能快速精准地识别物体，误差率极小。SIFT特征具有很强的鲁棒性。当两幅图像中的相同物体存在一定的旋转和视点变化时，SIFT算法依然能够准确提取特征点，成功达到图像精确匹配的效果。此外，用SIFT特征来检测识别被局部遮盖的物体也相当精准，只需要得到被测物体的少量SIFT特征就可以达到目的。然而，SIFT特征算法也存在一定的瑕疵。其需要有足够多的图像纹理才能成功完成图像匹配。如果纹理不多，特征向量的区别性就不大，容易造成错误的匹配。本文从二维图像匹配知识入手具体研究SIFT特征点提取算法和SIFT特征点匹配算法的原理，并进行实验分析。实验分析可知，当两幅图像中的相同物体发生一定的旋转和视点变化时，SIFT算法依然能够准确提取特征点，成功达到图像精确匹配的效果。实验评估可知，SIFT算法优点在众多的局部特征提取算法中很是明显，稳定性和鲁棒性都较好，对发生旋转和平移的图像都能进行稳定的匹配。当然此优点在匹配发生视点变化的图像也依然显著。所以，在大容量的数据库中，采用SIFT算法提取特征点更佳。关键词图像匹配技术；SIFT算法；特征提取
目录
第一章 绪论 1
1.1 研究背景及意义 1
1.2 国内外现状 2
1.3 论文主要研究内容 3
第二章 SIFT特征点的提取 4
2.1引言 4
2.2 SIFT算法流程 5
2.3实验分析 10
2.4本章小结 15
第三章 SIFT特征点的匹配 17
3.1引言 17
3.2枚举法 17
3.3 KD树法及改进 1 *好棒文|www.hbsrm.com +Q: @351916072@
8
3.4一致性提纯法 19
3.5实验分析 20
3.6 本章小结 25
第四章 总结与展望 27
4.1总结 27
4.2展望 27
致谢 29
参考文献 30
第一章 绪论
研究背景及意义
20世纪70年代初，美国首次提出图像匹配这一概念。图像匹配是指通过相应的匹配算法对不同条件下获取的两幅或者多幅图像的特征、纹理以及灰度等对应关系进行分析，识别同名点。90年代以后，图像技术发展迅速，数据库的容量随之快速增大，人们对数字图像处理的需求不断增加，图像匹配技术已不局限于飞行器领域，而是以势如破竹的态势扩展到其他各领域，应用越来越普遍。如今，图像识别和图像匹配已逐渐融入我们生活，与生活息息相关。
使用不同的传感器对相同的物体拍摄，或者从不同的拍摄视角和不同的光照条件下对相同的物体进行拍摄，得到的图像一般都是有差别的。因为拍摄得到的图像有差别，所以图像识别和匹配时，我们需要通过相应的匹配算法对不同条件下获取的两幅或者多幅图像的特征、纹理以及灰度等进行提取，分析对应关系，识别同名点。然而实际应用中，拍摄得到的图像有时存在平移差异或者几何失真等问题，这将导致无法进行有效的图像匹配。因此，在图像匹配前，我们需要先对图像进行处理，对其进行空间或频域上的变换。
图像匹配技术已扩展到各领域，应用越来越普遍。农业领域中，图像匹配技术广泛应用于遥感制图，天气预报和农作物估产等方面；工业领域中，图像匹配技术对生产率的提高和工业自动化发展意义重大，大量用于机器人导航和产品缺陷检测等；航天领域中，图像匹配技术在自动导航和图像索引等方面发挥重要的作用；军事领域中，精确制导系统发展的重要因素之一就是图像匹配技术。
进行图像匹配有两个思路，其一是对图像的像素灰度进行考虑，其二是对图像的特征进行考虑。思路一是在图像匹配时采用像素灰度；思路二是在图像匹配时采用图像中具有不变性的特征，不受图像的像素灰度的影响。若只考虑像素灰度，将大大降低匹配的精度。对比这两种思路，在图像匹配采时用图像特征的方法更具有稳定性。
采用图像特征进行匹配只需要提取出匹配的控制点就可以解出对应的变换模型的参数，计算量小；图像特征匹配是在特征的尺度空间上进行匹配，不需要对图像灰度直接操作，不受灰度属性和噪声的影响，更加鲁棒；采用图像特征进行匹配只要能够提取出足够多的控制点对，理论上是能够解出任何复杂几何变换模型的参数。
国内外现状
目前，在计算机视觉和图像信息领域，图像匹配技术一直是一个热门，极具有研究意义。许多科研者对图像匹配技术进行创新性研究。科研者的目的在于解决实际应用中遇到的图像匹配技术问题。对此，科研者们提出了各种的解决办法。
在图像匹配时选择采用图像中具有不变性的特征进行匹配，需要将图像特征进行分类。一种分为全局特征（global features），一种分为局部特征（local features）。全局特征是由图像的多个方差、颜色直方图等构成；局部特征则是指构成局部图像的点。这些点不仅稳定而且具有良好区分性。
假如用户需要匹配的是图像的整体而不是部分，选择使用全局特征的图像匹配技术就可以达到要求。然而，全局特征却有着明显的劣势：无法辨认出图像背景和部分图像对象。所以，当图像中的物体受到影响时，全局特征就会受到影响，无法成功的匹配图像，此时局部特征会更具有优势，更利于图像的检测和匹配。局部特征的特点就是能从未被影响的图像特征上还原出图像的重要信息，从而成功匹配。
常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。提取图像空间关系特征可以有两种方法：一种方法是首先对图像进行自动分割，划分出图像中所包含的对象或颜色区域，然后根据这些区域提取图像特征，并建立索引；另一种方法则简单地将图像均匀地划分为若干个规则的子块，然后对每个图像子块提取特征，并建立索引。
David G. Lowe在1999年提出的一种局部特征提取方法——基于尺度不变特征变换算法，即SIFT算法[2]。2004年，Lowe根据现有的研究理论，提出了新的尺度不变的特征匹配算法[1]。提取和匹配特征点时，我们如果选此算法，将会使得结果稳定，鲁棒性强。所以，国内外科研者对SIFT算法相对感兴趣，不断研究其原理，提出改进的方法。
Yan Ke和Rahul Sukthankar[3]通过对主成分分析法的研究，提出PACSIFT算法（Principal Components Analysis，PAC）。PACSIFT算法将SIFT特征向量降维，由原先的128维降低到36维，使得匹配速度大大提高。然而，相比于SIFT算法，PACSIFT算法的独特性降低了，运行的时间加长，匹配性能降低。
Herbert Bay等[5]则提出了SURF算法（SpeededUp Robust Features）。SURF算法用图像积分取代图像卷积。其采用了Hessian矩阵来检测特征点。SURF算法将特征向量维数降低到64维。与SIFT算法相比，SURF算法的时间性能更优。
目录
第一章 绪论 1
1.1 研究背景及意义 1
1.2 国内外现状 2
1.3 论文主要研究内容 3
第二章 SIFT特征点的提取 4
2.1引言 4
2.2 SIFT算法流程 5
2.3实验分析 10
2.4本章小结 15
第三章 SIFT特征点的匹配 17
3.1引言 17
3.2枚举法 17
3.3 KD树法及改进 1 *好棒文|www.hbsrm.com +Q: @351916072@
8
3.4一致性提纯法 19
3.5实验分析 20
3.6 本章小结 25
第四章 总结与展望 27
4.1总结 27
4.2展望 27
致谢 29
参考文献 30
第一章 绪论
研究背景及意义
20世纪70年代初，美国首次提出图像匹配这一概念。图像匹配是指通过相应的匹配算法对不同条件下获取的两幅或者多幅图像的特征、纹理以及灰度等对应关系进行分析，识别同名点。90年代以后，图像技术发展迅速，数据库的容量随之快速增大，人们对数字图像处理的需求不断增加，图像匹配技术已不局限于飞行器领域，而是以势如破竹的态势扩展到其他各领域，应用越来越普遍。如今，图像识别和图像匹配已逐渐融入我们生活，与生活息息相关。
使用不同的传感器对相同的物体拍摄，或者从不同的拍摄视角和不同的光照条件下对相同的物体进行拍摄，得到的图像一般都是有差别的。因为拍摄得到的图像有差别，所以图像识别和匹配时，我们需要通过相应的匹配算法对不同条件下获取的两幅或者多幅图像的特征、纹理以及灰度等进行提取，分析对应关系，识别同名点。然而实际应用中，拍摄得到的图像有时存在平移差异或者几何失真等问题，这将导致无法进行有效的图像匹配。因此，在图像匹配前，我们需要先对图像进行处理，对其进行空间或频域上的变换。
图像匹配技术已扩展到各领域，应用越来越普遍。农业领域中，图像匹配技术广泛应用于遥感制图，天气预报和农作物估产等方面；工业领域中，图像匹配技术对生产率的提高和工业自动化发展意义重大，大量用于机器人导航和产品缺陷检测等；航天领域中，图像匹配技术在自动导航和图像索引等方面发挥重要的作用；军事领域中，精确制导系统发展的重要因素之一就是图像匹配技术。
进行图像匹配有两个思路，其一是对图像的像素灰度进行考虑，其二是对图像的特征进行考虑。思路一是在图像匹配时采用像素灰度；思路二是在图像匹配时采用图像中具有不变性的特征，不受图像的像素灰度的影响。若只考虑像素灰度，将大大降低匹配的精度。对比这两种思路，在图像匹配采时用图像特征的方法更具有稳定性。
采用图像特征进行匹配只需要提取出匹配的控制点就可以解出对应的变换模型的参数，计算量小；图像特征匹配是在特征的尺度空间上进行匹配，不需要对图像灰度直接操作，不受灰度属性和噪声的影响，更加鲁棒；采用图像特征进行匹配只要能够提取出足够多的控制点对，理论上是能够解出任何复杂几何变换模型的参数。
国内外现状
目前，在计算机视觉和图像信息领域，图像匹配技术一直是一个热门，极具有研究意义。许多科研者对图像匹配技术进行创新性研究。科研者的目的在于解决实际应用中遇到的图像匹配技术问题。对此，科研者们提出了各种的解决办法。
在图像匹配时选择采用图像中具有不变性的特征进行匹配，需要将图像特征进行分类。一种分为全局特征（global features），一种分为局部特征（local features）。全局特征是由图像的多个方差、颜色直方图等构成；局部特征则是指构成局部图像的点。这些点不仅稳定而且具有良好区分性。
假如用户需要匹配的是图像的整体而不是部分，选择使用全局特征的图像匹配技术就可以达到要求。然而，全局特征却有着明显的劣势：无法辨认出图像背景和部分图像对象。所以，当图像中的物体受到影响时，全局特征就会受到影响，无法成功的匹配图像，此时局部特征会更具有优势，更利于图像的检测和匹配。局部特征的特点就是能从未被影响的图像特征上还原出图像的重要信息，从而成功匹配。
常用的图像特征有颜色特征、纹理特征、形状特征、空间关系特征。提取图像空间关系特征可以有两种方法：一种方法是首先对图像进行自动分割，划分出图像中所包含的对象或颜色区域，然后根据这些区域提取图像特征，并建立索引；另一种方法则简单地将图像均匀地划分为若干个规则的子块，然后对每个图像子块提取特征，并建立索引。
David G. Lowe在1999年提出的一种局部特征提取方法——基于尺度不变特征变换算法，即SIFT算法[2]。2004年，Lowe根据现有的研究理论，提出了新的尺度不变的特征匹配算法[1]。提取和匹配特征点时，我们如果选此算法，将会使得结果稳定，鲁棒性强。所以，国内外科研者对SIFT算法相对感兴趣，不断研究其原理，提出改进的方法。
Yan Ke和Rahul Sukthankar[3]通过对主成分分析法的研究，提出PACSIFT算法（Principal Components Analysis，PAC）。PACSIFT算法将SIFT特征向量降维，由原先的128维降低到36维，使得匹配速度大大提高。然而，相比于SIFT算法，PACSIFT算法的独特性降低了，运行的时间加长，匹配性能降低。
Herbert Bay等[5]则提出了SURF算法（SpeededUp Robust Features）。SURF算法用图像积分取代图像卷积。其采用了Hessian矩阵来检测特征点。SURF算法将特征向量维数降低到64维。与SIFT算法相比，SURF算法的时间性能更优。
版权保护: 本文由 hbsrm.com编辑，转载请保留链接: www.hbsrm.com/jsj/jsjkxyjs/682.html
