基于SIFT算法的图像匹配方法本科毕业论文Word格式.docx

基于SIFT算法的图像匹配方法本科毕业论文Word格式.docx

《基于SIFT算法的图像匹配方法本科毕业论文Word格式.docx》由会员分享，可在线阅读，更多相关《基于SIFT算法的图像匹配方法本科毕业论文Word格式.docx（43页珍藏版）》请在冰豆网上搜索。

图像匹配，尺度空间，稳定性，SIFT算法，物体识别

ABSTRACT

Imagematchingreferstotheprocessofidentifyhomonymypointsbetweentwoormoreimagesbyacertainalgorithm.Generallyspeaking,Imagematchingtechnologyisofimportant,notonlyintheapplicationofimageprocessingtechnology,butalsointhefieldofpatterninformation.Besides,itisalsothebasisofsomeothertechnologyofimageanalysis.Therefore,itwouldseemthatfurtherinvestigationaboutimagematchingtechnologyisneeded.

Imagematchingisamulti-stepprocess.Differentmatchingalgorithmwouldhavedifferentcalculatestepsandresults.Inaddition,SIFTisanalgorithmbasedonscale-space,whichfeatureisthelocalfeaturesoftheimage,itsrotation,scalezooming,brightnessvariationhavetheadvantageofinvariability,andthechangeofviewpoint,patterntransformation,noisealsohasgoodtraitofstability.Meanwhile,theSIFTalgorithmhasthecharacteristicsofgooduniqueness,hugeinformation,fasterrunningspeedandsoon.

ThisarticlepresentsthatthemethodofimagematchingwhatbasedonSIFTalgorithm,andsummarizethattheimplementationprocedureofSIFTalgorithmaswellasexploresthematchingresultsofSIFTintheaspectofbrightnessvariation,scalevariationandRotationvariation.Besides,italsodiscussesthewayofobjectrecognitionbyuseofSIFTalgorithm.

Keywords:

imagematching,scale-space,stability,SIFTalgorithms,objectrecognition

目录

1绪论1

1.1研究的背景及意义1

1.2国内外研究现状2

1.3研究内容和目标3

1.4章节安排3

2图像匹配5

2.1图像匹配技术概述5

2.2图像匹配技术的定义5

2.3图像匹配算法分类6

2.4本章小结6

3尺度空间理论7

3.1尺度空间理论7

3.2高斯尺度空间8

3.3本章小结8

4SIFT特征匹配9

4.1图像的初始10

4.2尺度空间极值检测10

4.3精确定位特征点的位置和所在的尺度14

4.4确定特征点的主方向16

4.5生成SIFT特征向量18

4.6SIFT特征向量的匹配20

4.7本章小结21

5实验结果及分析22

5.1SIFT特征提取实验结果22

5.2特征匹配实验结果23

5.3图像匹配应用——物体识别28

5.3本章小结35

6总结与展望37

6.1总结37

6.2展望37

参考文献39

致谢40

附录41

1绪论

1.1研究的背景及意义

二十一世纪，人们进入一个信息爆炸的时代，获取的信息的方式也呈现出多样性，早已不仅仅局限在数字、符号、文本等信息，越来越多的信息是以图像的信息在传递，图像信息的比重也越来越大，人们已经从一个读字的时代逐渐在迈向一个读图时代。

图像匹配是图像信息领域之中的一项重要技术，同时也是其它一些图像分析技术，如立体视觉、运动分析数据融合等的基础。

正因为其应用的广泛性，新的应用和新的要求逐步产生使得匹配算法的研究逐步走向深入[1]。

因此，急需展开对现有匹配方法的研究与改进，提高匹配算法的精确度与效率，这对图像信息的发展有着至关重要的意义。

基于SIFT算法的图像匹配技术是1999年BritishColumbia大学大卫.劳伊教授总结了现有的基于不变量技术的特征检测方法，并正式提出了一种基于尺度空间的图像局部特征描述算子－SIFT，并在2004年被加以完善。

点特征是图像最基本的特征,它是指那些灰度信号在二维图像上都有明显变化的点,如角点、圆点等。

点特征可以应用于诸如图像的配准与匹配,目标描述与识别,光束计算,运动目标跟踪、识别和立体像对3D建模等众多领域[2]。

使用点特征进行处理,可以减少参与计算的数据量,同时又不损害图像的重要灰度信息,在匹配运算中能够较大的提高匹配速度,因而受到人们的关注[3]。

提取特征点的算子叫做兴趣算子或有利算子，即从图像中提取出一些能代表图像信息的特征点，运用这些特征点来对图像进行处理，以便达到目的。

根据不同的目的，提取不同的特征点。

特征的提取是图像匹配技术的最重要组成部分，一幅图像中可以检测到多个关键点，我们需要消除一些不需要的点，保留特征性较强的点，用这些点来进行图像匹配。

最后消除错误的匹配点。

图像匹配的核心问题是将同一目标在不同时间、不同分辨率、不同光照、不同位姿情况下所成的像相对应。

传统的匹配算法往往是直接提取角点或边缘，对环境的适应能力较差，急需提出一种鲁棒性强、能够适应不同光照、不同位姿等情况下能够有效识别目标的方法。

基于SIFT算法的图像匹配技术在图像处理技术中起着十分关键的作用，它是图像处理技术得以发展的一个重要基础。

它推动着图像处理技术在医学、生物、信息处理和其他很多高科技领域内的应用，它已渐渐发展成社会生活中不可分离的一种技术，对于图像处理技术发展及应用具有重要意义。

1.2国内外研究现状

使用一组局部兴趣点来进行图像匹配的发展可以追溯到1981年Moravec在立体匹配中使用的角探测器。

Moravec的探测器在1988年被Harris和Stephens改进，在小的图像变动和近边缘区域具有了更高的重复性。

Harris还展示了它在高效运动追踪和由运动恢复进行三维建模中的价值，Harris的角探测器自此在很多其他的图像匹配工作中被广泛的使用。

尽管这个特征探测器被称为角探测器，但它并不是只能选择角，而是可以在一个确定尺度的各个方向上选择所有具有大的梯度的图像位置。

该方法的最初应用是立体或短距离的运动追踪，后来被扩展运用到解决一些更困难的问题。

Zhang等人在1995年在每个角的周围使用相关窗口来选择可能的匹配，使得Harris的角进行大幅图像范围的匹配成为可能。

计算精确场景中两个视角间的几何约束的基础矩阵，移除异常值，同时移除那些与多数方法不一致的配对。

同年（1995），Torr也研发了一种类似的方法来进行大间距的运动匹配，使用几何约束来移除图像中移动刚体的异常值。

1997年，Schmid和Mohr的开创性工作展示了不变的局部特征匹配可以被扩展应用到解决一般的图像识别问题，即使用一个特征与大型图像数据库进行匹配。

他们用Harris角探测器来选择兴趣点，但是他们使用的是一个图像局部区域的旋转不变的描述子来代替相关窗口。

这是特征可以在两幅图像之间进行任意方向上进行匹配。

此外，他们还证明多特征匹配可以通过识别一致的匹配特征聚类，在遮挡和混杂的情况下完成一般的识别工作。

Harris角探测器对图像尺度的变化非常敏感。

因此，对于不同尺度的图像匹配，Harris的角反射器并不能提供很好的基础。

大卫罗伊在1999年的早期工作中扩展了这种局部特征方法来实现尺度不变性。

这个工作还阐述了一种新的局部描述子，可以降低对局部图像变形的敏感度（如三维视点的变换），同时找到更加鲜明的特征。

本文提出了对这一方法更加深入的研发，并分析了这些早期的工作，在稳定性和特征不变性的基础上进行了大量改进。

而国内从1990年代才初才开始涉足此领域。

基于灰度图像匹配算法是图像配准算法中比较经典的一种，很多配准技术都以它为基础进行延伸和扩展。

朱近，司美玲详细阐述了用局部灰度极值方法进行多光谱图像配准算法的研究过程。

针对多光谱遥感图像，提出了一种基于局部灰度极值的配准方法：

通过在基准图像和待配准图像中同步寻找含有灰度极值的小区域，再用多项式对极值区域进行曲面拟合，最后，分别计算小区域的极值点用来作为特征点进行配准。

这是与灰度图像配准算法有关的一个扩展应用。

林相波,邱天爽提出一种新的灰度和形状信息相结合的全自动同模态医学图像非刚性配准——分割算法。

将欧氏距离表示的形状信息融入基于灰度的配准算法中，从而构造出新的代价函数。

该算法能够较好地完成灰度相近、边缘模糊、间距较小的不同结构的分割[4]。

该算法优于基于灰度信息的图像配准算法。

SIFT算法目前在军事、工业和民用方面都得到了不同程度的应用，其应用已经渗透了很多领域，将会越来越受到人们的关注。

在当今的科技水平上，图像配准未来的发展趋势也越来越好。

本文主要研究基于SIFT的图像匹配算法。

通过SIFT算法实现两幅图像或多幅图像之间相同点的识别。

基于SIFT算法的图像匹配方法是从图像的灰度值出发，构造尺度空间图像进行高斯模糊，从而得到图像的关键点。

对生成的关键点再加以描述。

通过对关键点周围图像区域分块，计算块内梯度直方图，生成具有独特性的向量，这个向量是该区域图像信息的一种抽象，且具有唯一性。

然后分别对模板图和实时图建立关键点描述子集合。

目标的识别是通过两点集内关键点描述子的比对来完成。

具有128维的关键点描述子的相似性度量采用欧式距离。

由于匹配过程中会产生大量的错误匹配点，我们在最后还要消除错误的匹配点。

1.3研究内容和目标

本课题为基于SIFT的图像匹配方法。

本课题对先有的匹配方法做了简要的阐述