基于sift特征的图像匹配毕业论文(编辑修改稿)

基于sift特征的图像匹配毕业论文(编辑修改稿)内容摘要：

9 1 基于 SIFT 特征的图像匹配 摘要： 现代社会已经进入信息时代，随着 计算机技术、通信技术和数学的发展，图像信息处理能力和水平也不断 提高，相应的也得到更多关注、研究和更加广泛的应用。 图像匹配是图像处理的一项关键技术，可以广泛用于目标识别与跟踪、立体视觉、变化检测、车场车牌识别、人脸识别、机器人导航、测绘等领域。 SIFT（ Scale Invariant Feature Transform）特征匹配算法是 Lowe提出来的用于图像特征匹配的算法，是目前特征匹配领域的热点，对图像的旋转，尺度缩放和亮度变换保持不变，对视角变换，仿射变换保持一定程度的稳定。 SIFT 特征点是图像的一种尺度不变局部特征点，具有独特性好，信息量丰富，多量性，高速性，可扩展性等特点。 该算法首先给出了尺度空间的生成方法，检测出极值点；接下来给出了 SIFT 特征点的提取步骤和精确定位极值点的方法；然后基于特征点邻域像素的梯度和方向生成了关键点的描述向量；最后根据特征向量给出了匹配方法，提取了 SIFT的特征点，并其应用于图像匹配。 实验证明这种算法具有较强 的匹配能力和鲁棒性，是一种较好的图像匹配算法。 关键 词 ： SIFT 算法；图像匹配；高斯函数；尺度不变性； SIFT 描述子。 2 Image matching based on SIFT features Abstract: As the modern society has entered the information age, the capacity and the level of image information processing are rising, correspondingly arousing more attention, attracting more research and being used more widely, in the wake of the development of puter technology, munication technology and mathematics. Matching is a key imageprocessing technology, which can be widely used in target identification and tracking, stereoscopic vision, change detection, car license plate recognition, face recognition, robot navigation, mapping, and other fields. SIFT（ Scale Invariant Feature Transform） feature matching algorithm, proposed by Lowe, is a hot field of featurematching at present, which remains the same to image rotation, scale zoom and brightness transformations, and also maintains a certain degree of stability on the perspective transformation and affine transformation. SIFT feature points are scaleinvariant local points of an image, with the characteristics of good uniqueness, informative, large amounts, high speed, scalability, and so on. In this algorithm, at first method for generating image scale space is presented。 at second steps for extracting sift key points and accurate positioning are provided。 then vectors for describing key points based on the gradient magnitude and orientation of pixels neighboring to the key points are generated。 at last according to the vectors matching algorithm is described. Experiment shows that it has strong capacity and robustness of matching and it turns out to be efficient for image matching. Key words: SIFT algorithm。 image matching。 Gaussian function。 scale invariance。 SIFT descriptor. 3 第 1章 绪论 现实生活中，存在着多种多样的可被我们所感知的信号，其中，人的 80%以上的信息来源是通过视觉系统所获得的。 人类 是 通过眼睛与大脑来获取、处理与理解视觉信息的。 周围环境中的物体在光线刺激作用下 ，在人眼的视网膜上形成图像，由感光细胞转换成神经脉冲信号，经神经纤维传入大脑皮层进行处理与理解。 视觉，不仅指对光信号的感受，还包括了对视觉信息的获取、传输、处理、存储与理解的全过程。 人和高等动物都有着发达的视觉系统，使得客观环境中存在的事物或目标可以被识别，从而引发进一步的处理。 对于人类来说，这种功能是与身俱来的，十分轻松的事情。 信号处理理论与计算机出现以后，人们试图用 摄像 机获取环境图像并将其转换成数字信号，用计算机实现对视觉信息处理的全过程，这样，就形成了一门新兴的学科 —计算机视觉 [22]。 一般的机器视觉系统都是在某一领域内作用的，故待识别的目标是特定领域内的，而且类型有限，于是可以作一个样本库容纳可能出现的目标类型模板。 在判断输入的图像是什么时，就可以将输入的图像与存储的样本库进行匹配比较，进行判断识别。 在另外一些场合下，需要对目标进行空间上的定位。 多数应用场合下，给出了一个样本图像 (Model)，它包含着一个特定的目标对象，如一个实际物体，一个符号或字符等等，需要从另一幅包含目标的实际背景图像中寻找这个目标对象的位置，进行定位，也就是判断这幅背景图像或它的一部分是不是我们所要寻找的目标 ，这时就需要用到图像匹配技术。 据 automated imaging sociation Machine Vision(自动化图像协会 )1998 年统计，40%以上的计算机视觉的应用需要图像匹配的技术支持。 随着科学技术的发展，图像匹配技术已经成为现代信息处理领域中的一项极为重要的技术，在许多领域内有着广泛而实际的应用。 因此，做好对图像匹配技术的深入研究，对推动现代信息处理领域的发展，是密切联系的。 图像匹配技术简介 自上个世纪 70 年代，美国从进行的飞行器辅助导航系统、武器投射系统等应用研究中提出图像匹配以来，它一直是学者们研究的热点和难点。 图像匹配技术是现代遥感技术、微电子技术和精密检测技术的综合性产物，随着可科学技术的迅猛发展，图像匹配技术在近代信息处理，特别是在图像信息处理领域中占据着越来越重要的地位。 目前，已广泛应用到图像识别、图像分析和计算机视觉、目标识别和跟踪等许多重要领域。 目前，有关研究人员对图像匹配技术进行了大量的研究，提出了很多匹配算法：有基于面积的方法，有基于比值的方法，有相位相关算法等等。 但是这些匹配算法都有一 4 个共同点：图像间的焦距要一致，不能有尺度缩放，旋转不能太大，变形不能太明显。 随着图像技术和计算机技术的发展，出现了基于特征的图像匹配技术。 这种技术的 优点是 能处理不同特性的图像和图像间变形复杂的情况。 缺点是特征的检测困难，算法稳定性较差。 针对特征匹配算法存在的不足，经过计算机视觉多年的发展，特征提取技术越来越稳定，特别是尺度空间的特征检测器甚至可以稳定地对两幅位移很大的图像进行准确的特征检测和匹配。 图像匹配的方法有很多，一般分为两大类 ： 一类是基于灰度匹配的方法，另一类是基于特征匹配的方法。 第一类，基于灰度匹 配的方法，也称为相关匹配算法，用空间二维滑动模板进行图像匹配，不同算法的区别主要体现在模板及相关准则的选择方面。 这类方法能够获得较高的定位精度，但是它的运算大，难以达到实时性要求。 目前主要有Leese于 1971年提出的 MAD算法， Bamen于 1972年提出的序贯相似性检测法 ——SSDA法，陈宁江等提出的归一化灰度组合相关法等。 第二类，基于特征匹配的方法，首先在原始图中提取特征，然后再建立两幅图之间特征的匹配对应关系。 这类方法的主要优点是特征点提取的计算量大大减少，但是适应能力较弱。 目前主要有最小均方差匹配、 快速点匹配、 Hausdorff 点距离匹配， MSER 特征区域 匹配， SIFT 特征点匹配等算法。 SIFT 特征匹配的应用领域 SIFT 算法自从提出以后在许多的领域引起较大的轰动，产生较深的影响，主要有以下一些方面： (1)人脸识别 ： SIFT 算法对一定范围内的人脸姿势变化，丰富的表情变化和随机遮挡具有良好的鲁棒性，识别率几乎接近 100%。 在非理想条件下的人脸识别性能明显高于几种发展的已经比较成熟的经典算法。 (2)指纹比对： SIFT 特征具有的数量大、 具有局部文理描述等特点使得该算法明显扩展了现有的以细节点为主导的指纹局部调整系统，体现了较高的应用价值，使得指纹识别系统的性能有了提高。 (3)信息检索服务： SIFT 特征的提取具有独特性好，多量性，信息量丰富，高速型等特点，是检索海量图像信息的理想方式。 (4)医学图像检索：随着 X 射线计算机断层摄影 (CT)、核磁共振成像 (MRI)、贺词共振波谱 (MRS)等医学的大量产生， SIFT 可用于有效地进行组织和检索。 (5)还应用与跟踪匹配，全景拼图 ，视频检索等应用领域。 本文安排 SIFT 特征 的提取是通过在 图像的尺度空间内，将定位极值点作为候选关键点，并 5 提取极值点的方向参数，最后获得匹配所需要关键点描述符的一种算法。 近年来受到各个领域的亲赖，本文重点阐述了 SIFT 特征的提取过程，然后次要阐述了两幅图像间的特征匹配方法，最后通过实验分析匹配的稳定性和准确性。 本次算法的实现包括两个部分，第一部分是 SIFT 特征提取部分，该部分的所有代码是在 Visual Studio 2020 的控制台 应用程序 中调用 OpenCV 库 用 c 语言实现的；第二部分是特征匹配的实现，该部分的所有代码是用 MATLAB 实现的，它通过调用第一部分代码 所生成的一个可执行文件 生成两幅图像的 SIFT 特征，然后用欧氏距离的方法实现了两幅图像间的特征匹配。 本文分为 5 章，每章的安排如下： 第 1 章， 绪论部分，简要介绍了 SIFT 算法，图像匹配的概念，以及 SIFT 特征匹配所应用的领域。 第 2 章，图像匹配技术，介绍了数字图像处理技术，图像匹配技术的背景和意义，简要介绍了图像匹配的基本概念以及图像匹配方法的分类。 第 3 章，介绍了尺度空间理论和高斯尺度空间 第 4 章， SIFT 特征 的提取部分和 基于 SIFT 特征的图像匹配 ，详细阐述了 SIFT 特征提取的四个主要步骤和 基于 SIFT 特征的图像匹配 ，是本文的重点章节。 第 5 章，通过大量的实验，分别从视角变换、亮度变换、尺度缩放变换、仿射变换和旋转变换五种情况分析了图像匹配的准确性和稳定性。 6 第 2章 图像匹配技术 图像匹配是计算机视觉和图像处理领域中一项非常重要的工作。 主要用于将不同时间、不同传感器、不同视角及不同拍摄条件下获取的两幅或多幅图像进行匹配。 图像匹配是多种图像处理及应用的基础，匹配的效果直接影响到其后续图像的处理工作。 科学技术日新月异，尤其是伴随计算机技术的发展，图像匹配技术越来越多地应用到日常生活中。 而尺度不变特征算法具有良好的尺度、旋转、光照不变特性，因此，该算法成为图像匹配技术研究的新热点并广泛应用于图像处理领域。 本章先介绍数字图像处理的相关技术，然后介绍两种主要的图像匹配方法， 图像匹配主要可分为 以灰度为基础的匹配和以特征为基础的匹配 ，最后对两种基本方法进行简单的比较。 数字图像处理相关技术 [17,18] 数字 图像处理 [17]是在以计算机为中心的图像处理系统上进行的，该系统包括各种输入、处理、输出及显示设备在内。 简言之，数字图像处理的过程就是将连续的模拟图像变成离散的数字图像，同时建立特定的物理模型和数学模型，利用程序控制该系统运行来满足各种具体需求的过程。 由于数字图像处理具有很好的灵活性和方便性，该技术已成为图像处理的主流。 常见的数字图像处理技术有：图像的采集、图像数字化处理、图像的编解码 技术、图像增强技术、图像修复技术、图像变换、图像压缩处理、图像存储、图像的传输、图像分析、图像识别、图像分割等。 一个实用的图像处理系统往往结合几种图像处理技术才能得到所需要的结果。 图。