【正文】 圖像的初始化 ................................................................................................... 13 尺度空間極值檢測 ........................................................................................... 13 建立高斯金字塔 .............................................................................................. 15 建立 DoG金字塔 .............................................................................................. 16 極值檢測，初步確定特征點(diǎn)位置和尺度 ........................................................... 17 精確定位特征點(diǎn)的位置和所在的尺度 ........................................................... 18 擬合三維二次函數(shù)將極值點(diǎn)定位到亞像素精度 ................................................ 18 去除對比度低的點(diǎn) .......................................................................................... 19 去除不穩(wěn)定的邊緣點(diǎn) ....................................................................................... 19 確定特征點(diǎn)主方向 ........................................................................................... 20 II 生成 SIFT 特征向量 ......................................................................................... 22 保持旋轉(zhuǎn)不變性 .............................................................................................. 22 得到特征點(diǎn)的種子點(diǎn) ....................................................................................... 23 SIFT特征向量 長度的歸一化處理 .................................................................... 23 SIFT 特征向量的匹配 ...................................................................................... 23 本章小結(jié) ........................................................................................................... 25 第 5 章 實(shí)驗(yàn)結(jié)果及分析 ...................................................................................... 26 SIFT 特征提取試驗(yàn)結(jié)果 .................................................................................. 26 特征匹配 ........................................................................................................... 28 視角變換的圖像組匹配 ................................................................................... 29 仿射變換的圖像組匹配 ................................................................................... 29 尺度縮放變換的圖像組匹配 ............................................................................ 31 亮度變換的圖像組匹配 ................................................................................... 32 旋轉(zhuǎn)變換的圖像組匹配 ................................................................................... 33 本章小結(jié) ........................................................................................................... 33 結(jié)束語 ........................................................................................................................... 35 致謝 ............................................................................................................................... 38 參考文獻(xiàn) ...................................................................................................................... 38 附 錄 ............................................................................................................................. 39 1 基于 SIFT 特征的圖像匹配 摘要： 現(xiàn)代社會已經(jīng)進(jìn)入信息時(shí)代，隨著 計(jì)算機(jī)技術(shù)、通信技術(shù)和數(shù)學(xué)的發(fā)展，圖像信息處理能力和水平也不斷 提高，相應(yīng)的也得到更多關(guān)注、研究和更加廣泛的應(yīng)用。該算法首先給出了尺度空間的生成方法，檢測出極值點(diǎn)；接下來給出了 SIFT 特征點(diǎn)的提取步驟和精確定位極值點(diǎn)的方法；然后基于特征點(diǎn)鄰域像素的梯度和方向生成了關(guān)鍵點(diǎn)的描述向量；最后根據(jù)特征向量給出了匹配方法，提取了 SIFT的特征點(diǎn)，并其應(yīng)用于圖像匹配。 at second steps for extracting sift key points and accurate positioning are provided。 Gaussian function。周圍環(huán)境中的物體在光線刺激作用下 ，在人眼的視網(wǎng)膜上形成圖像，由感光細(xì)胞轉(zhuǎn)換成神經(jīng)脈沖信號，經(jīng)神經(jīng)纖維傳入大腦皮層進(jìn)行處理與理解。信號處理理論與計(jì)算機(jī)出現(xiàn)以后，人們試圖用 攝像 機(jī)獲取環(huán)境圖像并將其轉(zhuǎn)換成數(shù)字信號，用計(jì)算機(jī)實(shí)現(xiàn)對視覺信息處理的全過程，這樣，就形成了一門新興的學(xué)科 —計(jì)算機(jī)視覺 [22]。多數(shù)應(yīng)用場合下，給出了一個(gè)樣本圖像 (Model)，它包含著一個(gè)特定的目標(biāo)對象，如一個(gè)實(shí)際物體，一個(gè)符號或字符等等，需要從另一幅包含目標(biāo)的實(shí)際背景圖像中尋找這個(gè)目標(biāo)對象的位置，進(jìn)行定位，也就是判斷這幅背景圖像或它的一部分是不是我們所要尋找的目標(biāo) ，這時(shí)就需要用到圖像匹配技術(shù)。 圖像匹配技術(shù)簡介 自上個(gè)世紀(jì) 70 年代，美國從進(jìn)行的飛行器輔助導(dǎo)航系統(tǒng)、武器投射系統(tǒng)等應(yīng)用研究中提出圖像匹配以來，它一直是學(xué)者們研究的熱點(diǎn)和難點(diǎn)。但是這些匹配算法都有一 4 個(gè)共同點(diǎn)：圖像間的焦距要一致，不能有尺度縮放，旋轉(zhuǎn)不能太大，變形不能太明顯。針對特征匹配算法存在的不足，經(jīng)過計(jì)算機(jī)視覺多年的發(fā)展，特征提取技術(shù)越來越穩(wěn)定，特別是尺度空間的特征檢測器甚至可以穩(wěn)定地對兩幅位移很大的圖像進(jìn)行準(zhǔn)確的特征檢測和匹配。目前主要有Leese于 1971年提出的 MAD算法， Bamen于 1972年提出的序貫相似性檢測法 ——SSDA法，陳寧江等提出的歸一化灰度組合相關(guān)法等。 SIFT 特征匹配的應(yīng)用領(lǐng)域 SIFT 算法自從提出以后在許多的領(lǐng)域引起較大的轟動(dòng)，產(chǎn)生較深的影響，主要有以下一些方面： (1)人臉識別 ： SIFT 算法對一定范圍內(nèi)的人臉姿勢變化，豐富的表情變化和隨機(jī)遮擋具有良好的魯棒性，識別率幾乎接近 100%。 (4)醫(yī)學(xué)圖像檢索：隨著 X 射線計(jì)算機(jī)斷層攝影 (CT)、核磁共振成像 (MRI)、賀詞共振波譜 (MRS)等醫(yī)學(xué)的大量產(chǎn)生， SIFT 可用于有效地進(jìn)行組織和檢索。 本次算法的實(shí)現(xiàn)包括兩個(gè)部分，第一部分是 SIFT 特征提取部分，該部分的所有代碼是在 Visual Studio 2020 的控制臺 應(yīng)用程序 中調(diào)用 OpenCV 庫 用 c 語言實(shí)現(xiàn)的；第二部分是特征匹配的實(shí)現(xiàn)，該部分的所有代碼是用 MATLAB 實(shí)現(xiàn)的，它通過調(diào)用第一部分代碼 所生成的一個(gè)可執(zhí)行文件 生成兩幅圖像的 SIFT 特征，然后用歐氏距離的方法實(shí)現(xiàn)了兩幅圖像間的特征匹配。 第 5 章，通過大量的實(shí)驗(yàn)，分別從視角變換、亮度變換、尺度縮放變換、仿射變換和旋轉(zhuǎn)變換五種情況分析了圖像匹配的準(zhǔn)確性和穩(wěn)定性?？茖W(xué)技術(shù)日新月異，尤其是伴隨計(jì)算機(jī)技術(shù)的發(fā)展，圖像匹配技術(shù)越來越多地應(yīng)用到日常生活中。簡言之，數(shù)字圖像處理的過程就是將連續(xù)的模擬圖像變成離散的數(shù)字圖像，同時(shí)建立特定的物理模型和數(shù)學(xué)模型，利用程序控制該系統(tǒng)運(yùn)行來滿足各種具體需求的過程。圖像數(shù)字化是圖像處理的第一步。隨著計(jì)算機(jī)技術(shù)和人工智能技術(shù)的發(fā)展，圖像識別技術(shù)逐漸成為人工智能 [22]的基礎(chǔ)技術(shù)之一。通常將已知目標(biāo)圖像稱為模板圖像，而將待搜索圖像中可能與它對應(yīng)的子圖稱為該模板的待匹配的目標(biāo)圖像。同時(shí)，圖像預(yù)處理過程會引入的誤差，這都是導(dǎo)致模板圖像與待匹配的目標(biāo)圖像之間 通常存在著一定程度的差異。通常情況下，圖像匹配算法可分為以下兩大類：基于灰度相關(guān)的匹配算法和基于特征的圖像匹配算法。 最經(jīng)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 地 把一個(gè)以一定大小的實(shí)時(shí)圖像窗口的灰度矩陣，與參考圖像的所有可能的窗口灰度陣列，按某種相似性度量方法進(jìn)行搜索比較的匹配方法，從理論上說就是采用圖像相關(guān)技術(shù)?；谔卣鞯钠ヅ渌幚?8 的圖像一般包含的特征有顏色特征、紋理特征、形狀特征、空間位置特征等。 基于 圖像 特征的匹配方法可以克服利用 圖像 灰度信息進(jìn)行匹配的缺點(diǎn)，由于 圖像的特征點(diǎn)比較像素 點(diǎn)要少很多，大大減少了匹配過程的計(jì)算量 ； 同時(shí)，特征點(diǎn)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，特征點(diǎn)的提取過程可以減少噪聲的影響，對灰度變化 、圖像 形變以及 旋轉(zhuǎn)等都有較好的適應(yīng)能力， 所以基于圖像 特征的匹配在實(shí)際中的應(yīng)用越來越廣泛。同時(shí)，在紋理較少的 圖像 區(qū)域提取的特征的密度通常比較稀少，使局部特征的提取比較困難。 9 第 3章 尺度空間理論 尺度空間理論最早出現(xiàn)于計(jì)算機(jī)視覺領(lǐng)域，當(dāng)時(shí)其目的是模擬圖像數(shù)據(jù)的多尺度特征。 尺度空間理論 尺度空間理論 [15,23]通過在視覺信息（如圖像信息） 處理模型中引入一種尺度參數(shù)，對原始圖像進(jìn)行尺度變換，利用尺度參數(shù)的連續(xù)變化獲得圖像在不同尺度下的尺度空間表示序列，綜合這一圖像序列得到圖像的本質(zhì)特征。當(dāng)采用不同尺度的平滑函數(shù)對同一圖像進(jìn)行濾波時(shí)，得到的一簇圖像就是原始圖像相對于該平滑函數(shù)的尺度空間，其中 σ 為尺度空間坐標(biāo)。 cvSmooth(in,out2,CV_GAUSSIAN, 0, 0, 2, 0)。 10 圖 31 尺度空間圖像 高斯尺度空間 采用高斯核作為尺度空間核函數(shù)得到的尺度空間成為高斯尺度空間。通常我們 將高斯 尺度空間描述為（ x, y,σ）空間，其中x， y 和σ分別表示位置參數(shù)和尺度參數(shù)。 12 第 4章 SIFT 特征匹配 SIFT 特征匹配算法是 David G. Lowe 在 2020 年總結(jié)了現(xiàn)有的基于 不變量技術(shù)的特征檢測方法的基礎(chǔ)上，提出的一種基于尺度空間的、對圖像縮放、旋轉(zhuǎn)甚至仿射變換不變性的特征匹配算法。 SIFT 特征向量的生成 [2]需要四個(gè)步驟：第一，檢