【正文】 北京：清華大學(xué)出版社 , [9] 吳立德 . 張科 . 李言俊 . 圖像匹配研究進展 [J].上海：復(fù)旦大學(xué)出版社 , 1993:112 [10] 王軍 . 張明柱 . 圖像匹配算法的研究進展 [J]. 大氣與環(huán)境光學(xué)學(xué)報 ,(3):1115 [11] 熊凌 . 計算機視覺中的圖像匹配綜述 [J]. 湖北工業(yè)大學(xué)學(xué)報 , 2021,21(3): 171173 [12] 林志泉 . 胡永健 . 楊暉等 . 一種基于特征的約束匹配算法 [J]. 中國圖象圖形學(xué)報 , 2021,12(11):21042108 [13] Lindeberg T. Scalespace theory: A basic tool for analyzing structures at different scales [J]. Journal of Applied Statistics,1994,21(2):224270. [14] Babaud J, Witkin A P, Baudin M, et al. Uniqueness of the Gaussian kernel for scalespace filtering[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,(1):2633 [15] Koenderink J. The structure of image[J]. Biological Cyberics, 1984,50:363369. [16] Lindeberg T. Scalespace for discrete Signals[J]. IEEE Transactions PAMI, 1980,207:187217 [17] 岡薩雷斯 .數(shù)字圖像處理（第二版） [M]. 電子工業(yè)出版社 . [18] 章毓晉 . 圖像工程 [M]. 北京：清華大學(xué) .2021:211443 [19] 王國美 .陳孝威 .SIFT 特征匹配算法研究 [J]. 自然科學(xué)報 . 第 2 期 :116 [20] 帥昕 . SIFT 特征在指紋比對與索引中的應(yīng)用 [J]. 北京大學(xué)碩士論文 :115 [21] 李佳 . SIFT 算法的優(yōu)化及其在人臉識別上的應(yīng)用 [J]. 中山大學(xué)碩士學(xué)位論文 :212 [22] David A. Forsyth. jean Ponce. Computer Vision A Moder approach[M], Pearson Education, Inc, [23]Lijima T. Basic theory of pattern normalization [J],Bulletin of the Electrotechnical laboratory,1962(26): 3683839 附 錄 1. 主函數(shù)代碼，該函數(shù)生成一個可運行文件 ： int _tmain(int argc, char* argv[]) { IplImage* img。這次畢業(yè)論文的完成與他孜孜不倦的教導(dǎo)息息相關(guān)。也閱讀了幾篇英文文獻，使得自己的英語閱讀能力得到了較大的提升，為以后的研究奠定了語言基礎(chǔ)，相信在以后的研究生學(xué)習(xí)過程中會覺得受益匪 淺。 目前常用的圖像特征包括顏色特征、紋理特征，形狀特征和局部點特征等，本文主要關(guān)注局部點特征。 目前，圖像處理主要包括圖像壓縮，圖像增強和復(fù)原，圖像匹配、描述和識別等。 (a) (b) 圖 514 原圖像 34 圖 515 亮度變換匹配， 54個特征點匹配成功 旋轉(zhuǎn)變換的圖像組匹配 圖 516 中的顯示的匹配是右邊的那本書是待匹配物品的圖像，左邊為待匹配物品放入復(fù)雜場景后所形成的圖像，有顏色的連線的兩端是兩幅圖像中對應(yīng)的匹配點。下面分別從視角變換 、 仿射變換 、 尺度縮放變換 、亮度變換 、 旋轉(zhuǎn)變換五個方面來測試其匹配的準(zhǔn)確性。常用的去外點方法是 RANSAC 隨機抽樣一致性算法，常用的幾何約束是極線約束關(guān)系。 SIFT 特征向量的匹配 一般采用各種距離函數(shù)作為特征的相似性度量，如歐氏距離、馬氏距離等。在圖 414(a)中中央的那個點為當(dāng)前位置，每個小格代表特征點鄰域所在尺度空間的一個像素，箭頭方向代表該像素的梯度方向，箭頭的長度代表梯度模值，圖中圈內(nèi)代表高斯加權(quán)的范圍（越靠近特征點的像素，梯度方向信息貢獻越大）。在實際計算過程中，在以特征點為中心的鄰域窗口內(nèi)采樣，并用梯度方向直方圖統(tǒng)計鄰域像素的梯度方向。圖 49 為去除對比度點之后的結(jié)果： 圖 49 去除低對比度之后的結(jié)果 去除不穩(wěn)定的邊緣點 海森矩陣公式如 ()所示，其中的偏導(dǎo)數(shù)是上面確定的特征點處的偏導(dǎo)數(shù)，它是通 20 過附近區(qū)域的差分來近似估計的。圖 48 為極值點檢測結(jié)果。其它階的構(gòu)成以此類推。因此，選擇合適的尺度因子平滑是建立尺度空間的關(guān)鍵。 13 S4： sort(acos(dotprods))， if(first_max/second_maxThr) match_count++， k++，轉(zhuǎn) S3； S5：輸出 match_count，終止。 //計算關(guān)鍵點的描述子 S9： export_features( outfile, features, n )， 終止。 SIFT 特征提取階段的算法思想可以描述如下： S1： cvLoadImage( infile, 1 )。 本章小結(jié) 本章主要介紹了尺度空間理論和高斯尺度空間的概念，這是為了模擬圖像的多尺 度特征，而圖像的多尺度表示為第 節(jié)構(gòu)造高斯金字塔圖像奠定了理論基礎(chǔ)，尺度空間理論 為圖像 SIFT 特征的提取提供一個理論依據(jù) 。 cvSmooth(in,out5,CV_GAUSSIAN, 0, 0, 8, 0)。尺度空間表示通過平滑獲得，我們將尺度空間描述為 (x,σ )空間， x 和σ 分別為未知參數(shù)和尺度參數(shù)。為后面將要描述的特征匹配算法做了鋪墊。 常用的特征提取與匹配方法有：統(tǒng)計方法、幾何法、模型法、信號處理法、邊界特征法、傅氏形狀描述法、幾何參數(shù)法、形狀不變矩法等。 灰度匹配通過利用某種相似性度量，如相關(guān)函數(shù)、協(xié)方差函數(shù)、差平方和、差絕對值和等測度極值，判定兩幅圖像中的對應(yīng)關(guān)系。出于拍攝時間、拍攝角度、自然環(huán)境的變化，多種傳感器的使用、傳感器本身的缺陷及噪聲等影響，拍攝的圖像會存在灰度失真和幾何畸變。圖像匹配技術(shù)是人工智能的一個重要分支和應(yīng)用。 數(shù)字圖像處理相關(guān)技術(shù) [17,18] 數(shù)字 圖像處理 [17]是在以計算機為中心的圖像處理系統(tǒng)上進行的，該系統(tǒng)包括各種輸入、處理、輸出及顯示設(shè)備在內(nèi)。 第 3 章，介紹了尺度空間理論和高斯尺度空間 第 4 章， SIFT 特征 的提取部分和 基于 SIFT 特征的圖像匹配 ，詳細(xì)闡述了 SIFT 特征提取的四個主要步驟和 基于 SIFT 特征的圖像匹配 ，是本文的重點章節(jié)。 (3)信息檢索服務(wù)： SIFT 特征的提取具有獨特性好，多量性，信息量豐富，高速型等特點，是檢索海量圖像信息的理想方式。這類方法能夠獲得較高的定位精度，但是它的運算大，難以達到實時性要求。 目前，有關(guān)研究人員對圖像匹配技術(shù)進行了大量的研究，提出了很多匹配算法：有基于面積的方法，有基于比值的方法，有相位相關(guān)算法等等。 在另外一些場合下，需要對目標(biāo)進行空間上的定位。人類 是 通過眼睛與大腦來獲取、處理與理解視覺信息的。 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。I 湘潭大學(xué)畢業(yè)論文 題 目： 基于 SIFT 特征的圖像匹配 學(xué) 院： 信息工程學(xué)院 專 業(yè)： 計算機科學(xué)與技術(shù) 學(xué) 號： 姓 名： 指導(dǎo)教師： 完成日期： 2021年 5月 II 目 錄 摘要 ................................................................................................................................. 1 Abstract ........................................................................................................................... 2 第 1 章 緒論 ............................................................................................................... 3 圖像匹配技術(shù)簡介 ............................................................................................. 3 SIFT 特征匹配的應(yīng)用領(lǐng)域 ................................................................................ 4 本文安排 ............................................................................................................. 4 第 2 章 圖像匹配技術(shù) ............................................................................................ 6 數(shù)字圖像處理相關(guān)技術(shù) ..................................................................................... 6 圖像匹配技術(shù)的背景和 意義 ............................................................................. 6 圖像匹配技術(shù)的定義 .....................................................................................