【正文】 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。通常將已知目標圖像稱為模板圖像，而將待搜索圖像中可能與它對應的子圖稱為該模板的待匹配的目標圖像。圖像數(shù)字化是圖像處理的第一步?？茖W技術(shù)日新月異，尤其是伴隨計算機技術(shù)的發(fā)展，圖像匹配技術(shù)越來越多地應用到日常生活中。 本次算法的實現(xiàn)包括兩個部分，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 應用程序 中調(diào)用 OpenCV 庫 用 c 語言實現(xiàn)的；第二部分是特征匹配的實現(xiàn)，該部分的所有代碼是用 MATLAB 實現(xiàn)的，它通過調(diào)用第一部分代碼 所生成的一個可執(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現(xiàn)了兩幅圖像間的特征匹配。 SIFT 特征匹配的應用領(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，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遮擋具有良好的魯棒性，識別率幾乎接近 100%。針對特征匹配算法存在的不足，經(jīng)過計算機視覺多年的發(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行準確的特征檢測和匹配。 圖像匹配技術(shù)簡介 自上個世紀 70 年代，美國從進行的飛行器輔助導航系統(tǒng)、武器投射系統(tǒng)等應用研究中提出圖像匹配以來，它一直是學者們研究的熱點和難點。信號處理理論與計算機出現(xiàn)以后，人們試圖用 攝像 機獲取環(huán)境圖像并將其轉(zhuǎn)換成數(shù)字信號，用計算機實現(xiàn)對視覺信息處理的全過程，這樣，就形成了一門新興的學科 —計算機視覺 [22]。 Gaussian function。該算法首先給出了尺度空間的生成方法，檢測出極值點；接下來給出了 SIFT 特征點的提取步驟和精確定位極值點的方法；然后基于特征點鄰域像素的梯度和方向生成了關(guān)鍵點的描述向量；最后根據(jù)特征向量給出了匹配方法，提取了 SIFT的特征點，并其應用于圖像匹配。理論運用到實踐的能力較強，在掌握算法的基礎(chǔ)上，實現(xiàn)了 SIFT 特征點提取和基于該特征的圖像匹配，并且通過實驗分析比較總結(jié)該算法的優(yōu)缺點。 評閱人： 2020 年 月 日 湘 潭 大 學 畢業(yè)論文（設(shè)計）鑒定意見 學號： 2020551307 姓名： 譚文雙 專業(yè)： 計算機科學與技術(shù) 畢業(yè)論文（設(shè)計說明書） 36 頁 圖 表 41 張 論文（設(shè)計）題目： 基于 SIFT 特征的圖像匹配 內(nèi)容提要： 本文簡要介紹了圖像匹配和尺度空間理論的基本概念，主要描述了 SIFT 特 征點的提取步驟和基于該算法的圖像匹配方法，并且編碼實現(xiàn)該算法，用大量實驗驗證 該匹配 算法 的穩(wěn)定性和魯棒性。通過大量的實驗驗證該算法的穩(wěn)定性和魯棒性，分析該算法相對于其他圖像匹配算法的優(yōu)越性，并得出相應的結(jié)論。 作者簽名： 日 期： 學位論文原創(chuàng)性聲明 本人鄭重聲明：所呈交的論文是本人在導師的指導下獨立進行研究所取得的研究成果。 作 者 簽 名： 日 期： 指導教師簽名： 日 期： 使用授權(quán)說明 本人完全了解 大學關(guān)于收集、保存、使用畢業(yè)設(shè)計（論文）的規(guī)定，即：按照學校要求提交畢業(yè)設(shè)計（論文）的印刷本和電子版本；學校有權(quán)保存畢業(yè)設(shè)計（論文）的印刷本和電子版，并提供目錄檢索與閱覽服務；學?？梢圆捎糜坝?、縮印、數(shù)字化或其它復制手段保存論文；在不以贏利為目的前提下，學校可以公布論文的部分或全部內(nèi)容。 作者簽名： 日期： 年 月 日 導師簽名： 日期： 年 月 日 湘 潭 大 學 畢業(yè)論文（設(shè)計）任務書 設(shè)計題目： 基于 SIFT 特征的圖像匹配 學號： 2020551307 姓名： 譚文雙 專業(yè)： 計算機科學與技術(shù) 指導教師： 李志清 系主任： 文中華 一、主要內(nèi)容及基本要求 該畢業(yè)論文題目是基于 SIFT 特征的圖像匹配，要求該學生重點掌握算法的詳細實現(xiàn)步驟，對算法有深刻的理解，并在此基礎(chǔ)上，用編程語言實現(xiàn)該匹配算法。 選題難度適中，符合培養(yǎng)目標，體現(xiàn)學科性質(zhì)，達到了教學計劃的基本要求，與社會實踐相結(jié)合；論文質(zhì)量較高，論述充分，算法掌握深入，語言規(guī)范準確，格式符合規(guī)定，圖表完備整潔，引文規(guī)范，文字通順；該生具備研究方案的設(shè)計能力和手段的運用能力，具備一定的外文與計算機應用能力、查閱文獻能力、經(jīng)濟分析能力和綜合運用知識的能力。 指導教師評語 該生態(tài)度非常認真，對待任務積極踴躍；專業(yè)知識牢固，學習刻苦努力，理論知識扎實，對 SIFT 算法的理解掌握深入，編程能力較好；求學態(tài)度謙虛謹慎，勇于求教他人，遇到問題積極主動思考，通過尋找各種途徑解決問題，并且具有一定的創(chuàng)新能力；具有較好的團隊精神，與同組組員關(guān)系融洽，樂于幫助有困難的同學。 SIFT 特征點是圖像的一種尺度不變局部特征點，具有獨特性好，信息量豐富，多量性，高速性，可擴展性等特點。 image matching。對于人類來說，這種功能是與身俱來的，十分輕松的事情。因此，做好對圖像匹配技術(shù)的深入研究，對推動現(xiàn)代信息處理領(lǐng)域的發(fā)展，是密切聯(lián)系的 。缺點是特征的檢測困難，算法穩(wěn)定性較差。目前主要有最小均方差匹配、 快速點匹配、 Hausdorff 點距離匹配， MSER 特征區(qū)域 匹配， SIFT 特征點匹配等算法。近年來受到各個領(lǐng)域的親賴，本文重點闡述了 SIFT 特征的提取過程，然后次要闡述了兩幅圖像間的特征匹配方法，最后通過實驗分析匹配的穩(wěn)定性和準確性。圖像匹配是多種圖像處理及應用的基礎(chǔ)，匹配的效果直接影響到其后續(xù)圖像的處理工作。一個實用的圖像處理系統(tǒng)往往結(jié)合幾種圖像處理技術(shù)才能得到所需要的結(jié)果。 7 圖像匹配技術(shù)的定義 所謂圖像 匹配 [10,11]是指在一幅（或一批）圖像中尋找與給定目標圖像相似的圖像或者圖像區(qū)域（子 圖像）的過程。使用的匹配算法不僅僅要求計算量小，還必須具有良好的抗噪能力和抗幾何形變的能力。 基于特征的圖像匹配算法 特征匹配是指通過分別提取兩個或多個圖像的特征（點、線、面等特征），對特征進行參數(shù)描述，然后運用所描述的參數(shù)來進行匹配的一種算法。 特征是 圖像 內(nèi)容最抽象的描述，與基于灰度的匹配方法相比，特征相對于幾何 圖像和輻射度影響來說更不易變化，但特征提取方法的計算代價通常較大，并且需要一些自由參數(shù)和事先按照經(jīng)驗選取的 閾值 ，因而不便于實時應 用。因此尺度空間理論的主要思想是利用高斯核對原圖像進行尺度變換，獲得圖像多尺度下的尺度空間表示序列，對這些序列進行尺度空間特征提取。 cvSmooth(in,out1,CV_GAUSSIAN, 0, 0, 1, 0)。高斯尺度空間的核心思想是將原始圖像與高斯函數(shù)作 卷積，通過高斯函數(shù)參數(shù)的不斷變化，獲得不同尺度的圖像序列。它通過在圖像的尺度空間內(nèi)，將定位極值點作為匹配候選關(guān)鍵點，并且提取極值點的方向參數(shù)，最后獲得匹配所需關(guān)鍵點描述符。 //建立 DoG 金字塔 S5： features = scale_space_extrema( dog_pyr, octvs, intvls, contr_thr,curv_thr, storage )。 match_count=0。 14 對于二維圖像 I(x,y)，在不同尺度下的尺度空間表示 L(x,y,σ )可由圖像 I(x,y)與高斯核 G(x,y,σ )的卷積得到，如公式（ ）所示： L(x, y,σ ) = G(x, y,σ ) * I(x, y)。 15 建立高斯金字塔 為了得到在不同尺度空間下的穩(wěn)定特征點，將圖像 I(x,y)與不同尺度空間因子下的高斯核 G(x,y,σ )進行卷積操作，構(gòu)成高斯金字塔。在圖中，DoG 金字塔的第 1 層的尺度因子與高斯金字塔的第 1 層的是一致的，其它階也是一樣。 D =+ X + X ； () 其中， X= ，為距采樣點的偏移量； = ，為候選極值點； 一階，二階偏導數(shù)都是通過附近區(qū)域的差分法近似求得。 圖 410 去除邊緣點之后的結(jié)果 確定特征點主方向 21 利用特征點鄰域像素的梯度方向分布特性為每個特征點制定方向參數(shù)，使算子具有旋轉(zhuǎn)不變性。 到此為止，已經(jīng)得到了特征點的位置，所在尺度和方向。 在我實現(xiàn)的這個算法中，為了增強匹配的穩(wěn)健性，對每個特征點使用 4 x 4 共 16 個種子點來描述，每個種子點有 8 個方向向量信息，這樣對于一個特征點就可以產(chǎn)生 4 x 4 x 8 共 128 個數(shù)據(jù)，最終形成 128 維 的 SIFT 描述子，所需要的圖像數(shù)據(jù)塊為 16 x 16。 2( [ ] [ ] )( , ) [ ] ( 1 , 2 , . . . , )a i b iA B s q r t i n? ???? () 圖 415 匹配算法流程圖 取一幅圖像中的某個關(guān)鍵點，并找出其與另一幅圖像中距離最近的前 2 個關(guān)鍵點，在這兩個關(guān)鍵點中，如果最近的距離除以次近的距離小于某個 閾值 Th，則接受這一對匹配點。 SIFT 算法 的主要 步驟 為 ： a) 檢測尺度空間極值點 ； b) 精確定位極值點 ； c) 為每個關(guān)鍵點指定方向參數(shù) ； d) 關(guān)鍵點描述子的生成 。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，其中的偏導數(shù)是上面確定的特征點處的偏導數(shù)，它是通過附近區(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用。 數(shù)字圖像處理相關(guān)技術(shù) [17,18] 數(shù)字 圖