【正文】 不同的 閾值 對(duì)應(yīng)的正確匹配與不正確匹配之間的比例關(guān)系如圖 416，在我們的實(shí)現(xiàn)算法中，取 閾值 為 時(shí)，當(dāng)大于此 閾值 就否定該匹配，這樣我們可以消除 90%的錯(cuò)誤匹配，而僅僅丟棄了 5%的正確匹配。 保持旋轉(zhuǎn)不變性 將坐標(biāo)軸旋轉(zhuǎn)為特征點(diǎn)的主方向，以確保旋轉(zhuǎn)不變性。 去除對(duì)比度低的點(diǎn) 把公式 ()代到公式 ()中，只要前兩項(xiàng)得到： D( ) = + 。高斯金字塔的構(gòu)成如圖 43 所示： 圖 43 高斯金字塔 高斯金子塔的構(gòu)成中要注意，第 1 階的第 1 層是原始圖像；在同一階中相鄰兩層的尺度因子比例系數(shù)是 k，則第 1 階第 2 層的尺度因子是 kσ，然后其它層以此類推可；第 2 階第 1 層是由第 1 階的中間層尺度圖像進(jìn)行子抽樣獲得，其尺度因子是 σ，然后第 2 階的第 2 層的尺度因子是第 1 層的 k 倍即 σ。 in2。從而獲取到一副圖像的所有特征點(diǎn)的關(guān)鍵點(diǎn)描述子。 cvSmooth(in,out3,CV_GAUSSIAN, 0, 0, 4, 0)。另外，基于特征的匹配方法的相似性度量也比較復(fù)雜，往往要以特征屬性、啟發(fā)式方法及閥方法的結(jié)合來(lái)確定度量方法。 基于灰度相關(guān)的匹配算法 灰度匹配的基本思想 ： 以統(tǒng)計(jì)的觀點(diǎn)將圖像看成是二維信號(hào)，采用統(tǒng)計(jì)相關(guān)的方法尋找信號(hào)間的相關(guān)匹配。 圖像匹配技術(shù)的背景和意義 圖像 匹配技術(shù) [4,11]廣泛的應(yīng)用于日常生活中的諸多領(lǐng)域，如醫(yī)療診斷中各種醫(yī)學(xué)圖片的分析和識(shí)別 [4]、遙感圖片識(shí)別 [6]、天氣預(yù)報(bào)中的衛(wèi)星云圖識(shí)別 [10]、指紋識(shí)別 [20]、人臉識(shí)別 [21]等。 本文分為 5 章，每章的安排如下： 第 1 章， 緒論部分，簡(jiǎn)要介紹了 SIFT 算法，圖像匹配的概念，以及 SIFT 特征匹配所應(yīng)用的領(lǐng)域。 圖像匹配的方法有很多，一般分為兩大類 ： 一類是基于灰度匹配的方法，另一類是基于特征匹配的方法。一般的機(jī)器視覺(jué)系統(tǒng)都是在某一領(lǐng)域內(nèi)作用的，故待識(shí)別的目標(biāo)是特定領(lǐng)域內(nèi)的，而且類型有限，于是可以作一個(gè)樣本庫(kù)容納可能出現(xiàn)的目標(biāo)類型模板。實(shí)驗(yàn)證明這種算法具有較強(qiáng) 的匹配能力和魯棒性，是一種較好的圖像匹配算法。最后得出結(jié)論：基于 SIFT 特征點(diǎn)的圖像匹配算法對(duì)圖 像 旋轉(zhuǎn) 變換 ，尺度縮放 變換和 亮度變換保持不變，對(duì)視角變換，仿射變換保持一定程度 的穩(wěn)定。除了文中特別加以標(biāo)注引用的內(nèi)容外，本論文不包含任何其他個(gè)人或集體已經(jīng)發(fā)表或撰寫的成果作品。 涉密論文按學(xué)校規(guī)定處理。 而 圖 像匹配部分的代碼是在 MATLAB 中實(shí)現(xiàn)的，它 調(diào)用 生成目標(biāo)圖像和待匹 配圖像 的 SIFT 特征，然后進(jìn)行歐氏距離方法的 匹配。 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。隨著科學(xué)技術(shù)的發(fā)展，圖像匹配技術(shù)已經(jīng)成為現(xiàn)代信息處理領(lǐng)域中的一項(xiàng)極為重要的技術(shù)，在許多領(lǐng)域內(nèi)有著廣泛而實(shí)際的應(yīng)用。這類方法的主要優(yōu)點(diǎn)是特征點(diǎn)提取的計(jì)算量大大減少，但是適應(yīng)能力較弱。主要用于將不同時(shí)間、不同傳感器、不同視角及不同拍攝條件下獲取的兩幅或多幅圖像進(jìn)行匹配?，F(xiàn)在，圖像識(shí)別技術(shù)的應(yīng)用范圍已經(jīng)不僅局限于視覺(jué)的范圍，也體現(xiàn)在機(jī)器智能和數(shù)字技術(shù)等方面?，F(xiàn)在已經(jīng)提出了一些相關(guān)的快速算法，如幅度排序相關(guān)算法， FFT 相關(guān)算法和分層搜索的序列判斷算法等。 Lindeberg、 Babaud 等人通過(guò)不同的推導(dǎo)進(jìn)一步證明高斯核是唯一的線性核。 Lindeberg[13]、 Babaud[14]等人通過(guò)不同的推導(dǎo)進(jìn)一步證明高斯核是唯一的線性核。 //建立高斯金字塔 S4： dog_pyr = build_dog_pyr( gauss_pyr, octvs, intvls )。 圖 41(a)原始圖像 圖 41(b)初始化之后的圖像 尺度空間極值檢測(cè) 在不同的尺度參數(shù)σ連續(xù)變化時(shí)， G(x, y,σ )構(gòu)成圖像的尺度空間 。 表 41 sigma數(shù)組 i 1 2 3 4 sigma[i] σ kσ σ σ 通過(guò)數(shù)學(xué)公式的證明可以得到，在每一階的相鄰層之間做高斯模糊，第 i 層的圖像是在第 i1 層的基礎(chǔ)上以 sigma[i]的尺度因子做高斯模糊，這樣得到的高斯金子塔，也是 16 圖 43 所示的金字塔，尺度因子就是表 41 所示的那些尺度因子，圖 44 為一幅圖像所形成的高斯金字塔的第一階和第二階： 圖 44 高斯金字塔圖像 建立 DoG金字塔 DoG 即相鄰兩尺度空間函數(shù)之差，用 D（ x， y，σ）來(lái)表示，如公式（ ）所示： D(x, y,σ )=(G(x, y, kσ ) – G(x, y,σ )) * I(x, y) = L(x, y, kσ ) – L(x, y,σ ) () DoG 金字塔通過(guò)高斯金字塔中相鄰尺度空間函數(shù)相減即可，如圖 45 所示。圖 410 是去除邊緣點(diǎn)之后的結(jié)果。 這 種鄰域方向性信息聯(lián)合的思想增強(qiáng)了算法抗噪聲的能力，同時(shí)對(duì)于含有定位誤差的特征匹配也提供了較好的容錯(cuò)性。 SIFT 算法的主要特點(diǎn)： a) SIFT 特征是圖像的局部特征，其對(duì)旋轉(zhuǎn)、尺度縮放、亮度變 化保持不變性，對(duì)視角變化、仿射變換、噪聲也保持一定程度的穩(wěn)定性； b) 獨(dú)特性 (Distinctiveness)好，信息量豐富，適用于在海量特征數(shù)據(jù)庫(kù)中進(jìn)行快速、準(zhǔn)確的匹配 ； c) 多量性，即使少數(shù)的幾個(gè)物體也可以產(chǎn)生大量 SIFT 特征向量； d) 高速性，經(jīng)優(yōu)化的 SIFT 匹配算法甚至可以達(dá)到實(shí)時(shí)的要求； e) 可擴(kuò)展性，可以很方便的與其他形式的特征向量進(jìn)行聯(lián)合。我的實(shí) 24 現(xiàn)算法中使用的是歐氏距離作為兩幅圖中的相似度量。梯度直方圖的范圍是 0360 度， 其中每 10 度一個(gè)柱，總共 36 個(gè)柱。 精確定位特征點(diǎn)的位置 和所在的尺度 通過(guò)此步驟，檢測(cè)上一步形成的極值點(diǎn)，去除對(duì)比度低的點(diǎn)和不穩(wěn)定的邊緣點(diǎn)從而精確確定特征點(diǎn)所在的位置和尺度。 在這里為了對(duì)高斯核函數(shù)進(jìn)行更深刻的理解，在 MATLAB 上做了一個(gè)小實(shí)驗(yàn)，假設(shè)輸入的圖像的矩陣為 I，經(jīng)過(guò)高斯核為 10 的高斯核函數(shù)按照公式 ()的卷積之后的尺度空間圖像為 L， I， L 分別如下： 1 2 3 I = 4 5 6 ， L = 7 8 9 由此可見(jiàn)，通過(guò)高斯模糊之后的圖像各像素之間更加均勻化了。 SIFT 特征匹配的算法思想如下： S1： //生成兩幅圖像的 SIFT 特征 [in1, des1, loc1] = sift(image1)。 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(cè)方法的基礎(chǔ)上，提出的一種基于尺度空間的、對(duì)圖像縮放、旋轉(zhuǎn)甚至仿射變換不變性的特征匹配算法。當(dāng)采用不同尺度的平滑函數(shù)對(duì)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(duì)于該平滑函數(shù)的尺度空間，其中 σ 為尺度空間坐標(biāo)。 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(guò)程的計(jì)算量 ； 同時(shí)，特征點(diǎn)的匹配度量值對(duì)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(guò)程可以減少噪聲的影響，對(duì)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(lái)越廣泛。同時(shí)，圖像預(yù)處理過(guò)程會(huì)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。簡(jiǎn)言之，數(shù)字圖像處理的過(guò)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(lái)滿足各種具體需求的過(guò)程。 (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。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。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(hào)，經(jīng)神經(jīng)纖維傳入大腦皮層進(jìn)行處理與理解。 指導(dǎo)教師： 2020 年 5 月 25 日 答辯簡(jiǎn)要情況及評(píng)語(yǔ) 答辯小組組長(zhǎng)： 年 月 日 答辯委員會(huì)意見(jiàn) 答辯委員會(huì)主任： 年 月 日 I 目 錄 摘要 ................................................................................................................................. 1 Abstract ........................................................................................................................... 2 第 1 章 緒論 ............................................................................................................... 3 圖像匹配技術(shù)簡(jiǎn)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 ......................................................................................... 7 圖像匹配算法分類 ............................................................................................. 7 基于灰度相關(guān)的匹配算法 .................................................................................. 7 基于特征的圖像匹配算法 .................................................................................. 7 兩類匹配算法的比較 ......................................................................................... 8 本章小結(jié) ............................................................................................................. 8 第 3 章 尺度空間理論 ............................................................................................ 9 尺