【導讀】完成日期：2021年5月

　　

【正文】 1053個特征點被提取 特征匹配 特征匹配的全部代碼在 MATLAB 中實現(xiàn)，使用的是歐氏距離法，對于一副圖中的每個特征點，在另一幅圖中找到與之距離最近的特征點的距離 d1 和次近的特征點的距離 d2，若 d1/d2Th，則接受該匹配。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確性。 30 視角變換的圖像組匹配 圖 51 和圖 54 是同一個場景的不同拍攝角度所得到的一組圖像，他們的匹配結果如圖 57，圖像左邊和右邊分別顯示了兩幅圖像，有顏色的連線的兩端是兩幅圖像中對應的匹配點。一共找到了 111 個成功匹配的關鍵點，可見其對視角變換保持一定的穩(wěn)定性。 圖 57 視角變換， 111個特征點匹配成功 仿射變換的圖像組匹配 圖 58(b)是由圖 58(a)仿射變換而來的兩幅原圖，圖 59(a)， 59(b)是分別由 58 的圖提取的特征點， (a)圖提取了 3994 個特征點， (b)圖提取了 4476 個特征點。圖 510 是兩幅圖的匹配結果，由此可見，除了少數(shù)幾個不能正確匹配，大部分的匹配都是成功的，因此對仿射變換也保持一定的穩(wěn)定性。 31 (a) (b) 圖 58 原圖像 (a) 3994個特征點 (b) 4476個特征點 圖 59 特征點提取 圖 510 仿射變換， 53個特征點匹配成功 32 尺度縮放變換的圖像組匹配 圖 511(b)是由圖 511(a)尺度縮放變換而來的兩幅原圖，圖 512(a)， 512(b)是分別由 511 的 兩幅 圖提取的特征點， (a)圖提取了 54 個特征點， (b)圖提取了 85 個特征點。圖 513 是兩幅圖的匹配結果，由此可見，除了少數(shù) 幾個不能正確匹配，大部分的匹配都是成功的，因此對尺度縮放 變換也保持一定的穩(wěn)定性。 (a) (b) 圖 511 原圖像 (a) 54個特征點 (b)85個特征點 圖 512 特征提取 33 圖 513 尺度縮放變換匹配， 37個特征點匹配成功 亮度變換的圖像組匹配 如圖 514 中兩幅圖， (a)圖比 (b)圖亮度強一些， 它們 的匹配結果如圖 515，可見對于亮度變化保持穩(wěn)定性，去除了光照變化的影響。 (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的匹配點。這本書發(fā)生了較多的旋轉(zhuǎn)變換，還有視角的變換，除了極個別點沒有成功匹配之外，其他的點都能成功匹配。由此可見， SIFT 特征的匹配算法對旋轉(zhuǎn)不變性保持穩(wěn)定。 圖 516 旋轉(zhuǎn)變化匹配 本章小結 本章通過大量的實驗提取不同圖像的 SIFT 特征，并且進行匹配，以測試該算法的穩(wěn)定性和魯棒性，分別從視角變換 、 仿射變換 、 尺度縮放變換 、 亮度變換以及旋轉(zhuǎn)變換 35 驗證其匹配的穩(wěn)定性。大量的實驗證明，盡管圖像發(fā)生了較大的視角變化 、 仿射變化 、尺度變化 或者 光照變化，但是仍然能夠成功匹配，驗證了該特征匹配的準確性程度較高，除了少數(shù)幾個特征點出現(xiàn)錯匹配之外，大多數(shù)的匹配都是正確的。 36 結束語 圖像資源極為豐富，如宇宙星空、大氣海洋圖像、花草樹木圖像、醫(yī)學圖像、分子結構等等，這些不同領域的圖像都有各自的特征。如此豐富的圖像資源也給人類提供了大量的信息，科學研究和統(tǒng)計表明，人類從外界獲得的信息約有 75%來自視覺系統(tǒng)，也就是從圖像中獲得 [8]。隨著科學技術的不斷發(fā)展以及實際應用的需求，圖像逐漸成為了科學研究的熱點，在 國防軍事、航天航空、醫(yī)療衛(wèi)生、交通管理 、信息安全 、 工 農(nóng)業(yè)生產(chǎn)、文化娛樂等各個領域中得到 了 廣泛應用。 目前，圖像處理主要包括圖像壓縮，圖像增強和復原，圖像匹配、描述和識別等。 一幅圖像蘊含了極為豐富的信息，如可以直接利用的像素值，對于彩色圖像有色彩信息，怎樣利用這些信息來表征圖像的本質(zhì)信息是一個難點。人眼往往能很快判斷出圖像的特點以及所屬的類型，但對于計算機來說，問題就沒這么簡單了。計算機必須根據(jù)某一特征才能識別圖像（這就涉及到圖像的特征提取），這一圖像特征的描述方法很多，現(xiàn)有的方法大部分都是基于像素點的灰度值、像素點的空間分布信息、色彩信息等。提前圖像的特征后，就可以根據(jù)這些特征進行分類，并可以用于檢索以 及識別新的圖像。特征提取是圖像 識別 、 分類和 檢索 中的關鍵技術 ，本文主要關注圖像的特征提取方法。提取特征時要考慮其維數(shù)，如果提取的圖像特征具有很高的維數(shù)，計算復雜度會較高，而且實際當中待處理 的圖像數(shù)量巨大 ，將 給存儲和處理帶來很大的不便 ，也就 不適 于分類、檢索 和識別方法的設計 。在特征提取時，還要考慮光照變化、鏡頭位置、運動是否對提取的特征的有影響等問題。 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，本文主要關注局部點特征。 SIFT 特征是圖像的局部特征，其對旋轉(zhuǎn)、尺度縮放、亮度變化保持不變性，對視角變化、仿射變換、噪聲也保持一定程度的穩(wěn)定性 ， 在尺度空間尋找極值點 、 提取位置 、 尺度 以及 旋轉(zhuǎn)不變量。 本文介紹了尺度空間理論， 尺度空間理論目的是模擬圖像數(shù)據(jù)的多尺度特征。 SIFT特征就是在不同的尺度空間和位置提取局部特征點。與其他特征相比，圖像的局部特征綜合反映了圖像的細節(jié)部分信息，對于尺度縮放變化、視角變化、仿射變化、灰度變化、噪聲保持了較好的穩(wěn)定性。 在實現(xiàn)的代碼中，特征提取部分的是調(diào)用 OpenCV 庫的函數(shù)在 Visual Studio 2021的控制臺實現(xiàn)的，匹配部分是在 MATLAB 上實現(xiàn)的。在代碼的編寫過程中遇到了許多問題，除了通過從網(wǎng)上搜索資料之外，還向周圍的同學老師那里得到幫助，逐一解決各個問題，在這個過程中我學到了許多實用的編程方法和解決問題的能力，提升了編程水平， 37 對 MATLAB 和 OpenCV 有了較多的了解和掌握，為以后的編程奠定了深厚的基礎。 在閱讀文獻的過程中，學到了許多的知識，了解了許多做研究的方法。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，相信在以后的研究生學習過程中會覺得受益匪 淺。 文獻中許多都涉及到了數(shù)學知識，數(shù)學公式的使用以及證明都需要用到我在研究生考試復習的數(shù)學基礎知識，深刻地感受到了數(shù)學是計算機研究靈魂的真諦。這次畢業(yè)設計，使我在數(shù)學的實際應用方面得到了很大的提高，同時也感受到了數(shù)學的樂趣。 本次畢業(yè)設計讓我學會了許多東西，對算法的研究有了較深刻的了解，提升了英語閱讀能力和編程能力，以及數(shù)學的應用能力。 37 致謝 首先，我要感謝我的導師李志清老師。李老師不僅在專業(yè)知識上學識淵博，治學嚴謹，而且在生活上也非常關心同學。整個過程中，李老師總是耐心地指導，積極地支持鼓勵我，對待這次畢業(yè)設計的任務他以非常認真負責態(tài)度安排指導，不僅指導我的實際任務，而且指導我做研究的方法和態(tài)度。他刻苦鉆研，嚴謹治學的精神給我樹立了很好的榜樣，對我產(chǎn)生了深刻的影響。這次畢業(yè)論文的完成與他孜孜不倦的教導息息相關。 其次，我要感謝我華南理工大學的師兄們，尤其是陽雄師兄和林曉穗師兄。陽雄師兄引導我深入的理解了 SIFT 算法，幫我解決了有關 MATLAB 的 許多問題，林曉穗師兄幫我解決了許多數(shù)學證明上的難題，他們給了我許多實際性的幫助，要感謝他們不厭其煩的引導和指教才能順利地完成該算法的編碼工作和論文的撰寫工作。同時他們讓我學會了嚴謹治學的作風，為我今后的研究生生涯奠定了基礎。 再次，要感謝我的組員陳利華和高才，在配置和調(diào)試程序的過程中陳利華給與了極大的幫助。同時，他們給我分享了許多有用的資料，一起探討問題的過程中我受益匪淺。 最后，要感謝我的家人和我的室友們的大力支持和鼓勵，讓我在遇到再多困難時也有信心去解決。 38 參考文獻 [1] David G. Lowe. Object Recognition from Local ScaleInvariant Features[J]. the International Conference on Computer Vision,1999:120 [2] David G. Lowe. Distinctive image features from scale invariant keypoints[J]. IJCV, (2):91110. [3] David . Fitting parameterized threedimensional models to images. IEEE Trans. on Pattern Analysis and Machine Intelligence[J],2021,13(5):441–450. [4] 王紅梅 . 張科 . 李言俊 . 圖像匹配研究進展 [J]. 計算機工程與應用 , 2021, 40(19):4247 [5] 楊枝靈 . 王開 . Visual C++數(shù)字圖像獲取、處理及實踐應用 [M].人民郵電出版社 , [6] 田巖 . 柳斌 . 基于特征塔集的遙感圖像融合方法 [J]. 華中科技大學學報 ,2021,33(7):1416 [7] 沈振康 . 孫仲廉 . 數(shù)字圖像處理及應用 [M]. 北京：國防工業(yè)出版社 , [8] 鄭南寧 . 計算機視覺與模式識別 [M]。北京：清華大學出版社 , [9] 吳立德 . 張科 . 李言俊 . 圖像匹配研究進展 [J].上海：復旦大學出版社 , 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)境光學學報 ,(3):1115 [11] 熊凌 . 計算機視覺中的圖像匹配綜述 [J]. 湖北工業(yè)大學學報 , 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 .2021:211443 [19] 王國美 .陳孝威 .SIFT 特征匹配算法研究 [J]. 自然科學報 . 第 2 期 :116 [20] 帥昕 . SIFT 特征在指紋比對與索引中的應用 [J]. 北京大學碩士論文 :115 [21] 李佳 . SIFT 算法的優(yōu)化及其在人臉識別上的應用 [J]. 中山大學碩士學位論文 :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。 struct feature* features。 int n = 0。 fprintf( stderr, Finding SIFT features...\n )。 img