基于sift特征点的图像匹配方法研究
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
值，选择某种相似性度量函数，然后再通过图像像素计算 此度量值，最终根据计算结果进行全局优化后实现匹配。
灰度匹配通过利用某种相似性度量度量函数可以是 MMSE (最小均方误差)、互相关值、SSDA 等。
此类方法无需对图像进行分割和特征提取，自然避免 了由这些预处理可能造成的图像信息丢失而引起的匹配精 度降低。这类方法主要的特点是在收敛速度、统计模型、 匹配精度及最终的估计误差方面均出现了较为成熟的研究 成果，并且原理简单容易理解。
➢ 线特征是图像中明显的线段特征，如道路河流的边缘， 目标的轮廓线等。线特征的提取一般分两步进行：首先采 用某种算法提取出图像中明显的线段信息，然后利用限制 条件筛选出满足条件的线段作为线特征；
➢ 面特征是指利用图像中明显的区域信息作为特征。在实际 的应用中最后可能也是利用区域的重心或圆的圆心点等作 为特征。
3.1特征提取
点特征提取方法 --Harris-Laplace Harris算子能最稳定地在图像旋转、光照变化、 透视变换条件下提取二维平面特征点，但在三维尺度 空间中，Harris探测子的重复探测性能不好，不同尺 度Harris特征点存在位置误差，Harris探测子不具有 尺度和仿射不变性。而三维尺度空间中最稳定高效的 特征尺度探测算子是归一化的Laplace算子。
➢ 特征提取是指分别提取两幅图像中共有的图像特征。 ➢ 这种特征是出现在两幅图像中对比例、旋转、平移等变换
保持一致性的特征，如线交叉点、物体边缘角点、虚圆闭 区域的中心等可提取的特征。 ➢ 特征包括：点、线和面三类。
➢ 点特征是最常采用的一种图像特征，包括物体边缘点、角 点、线交叉点等；根据各特征点的兴趣值将特征点分成几 个等级。对不同的目的，特征点的提取应有所不同。
3.1特征提取
点特征提取方法 --Susan (Susan Corner Detector)算法 SUSAN算法使用一个圆形的模板在图像上滑动，将位于圆 形模板中心的待检测的像素点称为核心点。假设图像为非 纹理,核心点的邻域被划分为两个区域:其一为亮度值等于 (或相似于)核心点亮度的区域,称为核值相似区(USAN),其 二为亮度值不相似于核心点亮度的区域。
1.图像匹配介绍----图像配准的应用领域
医学领域 --CT,MRT----图像匹配后进行融合可以得到更多的信息
2.图像匹配的分类
图像匹配的分类
基于特征信息 的图像匹配
基于灰度信息 的图像匹配
2.图像匹配方法的分类
2.1基于灰度的图像匹配算法 基于灰度的图像匹配算法是直接利用匹配图像的灰度
1.图像匹配介绍----图像匹配的应用领域
计算机视觉领域
--视频监控----对跟踪的目标区域进行匹配跟踪
1.图像匹配介绍----图像匹配的应用领域
遥感领域 --信息融合、环境监视、图像拼接、天气预报以及地
图更新等
1.图像匹配介绍----图像配准的应用领域
军事领域 --变化检测、运动目标指示、视点稳定、大视场重构、 多通道融合、 地形定位和导航
比较大，最终的计算时间太长而难以达到实时应用的要求； ➢ 由于此类算法通常需要针对不同的场合选择合适的特征，ห้องสมุดไป่ตู้
所以并无统一模型可遵循。
3.匹配算法的一般步骤
特征提取 特征匹配 估计变换模型 图像重采样及变换
目标图像
匹配图像
特征点检测与提取
目标点集
匹配点集
特征点的描述
特征点的匹配和对准
3.匹配算法的一般步骤—特征提取
而是会经过较为复杂的图像处理过程提取特征后再进行匹 配。
特征匹配是指通过分别提取两个或多个图像的特征 （点、线、面等特征），对特征进行参数描述，然后运用 所描述的参数来进行匹配的一种算法。
其一般做法是利用两幅图像中对灰度变化、缩放、旋 转等均具有不变性的特征，用相似性度量函数对其进行度 量，从而得到相关值进而完成图像匹配。
2.1基于灰度的图像匹配算法
缺点： ➢ 匹配速度比较慢； ➢ 对图像灰度值依赖性大； ➢ 光照变化及噪声等方面敏感度高。
结论： 正是由于此类方法没有充分利用到灰度统计特性，因此不 适应匹配对象存在旋转和缩放的情况下图像的匹配问题， 而且算法匹配计算量较大，效率偏低。
2.图像匹配方法的分类
2.2基于特征的图像匹配算法 基于特征的图像匹配算法通常不直接依赖像素灰度值，
基于特征点的图像匹配方法研究
目录
1. 图像匹配介绍 2. 图像匹配分类 3. 图像匹配的一般步骤 4. 图像匹配的主要方法 5. 部分匹配方法的实验结果
1.图像匹配介绍----图像匹配的定义
图像匹配：
图像匹配是指通过一定的匹配算法在两幅或多幅图 像之间识别同名点，如二维图像匹配中通过比较目标区 和搜索区中相同大小的窗口的相关系数，取搜索区中相 关系数最大所对应的窗口中心点作为同名点。
2.2基于特征的图像匹配算法
优点： ➢ 能够充分结合图像灰度等相关特性，同时还可以有效去除
因光照背景等条件不同时带来的误匹配问题。 ➢ 算法在图像发生缩放变换和旋转变换等现象时敏感度低，
适应性强，而对轻微扭曲或有一定噪声的图像较前者也有 较好的匹配度。
2.2基于特征的图像匹配算法
缺点： ➢ 算法涉及到大量的几何和形态学方面的计算，使得计算量
3.匹配算法的一般步骤—特征提取
特 征 点
3.匹配算法的一般步骤—特征提取
直 线
3.匹配算法的一般步骤—特征提取
区 域
3.1特征提取
点特征提取方法
--Harris (Harris Corner Detector)算法
受信号处理中相关函数的启发，给出与自相关函数相联 系的矩阵M，M矩阵的特征值是自相关函数的一阶曲率，如 果两个曲率值都高，那么就认为该点是角点，此方法对图 像旋转、亮度变化、视角变化和噪声的影响具有很好的鲁 棒性。
其实质是在基元相似性的条件下，运用匹配准则的 最佳搜索问题。
图像匹配主要可分为以灰度为基础的匹配和以特征 为基础的匹配。
1.图像匹配介绍----图像匹配的意义
图像匹配是处理多源图像信息融合、目标识别等实际问题 中的一个重要步骤。
图像匹配广泛应用于军事、医学、航空等多个重要科研领 域。
经过图像匹配后配准，可以获得质量更高、清晰度更好、 定位更准确的目标信息。
灰度匹配通过利用某种相似性度量度量函数可以是 MMSE (最小均方误差)、互相关值、SSDA 等。
此类方法无需对图像进行分割和特征提取，自然避免 了由这些预处理可能造成的图像信息丢失而引起的匹配精 度降低。这类方法主要的特点是在收敛速度、统计模型、 匹配精度及最终的估计误差方面均出现了较为成熟的研究 成果，并且原理简单容易理解。
➢ 线特征是图像中明显的线段特征，如道路河流的边缘， 目标的轮廓线等。线特征的提取一般分两步进行：首先采 用某种算法提取出图像中明显的线段信息，然后利用限制 条件筛选出满足条件的线段作为线特征；
➢ 面特征是指利用图像中明显的区域信息作为特征。在实际 的应用中最后可能也是利用区域的重心或圆的圆心点等作 为特征。
3.1特征提取
点特征提取方法 --Harris-Laplace Harris算子能最稳定地在图像旋转、光照变化、 透视变换条件下提取二维平面特征点，但在三维尺度 空间中，Harris探测子的重复探测性能不好，不同尺 度Harris特征点存在位置误差，Harris探测子不具有 尺度和仿射不变性。而三维尺度空间中最稳定高效的 特征尺度探测算子是归一化的Laplace算子。
➢ 特征提取是指分别提取两幅图像中共有的图像特征。 ➢ 这种特征是出现在两幅图像中对比例、旋转、平移等变换
保持一致性的特征，如线交叉点、物体边缘角点、虚圆闭 区域的中心等可提取的特征。 ➢ 特征包括：点、线和面三类。
➢ 点特征是最常采用的一种图像特征，包括物体边缘点、角 点、线交叉点等；根据各特征点的兴趣值将特征点分成几 个等级。对不同的目的，特征点的提取应有所不同。
3.1特征提取
点特征提取方法 --Susan (Susan Corner Detector)算法 SUSAN算法使用一个圆形的模板在图像上滑动，将位于圆 形模板中心的待检测的像素点称为核心点。假设图像为非 纹理,核心点的邻域被划分为两个区域:其一为亮度值等于 (或相似于)核心点亮度的区域,称为核值相似区(USAN),其 二为亮度值不相似于核心点亮度的区域。
1.图像匹配介绍----图像配准的应用领域
医学领域 --CT,MRT----图像匹配后进行融合可以得到更多的信息
2.图像匹配的分类
图像匹配的分类
基于特征信息 的图像匹配
基于灰度信息 的图像匹配
2.图像匹配方法的分类
2.1基于灰度的图像匹配算法 基于灰度的图像匹配算法是直接利用匹配图像的灰度
1.图像匹配介绍----图像匹配的应用领域
计算机视觉领域
--视频监控----对跟踪的目标区域进行匹配跟踪
1.图像匹配介绍----图像匹配的应用领域
遥感领域 --信息融合、环境监视、图像拼接、天气预报以及地
图更新等
1.图像匹配介绍----图像配准的应用领域
军事领域 --变化检测、运动目标指示、视点稳定、大视场重构、 多通道融合、 地形定位和导航
比较大，最终的计算时间太长而难以达到实时应用的要求； ➢ 由于此类算法通常需要针对不同的场合选择合适的特征，ห้องสมุดไป่ตู้
所以并无统一模型可遵循。
3.匹配算法的一般步骤
特征提取 特征匹配 估计变换模型 图像重采样及变换
目标图像
匹配图像
特征点检测与提取
目标点集
匹配点集
特征点的描述
特征点的匹配和对准
3.匹配算法的一般步骤—特征提取
而是会经过较为复杂的图像处理过程提取特征后再进行匹 配。
特征匹配是指通过分别提取两个或多个图像的特征 （点、线、面等特征），对特征进行参数描述，然后运用 所描述的参数来进行匹配的一种算法。
其一般做法是利用两幅图像中对灰度变化、缩放、旋 转等均具有不变性的特征，用相似性度量函数对其进行度 量，从而得到相关值进而完成图像匹配。
2.1基于灰度的图像匹配算法
缺点： ➢ 匹配速度比较慢； ➢ 对图像灰度值依赖性大； ➢ 光照变化及噪声等方面敏感度高。
结论： 正是由于此类方法没有充分利用到灰度统计特性，因此不 适应匹配对象存在旋转和缩放的情况下图像的匹配问题， 而且算法匹配计算量较大，效率偏低。
2.图像匹配方法的分类
2.2基于特征的图像匹配算法 基于特征的图像匹配算法通常不直接依赖像素灰度值，
基于特征点的图像匹配方法研究
目录
1. 图像匹配介绍 2. 图像匹配分类 3. 图像匹配的一般步骤 4. 图像匹配的主要方法 5. 部分匹配方法的实验结果
1.图像匹配介绍----图像匹配的定义
图像匹配：
图像匹配是指通过一定的匹配算法在两幅或多幅图 像之间识别同名点，如二维图像匹配中通过比较目标区 和搜索区中相同大小的窗口的相关系数，取搜索区中相 关系数最大所对应的窗口中心点作为同名点。
2.2基于特征的图像匹配算法
优点： ➢ 能够充分结合图像灰度等相关特性，同时还可以有效去除
因光照背景等条件不同时带来的误匹配问题。 ➢ 算法在图像发生缩放变换和旋转变换等现象时敏感度低，
适应性强，而对轻微扭曲或有一定噪声的图像较前者也有 较好的匹配度。
2.2基于特征的图像匹配算法
缺点： ➢ 算法涉及到大量的几何和形态学方面的计算，使得计算量
3.匹配算法的一般步骤—特征提取
特 征 点
3.匹配算法的一般步骤—特征提取
直 线
3.匹配算法的一般步骤—特征提取
区 域
3.1特征提取
点特征提取方法
--Harris (Harris Corner Detector)算法
受信号处理中相关函数的启发，给出与自相关函数相联 系的矩阵M，M矩阵的特征值是自相关函数的一阶曲率，如 果两个曲率值都高，那么就认为该点是角点，此方法对图 像旋转、亮度变化、视角变化和噪声的影响具有很好的鲁 棒性。
其实质是在基元相似性的条件下，运用匹配准则的 最佳搜索问题。
图像匹配主要可分为以灰度为基础的匹配和以特征 为基础的匹配。
1.图像匹配介绍----图像匹配的意义
图像匹配是处理多源图像信息融合、目标识别等实际问题 中的一个重要步骤。
图像匹配广泛应用于军事、医学、航空等多个重要科研领 域。
经过图像匹配后配准，可以获得质量更高、清晰度更好、 定位更准确的目标信息。