基于SIFT的图像特征点匹配算法研究

摘要

图像配准是数字图像处理领域的基本问题，用于比较或融合针对同一对象在不同条件下获取的图像，包括对象或场景识别、根据多张图像的3D建模、立体匹配以及运动追踪等，它是图像从获取到分析过程中的重要步骤。图像配准技术在诸多方面，例如机器视觉、医学图像处理、军事领域以及材料力学等领域都有广泛的应用。
　　本文主要研究基于尺度不变特征变换（Scale Invariant Feature Transform，SIFT）的图像特征匹配算法。SIFT算法提取的特征点对图像的相似变换无关，对光线、噪声、微视角改变有较好的容忍度。但是SIFT特征点描述子同时具有计算复杂、维数高、匹配速度慢等缺点。对此，本文提出了一种基于向量内积的最近邻搜索算法。首先引入合适的、随着待检索点动态变化的参考向量，通过直接提取特征点描述子矩阵的数据来获得样本集与它的内积，排序所提取的数列。然后，确定待检索点与向量的内积，在对应的内积序列中查找位置，确定以所在位置为中心的近似搜索范围，由范围内的近似最近邻搜索代替在样本集中的全范围搜索，以较小的准确度损失为代价，大幅提高搜索速度。
　　为了验证本文算法的有效性与优点，将算法与常用的近似最近邻搜索算法KD-BBF算法对牛津大学VGG实验室的图片测试库进行了试验对比，并从匹配速度、正确匹配数量、准确度三方面进行比较评估。试验结果表明，选择适当的近似最近邻搜索范围，本文算法相比于KD-BBF算法显著提升了的搜索速度，而只付出了损失较小正确匹配数量的代价。同时，本文还利用所提出的算法完成了图像融合实验，在两幅图像具有较大幅度的相似变换，以及小量的仿射与投影变换的情况下，获得了良好的融合结果。

目录

声明

1 绪论

1.1研究背景及意义

1.2国内外研究现状

1.3论文主要研究内容

2 图像配准与SIFT算法

2.1图像配准

2.2 SIFT算法

2.3本章小结

3 基于SIFT特征点的最近邻搜索算法

3.1最近邻搜索问题

3.2已有算法分析

3.3基于向量内积的最近邻搜索算法

3.4本章小结

4 图像拼接的实现过程

4.1随机抽样一致性算法

4.2几何变换模型的估计

4.3坐标映射

4.4图像融合

4.5图像拼接的具体步骤

4.6本章小结

5 基于向量内积的SIFT特征点匹配算法的验证与实验

5.1基于向量内积的最近邻搜索算法的有效性验证

5.2基于SIFT算法的图像拼接实验

5.3本章小结

6 总结与展望

6.1总结

6.2展望

致谢

参考文献