基于特征点的多尺度图像匹配算法研究及其应用

摘要

图像匹配是一种对同一场景的两幅图像或多幅图像进行配准来确定彼此对应关系的图像处理和图像分析技术，它是计算机视觉研究中一项必不可少的基础性工作，广泛应用在图像拼接、三维重建、目标识别、图像检索等领域。本文以基于特征点的多尺度图像匹配算法为主线，重点研究了图像匹配算法中的特征点检测和特征点描述方法。本文主要的创新点和工作如下:
　　1)为保留更多的图像细节特征，提出了一种基于分数阶梯度算子的多尺度特征点检测算法。首先，通过一种基于分数阶梯度算子的非线性扩散滤波，以及快速显式扩散(Fast Explicit Diffusion，FED)算法来构建非线性尺度;然后，在非线性尺度空间中，采用一种新的基于Hessian矩阵的特征点检测算子来计算特征响应值;最后，在尺度空间中寻找特征响应值的局部极大值点作为图像中的特征点。实验结果表明，该算法在图像模糊、尺度缩放、旋转变换、光照变化、图像压缩以及视角变化下都具有良好的性能。
　　2)为了提高二值描述子对噪声和图像局部结构变化的鲁棒性，提出了一种基于局部灰度序的二值描述子(Local Intensity Order Binary，LIOB)。首先，在特征点的局部图像块中选取所有的采样点对;然后，比较每对采样点的局部灰度序信息，生成二值描述子中的一位;最后，把所有采样点对的比较结果组合在一起，构造成该特征点的二值描述子。实验结果表明，与经典的二值描述子相比，该描述子的性能有了一定程度的提高。
　　3)将本文提出的特征点检测和特征点描述算法应用于基于序列图像的三维重建上。首先，采用本文所提的特征点检测和特征点描述算法实现序列图像间的相互匹配;然后，利用基于运动恢复结构的方法，恢复出相机的运动参数并获得稀疏的三维点云;最后，利用基于面片的多视图三维重建算法实现点云的稠密重建。实验结果表明，本文所提的特征点检测和特征点描述算法，在基于序列图像的三维重建应用中具有一定的可行性和有效性。

目录

声明

摘要

第一章 绪论

1．1 选题背景与研究意义

1．2 图像匹配算法研究概述

1．2．1 基于灰度信息的图像匹配算法

1．2．2 基于特征的图像匹配算法

1．3 基于特征点的图像匹配算法研究现状

1．3．1 尺度空间理论

1．3．2 特征点检测方法

1．3．3 特征点描述方法

1．4 本文的主要内容和组织结构

第二章 基于分数阶梯度算子的多尺度特征点检测

2．1 引言

2．2 一种基于分数阶梯度算子的非线性扩散滤波

2．2．1 非线性扩散滤波及其求解

2．2．2 一种基于分数阶梯度算子的传导函数

2．3 多尺度特征点检测

2．3．1 非线性尺度空间的构建

2．3．2 计算特征响应值和定位特征点

2．4 实验结果与分析

2．4．1 实验数据集和评价标准

2．4．2 两种非线性扩散滤波方法的比较

2．4．3 参数选择和特征点检测算法性能评价

2．5 小结

第三章 基于局部灰度序的二值描述子

3．1 引言

3．2 —种基于局部灰度序的二值描述子

3．2．1 经典二值描述子的不足

3．2．2 LIOB描述子的定义

3．2．3 学习采样点对的分布

3．3 实验结果与分析

3．3．1 实验数据集和评价标准

3．3．2 参数选择

3．3．3 描述子性能分析

3．3．4 分析不同学习方法对描述子性能的影响

3．4 小结

第四章 基于序列图像的三维重建

4．1 引言

4．2 相关基础理论

4．2．1 相机模型及成像原理

4．2．2 对极几何

4．2．3 基础矩阵和本质矩阵

4．3 基于SFM的两幅图像稀疏三维重建

4．3．1 特征点的匹配及基础矩阵的求解

4．3．2 恢复相机之间的运动参数

4．3．3 空间三维点的计算

4．3．4 集束调整

4．4 基于SFM的多幅图像稀疏三维重建

4．5 稀疏点云的后期处理

4．6 实验结果

4．6．1 两幅图像下的三维重建

4．6．2 多幅图像下的三维重建

4．7 小结

第五章 总结与展望

5．1 本文工作总结

5．2 未来工作展望

致谢

参考文献

作者在攻读硕士期间发表的论文