基于改进SURF算法图像匹配方法研究

摘要

图像匹配作为图像处理技术的一大分支，近年来在图像处理领域占据着重要的地位。许多计算机视觉方面的研究都是在假设匹配问题已经得到解决过后去展开工作的。
　　针对于图像匹配而言，现今的图像匹配算法包括两类:一类是基于灰度的匹配，一类是基于特征点的匹配。本文在图像匹配方面的研究都是根据特征点匹配下情况下展开的，对一些经典的基于特征点图像匹配算法作了详细的研究，然后针对SURF算法进行了改进。
　　首先，本文总结了国内外图像匹配方面的研究与发展，并对现下流行的基于特征点的图像匹配算法分析了国内外的研究现状、常见的研究方法等。
　　其次，重点就一些经典的基于特征点的匹配算法的理论原理进行了介绍，主要包括特征点的提取，特征描述符的建立和匹配方法等。同时依赖于计算机视觉开源库OpenCV开发，通过具体的实验来对各种匹配算法性能进行对比，分析实验数据，评估实验结果。
　　最后，依赖于开源视觉库OpenCV开发，采用算法oFAST检测特征点与SURF算法建立描述符相结合，同时在匹配方法中，结合使用LBPH演化算法，来逐步提高匹配精度。在对改进的SURF算法实验评估中发现，改进的算法虽然在匹配效率上有所降低，但在匹配精度上有了明显的提高。

目录

声明

摘要

插图或附表清单

1 绪论

1．1 引言

1．2 课题研究背景和意义

1．3 图像匹配算法国内外研究现状

1．4 文主要研究内容与章节安排

1．5 本章小结

2 基于特征点的图像匹配算法介绍

2．1 引言

2．2 基于特征的图像匹配算法流程

2．3 图像特征点的获取

2．3．1 特征点提取的概念

2．3．2 不同类型的特征检测方法

2．4 图像的特征描述子

2．4．1 特征描述子的概念

2．4．2 经典特征描述子的介绍

2．5 特征匹配

2．5．1 特征匹配定义

2．5．2 经典特征匹配方法

2．6 本章小结

3 基于OpenCV的经典图像匹配算法测试

3．1 引言

3．2 OpenCV概述

3．3 OpenCV 2．4．9 组件及架构

3．4 基于OpenCV的经典图像匹配算法性能比较

3．4．1 数据设置

3．4．2 图像匹配算法测试性能评估指标

3．4．3 结论

3．5 本章小结

4．1 引言

4．2 经典SURF算法

4．2．1 SURF算法概述

4．2．2 积分图像

4．2．3 基于Hessian矩阵的特征点检测

4．2．4 SURF尺度空间表示

4．2．5 SURF特征点定位

4．2．6 SURF特征点方向角度的分配

4．2．7 SURF特征点描述符的生成

4．3 改进的SURF算法

4．3．1 oFAST：方向FAST特征点检测

4．3．2 oFAST与SURF特征点检测性能对比

4．3．3 改进型的SURF特征描述符与匹配方法

4．4 本章小结

5 总结与展望

5．1 总结

5．2 展望

参考文献

致谢

作者简介及读研期间主要科研成果