一种图像特征点迭代修正匹配算法

合集下载

图像匹配的算法种类和原理

图像匹配的算法种类和原理
图像匹配是一种广泛应用于计算机视觉领域的技术，用于判断两个或多个图像之间的相似性或是否存在某种关联。

以下是几种常见的图像匹配算法和其原理：
1. 直方图匹配：该算法基于图像的颜色分布，通过比较两个图像的直方图来评估它们的相似性。

直方图是一种将图像像素值与其频率关联起来的统计工具。

2. 特征点匹配：该算法通过提取图像中的特征点，如角点、边缘等，然后比较两个图像中的特征点之间的距离或相似性来确定它们之间的匹配关系。

常见的特征点匹配算法包括SIFT、SURF 和ORB。

3. 模板匹配：该算法使用一个预先定义好的模板图像，将其与输入图像进行比较，找出最佳匹配的位置。

模板匹配算法通常使用相关性或差异性度量来评估匹配程度。

4. 形状匹配：该算法旨在比较图像中的形状特征，例如提取图像边界上的轮廓，并计算它们之间的相似性。

形状匹配通常与图像分割和轮廓提取技术结合使用。

5. 神经网络匹配：近年来，深度学习和卷积神经网络（CNN）等技术的发展为图像匹配带来了新的突破。

使用深度神经网络，可以学习到更高级别的特征表示，并通过训练模型来实现图像匹配任务。

这些算法各有优缺点，并且在不同应用场景下具有不同的适用性。

在实际应用中，经常需要结合多种算法来实现更准确的图像匹配结果。

特征图像匹配算法

特征图像匹配算法1. 简介特征图像匹配算法是一种计算机视觉中常用的算法，用于在两幅图像之间找到相对应的特征点，并将它们匹配起来。

这种算法在多个应用领域都有广泛的应用，包括图像检索、三维重建、目标跟踪等。

特征图像匹配算法的核心思想是通过提取图像中的关键特征点，然后计算这些特征点的描述子，在不同图像中进行匹配，找到相对应的特征点。

这些特征点通常是图像中的角点、边缘或者纹理等具有区分性的部分。

2. 特征提取在特征图像匹配算法中，特征点的提取是首要任务。

常用的特征点提取算法包括Harris角点检测、SIFT（Scale-Invariant Feature Transform）、SURF （Speeded-Up Robust Features）等。

•Harris角点检测是一种通过计算图像中像素点周围的灰度变化来检测图像中的角点的算法。

它主要是通过计算图像中每个像素点的窗口内的像素梯度的方差来确定是否为角点。

•SIFT是一种尺度不变特征变换的算法，它可以在不同大小和旋转角度的图像中匹配特征点。

SIFT算法首先通过高斯滤波器进行图像平滑，然后通过DoG（Difference of Gaussians）算子检测图像中的极值点作为特征点。

•SURF是一种类似于SIFT的特征提取算法，但它具有更快的计算速度和更好的旋转不变性。

SURF算法通过检测图像中的极值点，并计算它们的Haar小波特征来提取特征点。

3. 特征描述在特征提取之后，需要对特征点进行描述，以便在不同图像中进行匹配。

常用的特征描述算法包括ORB（Oriented FAST and Rotated BRIEF）、BRISK（Binary Robust Invariant Scalable Keypoints）等。

•ORB是一种具有旋转不变性和尺度不变性的特征描述算法。

它通过计算特征点周围的像素点在不同方向上的灰度变化来生成特征点的描述子。

最后，ORB算法将描述子通过二进制编码，以降低计算复杂度。

计算机视觉技术中的图像配准算法介绍

计算机视觉技术中的图像配准算法介绍图像配准是计算机视觉的一个关键任务，其目标是将多张图像从不同的视角、尺度或形变下进行对齐，以便于后续的图像处理和分析。

图像配准技术广泛应用于医学影像、遥感影像、计算机辅助设计等多个领域。

本文将介绍几种常见的图像配准算法，包括特征点匹配、相位相关法和仿射变换法。

特征点匹配是图像配准中最常用的算法之一。

该算法的思想是在图像中提取一些鲁棒的特征点，并通过匹配这些特征点来确定两幅图像之间的变换关系。

常用的特征点包括角点、边缘点和尺度不变特征点（SIFT、SURF等）。

特征点匹配算法可以分为基于局部邻域的匹配和基于全局优化的匹配。

前者主要根据特征点附近的图像信息进行匹配，例如使用局部特征描述子来计算相似性。

后者则通过全局最优化方法，如RANSAC、Hough变换等，对所有特征点进行匹配和优化，以得到更准确的变换矩阵。

相位相关法是一种基于频域的图像配准方法。

该方法通过计算图像的互相关函数（cross-correlation）来确定两幅图像间的平移参数。

互相关函数测量了两幅图像在不同平移情况下的相似性，平移参数对应于最大互相关值出现的位置。

相位相关法适用于提供噪声较小、对齐相对简单的图像，例如纹理丰富的物体或具有明确边缘的物体。

此外，相位相关法还可以通过引入多尺度和金字塔技术来增强算法的鲁棒性，以适应不同尺度和旋转情况下的图像配准需求。

仿射变换法是一种常用的几何变换方法，它能够通过应用平移、旋转、缩放和切变等操作，将一幅图像映射到另一幅图像上。

在图像配准中，仿射变换法假设两幅图像具有相似的几何形状，且变换关系可以通过线性变换来表示。

一般来说，仿射变换法需要事先提取出一些图像上的特征点，并通过最小二乘法或一致性检测等方法来优化变换参数。

仿射变换法广泛应用于平面图像的配准，例如拼接全景图像、图像纠正和图像校正等场景。

除了上述介绍的算法，图像配准还有其他一些方法，如强度匹配法、基于统计的方法和形态学变换等。

图像处理中的特征提取和匹配算法

图像处理中的特征提取和匹配算法图像处理在日益热门的人工智能技术中扮演着一种重要的角色。

在图像处理中，特征提取和匹配算法是两个至关重要的步骤。

特征提取是通过分析图像的局部特点来创建描述图像内容的向量，而匹配是将不同图像的特征或特征向量进行比较，以确定它们是否相似。

本文将介绍几种常用的特征提取和匹配算法。

一、特征提取算法1.尺度不变特征变换（SIFT）SIFT是一种特征提取算法，它能够从不同的尺度和方向上提取图像的局部特征。

这种算法在检索和匹配图像中特别有用。

SIFT算法的基本思想是通过高斯差分算子得到一组尺度空间图像，通过高斯图像之间的差异来确定关键点，然后计算每个关键点的局部梯度的幅值和方向，最后形成一个基于梯度方向的特征描述符。

2.速度增强型稀疏编码（SLEEC）SLEEC是一种新型的高效特征提取算法。

与其他算法不同的是，SLEEC只需扫描一次训练数据即可获得最具代表性的特征。

该算法通过运用具有多个分辨率的降采样、随机稀疏和加速度分析三种技术提取特征，从而实现了比其他算法更高的准确性和速度。

二、特征匹配算法1.暴力匹配算法暴力匹配算法是一种基本的匹配算法，它实现了图像特征之间的精确匹配。

该算法通过比较两个图像之间的每个可能的匹配，来确定匹配的好坏。

虽然该算法的准确性很高，但是它非常耗时，因此只适用于小图像匹配。

2.基于Flann树的匹配算法基于Flann树的匹配算法通过对特征向量进行一系列分割和聚类，以快速找到大量数据中的相似匹配。

该算法不仅适用于大规模数据集，而且具有高效和稳定性。

3.随机抽样一致性算法（RANSAC）随机抽样一致性算法是一种常见的特征匹配算法。

该算法通过随机采样一对点来确定匹配，在这个过程中，通过迭代重复采样和检测结果，不断提高匹配模型的准确度。

结论：在图像处理和计算机视觉中，特征提取和匹配是核心算法。

不同的特征提取和匹配算法适用于不同的应用场合。

在实际应用中，为了达到对图像的快速识别和匹配，我们需要根据具体的需求，选择合适的特征提取和匹配算法。

图像匹配算法研究

图像匹配算法研究一、概述随着数字化时代的深入发展，图像数据呈现出爆炸性增长，如何从海量的图像数据中高效、准确地找到目标图像成为了迫切需要解决的问题。

图像匹配算法研究作为计算机视觉领域的一个重要课题，其目标是找出不同图像中的相同或相似部分，从而建立图像之间的映射关系。

这一研究领域不仅对于图像检索、目标跟踪、场景识别等应用具有重要意义，而且对于推动计算机视觉技术的发展起到了关键作用。

图像匹配算法的基本原理可以概括为特征提取和特征匹配两个步骤。

特征提取是从图像中提取有意义的信息的过程，这些信息可以是图像中的边缘、角点、斑点等局部特征，也可以是图像的纹理、颜色、形状等全局特征。

特征提取的目的是将原始图像转化为一种更紧凑、更易于比较和处理的形式。

而特征匹配则是将提取出的特征进行比较和配对，以找出两幅图像中相似或相同的特征点，从而建立图像之间的对应关系。

在过去的几十年中，研究者们已经提出了许多图像匹配算法，这些算法可以分为基于灰度的图像匹配和基于特征的图像匹配两大类。

基于灰度的图像匹配方法主要利用图像的灰度信息来进行匹配，而基于特征的图像匹配方法则通过提取和比较图像中的特征来进行匹配。

尽管这些算法在一定程度上提高了匹配的精度和速度，但由于复杂的拍摄环境和不断提高的匹配精度和实时性要求，现有的算法仍然面临着许多挑战。

1. 图像匹配算法的定义与重要性图像匹配，又称图像配准或图像对齐，是计算机视觉领域中的一个核心问题。

它指的是在不同时间、不同视角、不同传感器或不同条件下获取的两幅或多幅图像之间，寻找并确定相同目标或特征间的对应关系的过程。

简言之，图像匹配就是要找出两幅图像中相同或相似部分的对应关系。

图像匹配算法的重要性体现在多个方面。

它是许多高级计算机视觉任务的基础，如目标跟踪、三维重建、图像融合、图像拼接等。

在这些任务中，通常需要先对图像进行匹配，以确定不同图像间的对应关系，进而进行后续处理。

图像匹配在遥感图像处理、医学影像分析、安全监控等领域也有着广泛应用。

找特征点的算法SIFT和SURF算法

找特征点的算法SIFT和SURF算法SIFT算法和SURF算法是用于图像特征点的检测与描述的两种经典算法。

它们在图像处理、计算机视觉和模式识别等领域得到广泛应用。

下面将分别介绍SIFT算法和SURF算法，并对其原理和应用进行详细阐述。

一、SIFT算法（Scale-Invariant Feature Transform）SIFT算法是由Lowe于1999年提出的一种用于图像特征点检测与描述的算法。

它通过分析图像的局部特征来提取与尺度无关的特征点，具有尺度不变性、旋转不变性和仿射不变性等优点。

1.特征点检测SIFT算法首先通过高斯差分金字塔来检测图像中的特征点。

高斯差分金字塔是由一系列模糊后再进行差分操作得到的，通过不同尺度的高斯核函数对图像进行卷积，然后对结果进行差分运算，得到图像的拉普拉斯金字塔。

在拉普拉斯金字塔上，通过寻找局部最大值和最小值来确定特征点的位置。

2.特征点描述在确定特征点的位置后，SIFT算法使用梯度直方图表示特征点的局部特征。

首先，计算特征点周围邻域内每个像素点的梯度幅值和方向，然后将邻域分为若干个子区域，并统计每个子区域内的梯度幅值和方向的分布，最后将这些统计结果组合成一个向量作为特征点的描述子。

3.特征点匹配SIFT算法通过计算特征点描述子之间的欧式距离来进行特征点的匹配。

欧式距离越小表示两个特征点越相似，因此选择距离最近的两个特征点作为匹配对。

二、SURF算法（Speeded Up Robust Features）SURF算法是由Bay等人于2024年提出的一种在SIFT算法的基础上进行改进的图像特征点检测与描述算法。

它通过加速特征点的计算速度和增强特征点的稳定性来提高算法的实时性和鲁棒性。

1.特征点检测SURF算法使用Hessian矩阵来检测图像中的特征点。

Hessian矩阵是图像的二阶导数矩阵，通过计算Hessian矩阵的行列式和迹来确定图像的局部最大值和最小值，从而找到特征点的位置。

医学图像配准中基于特征点的算法的使用方法与匹配精度分析

医学图像配准中基于特征点的算法的使用方法与匹配精度分析医学图像配准是医学影像处理中的一项重要任务，它将多个不同时间或不同成像设备获取的医学图像进行对齐和融合，提供给医生更准确的诊断和治疗指导。

基于特征点的算法是医学图像配准中常用的一种方法，通过寻找匹配的特征点对实现图像的对准。

本文将介绍基于特征点的算法的使用方法，并对其匹配精度进行分析。

一、基于特征点的算法使用方法：1. 特征点提取：基于特征点的算法首先要从医学图像中提取出具有区分度和稳定性的特征点。

常用的特征点提取方法包括Harris角点检测、SIFT、SURF等。

选择适合的特征点提取算法根据应用场景和数据特点进行选择。

2. 特征描述：提取到的特征点需要进行描述，以便进行匹配。

常用的特征描述算法包括SIFT描述符、SURF描述符、Haar小波等。

这些描述算法能够将特征点的局部特征抽取出来，并表示为一个向量。

3. 特征点匹配：特征点的匹配是整个算法的核心步骤，通过在多个图像中匹配特征点对实现图像的对准。

常用的特征点匹配算法包括基于最近邻的匹配、RANSAC算法等。

在进行特征点匹配时，需要考虑到匹配的唯一性和稳定性，剔除错误匹配。

4. 配准变换：通过对匹配的特征点进行配准变换，实现不同图像的对齐。

常用的配准变换包括仿射变换、透视变换等。

根据实际情况选择合适的变换模型。

二、匹配精度分析：匹配精度是评价医学图像配准算法性能的指标之一，它反映了算法对医学图像进行对齐的准确程度。

匹配精度的计算方法主要基于特征点的配准误差。

1. 平均误差：平均误差是匹配精度的一个重要指标，它反映了匹配后的特征点对之间的平均距离。

平均误差越小，表明匹配的特征点对越准确。

2. 标准差：标准差是匹配精度的另一个指标，它衡量了匹配后的特征点对的分布情况。

标准差越小，表明匹配的特征点对越稳定。

3. 匹配正确率：匹配正确率是匹配精度的一种度量方式，它反映了匹配的特征点对中与实际情况相符的比例。

一种图像拼接的点特征匹配算法

பைடு நூலகம்
像点特征搜索的有效性，接下来又验证了图像间是平移关系但存在重影的点特征搜索，结果表明
该方法能有效地对旋转和平移图像进行点特征匹配．关键词：图像拼接；特征点；三角形；ＥＡＭＬＳＣ；内点中图分类号：Ｕ５．４９２文献标识码：Ａ文章编号：０１００（０８增刊（１）０５－４１０ — ５５２０）１－１００
Ｐｏｎａｔｒａｃｉｇｆｒｉａｅｍｏａｃｎｉｔｐｔｅｎｍｔｈｎｏｍｇｓｉｉｇ
ＳｈｏＤａａｎＪｎＬｉｕｉｚｏ
（ｃｏｌｆｔｍａｏ，Ｓｕｈａｔｎｖｒｉ，Ｎｎｉｇ２０９ＣｉａＳｈｏｏｔｎｏｔｅｓＵｉｅｓｙａｊ１０６，ｈｎ）ｏＡｕｉｔｎ
Ｖｏ１３ＳｐＩ．８ｕ（１）Ｎｏ２８ｖ．００
一
种图像拼接的点特征匹配算法
邵聃金立左
（东南大学自动化学院，京２０９）南１０６
摘要：为了解决旋转图像问的点特征匹配问题，出了一种以空间位置分布关系为搜索依据的提
新的匹配算法．首先将已检测到的特征点生成三角形，随后利用相似三角形配对获取图像间的仿射变换关系，根据这种空间位置分布关系进行进一步的对应点搜索，后利用ＭＬＳＣ算法并最ＥＡ进行对应点筛选，到内点以及外点．活动摄像机采集图像进行实验，先验证了对于旋转图得用首

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)。

基于模板的匹配【】和基于特征的匹配［２】．基于模板的匹配对平坦区域、相同纹理区域具有较高的误匹配概率．而基于特征的匹配特别是基于特征点，如Ｈａｒｒｉｓ角、ＳＵＳＡＮ算子舢、ＳＩＦＴｔ、ＳＵＲＦ［等，由于特
验知识作为粗匹配的反馈信息，可以有效消除由于重复纹理、灰度差、拍摄角度、噪声等因素对粗匹配产
生的影响，从而有效的提升了特征点匹配的能力，能够提取更多的正确特征点匹配对数目以及降低漏匹配率．这对于目标识别、图像配准等应用具有重要意义．
１９９７，２３（１）：４５ — ７８．
计算机系统应用
ｈｔｔｐ：／／ｗｗｗ．ｃ ห้องสมุดไป่ตู้ Ｓ・ａ．０玛．ｃｎ
２０１５年第２４卷第９期
一
种图像特征点迭代修正匹配算法①
超，林福良，黄可嘉
刘海峰，张
（北京控制与电子技术研究所信息系统工程重点实验室，北京１０００３８）
幅图像中相同的特征点对．为了提高匹配速度和准确性。经典的特征点匹配算法一般分为粗匹配和精匹配两个阶段［７】．粗匹配常采用最大互信息、最大互相关、双向最大匹配、分块匹配等方法，初步筛选出一部分
① 收稿时间：２０１４．１２ — ２７；收到修改稿时间：２０１５ — ０２．１６
摘
要：基于特征点的图像匹配被广泛应用于图像配准、目标识别与跟踪领域，目前，两阶段匹配（即先粗匹配，
后精匹配）是最常用的方法，然而，两阶段匹配存在两方面的问题，一方面，粗匹配阶段对精匹配阶段的影响是不
可逆的，即粗匹配的效果决定了精匹配的最优精度；另一方面，精匹配得到的后验知识没能反馈给粗匹配阶段，
以修正粗匹配结果．为此，提出一种基于迭代修正的图像特征点匹配算法，该算法将精匹配得到的后验知识反馈
给粗匹配阶段，从而修正粗匹配结果，使得粗匹配阶段得到更多的正确匹配对，减少漏匹配特征点对，这样经过多次迭代，能够得到更多的正确匹配特征点对．实验表明，提出的算法比经典的两阶段匹配方法能够提取更多的
ｉｍｐｒｏｖｅｓｈｅｔｍａｔｃｈｉｎｇｓｔａｂｉｌｉｔｙ．
Ｋｅｙｗｏｒｄｓ：ｉｍａｇｅｍａｔｃｈｉｎｇ；ｆｅａｔｕｒｅｐｏｉｎｔ；ｉｔｅｒａｔｉｖｅｃｏｒｅｃｔｉｏｎ；ｃｏｒｓａｅｍａｔｃｈｉｎｇ；ｐｒｅｃｉｓｅｍａｔｃｈｉｎｇ
ｃｏｍｍｏｎｌｙｕｓｅｄｍｅｈｏｔｄ．Ｈｏｗｅｖｅｒ，ｔｈｅｗｏｔｐｈａｓｅｍａｔｃｈｉｎｇｅｘｉｓｔｓｗｏｔｉｓｓｕｅｓ，ｏｎｈｅｔｏｎｅｈａｎｄ，ｔｈｅｉｍｐａｃｔｏｆｃｏａｒｓｅｍａｔｃｈｉｎｇｆｏｒｐｒｅｃｉｓｅｍａｔｃｈｉｎｇｉｓｉｒｒｅｖｅｒｓｉｂｌｅ，ｔｈａｔｉｓ，ｈｅｔｒｅｓｕｌｔｓｏｆｃｏｒｓａｅｍａｔｃｈｉｎｇｗｉｌｌｄｅｔｅｒｍｉｎｅｈｅｔｏｐｔｉｍａｌｐｒｅｃｉｓｉｏｎ
ＬＩＵＨａｉ－Ｆｅｎｇ，ＺＨＡＮＧＣｈａｏ，ＬＩＮＦｕ－Ｌｉａｎｇ，ＨＵＡＮＧＫｅ－Ｊｉａ
（ＢｅｉｊｉｎｇＩｎｓｔｉｔｕｔｅｏｆＣｏｎｔｒｏｌａｎｄＥｌｅｃｒｔｏｎｉｃＴｅｃｈｎｏｌｏｇｙ，ＫｅｙＬａｂｏｆＩｎｆｏｒｍａｔｉｏｎＳｙｓｔｅｍａｎｄＴｅｃｈｎｏｌｏｙ，ｇＢｅｉｊｉｎｇ１０００３８，Ｃｈｉｎａ）
Ｅｘｐｅｉｍｅｒｎｔｓｓｈｏｗｔｈａｔｈｅｔｐｒｏｐｏｓｅｄａｌｇｏｉｔｒｈｍｃａｌｌｅｘｔｒａｃｔｍｏｒｅｍａｔｃｈｉｎｇｐａｉｒｓｔｈａｎｒａｔｄｉｔｉｏｎａｌｗｏｔｐｈａｓｅｍｅｈｏｔｄａｎｄ
１１８软件技术・算法ＳｏｆｔｗａｒｅＴｅｃｈｎｉｑｕｅ・Ａｌｇｏｒｉｔｈｍ
２０１５年第２４卷第９期
ｈｔｔｐ：／／ｗｗｗ．ｃ－Ｓ＿ａ．ｏｒｇ．ｃａ
计算机系统应用
ｏｆｐｒｅｃｉｓｅｍａｔｃｈｉｎｇ．Ｏｎｔｈｅｏｔｈｅｒｈａｎｄ，ｔｈｅｐｏｓｔｋｎｏｗｌｅｄｇｅｗｈｉｃｈｃａｎｂｅｏｂｔａｎｅｉｄｉｆ＇ｏｍｐｒｅｃｉｓｅｍａｔｃｈｉｎｇｃａｎｎｏｔｂｅ
ｆｅａｔｕｒｅｓ（ＳＵＲＦ）．ＣｏｍｐｕｔｅｒＶｉｓｉｏｎ＆ＩｍａｇｅＵｎｄｅｒｓｔａｎｄｉｎｇ．
２００８，１１０（３）：３４６－３５９．
４结语
本文在分析经典两阶段特征点匹配算法的基础上，针对存在的不足提出了一种基于迭代修正的特征点匹
ｒｔａｃｋｉｎｇｉｆｅｌｄ．Ｎｏｗ，ｔｗｏｐｈａｓｅｆｅａｔｕｒｅｐｏｉｎｔｍａｔｃｈｉｎｇ（ｉ．ｅ．，ｉｆｒｓｔｃｏａｒｓｅｍａｔｃｈｉｎｇ，ｔｈｅｎｐｒｅｃｉｓｅｍａｔｃｈｉｎｇ）ｉｓｈｅｔｍｏｓｔ
５陈抒珞，李勃，董蓉，陈启美．Ｃｏｎｔｏｕｒｌｅｔ．ＳＩＦＴ特征匹配算法．
电子与信息学报，２０１３，３５（５）：１２１５ — １２２１．
６ＢａｙＨ，ＥｓｓＡ，ＴｕｙｔｅｌａａｒｓＬＶａｎＧＬ．Ｓｐｅｅｄｅｄ—ｕｐｒｏｂｕｓｔ
图像匹配通常指的是寻求两幅或多幅图像之间在同一个空间中景物在不同视点条件下所得到的图像像
素之间的一一对应关系．常用的图像匹配方法包括：
征点对灰度变化不敏感、计算速度快、以及具有较强
的抗噪声和遮挡能力，已经成为主流的图像匹配方法．
特征点匹配就是根据一定的准则找出在两幅或多
正确匹配特征点对，减少了漏匹配，并提升了复杂图像匹配的稳定性．关键词：图像匹配；特征点；迭代修正；粗匹配；精匹配
ＩｍａｇｅＦｅａｔｕｒｅＰｏｉｎｔＭａｔｃｈｉｎｇＡｌｇｏｒｉｔｈｍＢａｓｅｄｏｎＩｔｅｒａｔｉｖｅＣｏｒｒｅｃｔｉｏｎ
ｒｅｇａｒｄｅｄａｓｆｅｅｄｂａｃｋｉｎｆｏｒｍａｔｉｏｎｔｏｃｏａｒｓｅｍａｔｃｈｉｎｇ，ｗｈｉｃｈＣｎａｒｅｖｉｓｅｍｉｓｍａｔｃｈｉｎｇ．Ｈｅｎｃｅ，ｔｈｅｐａｐｅｒｐｒｏｐｏｓｅｓａｎｅｗｆｅａｔｕｒｅｐｏｉｎｔｍａｔｃｈｉｎｇａｌｇｏｒｉｔｈｍｗｈｉｃｈｉｓｂａｓｅｄｏｎｉｔｅｒａｔｉｖｅｃｏｒｒｅｃｔｉｏｎ．Ｉｎｔｈｅａｌｇｏｉｔｒｈｍ，ｐｏｓｔｎｏｋｗｌｅｄｇｅｏｆｐｒｅｃｉｓｅｍａｔｃｈｉｎｇｉｓｒｅｇｒｄａｅｄａｓｆｅｅｄｂａｃｋｉｎｆｏｍａｒｔｉｏｎｔｏｃｏｒｓａｅｍａｔｃｈｎｇｉ．ＴｈｅｃｏａｒｓｅｍａｔｃｈｉｎｇＣｎａｏｂａｉｔｎｍｏｒｅｃｏｒｅｃｔｍａｔｃｈｉｎｇｐａｉｒｓａｎｄｄｅｃｒｅａｓｅｍｉｓｓｉｎｇｃｏｒｅｃｔｍａｔｃｈｉｎｇｐａｉｒｓ．Ａｆｔｅｒｍｕｃｈｉｔｅｒａｔｉｏｎｓ，ｂｅｔｔｅｒｍａｔｃｈｉｎｇｃａｎｂｅｏｂｔａｉｎｅｄ．
Ａｂｓｔｒａｃｔ：Ｂａｓｅｄｏｎｆｅａｔｕｒｅｐｏｉｎｔ，ｉｍａｇｅｍａｔｃｈｉｎｇｈａｓｂｅｅｎｗｉｄｅｌｙａｐｐｌｉｅｄｉｎｉｍａｇｅｒｅｇｉｓｔｒａｔｉｏｎ，ｏｂｊｅｃｔｒｅｃｏｇｎｉｔｉｏｎａｎｄ