基于特征的图像匹配算法毕业设计论文(含源代码)
图像特征点提取及匹配算法研究论文
图像特征点提取及匹配算法研究论文1.SIFT算法：SIFT（Scale-Invariant Feature Transform）算法是一种经典的图像特征点提取算法。
该算法首先使用高斯滤波器对图像进行多尺度的平滑处理，然后使用差分算子来检测图像中的关键点，最后计算关键点的主方向和描述符。
SIFT算法具有尺度不变性和旋转不变性，对于图像中存在较大尺度和角度变化的情况下仍能提取出稳定的特征点。
2.SURF算法：SURF（Speeded Up Robust Features）算法是一种快速的特征点提取算法，它在SIFT算法的基础上进行了优化。
SURF算法使用Haar小波响应来检测图像中的特征点，并使用积分图像来加速计算过程。
此外，SURF算法还使用了一种基于方向直方图的特征描述方法，能够提取出具有旋转不变性和尺度不变性的特征点。
3.ORB算法：ORB（Oriented FAST and Rotated BRIEF）算法是一种快速的特征点提取和匹配算法。
该算法结合了FAST角点检测算法和BRIEF描述符算法，并对其进行了改进。
ORB算法利用灰度值的转折点来检测图像中的角点，并使用二进制字符串来描述关键点，以提高特征点的匹配速度。
ORB算法具有较快的计算速度和较高的匹配精度，适用于实时应用。
4.BRISK算法：BRISK（Binary Robust Invariant Scalable Keypoints）算法是一种基于二进制描述符的特征点提取和匹配算法。
该算法首先使用田字形格点采样方法检测关键点，然后使用直方图来描述关键点的方向和纹理特征。
最后，BRISK算法使用二进制字符串来表示关键点的描述符，并使用汉明距离来进行特征点的匹配。
BRISK算法具有较快的计算速度和较高的鲁棒性，适用于大规模图像匹配任务。
总结起来，图像特征点提取及匹配算法是计算机视觉领域中的重要研究方向。
本文介绍了一些常用的特征点提取及匹配算法，并对其进行了讨论。
基于SIFT算法的图像特征匹配
基于SIFT算法的图像特征匹配周颖【摘要】SIFT特征匹配算法的原理在于生成特征点的SIFT特征向量，通过对特征向量之间的匹配来实现图像之间的匹配。
SIFT特征是一种尺度不变的局部图像特征，阐述生成SIFT特征向量的具体过程，包含尺度空间构建、关键点的检测和精确定位、关键点方向向量的确定和最终SIFT特征描述子的形成等步骤，以及根据形成的特征描述子进行图像的匹配。
根据实验结果得出SIFT算法可以有效准确地实现图像之间的匹配。
%The principle of SIFT feature matching algorithm is to generate SIFT feature vector of the characteristic points, through the matching of feature vector to realize the matching of the images. SIFT feature is a kind of local image characteristics which is invariant to image scale. Expounds the specific process of how SIFT feature vector is generated, including the building of the scale space, the detection of the key points and accurately positioning these points, determines the direction of the feature vector, and finally form the SIFT features vector and according to the vector to realize the image matching. According to the experimental results it is concluded that SIFT algorithm can effectively and accurately realize the matching of images.【期刊名称】《现代计算机（普及版）》【年(卷),期】2015(000)002【总页数】6页(P63-68)【关键词】图像匹配;SIFT特征匹配;尺度空间;方向向量;特征描述子【作者】周颖【作者单位】四川大学计算机学院，成都 610065【正文语种】中文随着计算机行业的不断发展，二十世纪七十年代末MARR提出计算机视觉理论，认为计算机视觉是一种信息处理的过程，经过这一过程通过硬件计算机从图像中了解和发现外部世界的信息。
基于变换域和基于特征点的图像配准方法毕业论文
基于变换域和基于特征点的图像配准方法毕业论文目录摘要 ........................................................ 错误!未定义书签。
Abstract.................................................... 错误!未定义书签。
第一章绪论.. (1)第一节引言 (1)第二节论文研究的意义 (1)第三节图像拼接技术概述 (2)1.3.1 图像拼接技术的发展历程 (2)1.3.2 图像拼接技术的国研究现状 (3)第四节本文主要研究容和组织结构 (3)1.4.1 主要研究容 (4)1.4.2 论文组织结构 (4)第二章图像拼接流程 (6)第一节图像拼接的步骤 (6)第二节主要拼接步骤简介 (7)第三章图像预处理 (9)第一节相机成像原理模型 (9)3.1.1 摄像机垂直转动 (10)第二节图像预处理的容 (13)第三节本章小结 (14)第一节相位相关度法原理 (15)第二节基于二幂子图像的FFT对齐算法 (16)4.2.1 二幂子图像 (16)4.2.2 二幂子图像的对齐 (17)第三节本章小结 (18)第五章图像配准 (19)第一节图像配准的定义及关键要素 (19)5.1.1 图像配准的原理和图像变换 (19)5.1.2 图像配准的步骤 (21)5.1.3 图像配准的关键要素 (22)第二节常用的配准方法分析 (25)5.2.1 基于灰度信息的图像配准方法 (25)5.2.2 基于变换域的图像配准方法 (25)5.2.3 基于特征的图像配准方法 (26)5.2.4 配准算法的优缺点分析 (26)第三节基于变换域的图像配准方法 (28)5.3.1 相位相关技术原理 (28)5.3.2 傅里叶算法步骤 (29)第四节基于特征的图像配准方法 (31)5.4.1算法流程 (31)5.4.2 算法原理 (32)第六节本章小结 (41)第六章图像融合 (42)第一节直接平均融合法 (42)第二节多分辨率样条技术融合法 (43)第三节加权平均融合法 (43)第四节合方法优缺点分析 (45)第五节实验结果及分析 (47)第六节本章小结 (50)第七章图像拼接的实现与应用 (51)第一节图像拼接的实现 (51)第二节图像拼接的具体仿真过程 (54)第三节图像拼接的应用 (59)第八章总结与展望 (60)第一节总结 (60)第二节展望 (61)致谢........................................................ 错误!未定义书签。
图像拼接论文
基于特征点的图像拼接算法研究指导教师：学生姓名：学号：专业：计算机技术院（系）：信息工程学院完成时间：2013年11月摘要:图像拼接(image mosaic)技术是将一组相互间重叠部分的图像序列进行空间匹配对准，经重采样合成后形成一幅包含各图像序列信息的宽视角场景的、完整的、高清晰的新图像的技术。
图像拼接的过程由图像获取，图像配准，图像合成三步骤组成。
其中图像配准是整个图像拼接的基础。
本文研究了基于特征图像配准算法。
利用基于特征Harris角点检测算法提取出初始特征点对，实现实现特征点对的精确匹配。
最后用加权平均对实现图像融合。
实验证明该算法适应性较强，在重复性纹理、旋转角度比较大等较难自动匹配场合下仍可以准确实现图像配准。
同时该算法准确率高，鲁棒性强，具有较高的使用价值。
关键词：：图像拼接图像配准特征点图像合成Abstract:Image mosaic is a technology that carries on the spatial matching to a series of image which are overlapped with each other, and finally builds a seamless and high quality image which has high resolution and big eyeshot．The image mosaic process consists of the following steps．Image acquisition, image registration, image fusion．fusion．Image registration is the important foundation of image mosaic．This article has studied a image registration algorithrm feature-based image registration algorithm．Firstly, corners are extracted using improved Harris operator to extract the initial feature point pairs. Then, the correct matching feature point pairs are used to realize the image registration．Finally,use the Weighted Average Fusion Rule to fuse the images.The experiment results indicate this algorithmhas better registration results under a variety of conditions such as different light ,bigger rotation and repetitive texture.At the same time, this algorithm has good effect in image registration, high accurate rate, strong robustness，higher use value．Key words:Image mosaic Image registration Feature points Image fusion目录第一章绪论 (1)1.1图像拼接的研究意义 (1)1.2国外研究现状 (1)第二章图像拼接基本理论 (3)2.1成像基础 (3)2.1图像变换模型 (3)2.2 图像拼接流程 (6)2.3图像配准算法 (6)2.4图像合成 (8)第三章基于特征的图像配准 (9)3.1 基于点的特征提取 (9)3.2 基于Harris角点检测算法 (9)3.3 特征点匹配 (10)3.3 图像融合 (11)第四章实验分析 (11)4.1 实验 (11)实验结论 (13)参考文献 (14)第一章绪论1.1图像拼接的研究意义随着计算机技术的发展，计算机在各个学科领域得到了应用。
基于特征的图像配准算法研究
基于特征的图像配准方法是目前比较流行的图像配准方法。它包括特征提取和特征匹配两个主要内容。本文以人脸图像作为配准研究对象。文章首先介绍了图像配准的相关基础知识,其后介绍了小波变换的基础知识并对小波的多分辨率分析的特性进行了分析,在此基础上提出了基于小波多分辨率特性的在尺度上进行特征提取的算法。该特征提取算法利用了小波的多分辨率特性,在不同的分辨率下利用小波变换提取边缘特征点,然后根据分辨率不同逐步实现由粗到精的匹配过程。在图像匹配相似度测试算法上,本文首先分析了各种不同的相似度测试算法,重点对归一化相似度测试进行了分析并对其在经过较大角度旋转情况下的匹配失误进行了分析,然后提出了一种改进的相似度测试算法。该匹配算法原理是基于对搜索窗口进行旋转然后进行相似度测试。在进行了基于特征的配准知识介绍之后,文章对图像配准后重建中使用的图像插值算法进行了介绍和分析。最后本文以一个计算机实现的实验模型对该算法的配准效果和算法性能进行了全面的测试并对测试结果进行了分析。总结展望部分对全文内容进行了总结并对本配准算法在人脸三位重建方向的应用价值进行了分析展望。
”这一课题。本文对医学图像配准的关键技术与核心算法进行了深入广泛的研究,并且在图像配准算法的评价方面做了许多研究工作。本文的主要工作如下:
(1)提出了基于局部特征和互信息相结合的方法。通过图像自身的局部特征直接计算出“粗”配准矩阵,然后以互信息作为尺度将粗配准的结果进行最优化,得到“精”配准结果。特征的引入有效的减少了全局匹配中互信息的计算量,提高了图像配准的时间效率和配准精度,减少了互信息自身存在的误配。
基于SIFT特征的图像匹配算法研究答辩稿
SIFT尺度空间示意图
2.特征点就是DoG空间的局 部极值点。为了寻找DOG 空间的局部极值点，每一 个采样点要和它所有的相 邻点比较，看其是否比它 的图像域和尺度域的相邻 点大或者小。
DoG尺度空间局部极值检测
3.直方图的峰值则代表了该关键点处邻域梯度的主方向，即作 为该关键点的方向。
主 方向
改进算法的时间复杂度
表7 不同尺寸的图像速度的对比
可以看出，改进的SIFT算子在时间复杂度上较SIFT算子大大降低， 更适用于海量的数据搜索。
设计总结
本文介绍了尺度空间理论，目的是模拟图像数据的多 尺度特征。SIFT特征就是在不同的尺度空间和位置提 取局部特征点。SIFT算法是一种基于局部特征描述的 算法，对于每个特征点，根据其邻域内的像素值决定 其描述子向量，较全局特征算法在大型数据库匹配中 有了更强的应用，但是由于SIFT算子的特征描述子向 量为128维，在存储中需要耗费较多的存储空间和匹配 时间。针对于SIFT算法维度较高的缺点，本人对SIFT 算法进行了改进。 本次毕业设计让我学会了许多东西，对算法的研究有 了较深刻的了解，提升了英语阅读能力和数学的应用 能力。
改进算子邻域的划分
实验及结果分析
改进算法在旋转和尺度变化下的匹配效 果
图1 一组包含旋转和尺度变化的图像
每张图片检测到的关键点数目见表1，将第2~6张图片分别和 第一张图像进行匹配实验，得到5组数据，见表2。 表1旋转和尺度变化下图像的关键点数
表2旋转和尺度变化尺度变化下，改进算法虽然比原算法的匹配效果 稍差，但也具有很好的匹配效果，在旋转和尺度变化下改进算法依然 有效
改进算法在光照变化下的匹配效果
图3 一组包含光照变化的图像
(图像匹配问题研究)毕业设计论文
UNIVERSITY OF TECHNOLOGY 毕业论文题目图像匹配问题研究学生姓名学号专业班级通信工程指导教师学院计算机与通信答辩日期2012年图像匹配问题研究Research on Problem of Image MatchingXxx摘要图像匹配是图像处理领域中一项非常重要的工作。
图像匹配技术可以广泛用于目标识别与跟踪、立体视觉、变化检测、车场车牌识别、人脸识别、机器人导航、测绘等领域。
图像匹配的方法一般分为基于灰度的匹配方法和基于特征的匹配方法两大类。
本论文主要介绍了基于灰度匹配中的模板匹配算法和基于特征匹配中的SIFT（Scale Invariant Feature Transform）特征匹配算法，并对模板匹配算法和SIFT特征匹配算法进行了仿真。
关键词：图像匹配；模板匹配；SIFT算法AbstractThe image matching is a very important work in the field of image processing.Image matching technology, which can be widely used in target identification and tracking, stereoscopic vision, change detection, car license plate recognition, face recognition, robot navigation, mapping, and other fields.Image matching methods are generally divided into two major categories of gray matching and feature-based matching method.This paper introduces a template matching algorithm based on gray-scale matching and feature matching based SIFT (Scale Invariant Feature Transform) feature matching algorithm and template matching algorithm and SIFT feature matching algorithm for the simulation.Keywords:image matching; template matching; the SIFT algorithm目录第1章绪论 (1)1.1 图像匹配的定义 (1)1.2 图像匹配的背景和意义 (1)1.3 数字图像处理与分析 (2)1.4 图像匹配国内外研究现状 (4)第2章图像匹配 (6)2.1 图像匹配技术应用领域 (6)2.2 图像匹配算法分类 (6)2.2.1 基于灰度相关的匹配算法 (6)2.2.2 基于特征的图像匹配算法 (7)2.2.3 两类匹配算法的比较 (7)2.3 本章小结 (8)第3章基于灰度的图像匹配 (9)3.1 MAD算法 (9)3.2 序贯性检测匹配算法(SSDA) (10)3.2.1 序贯性相似检测匹配算法描述 (10)3.2.2 序贯性相似检测匹配步骤 (11)3.3 归一化积匹配算法 (11)3.3.1 归一化积匹配原理 (12)3.3.2 归一化匹配步骤 (13)3.3.3 归一化实现过程 (13)3.4 基于模板的图像匹配 (13)3.4.1 模板图像匹配基本原理 (13)3.4.2 模板图像匹配程序仿真 (15)3.4.3 结果分析 (17)第4章基于特征的图像匹配 (18)4.1 尺度空间理论 (18)4.2 高斯尺度空间 (19)第5章SIFT特征匹配 (20)5.1 SIFT简介 (20)5.1.1 SIFT主要思想 (20)5.1.2 SIFT算法的主要特点 (20)5.1.3 SIFT算法步骤 (20)5.2 图像的初始化 (20)5.3 尺度空间 (21)5.3.1 建立高斯金字塔 (22)5.3.2 建立DoG金字塔 (22)5.4 确定特征点主方向 (23)5.5 SIFT特征向量的匹配 (24)5.6 SIFT程序仿真 (24)5.6.1 相位变换的图像匹配 (24)5.6.2 仿射变换的图像匹配 (24)5.6.3 亮度变换的图像匹配 (25)5.6.4尺度缩放变换的图像匹配 (25)5.6.5 结果分析 (28)结论 (29)参考文献 (30)附录I 外文文献翻译 (31)附录II 程序清单 (59)致谢 (66)第1章绪论1.1 图像匹配的定义所谓图像匹配[1]是指在一幅（或一批）图像中寻找与给定目标图像相似的图像或者图像区域（子图像）的过程。
基于SIFT算法的图像匹配方法-本科毕业论文
摘要图像匹配是指通过一定的算法在两幅或多幅影像之间识别同名点的过程。
图像匹配技术是图像处理技术中的重要研究内容，是图像信息领域之中的一项重要技术，同时它也是其它一些图像分析技术的基础。
正由于其应用的广泛性，使得匹配算法的研究逐步走向成熟。
图像匹配是一个多步骤的过程，不同的匹配算法之间步骤也会有很大的不同，效果也有较大的出入。
SIFT算法是一种基于尺度空间的算法，该算法特征是图像的局部特征，使其对旋转、尺度缩放、亮度变化具有保持不变性，对视角变化、方式变换、噪声也具有良好的稳定性，同时SIFT算法具有独特性好、信息量丰富，运行速度快等特点。
本课题研究了基于SIFT算法的图像匹配方法，论述了SIFT算法的实现过程。
通过实验，探寻SIFT在亮度变化、尺度变化、旋转变化下的匹配效果。
并运用SIFT 算法实现物体识别。
关键字：图像匹配，尺度空间，稳定性， SIFT算法，物体识别ABSTRACTImage matching refers to the process of identify homonymy points between two or more images by a certain algorithm. Generally speaking, Image matching technology is of important, not only in the application of image processing technology, but also in the field of pattern information. Besides, it is also the basis of some other technology of image analysis. Therefore, it would seem that further investigation about image matching technology is needed.Image matching is a multi-step process. Different matching algorithm would have different calculate steps and results. In addition, SIFT is an algorithm based on scale-space, which feature is the local features of the image, its rotation, scale zooming, brightness variation have the advantage of invariability, and the change of viewpoint ,pattern transformation, noise also has good trait of stability. Meanwhile, the SIFT algorithm has the characteristics of good uniqueness, huge information, faster running speed and so on.This article presents that the method of image matching what based on SIFT algorithm, and summarize that the implementation procedure of SIFT algorithm as well as explores the matching results of SIFT in the aspect of brightness variation, scale variation and Rotation variation.Besides, it also discusses the way of object recognition by use of SIFT algorithm.Keywords:image matching, scale-space, stability, SIFT algorithms, object recognition1 绪论 (1)1.1研究的背景及意义 (1)1.2国内外研究现状 (2)1.3研究内容和目标 (3)1.4 章节安排 (3)2 图像匹配 (5)2.1 图像匹配技术概述 (5)2.2 图像匹配技术的定义 (5)2.3 图像匹配算法分类 (6)2.4 本章小结 (6)3 尺度空间理论 (7)3.1 尺度空间理论 (7)3.2 高斯尺度空间 (7)3.3 本章小结 (8)4 SIFT特征匹配 (9)4.1 图像的初始 (10)4.2 尺度空间极值检测 (10)4.3 精确定位特征点的位置和所在的尺度 (14)4.4 确定特征点的主方向 (17)4.5 生成SIFT特征向量 (18)4.6 SIFT特征向量的匹配 (20)4.7 本章小结 (21)5 实验结果及分析 (23)5.1 SIFT特征提取实验结果 (23)5.2 特征匹配实验结果 (24)5.3 图像匹配应用——物体识别 (29)5.3 本章小结 (36)6 总结与展望 (38)6.1 总结 (38)6.2 展望 (38)参考文献 (40)致谢 (41)附录 (42)1.1研究的背景及意义二十一世纪，人们进入一个信息爆炸的时代，获取的信息的方式也呈现出多样性，早已不仅仅局限在数字、符号、文本等信息，越来越多的信息是以图像的信息在传递，图像信息的比重也越来越大，人们已经从一个读字的时代逐渐在迈向一个读图时代。
- 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)。
诚信声明本人声明：我所呈交的本科毕业设计论文是本人在导师指导下进行的研究工作及取得的研究成果。
尽我所知，除了文中特别加以标注和致谢中所罗列的内容以外，论文中不包含其他人已经发表或撰写过的研究成果。
与我一同工作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示了谢意。
本人完全意识到本声明的法律结果由本人承担。
申请学位论文与资料若有不实之处，本人承担一切相关责任。
本人签名：日期：2010 年05 月20日毕业设计（论文）任务书设计（论文）题目：学院：专业：班级：学生指导教师（含职称）：专业负责人：1．设计（论文）的主要任务及目标(1) 了解图象匹配技术的发展和应用情况，尤其是基于特征的图象匹配技术的发展和应用。
(2) 学习并掌握图像匹配方法，按要求完成算法2．设计（论文）的基本要求和内容（1）查阅相关中、英文文献，完成5000汉字的与设计内容有关的英文资料的翻译。
（2）查阅15篇以上参考文献，其中至少5篇为外文文献，对目前国内外图象匹配技术的发展和应用进行全面综述。
（3）学习图象匹配算法，尤其是基于特征的图象匹配算法。
（4）实现并分析至少两种基于特征的图象匹配算法，并分析算法性能。
3．主要参考文献[1]谭磊, 张桦, 薛彦斌．一种基于特征点的图像匹配算法[J]．天津理工大学报，2006，22(6)，66-69．[2]甘进，王晓丹，权文．基于特征点的快速匹配算法[J]．电光与控制，2009，16(2)，65-66．[3]王军，张明柱．图像匹配算法的研究进展[J]．大气与环境光学学报，2007，2(1)，12-15．4摘要图像匹配技术是实现图像融合、图像校正、图像镶嵌以及目标识别与跟踪的关键步骤之一，已经广泛应用在图像识别以及图像重建等领域中。
简单来说，图像匹配就是找到两幅不同图像之间的空间位置关系。
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。
本文首先对现有图像匹配方法的进行分类、概述和简要的说明；分析了课题研究的背景，以及对国内外图像匹配的研究状况描述；其次对现有的图像匹配的几种常见算法进行简要的说明，其中着重介绍了基于特征的匹配的算法。
参考了一种基于图像灰度值特征点的快速匹配搜索算法，该算法利用得出的灰度值特征点作为搜索依据，通过实验，证实了该算法的快速性和准确性。
本文在对几种图像匹配方法的研究的基础上，采用基于灰度传统的方法、基于边缘特征的方法和基于一阶特征点图像匹配的方法进行图像匹配仿真，并对三种方法的快速性准确性做了比较。
再次比较基于灰度、基于边缘、基于一阶特征点图像匹配方法的优缺点。
不同的环境下每种方法各有优缺点，加入噪声时基于边缘特征图像匹配能够匹配成功，基于边缘特征图像匹配较另外两种匹配方法能够有效的抑制噪声干扰。
关键词：图像匹配；特征点；灰度匹配；特征点匹配ABSTRACTImage matching technique is one of the key steps to achieve image fusion, image correction, image mosaic, as well as target recognition and tracking and has been widely used in the areas of image recognition and image reconstruction. In a word, image matching is to find the spatial relationship between the two different images. Image matching can be divided into gray-based and feature-based matching.The paper firstly classified and briefly described the existing image matching methods and analysed the research background. Secondly, the paper explained several common algorithms of existing image matching, especially，the algorithm of feature-based matching. Based on the research of several image matching methods, the paper adopted traditional method based on gray level, the method based on edge features and the method based on first-order feature points image matching to conduct image matching simulation, and compared the rapidity and accuracy of them. Finally, the paper pointed out the advantages and disadvantages of the methods based on gray level, based on edge features and based on first-order feature points image matching. Each method has both the advantages and disadvantages in the different environment. Image matching method based on edge features can match successfully when noise is added, and can effectively suppress noise compared with other two methods.Key words：Image matching，Feature Points，Gray Matching，feature points matching目录前言 (1)第1章绪论 (2)第1.1节课题的研究背景 (2)第1.2节图像匹配的概述 (4)1.2.1图像匹配的概念 (4)1.2.2 影响图像匹配的主要因素 (5)第1.3节图像匹配的研究现状 (5)第2章图像匹配的几种算法 (7)第2.1节基于像素灰度相关的匹配算法 (7)第2.2节基于特征的匹配算法 (9)2.2.1特征点的描述 (10)2.2.2特征点的提取算法 (11)第2.3节基于边缘特征的匹配算法 (13)2.3.1 Roberts 边缘检测算子 (13)2.3.2 Sobel边缘检测算子 (14)2.3.3 Prewitt 边缘检测算子 (14)2.3.4 Canny 边缘检测算子 (14)第2.4节基于其它理论的图像匹配 (16)2.4.1基于小波变换的图像匹配算法 (16)2.4.2其它理论的图像匹配 (18)第3章基于灰度的图像匹配仿真 (20)第3.1节基于灰度图象匹配 (20)第3.2节灰度图像模板图的获取和匹配仿真 (21)第3.3节灰度图像旋转后匹配仿真 (23)第3.4节灰度图像加噪后的匹配仿真 (24)第4章基于边缘图像特征的匹配仿真 (27)第4.1节基于边缘图像特征的匹配 (27)第4.2节基于边缘特征的图像匹配理想情况下的仿真 (28)第4.3节加入噪声后基于边缘特征的图像匹配的仿真 (30)第4.4节基于边缘图像旋转后的匹配仿真 (32)第5章基于一阶特征点的图像匹配仿真 (33)第5.1节一阶特征点的定义 (33)第5.2节一阶特征点的寻找与匹配仿真 (35)第5.3节加入噪声的一阶特征点图像匹配仿真 (38)第5.4节旋转后的一阶特征点匹配仿真 (39)结论 (42)参考文献 (43)致谢 (45)前言数字图像处理，即用计算机对图像进行处理。
与人类对视觉机理研究的历史相比，它是一门相对年轻的学科。
但在其短短的历史中，它却以程度不同的成功被广泛应用于几乎所有与图像有关的领域数字图像处理技术。
图像是人类获取和交换信息的主要来源，因此，图像处理的应用领域必然涉及到人类生活和工作的方方面面。
随着人类活动范围的不断扩大，图像处理的应用领域也将随之不断扩大。
在20多年的时间里，迅速地发展成为一门独立的有强大生命力的学科。
随着科学技术的发展，图像匹配己成为图像信息处理领域中一项非常重要的技术。
图像匹配就是找到两幅不同图像之间的空间位置关系。
图像匹配技术是实现图像融合、图像校正、图像镶嵌以及目标识别与跟踪的关键步骤之一。
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。
图像匹配主要研究匹配的准确性、快速性[1]。
基于特征的图像匹配方法近年越来越引起研究者的重视，各种新颖的算法不断涌现。
每种方法都有各自的优缺点和应用范围。
应用时应根据实际情况选取合适的配准方法。
若要求精度高，可考虑多次选取/匹配，每次选取/匹配特征点时，参考最近几次的情况，由粗到精递归求解；或者采用神经网络的学习机制，使匹配结果逐步精确，最终符合要求。
通过阅读大量的文献报道，可以知道未来的图像配准将进一步追求实时性、高精度和可靠性。
为减小运算量，可着眼于研究某一算法的快速算法；对一些运算量大的步骤寻找其简单的替代步骤。
本文先通过对图像匹配算法的作简要的说明,特别是基于特征图像匹配的算法;然后分析了图像匹配的算法的优劣；接着参考了一种基于图像灰度值特征点的快速匹配搜索算法，比较了基于灰度、基于边缘特征、基于一阶特征点图像匹配算法的准确性、快速性、抵抗干扰和旋转性能；最后比较了这3种算法在不同环境下的优劣性。
第1章绪论数字图像处理是通过计算机对图像进行去除噪声、增强、复原、分割、提取特征等处理的方法和技术。
数字图像处理的产生和迅速发展主要受三个因素的影响：一是计算机的发展；二是数学的发展；三是广泛的农牧业、林业、环境、军事、工业和医学等方面的应用需求的增长。
数字图像处理的发展从20世纪20年代初的应用于改善伦敦和纽约之间海底电缆发送的图片质量，到20世纪70年代图像处理主要和模式识别及图像理解系统的研究相联系。
发展到现在，数字图像处理已从一个专门的研究领域变成了科学研究和人机界面中的一种普遍应用的工具。
图像匹配技术是数字图像处理领域的一项重要研究，并已在计算机视觉、虚拟现实场景生成、航空航天遥感测量、医学影像分析、光学和雷达跟踪、景物制导等领域得到了广泛的应用。