基于SIFT特征的图像匹配
基于SIFT特征点的图像拼接技术研究
基于SIFT特征点的图像拼接技术研究一、本文概述图像拼接技术作为计算机视觉领域的重要研究方向，旨在将多幅具有重叠区域的图像进行无缝连接，生成一幅宽视角或全景图像。
这一技术在许多领域都有着广泛的应用，如遥感图像处理、虚拟现实、全景摄影等。
近年来，随着数字图像处理技术的快速发展，基于特征点的图像拼接方法因其高效性和稳定性受到了广泛关注。
其中，尺度不变特征变换（SIFT）作为一种经典的特征提取算法，在图像拼接中发挥着重要作用。
本文旨在深入研究基于SIFT特征点的图像拼接技术，分析其基本原理、算法流程以及关键步骤，并通过实验验证其在实际应用中的效果。
文章将介绍SIFT算法的基本原理和特征提取过程，包括尺度空间的构建、关键点检测和描述子的生成等。
将详细阐述基于SIFT特征点的图像拼接流程，包括特征匹配、几何变换模型的估计、图像配准和融合等步骤。
同时，还将讨论在拼接过程中可能出现的问题和相应的解决方法。
本文将通过实验验证基于SIFT特征点的图像拼接方法的有效性。
实验中，将使用不同场景和不同类型的图像进行拼接，分析算法在不同情况下的性能表现。
还将与其他图像拼接算法进行对比，以评估SIFT算法在图像拼接中的优势和局限性。
文章将总结基于SIFT特征点的图像拼接技术的研究成果和实际应用价值，并展望未来的研究方向和发展趋势。
通过本文的研究，旨在为图像拼接技术的发展和应用提供有益的参考和借鉴。
二、SIFT算法原理尺度不变特征变换（Scale-Invariant Feature Transform，SIFT）是一种广泛应用于图像处理和计算机视觉领域的特征检测和描述算法。
SIFT算法的核心思想是在不同的尺度空间上查找关键点，并计算出关键点的方向，生成一种描述子，这个描述子不仅包含了关键点，也包含了其尺度、方向信息，使得特征具有尺度、旋转和亮度的不变性，对于视角变化、仿射变换和噪声也保持一定的稳定性。
SIFT算法主要包括四个步骤：尺度空间极值检测、关键点定位、关键点方向赋值和关键点描述子生成。
Matlab中的图像配准算法解析
Matlab中的图像配准算法解析图像配准是计算机视觉和图像处理领域中一项重要的任务，它可以将多幅图像进行对齐，使它们在几何和视觉上更加一致。
在Matlab中，有多种图像配准算法可以使用，包括基于特征匹配的方法、基于区域的方法以及基于相位相关的方法。
本文将对这些算法进行解析，并探讨它们的原理和应用。
一、基于特征匹配的图像配准算法1.1 SIFT算法尺度不变特征转换（Scale-Invariant Feature Transform，SIFT）是一种常用的特征提取算法，它通过检测图像中的稳定特征点，并计算这些特征点的描述子来实现图像匹配。
在Matlab中，可以使用vl_feat工具包实现SIFT算法。
1.2 SURF算法加速稳健特征（Speeded-Up Robust Features，SURF）是一种基于尺度空间的特征提取算法，它可以在不同尺度下检测图像中的稳定特征点，并计算这些特征点的描述子。
在Matlab中，可以使用图像拼接工具箱中的SURF函数实现SURF算法。
二、基于区域的图像配准算法2.1 形态学图像配准形态学图像配准是一种基于区域的图像配准算法，它通过对图像进行分割和形态学变换，在不同尺度下提取图像的结构信息，并将其对齐。
在Matlab中，可以使用图像处理工具箱中的形态学变换函数实现形态学图像配准。
2.2 相关性图像配准相关性图像配准是一种基于相似度测量的图像配准算法，它通过计算图像之间的相似性来实现图像对齐。
在Matlab中，可以使用imregister函数实现相关性图像配准。
三、基于相位相关的图像配准算法相位相关图像配准是一种基于相位信息的图像配准算法，它通过计算图像频率域中的相位相关性来实现图像对齐。
在Matlab中，可以使用图像处理工具箱中的相位相关函数实现相位相关图像配准。
四、图像配准算法的应用图像配准在很多领域都有广泛的应用，例如医学影像配准、遥感图像配准和计算机视觉中的对象追踪等。
基于sift特征的图像匹配算法
２１ ．特征点方向的确定
利用特征点邻域像素的的梯 度方 向分布特征 ，为每
一
个特征点指定方 向参数 ，使算子具有 尺度不变性 。
ｍｘ ）√ ＋ ｙ Ｌ 一） ＋ ， １ Ｌ ， ｌ （ ＝ ｌ） （ １） ） （Ｙ ， ， 一 ｘ ， ， ＋一 ｘ— ０ｘ ）ｏ ｎ ＯｙＯ Ｌ ， １／ （ １）三 一） ） ９ ， ＝ ２ ， －（ｙ ）（ ｘ ，一 Ｏ １） （ ） ｙ ｔ ｔ ａ ＋ ￣ －）Ｌ ＋ ，） ，
２２ ＊ 个种子 点 ，每个 种子 点８ 方 向 ，共可生 产３ 个数 个 ２
二 、算 法 实现 和 实验 结果
实验算法采用Ｖ ２ ０ 开发 。结果如下 ： Ｃ ０８ 第一 组实 验 ，上 图是 由下 图放大 而来 ，且 ±
光 照 强 度 。两 幅 图 中
的箭 头 方 向代 表 了该 像 素 点 的梯 度 方 向 ，
ＬｘＹｏ ＝Ｇ ｘＹ ） （，） （ ） （，， ） （， ，ｏ Ｉｘ ２
ＳＦ 特征匹配算法是Ｄａｉ Ｌ ｗｅ ０ ４ ＩＴ ｖｄＧ．ｏ 在２ ０ 年总结了
现有 的基于不变量特征检测技术的基 础上 ，提出的一种
基于尺度空 间的，对 图像缩放 、旋转甚至仿 射变换保持
不 变性 的 图像 局部特 征描述算 法 。ＳＦ 特征是 图像 局 ＩＴ
骤 ：１ 特征点 的检测 ；２特 征 向量 的生成 ；３特 征 向 ． 是 ． ．
量的匹配。
尺度对应 于图像 的概貌特征 ，小尺度对应于图像 的细节
特征 。选择 合适 的尺度 因子平 滑是建 立 尺度空 间 的关 键 。在这里 ，主要是建立高斯金字塔和Ｄ Ｇ（ ｉ ｅｅ ｃ Ｏ Ｄ ｆ ｒｎ ｅ
１ ． ．
基于SIFT特征的图像匹配技术研究
基于SIFT特征的图像匹配技术研究一、引言图像匹配技术作为计算机视觉领域的核心技术，具有广泛的应用前景，如拍照搜索、视觉地图构建、安防监控等领域。
图像匹配技术通过对图像的特征提取和匹配，实现不同场景下图像的匹配，为实现人工智能的目标提供了有力的支持。
SIFT特征是一种局部图像特征，由于具有特征独特、不受光线、视角等因素影响的优点，被广泛应用于图像匹配领域。
本文将从图像匹配的基本原理、SIFT特征提取及匹配算法等方面，深入研究基于SIFT特征的图像匹配技术。
二、基本原理1.图像匹配图像匹配是指在两个或多个图像中寻找相同或相似的目标。
其基本流程包括特征提取、特征匹配、求解相对姿态和目标的三维位置等步骤。
其中特征提取和匹配是图像匹配技术的核心。
在特征提取过程中，一种常见的方法是对图像进行降维处理，通过减少图像中的冗余信息，提取出与目标相关的有用信息。
在特征匹配过程中，通过对两幅图像中的特征点进行匹配，得到两幅图像中特征点间的对应关系，进而求解相对姿态和三维位置。
2.SIFT特征SIFT（Scale-Invariant Feature Transform）是一种局部图像特征，由David Lowe于1999年提出。
SIFT特征具有以下特点：（1）尺度不变性：通过高斯差分函数，实现对图像的多尺度分解，提取出具有不同尺度的特征点，并保持在不同大小的图像中也能被识别。
（2）旋转不变性：通过对每个特征点周围进行旋转不变性的描述，确保特征点描述符不受旋转角度的影响。
（3）光照不变性：通过对图像进行归一化，使特征点描述符不受光照、阴影等因素的影响。
（4）特征独特性：SIFT特征通过对图像的局部邻域进行描述，从而提取出具有独特性和区分度的特征点。
三、SIFT特征提取算法SIFT特征提取算法主要分为四个步骤，分别是关键点检测、方向分配、特征描述和特征匹配。
1.关键点检测关键点检测是SIFT算法的第一步，其目的是在图像中寻找稳定的局部特征点。
基于SIFT特征匹配的图像扭曲纠正方法研究
基于SIFT特征匹配的图像扭曲纠正方法研究随着数字图像处理技术的发展，对于图像质量、准确性的要求越来越高。
然而，在现实应用中，由于各种因素影响，例如摄像机视角、拍摄距离等，图像出现扭曲、变形等问题已经成为常见问题。
为了解决这一难题，目前普遍应用的图像扭曲纠正方法是基于SIFT特征匹配的。
SIFT（Scale-Invariant Feature Transform）技术是基于尺度空间理论的一种特征提取算法，该算法可以提取不受旋转、尺度、光照等影响的图像特征点。
因此，SIFT在图像匹配及图像拼接等领域有着广泛的应用。
在图像扭曲纠正领域，SIFT特征匹配可以实现对于两张图像的相似度计算，为后续图像变换提供基础。
首先，对于匹配图像的特征点进行提取，得到两张图像中的特征点集合。
然后，对于这两个特征点集合进行SIFT特征匹配。
通过对于两张图像之间的SIFT特征点进行匹配，可以实现对于两张图像的相似度计算。
在特征点匹配过程中，需要根据对应特征点的距离计算两张图像之间的相似度。
通常，根据距离阈值筛选出匹配度较高的特征点对。
接下来，对于得到的特征点对进行RANSAC（Random Sample Consensus）算法，从而可以得到最优的变换矩阵，进而将扭曲图像进行纠正。
RANSAC算法是一种鲁棒性较高的随机采样算法，可以从一系列观测值中筛选出最佳的模型参数。
在图像扭曲纠正中，RANSAC可以得到对于图像的最优旋转、平移等变换矩阵，从而实现对于图像扭曲的纠正。
最后，通过建立变换矩阵，将扭曲图像进行纠正。
在图像纠正的过程中，需要根据变换矩阵对于原始图像进行变换，实现从扭曲图像到纠正图像的转换。
通常，变换矩阵的计算及变换过程可以利用OpenCV等图像处理工具实现。
在变换的过程中，需要注意变换后图像的边界问题，通过拓展边界或裁剪图像等方式进行处理。
综上，基于SIFT特征匹配的图像扭曲纠正方法在实现图像扭曲纠正中具有重要意义。
基于SIFT算法的图像匹配研究
基于SIFT算法的图像匹配研究近年来，随着计算机视觉领域的发展，图像匹配成为一个热门的研究领域。
图像匹配是指在两个或多个图像之间找到相同或相似的内容。
在许多应用程序中，如图像检索、物体识别、拼接和增强，图像匹配是一个至关重要的问题。
其中，SIFT算法是一种流行的技术，它已被广泛应用于图像拼接、物体识别等各种领域。
SIFT算法是由David Lowe于1999年提出的一种图像特征提取算法。
它的主要思想是通过从图像中提取出具有唯一性和不变性的特征点，来进行图像匹配。
在提取特征点时，SIFT算法涉及到多个步骤，如高斯差分金字塔和尺度空间极值点检测。
特征点提取完成后，SIFT算法使用局部图像描述符来描述这些特征点，这些描述符对图像旋转、尺度和亮度变化具有不变性。
在使用SIFT算法进行图像匹配时，首先需要在两个图像中提取特征点。
然后，通过匹配这些特征点来计算它们之间的相似性。
如果特征点的相似性得分高于阈值，则认为它们是匹配的。
在实践中，SIFT算法虽然非常流行，但也存在一些缺点。
由于SIFT算法需要计算复杂的高斯差分金字塔和尺度空间极值点检测，因此它的计算复杂度非常高。
此外，SIFT算法对于光照变化和旋转变换比较敏感，这会导致匹配结果的不准确。
为了克服这些缺点，研究人员提出了一些改进的SIFT算法。
例如，SURF算法使用快速的Hessian矩阵检测技术代替了SIFT算法中的高斯卷积和Laplacian检测。
这使得SURF算法具有更快的计算速度和更高的稳定性。
此外，ORB算法使用快速响应二进制特征来代替SIFT算法中的变量高斯模板和Haar小波变换。
这使得ORB算法在特征提取和匹配方面更加高效和准确。
除了SIFT算法，还有许多其他的图像特征提取算法，如SURF、ORB、FAST、BRIEF等。
每种算法都有其优缺点，研究人员需要在不同应用场景下选择最适合的算法。
总之，基于SIFT算法的图像匹配研究在计算机视觉领域发挥了重要作用。
基于SIFT算法在图像配准上的应用研究和实现
组网 结构 简单 ，系 统稳 定性 高， 网络适 应 能力强，在系统功能 、需求发生 重大变 好石 可 以灵 活应对 ，且该承载技术具备 良好 的扩展 能力 。在 建设初期可 以为设备 留足端 口，基于 多点对 点的接入方式确保 了监控系统具有 良好 的扩 容 性 。
３．３ Ｐ０Ｎ传输 大大节约了建设 成本
描 述 子 具 有 非 常 强 的 稳 健 性 ｓＩＦＴ特 征对 应尺 度 、旋 转 和亮度 都 具 有 不 变性 ， 因此 它 可 以 用 于 可 靠 匹配 。图像 配 准 时对 图像 进 行 变换 ，使得 变换后 的 图像 能 够 在 常见 的 坐标 系中对 齐。 配准 可 以是严 格 配准 ，也可 以是 非严格 配准 ，为 了能够 进行 图像 对 比 和 更精 细的 图像 分析 ， 图像 配准是 一 步 非常 重要 的操 作 。本文 针对
近 些年 来 ，随着 科技 的不 断 飞速 发展 ，
准方法三大类方法 。在基 于特 征的图像配准方 法 中 ，１９９９年 由 Ｌｏｗｅ提 出 并 在 ２００４年 改 进
图像拼接技术 成为计算机图像处理、计算机视 完 善 的 ＳＩＦＴ算法对 图像旋转 、 比例缩 放、光 觉等领域 的研 究热点。图像拼接在虚拟现实 、 照变化表现 出较 强的鲁棒 性，并能提 取出较多 遥感技术和军 事领域 都有很多的应用。获取到 的特征点 。
＜＜上 接 １０１页
效和无 丢帧传 输，为监控 中心数据 的完整 获取 用 于安防行业监控视频及 图形信息的传输 ，不 范 围内减 少改 造难 度， 降低工 程 造价 。基于
刨造 了 良好 的条件 。
仅 能够 加快 数据的传输速度， 同时也能够满足 ＰＯＮ 网 的传 输技 术方 案适用 新建 全新视 频 网
基于SIFT算法的图像特征匹配
［２ＩＬＯＷＥ Ｄ．Ｄｉｓｔｉｎｃｔｉｖｅ Ｉｍａｇｅ Ｆｅａｔｕｒｅｓ ｆｒｏｍ Ｓｃａｌｅ—Ｉｎｖａｒｉａｎｔ Ｋｅｙｐｏｉｎｔｓ［Ｊ］．Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｊｏｕｒｎａ ｌ ｏｆ Ｃｏｍｐｕｔｅｒ Ｖｉｓｉｏｎ，２００４，６０（２）：９１～
０ 引 言
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 并提 出信 息处理 的三个层次 ．第一个 层次为信息 进行处理所依 据的理 论 ．即研 究 对 什 么 进 行 处 理 和 为 什 么 进 行 信 息 处 理 ；第 二 个 层 次 为 实 现 处 理 的 实 现 算 法 ．即 如 何 实 现 处 理 ．为 实 现 设 计 相 应 的算 法 ：第 三 个 层 次 为研 究 实 现 这 一 处 理 过 程 所 依 赖 的 硬 件 设 备 ．例 如 在 人 类 的 视 觉 系 统 中 ．这 一 层 次 的 内 容 为 人 类 复 杂 的 神 经 网 络 。即人 类 视 觉 系 统 对 所 获 取 的 信 息 进 行 处 理 依 赖 的 硬 件 是 人 类 的 大 脑 神 经 网络 ．这 一 层 次 也 是 界 定 不 同 领 域 视 觉 系 统 的 关 键 因素 ．计 算 机 视 觉 系 统 依 赖 的 硬 件 则 是 计 算 机 。 计 算 机 视 觉 理 论 的 发 展 极 大 地 推 动 了图 像 处 理 领 域 对 图像特征进行 匹配的研究工作进 展 ．使 得 图像 匹配问 题 成为计算机视 觉和图像处理领域 的热点 。图像 匹配 技 术 指 的 是 把 已 知 的 图 像 同未 知 的 陌 生 图像 进 行 三 维 空 间 上 的 配 准 ．根 据 某 种 规 则 在 待 匹配 图像 上 找 寻 对 应 于已知 图像 的子图像 例如在双 目视觉 系统中 ，根据
- 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)。
毕业设计（论文）题目基于SIFT特征的图像匹配姓名张建华学号**********所在学院理学院专业班级08信计指导教师吴颖丹日期2012 年 6 月 2 日摘要当今社会已经进入信息时代，随着计算机技术、通信技术和数学的发展，图像信息处理能力和水平也不断提高，相应的也得到更多关注、研究和更加广泛的应用。
图像匹配是处理和解决各种图像信息的基础，已经成为虚拟现实和计算机可视化领域的研究热点。
一直以来，研究人员对图像匹配技术进行了大量的研究，推出了许多匹配算法，其中特征匹配算法有着较高的精确度和稳定性。
SIFT （Scale Invariant Feature Transform）特征匹配算法是Lowe提出来的用于图像特征匹配的算法，是目前特征匹配领域的热点，对图像的旋转，尺度缩放和亮度变换保持不变，对视角变换，仿射变换保持一定程度的稳定。
SIFT特征点是图像的一种尺度不变局部特征点，具有独特性好，信息量丰富，多量性，高速性，可扩展性等特点。
正是借助于这些特点，使得传统图像配准中的许多诸如前面提到的共性问题得到了很大程度的改善。
该算法首先给出了尺度空间的生成方法，检测出极值点；接下来给出了SIFT特征点的提取步骤和精确定位极值点的方法；然后基于特征点邻域像素的梯度和方向生成了关键点的描述向量；最后根据特征向量给出了匹配方法，提取了SIFT的特征点，并其应用于图像匹配。
本文首先简要介绍了图像匹配所需的基础知识，然后详细介绍了SIFT算法的具体流程。
通过大量的实验证明SIFT算法具有较强的匹配能力和鲁棒性，是一种较好的图像匹配算法。
关键字：SIFT; 图像匹配; 尺度空间; 极值点; 特征向量AbstractToday，society has entered the information age, with the development of computer technology, communications technology and mathematics, the image information processing capabilities and the level is also rising, and also get more attention, research and more widely used. The image matching handle and solve all kinds of image information, has become the research focus of the virtual reality and computer visualization. Researchers has been a lot of research for image matching techniques, the introduction of a number of matching algorithm, which feature matching algorithm has higher accuracy and stability. SIFT（Scale Invariant Feature Transform）feature matching algorithm, proposed by Lowe, is a hot field of feature-matching at present, which remains the same to image rotation, scale zoom and brightness transformations, and also maintains a certain degree of stability on the perspective transformation and affine transformation. SIFT feature points are scale-invariant local points of an image, with the characteristics of good uniqueness, informative, large amounts, high speed, scalability, and so on. In this algorithm, at first method for generating image scale space is presented; at second steps for extracting sift key points and accurate positioning are provided; then vectors for describing key points based on the gradient magnitude and orientation of pixels neighboring to the key points are generated; at last according to the vectors matching algorithm is described.This paper briefly introduces the basic knowledge required for image matching, and then details the specific process of the SIFT algorithm. Large number of experiments to prove the SIFT algorithm has a strong match and robustness, is a good image matching algorithm.Key Words：SIFT; Image Registration; Scale space; extreme points; eigenvector.目录第1章绪论 (1)1.1 本课题研究的背景及意义 (1)1.2本课题研究的内容和目标 (2)1.3 本文安排 (2)第2章图像匹配技术 (4)2.1数字图像处理技术的概述 (4)2.2 图像匹配技术的定义 (5)2.3 图像匹配技术的方法 (5)2.3.1基于灰度相关的匹配算法 (5)2.3.2 基于特征的图像匹配算法 (6)2.3.3 两类匹配算法的比较 (7)2.4本章小结 (8)第3章 SIFT算法 (9)3.1 SIFT算法的简介 (9)3.2 SIFT算法实现步骤简述 (9)3.3 SIFT算法详细过程 (10)3.3.1 尺度空间的生成-建立高斯金字塔 (10)3.3.2 尺度空间的生成-DOG高斯差分金字塔的生成 (12)3.3.3 空间极值点检测 (13)3.3.4 极值点的精确定位 (14)3.3.5 关键点方向分配 (17)3.3.6生成SIFT特征向量 (18)3.3.7 SIFT特征向量的匹配 (20)3.4 小结 (20)第4章实验结果分析 (21)4.1 实验一 (21)4.2 实验二 (23)4.3 实验三 (24)4.4 实验四 (26)4.5 实验五 (27)4.6 实验六 (29)4.7 实验结论 (30)第5章总结 (32)致谢 (34)参考文献 (35)附录 (37)第1章绪论1.1 本课题研究的背景及意义图像无处不在。
任何物体通过光线在人眼的视网膜中成像，如同在摄像头或者照相机中成像一样。
所以，图像对于人来说是首要的信息。
人和高等动物都有着发达的视觉系统，使得客观环境中存在的事物或目标可以被识别，从而引发进一步的处理。
对于人类来说，这种功能是与身俱来的，十分轻松的事情。
但是，当人眼接受到的图像信息过于庞大、复杂时，图像的处理就会变得相当的复杂。
在许多应用中，观察员需要同时监视多种信息源的图像，从中获取信息并作出判断。
此时，观察员就需要将得到的图像进行融合，从中获取对自己有用的信息。
但是图像的融合是由观察员的视觉系统和大脑完成的，观察员的劳动负荷大，一名观察员很难从多幅独立的、连续变化的图像中得到可靠的合成视觉信息；通过多名观察员的协同工作获得合成图像信息要么是不可能的，要么代价太大。
图像配准技术可以解决这个问题。
图像配准技术是现代遥感技术、微电子技术和精密检测技术的综合性产物。
图像配准就是将不同时间、不同传感器(成像设备)或不同条件下(天候、照度、摄像位置和角度等)获取的两幅或多幅图像进行匹配、叠加的过程，它已经被广泛地应用于遥感数据分析、计算机视觉、图像处理等领域。
配准技术的流程如下：首先对两幅图像进行特征提取得到特征点；通过进行相似性度量找到匹配的特征点对；然后通过匹配的特征点对得到图像空间坐标变换参数：最后由坐标变换参数进行图像配准。
图像匹配是图像配准的重要环节。
图像匹配的实现方式是指通过一定的匹配算法在两幅或多幅图像之间识别同名点，如二维图像匹配中通过比较目标区和搜索区中相同大小的窗口的相关系数，取搜索区中相关系数最大所对应的窗口中心点作为同名点。
其实质是在基元相似性的条件下，运用匹配准则的最佳搜索问题，确切的说，所谓图像匹配就是在图像融合过程中，寻找一幅图像(目标图像或实时图)在另一幅图像(源图像或基准图)中的位置。
图像匹配技术可以使信息具有高度集成性，便于存储和运输。
从20世纪80年代初至今，图像匹配已引发了世界范围的研究狂潮，它在计算机视觉、遥感、机器、医学图像处理以及军事等领域有着广泛的应用前景。
图像匹配利用各种成像传感器获得的不同图像，综合各图像的互补信息和冗余信息，扩大传感器的工作范围，增加置信度，改善系统的可靠性和可维护性，降低对单一传感器的性能要求，可更为准确、可靠、全面的获取对目标或场景的信息描述，以供进一步处理。
目前，图像匹配的应用领域概括起来主要有以下几个方面：(1) 医学图像分析：肿瘤检测、白内障检测、CT、MRI、PET图像结构信息融合、数字剪影血管造影术(DSA)等；(2) 遥感数据分析：分类、定位和识别多谱段的场景信息、自然资源监控、核生长监控、市区增长监控等；(3) 模式识别：目标物运动跟踪、序列图像分析、特征识别、签名检测等；(4) 计算机视觉：目标定位、自动质量检测等；(5) 还应用与全景拼图，视频检索等应用领域；虽然人们在图像匹配的不同层次上开展了大量的理论与应用研究，但是，至今为止在各层次图像匹配领域内尚未有公认的完整的理论和方法。
还存在许多理论和技术问题有待解决。