基于特征的图像匹配算法-毕业论文含源代码
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。
基于灰度和几何特征的图像匹配算法研究
河北工业大学硕士学位论文基于灰度和几何特征的图像匹配算法研究姓名:宋晓闯申请学位级别:硕士专业:计算机应用技术指导教师:于明20081101河北工业大学硕士学位论文基于灰度和几何特征的图像匹配算法研究摘要图像匹配是计算机视觉和图像处理领域一项重要的研究工作,本文主要对图像匹配领域进行了深入细致的研究。
本文主要研究了两类图像匹配算法:基于灰度信息的算法和基于特征的匹配算法。
对基于灰度信息的算法,主要研究了两种算法,一种是对传统算法进行研究,提出了一种改进的互相关匹配算法,另一种是根据图像编码的思想,对图像进行分块,重点研究了基于灰度值编码的匹配方法。
实验表明,此算法在遥感图像和工件字符定位方面,尤其是在复杂背景(目标与背景难分离下,算法都具有很强的鲁棒性和稳定性。
对基于特征的匹配算法,主要研究了HU不变矩、圆形度、矩形度等几何特征,最后选取几种特征作为特征参数,运用基于欧式距离的匹配方法进行匹配. 对二百多个样本图像进行测试,匹配成功率达到了92.5%。
得到了很好的实验效果。
关键词:计算机视觉模板匹配图像处理互相关i基于灰度和几何特征的图像匹配算法研究The Study of Image Matching Algorithms Based On Gray Value andGeometric FeaturesABSTRACTImage matching is an important research topic in computer vision and image processing. A great deal of work is done in the field of image matching in the paper.It studied two types of image matching algorithms in the paper. gray-scale information-based algorithm and feature-based matching algorithm. About the algorithm based on the information of gray–scale, it mainly studied two algorithms, Firstly it studied the traditional algorithm, Then one new improved cross-correlation algorithm was proposed. The other is based on the thinking of image coding. This algorithm divided the image into certain size blocks called R-block. It focused on the algorithms of gray value image coding. Through t he experiments, It is found that the algorithm had a very strong robustness and stability ,When it was used in remote sensing images and Optical Character positioning, particularly in the Complex background(with the background of the difficult goal of separation. About the feature-based matching algorithm, Firstly, it mainly studied HU invariant moments, elongated-ness, roundness and other geometric features. Finally it selected a few features from them as the features of the parameters. Then it was calculated and matched with the algorithm based on template matching of Euclidean distance. Two hundred of samples was tested and experimented, and the average accuracy rate is 92.5%. The result shows that the system is good enough to meet the needs of real-time reaction and high recognition rate.KEY WORDS: computer vision,template matching, image pre process, correlationii原创性声明本人郑重声明:所呈交的学位论文,是本人在导师指导下,进行研究工作所取得的成果。
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 ． ．
基于特征点匹配的图像拼接算法
基于特征点匹配的图像拼接算法图像拼接算法是将多个相似但不完全相同的图片拼接成一个整体的过程，应用于全景拍摄、视频合成等领域。
其中基于特征点匹配的图像拼接算法是应用最为广泛的方法之一。
一、特征点及其提取特征点是一幅图像中独特、易于识别的点，如角点、边缘交点等。
提取特征点是图像处理的关键之一。
在实际应用中，常用的特征点提取算法有SIFT、SURF、ORB等。
这些算法的原理大致相同，都是在图像中寻找局部极值点，并通过对邻域像素的判断，保留具备可分性、稳定性、独特性等特点的关键点。
二、特征点匹配特征点匹配是指将两幅图片中的特征点进行对应，以便进行后续的图像拼接。
匹配算法的难点在于对噪声、变形、重叠等情况的适应性。
其中，最常用的匹配算法有暴力匹配和基于FLANN的匹配。
暴力匹配法是最简单的匹配方法，即对所有特征点进行两两比较，选取最小距离的点对。
由于存在大量冗余比较，当图像规模增大时，该算法的计算时间将急剧增长。
因此，基于FLANN的匹配算法被广泛应用。
基于FLANN的匹配算法采用kd树搜索的方法，通过对特征点以及其特征描述子进行预处理，提高匹配效率。
此外，改进的距离评价函数和匹配点筛选等技术也能有效提高匹配精度和鲁棒性。
三、图像变换完成特征点的匹配后，就需要将相邻两张图片进行转换和拼接。
其中，变换包括两个方面：一是计算两张图片之间的变换关系；二是根据变换关系，将图片进行相应的变形。
图像变换的方法主要有仿射变换和透视变换。
仿射变换是在二维平面上对图形进行线性变换，主要包括平移、缩放、旋转、错切等操作。
透视变换是一种非线性变换，能够通过调整图像的四个角点，对图像进行变形。
四、图像拼接图像拼接分为横向拼接和纵向拼接两种。
横向拼接是指将两张图片在横向上进行拼接，纵向拼接则是在纵向上进行拼接。
完成图片变换后，拼接的核心是根据变换矩阵对关键点进行平移和旋转，以保证两张图片之间的连续性。
此外，还需进行重叠区域的平滑处理，如线性混合、多项式混合等，以避免拼接后出现明显的接合线。
图像拼接算法及实现(一).
图像拼接算法及实现（一）论文关键词：图像拼接图像配准图像融合全景图论文摘要：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。
图像拼接在摄影测量学、计算机视觉、遥感图像处理、医学图像分析、计算机图形学等领域有着广泛的应用价值。
一般来说,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。
本文研究了两种图像配准算法:基于特征和基于变换域的图像配准算法。
在基于特征的配准算法的基础上,提出一种稳健的基于特征点的配准算法。
首先改进Harris角点检测算法,有效提高所提取特征点的速度和精度。
然后利用相似测度NCC(normalized cross correlation——归一化互相关),通过用双向最大相关系数匹配的方法提取出初始特征点对,用随机采样法RANSAC(Random Sample Consensus)剔除伪特征点对,实现特征点对的精确匹配。
最后用正确的特征点匹配对实现图像的配准。
本文提出的算法适应性较强,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。
Abstract：Image mosaic is a technology that carries on thespatial 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. Image mosaic has widely applications in the fields of photogrammetry, computer vision, remote sensing image processing, medical image analysis, computer graphic and so on. 。
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。
一种基于图像特征点的图像匹配算法
式中: Tr ( H) 表示矩阵 H 的迹, Det( H) 表示矩阵 H 行列式的
值。对 !取一阀值, !大于阀值时作为边缘特征点删除。
1. 3 特征点方向确定
特征点方向的确定要考虑 周围一 个窗口 内所有 点, 把
最多点的投票方向作为主方向。对图像 L (x, y), 梯度值 m
( x , y ) 和方向 ∀( x , y ) 可通过像素点差值得到:
如何找到特征点 的最 近邻 和次 近 邻是 N N 算 法 的关 键。穷举法能 够找到最精确的 最近邻 距离, 但是数 目特别 大时 , 计算量会以指数级别增长, 实用性就大打折扣。
我们采用一种在 K D 树 搜索算 法基 础上改 进的 搜索 算法 BBF( best bin first) 来搜索 样本特 征点的 最近邻 和次 近邻 特征点。K D 树搜 索算 法是二 叉检 索树的 扩 展, K D 树的 每一层将空 间分 成两 个。树 的顶 层结 点按 一维 进行 划分, 下一层结点按另一维 进行划 分, 以此类推, 各 个维循 环往 复。划分 要使 得存 储在 子树 中大 约一 半的 结点 落入 一侧 , 而另一半落入另一 侧。当一个 结点中 的点数 少于给 定的 最大点数时, 划分结 束。K D 树 搜索算 法大部 分时间 花费 在检查结点上, 并且对高维空间搜索效率降低
0引言
在图像处理 领 域, 图 像 匹配 技 术 具 有广 泛 的 实 际应 用。图像匹配技术 主要 有基 于块 的匹 配、比 值匹 配、网格 匹配、基于特 征的 匹配[ 1 2] 。本 文算 法属 于基 于 特征 的匹 配法。基于特征的匹配法一般分为 3 个过程: 特征提取;
利用一组参数对特征作描述; ! 利用特 征的参数 进行特 征匹配。在两幅图 像中 用同 一种 特征 提取 法提 取出 特征 点, 根据相似性原则对图像特征点进行匹配。
一种基于特征点的图像匹配算法
1
N
N-1
6
N
( x i - yi )
2
6
xi , n = log2 N ,近似系数 Cx = N ・ Mx /
i =0
i =1
. 对前述的 64 维特征描述符 x = { x0 , x1 , …,
Euclidean 距离越小 ,说明两样本越相似 .
查找一幅图像中关键点在另一幅图像中的对应 位置 ,即搜索该关键点在另一幅图像中 Euclidean 距 离最近的点 ,称为近邻搜索 . 近邻搜索的方法有多种. 最简单的穷尽搜索法 , 将源图像的关键点与目 标图像的关键点进行一一比对 ,找出 Euclidean 距离 最小的关键点对 . 这种方法原理简单 , 但是实现起 来效率最低 . 基于散列索引的查找算法可以提高搜索效率 , 但只是用于维度低的情况 . 提取的图像特征描述符 的维数都比较高 , 所以散列索引也不是很适用 . k 2d 树是一种效率很高的适合多维查找的二叉平衡搜索 树算法 ,在搜索 k 2 近 邻时很常用 . 但是在维数很高 的情况下 ,构建和平衡 k 2d 树的开销很大 , 最坏情况 下搜索效率与穷尽搜索相差无几 . 其他算法诸如 BBF
一种基于特征点的图像匹配算法
谭 磊, 张 桦 , 薛彦斌
(天津理工大学 计算机科学与技术学院 ,天津 300191 )
摘 要 : 本文提出一种图像特征点匹配算法 , 并在该算法的基础上形成构建全景图的图像拼接算法 . 此算法采用
Harris角检测算子进行特征点提取 ,并为其分配特征描述符 . 在进行相邻图片的特征比对时 , 提出一种基于小波系
X s j, n和 X d j, n分别是尺度为 j时的近似系数与细节
- 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中所罗列的容以外，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）的基本要求和容（1）查阅相关中、英文文献，完成5000汉字的与设计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, 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，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 (8)第1章绪论 (9)第1.1节课题的研究背景 (9)第1.2节图像匹配的概述 (11)1.2.1图像匹配的概念 (11)1.2.2 影响图像匹配的主要因素 (12)第1.3节图像匹配的研究现状 (12)第2章图像匹配的几种算法 (14)第2.1节基于像素灰度相关的匹配算法 (14)第2.2节基于特征的匹配算法 (16)2.2.1特征点的描述 (17)2.2.2特征点的提取算法 (18)第2.3节基于边缘特征的匹配算法 (20)2.3.1 Roberts 边缘检测算子 (20)2.3.2 Sobel边缘检测算子 (21)2.3.3 Prewitt 边缘检测算子 (21)2.3.4 Canny 边缘检测算子 (22)第2.4节基于其它理论的图像匹配 (24)2.4.1基于小波变换的图像匹配算法 (24)2.4.2其它理论的图像匹配 (26)第3章基于灰度的图像匹配仿真 (28)第3.1节基于灰度图象匹配 (28)第3.2节灰度图像模板图的获取和匹配仿真 (29)第3.3节灰度图像旋转后匹配仿真 (31)第3.4节灰度图像加噪后的匹配仿真 (32)第4章基于边缘图像特征的匹配仿真 (35)第4.1节基于边缘图像特征的匹配 (35)第4.2节基于边缘特征的图像匹配理想情况下的仿真 (36)第4.3节加入噪声后基于边缘特征的图像匹配的仿真 (38)第4.4节基于边缘图像旋转后的匹配仿真 (40)第5章基于一阶特征点的图像匹配仿真 (42)第5.1节一阶特征点的定义 (42)第5.2节一阶特征点的寻找与匹配仿真 (44)第5.3节加入噪声的一阶特征点图像匹配仿真 (47)第5.4节旋转后的一阶特征点匹配仿真 (48)结论 (51)参考文献 (52)致 (54)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。