基于特征的图像匹配算法研究答辩稿
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。
SLAM中图像特征匹配算法研究及其硬件实现
2、图像变换算法
2、图像变换算法
图像变换算法是指将原始卫星图像转换为另一种形式的图像，以突出某些特 征或进行更高级的处理。常用的图像变换算法包括傅里叶变换、小波变换、主成 分分析等。其中，傅里叶变换可以将图像从空间域转换到频率域，将图像中的高 频和低频成分分离出来，方便进行进一步的处理和分析；小波变换则可以将图像 分解成不同尺度的子图像，
3、ASIC芯片实现
总之，卫星图像处理算法是通过对卫星图像数据的分析和处理，提取出有用 的信息以满足不同应用需求的一种技术手段。为了提高算法的处理速度和效率， 可以采用GPU加速、FPGA实现和ASIC芯片实现等硬件实现方式。其中，GPU加速可 以大大提高算法的处理速度和效率；FPGA实现可以灵活地进行升级和维护；ASIC 芯片实现可以实现高效可靠的硬件加速。
3、ASIC芯片实现
3、ASIC芯片实现
ASIC是应用特定集成电路，它是一种为特定应用设计的集成电路，具有高性 能、低功耗、可靠性高等优点。因此，将卫星图像处理算法转化为ASIC芯片可以 实现高效可靠的硬件加速。ASIC芯片还可以具有成本低、易于维护等优点。常用 的ASIC设计工具包括Verilog和VHDL。这些工具可以使开发者设计出高性能、低 功耗的ASIC芯片加速器。
一、图像特征匹配算法研究
1、SIFT算法
1、SIFT算法
SIFT（Scale-Invariant Feature Transform）算法是一种经典的图像特征 匹配算法，其特点是对图像的尺度、旋转、亮度等变化具有不变性。SIFT算法首 先提取关键点，然后对关键点进行描述，最后通过比对描述进行匹配。SIFT算法 具有较高的准确性和鲁棒性，但计算复杂度较高，不适合实时性要求较高的应用 场景。
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特征点的图像匹配算法
基于SIFT特征点的图像匹配算法高峰;魏少华;王学通【摘要】SIFT特征点是图像的一种尺度不变局部特征点.首先给出了尺度空间的生成方法;接下来给出了SIFT特征点的提取步骤和精确定位方法,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特征点,并将其应用于图像匹配.实验结果说明,使用SIFT特征点可以有效实现图像匹配.【期刊名称】《现代电子技术》【年(卷),期】2010(033)018【总页数】3页(P101-103)【关键词】SIFT算法;图像匹配;尺度空间;高斯核【作者】高峰;魏少华;王学通【作者单位】西安工业大学,北方信息工程学院,陕西,西安,710025;西安工业大学,北方信息工程学院,陕西,西安,710025;西安理工大学,计算机学院,陕西,西安,710048【正文语种】中文【中图分类】TN919-34;TP391.40 引言图像匹配技术是图像处理和计算机视觉领域的一项重要技术。
图像匹配，就是在机器识别事物的过程中，将已知图像与陌生图像的全部或部分在空间上对准，根据已知模式的图像在一幅陌生图像中寻找对应该模式的子图像过程。
图像匹配所涉及的应用领域包括工业检测、遥感地形匹配、光学和雷达图像跟踪、工业流水线自动监控、交通管理、医疗诊断、图像检索等诸多领域。
目前，图像匹配技术有基于与像素灰度相关的匹配、基于图像特征的匹配、基于语义网络的匹配以及基于神经网络和遗传算法的匹配等多类方法。
近年来，基于局部不变量描述符的方法在图像匹配领域取得了显著进展。
SIFT[1](scale invariant feature transform)方法是Lowe在2004年提出的一种局部不变特征点的提取方法。
SIFT特征是图像的局部特征，对旋转、尺度缩放和亮度变化保持不变，对视角变化、仿射变换和噪声也保持一定程度的稳定性。
SIFT还具有独特性、多量性和可扩展性等多项特点。
基于图像匹配的特征点检测方法综述
0 引言图像特征点是一幅图像中比较典型的特征标志之一，它含有显著的结构性信息。
一般为图像中的线条、交叉点、边界封闭区域的重心或者曲面的高点等。
图像特征点检测的方法是对一幅图像进行描述的必要手段。
在图像匹配、目标检测与识别等图像处理与分析应用中都是关键重要的步骤。
本文对图像匹配中采用的特征点以及提取方法进行深入研究探讨，分析比较几种成熟的特征点检测方法和一些新的特征点提取方法，对这些特征点的基本特点、改进方法、性能优缺点进行详尽分析。
1 特征点检测图像中存在明显表现图像特征的特征点 (角点或关键点)，图像匹配通常利用特征点来估计图像之间的变换, 而不是利用图像全部的信息。
特征点的检测方法很多，本文对图像拼接中常用的重要特征点进行分析比较。
1.1 Harris角点检测Harris角点检测是一种基于图像灰度的一阶导数矩阵检测方法。
检测器的主要思想是局部自相似性/自相关性，即在某个局部窗口内图像块与在各个方向微小移动后的窗口内图像块的相似性。
虽然Harris角点检测算子具有部分图像灰度变化的不变性和旋转不变性，但它不具有尺度不变性。
但是尺度不变性对图像特征来说至关重要。
2001年Mikolajczyk等人把Harris-Laplace和Hessian-Laplace 结合在一起[2]，创造出了一种鲁棒的、尺度不变、重复检测率很高的检测算子，弥补了Harris算子在尺度不变性上的不足。
1.2 SIFT (Scale Invariant Feature Transform)特征点检测1999年Lowe首次提出了SIFT算法特征点检测，可以处理两幅图像之间发生平移、旋转、仿射变换情况下的匹配问题，具有良好的不变性和很强的匹配能力。
2004年，Lowe提高了高效的尺度不变特征变换算法（SIFT）[3],利用原始图像与高斯核的卷积来建立尺度空间，并在高斯差分空间金字塔上提取出尺度不变性的特征点。
该算法具有一定的仿射不变性，视角不变性，旋转不变性和光照不变性，所以在图像特征提高方面得到了最广泛的应用。
图像匹配算法的研究进展
图像匹配算法的研究进展一、本文概述随着信息技术的飞速发展，图像匹配算法在诸多领域，如人脸识别、物体追踪、自动驾驶、医学影像分析以及遥感图像处理等，都发挥着越来越重要的作用。
图像匹配算法的核心在于通过一定的算法和策略，从大量图像中快速准确地找到目标图像，或者从同一场景的不同图像中找出相似或相同的部分。
本文旨在探讨图像匹配算法的研究进展，包括经典的算法、新兴的算法以及它们在不同领域的应用。
我们将回顾传统的图像匹配算法，如基于特征的方法、基于灰度的方法等，分析它们的优缺点以及适用场景。
然后，我们将重点介绍近年来兴起的深度学习在图像匹配领域的应用，包括卷积神经网络（CNN）、孪生网络（Siamese Network）等，以及它们在提高匹配精度和效率方面的突出表现。
我们还将讨论图像匹配算法在实际应用中面临的挑战，如光照变化、视角变化、遮挡等问题，以及针对这些问题的解决方案。
我们将展望图像匹配算法的未来发展趋势，包括算法性能的进一步提升、多模态图像匹配的研究、以及在大规模图像数据库中的应用等。
通过本文的综述，我们希望能够为读者提供一个全面而深入的图像匹配算法研究进展的概览，同时也为相关领域的研究人员提供有益的参考和启示。
二、图像匹配算法的基本原理图像匹配算法是计算机视觉领域的一个核心问题，它旨在从大量图像中找出具有相似性或相关性的图像。
这些算法的基本原理主要基于特征提取和相似性度量两个方面。
特征提取是图像匹配算法的首要步骤。
在这一过程中，算法会从图像中提取出关键信息，这些信息通常是对图像内容的抽象描述，如边缘、角点、纹理、颜色分布等。
这些特征的选择对后续的匹配效果至关重要，因为它们需要既能代表图像的主要内容，又具有一定的鲁棒性，能够在不同的光照、视角、尺度等条件下保持一致。
相似性度量是图像匹配算法的另一关键步骤。
在提取了特征之后，算法需要一种方法来量化两个图像之间的相似性。
常见的相似性度量方法包括欧氏距离、余弦相似度、汉明距离等。
基于特征相关的图像配准与拼接算法研究
８ ８・
科
韩 禹 王 港
（ 河北工业大学 控 制科 学与工程学院 ， 天津 ３ ０ ０ １ ３ ０ ） 摘 要： 图像 拼接技 术现在应 用的范围已经愈加广泛 ， 无论在计 算机视 觉 ， 三维重建 ， 医学图像 处理 ， 全景建设等领域都得 到了广泛 应用。 作为图像 处理领域的一门科学 ， 已经受到越 来越 多的重视。 本文对图像拼接的基本原理进行说 明介绍 ， 同时介绍一些基本的拼接 算 法， 主要是基于特征点的研究。并且对 图像拼接 未来的发展进行一个展望。 关键词 ： 图像 拼 接 ； 图像 配 准 ； 图像 融 合 １图像预处理
法 — — 几 何 校正 。 出现畸变后 ， 我们需要校正 。几何校正的一般思路是 以一 幅没
有失真的图像为准， 对 它的各个像素点进行分析 ， 建立一个模型。 然 后对失真图像的像素点 的数据信息和标 准的图像进行 比较 ， 找出两 者之间的关系 ， 然后进行校 正。我们最终 目的是为了找到校正后图 像 中每个像素的亮度值 。 具体操作为 ： ①对图像像素进行坐标变换 ， 找到一种数学关系 ， 建立图像像素点坐标和参考图对应点坐标 间的 图 １得到的角点提取 图像 关系， 根据这 一数 学关系校正所选 的图像各个控制点 的坐标 ， 即在 提取角点之后 ， 下一步是将这些角点进行 匹配 ， 找到相似的点。 图像 的行上逐点计算 出校正后每个控 制点 所对应的原始 图像 的位 我们使用 Ｎ Ｃ Ｃ最大相关法 的算法来完成 。 置。 ② 计算灰度 内插用 ｘ ， ｙ ） 表示几何基 准图像的坐标 系 ， 用ｇ （ ｘ ’ ， ３ 图像 融 合 在完成预处理和配准的准备工作之后 ， 将要融合图像 。通 过前 Ｙ ’ ） 表示校正后 的图像坐标系 ， 设两个 图像坐标系之间关系如下 ： ｙ ｈ ２ （ ｘ ， ｙ ） 面对 图像的预处理 以及配准 ， 两张 图片重合的部分可 以匹配的特征 以及相关的信息都 已获取 ，下面就是要将两 张图的重合部分融合 ， ｈ ｉ （ ｘ ， ｙ ） ＝ ∑ ∑ａ ｉ ｊ ｘ ｉ ｙ ￣ 变为一张图片。这张新的图片将集 合两张 图共有 的场景 ， 并且具有 较 高的清晰度。 为此 ， 我们需要合适正确的算 法。 下面介绍两种常用 的图像融合方法 。 ｈ （ ｘ ＇ ｙ ） ＝ ∑ ∑ｂ ｉ ｊ ｘ ｌ ｙ ￣ ３ ． １加权平 均法 。加权平均法 是对重合 区域 的像 素值进行 加 如果假设基 准图像为 ｆ （ ｘ ， ｙ ） ， 失真图像为 ｇ （ ｘ ’ ， Ｙ ’ ） 对 于同一控 权， 之后进行叠加平均 。这种方法 和平均值法比较接近。 制点它的灰度不变 ， 则有如下关系 ｆ （ ｘ ， ｙ ） ＝ ｇ （ ｘ ’ ， Ｙ ’ ） Ⅲ 。 ３ ． ２欧 氏距离法 。由于一幅图像 中的每个 像素的权重不 同， 它 ２ 图像 配 准 与到图像边沿 的距离成正 比 ， 离重叠 区域越近 ， 像素点 的光 强贡献 经过预处理之后 ， 图像可以开始进行 配准 。每 张图片都有其与 应该越大。 因此 ， 欧 氏距离法就是要计算 出距离 ， 来辨别出不同的像 众不 同的特征 ， 正确选取特征是完成好此项工作的前提 。选择特征 素点 ， 将不 同的权重分配给各个像素。融 合算 法中计算距离映射 ｄ 要遵循明显 ， 易于操作 的特征 。因此 ， 我们要选择 的特征就是角点 ， （ Ｘ ， Ｙ ） ， 利用块距离和欧式距 离 ， 计算 到最近 的透 明点或边 的距离 。 角点是指图像 中明显不 同的两种图案交界处 的点 ， 角点 的周 围有 明 融合变形 图像 的公式为 ： 显变化和差异的特征 。 角点是指沿 图像边缘曲线上 的曲率局部极大 值点 ， 或 者在一定条件下可 以放宽为 曲率大于一定 阈值 的点 。也就 ｃ ｃ ｘ ， ｙ ） ＿ 是说 ，角点是指图像上在二维空 间内灰度 和边 缘方向变化剧烈 的 ４ 图像 拼 接 缝 的 消 除 点， 和周围的邻点有着明显差异 。如 图 １ ， 水杯 ， 水笔 ， 键盘 ， 桌 面之 但 由于各种原 因及客观条件 的限制 ， 在某些情 况下 ， 当拍摄 照 间的交界处都是角点。本文所说 的角点主要指 Ｈａ ｒ ｒ ｉ ｓ 角点 ， 下面对 明的环境条件 不好 的下 ， 两 幅图像 的一些属性会发生改变 ， 如果不 Ｈ ａ ｒ ｒ ｉ ｓ 算子 的原 理做 一个简单 的介绍 ， Ｈ ａ ｒ ｒ ｉ ｓ 角 点检 测算法 只涉 及 做理会而强行 拼接的话 ， 会使拼 接位置上产生明显的拼接缝 ， 甚 至 到图像 的一阶导数 ， 首先定义矩 阵 Ｍ： 出现模糊失真的情况 。 这样的话我们很难说拼接获得了成功 。因此
- 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)。
研究背景
图像特征点提取和匹配是图像处理研究领域中 的基础课题，也是机器视觉的关键技术之一，广 泛应用于虚拟现实、视频压缩、图像复原、图像 数据库检索等技术中，具有广泛的应用前景及社 会经济价值。因此，特征点的提取和匹配越来越 得到研究人员的关注。
图像匹配的基本流程
参考图像 待匹配图像
图像预处理
图像预处理
谢谢各位老师的观看！
图像匹配的Matlab实现
角点检测—显示所有角点
角点检测—筛选后的角点显示
通过筛选角点的步骤后，在剩下为数不多的角点 中，选择两对正确的匹配角点对。利用MATLAB编 程实现这部分的功能，MATLAB仿真显示结果如下 图所示：
全景图的Matlab实现
总结
图像匹配是一门实用性很强，理论与算法并 重的技术，是很多计算机视觉算法研究的关键和 前提。其中，基于点特征的图像匹配考虑到像素 点领域的灰度变化，较好的克服了线特征和区域 特征的缺点，实现了较好的图像匹配效果。它不 仅适用于重合度较低的图像之间的匹配，而且还 能够应用于运动场景图像以及含有遮盖物体图像 之间的匹配，具有重要的理论意义和实用价值。 本文所有的实验与仿真都基于Matlab仿真平台。
检测角点，筛选合适的角点
基于点特征的图像匹配
各类角点检测算法的比较表
•
Harris角点检测的Matlab实现
原始图像
角点检测结果
基于特征点的图像匹配算法
已知P={p1,p2,...,pm}是标准参考图像上的特征点集， Q={q1,q2,...,qn}是待匹配图像上的特征点集，匹配要实现 的目的就是确立两个点集之间的对应关系。利用对应关系 来求解变换模型参数，具体匹配过程如下： (1)对参考图像上的特征点集P中的一个特征点pi建立以 其为中心，大小为n*n的目标窗口Pnn； (2)相对于参考图像上的特征点pi，在待匹配图像上取 大小为m*m的窗口Qmm（m>>n），并确保特征点pi的同 名特征点在搜索窗口Qmm内； (3)目标窗口Pm在搜索窗口Qmm上滑动，同时计算其 相似性度量，确定特征点pi的同名特征点qi。
最佳匹配点
将两幅图像进行Harris角点检测后，分别得到角点对 应与该图像的坐标位置，以该坐标位置为中心，分别取其 附近的8个像素值，然后与另一幅图像进行匹配，找出距 离最小的点作为匹配点。 接着，将图像一中的角点1与图像二中的所有角点进 行相减，得到一个最小误差值，并记录下该位置，这样依 次将图像一中的角点2，角点3一直到最后的角点都进行相 减，即可得到两幅图像之间的最佳匹配点。对已经找出的 匹配点，在图像上进行显示，这样有利于人眼判断该算法 是否匹配正确。
基于特征的图像匹把具有同一场景的两幅或多幅 图像在空间上对准，进而确定他们之间变换关系 的过程。其方法大致分为两类：基于像素的图像 匹配方法和基于特征的图像匹配方法。 本文介绍了图像特征点、图像匹配概念、常 用角点检测的算法，图像匹配的常用方法。主要 工作为Harris算法的角点检测和基于特征点的图 像匹配。
需要注意的是，在匹配过程中，并非P和Q中的所有 点都有匹配点对，点集P中的某些对应点会在Q中丢失。 因此，所寻找的是P和Q之间的最大匹配点子集（pi，qi）， i=1,2，...，k，其中k<=min(m,n)。 在基于点特征的图像匹配算法中，特征点通常选取的 是图像中易于确定的特殊点，比如角点、直线交叉点、T 型交汇点、高曲率点，以及特定区域的中心、重心等。