基于特征点的图像匹配技术研究及应用
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。
图像特征检测与匹配方法研究综述
图像特征检测与匹配方法研究综述图像特征检测与匹配是计算机视觉领域的重要研究方向，它在许多实际应用中发挥着关键作用，如图像检索、目标识别和三维重建等。
本文对图像特征检测与匹配方法进行综述，主要包括特征检测算法、特征描述算法和特征匹配算法三个方面。
一、特征检测算法特征检测算法旨在寻找图像中的稳定不变性特征点，以便用于后续的特征描述和匹配。
常用的特征检测算法包括Harris角点检测算法、SIFT 算法和SURF算法等。
1. Harris角点检测算法：该算法通过计算图像的局部灰度变化，寻找具有最大角度变化的像素。
它能够有效检测出图像中的角点，但对于尺度变化和旋转不变性较差。
2.SIFT算法：SIFT算法通过构建高斯金字塔和尺度空间极值检测，寻找出图像中的尺度不变的关键点。
同时，通过计算局部图像的梯度方向直方图，生成特征向量描述子，实现图像的匹配。
3. SURF算法：SURF算法是SIFT算法的改进版本，采用了一种快速的积分图像技术，大大提高了计算效率。
SURF算法在计算图像的尺度空间极值点时，使用了一种基于Hessian矩阵的指标，检测出更加稳定的特征点。
二、特征描述算法特征描述算法利用特征点周围的图像信息，生成唯一且具有区分度的特征向量。
常用的特征描述算法有SIFT描述子、SURF描述子和ORB描述子等。
1.SIFT描述子：SIFT描述子通过计算特征点周围的梯度信息，生成128维的特征向量。
它具有较强的区分度和旋转不变性，在图像匹配任务中表现较好。
2. SURF描述子：SURF描述子是一种基于Haar小波特征的描述子，使用了一种积分图像计算方法，降低了计算复杂度。
SURF描述子的维度为64维，具有良好的尺度不变性和旋转不变性。
3.ORB描述子：ORB描述子是一种快速的二值描述子，基于FAST角点检测算法和BRIEF描述子。
它既具有较快的计算速度，又能够保持较好的特征区分度，适用于实时图像处理任务。
三、特征匹配算法特征匹配算法的目标是在不同图像中找到相互匹配的特征点对。
MATLAB中的图像配准与匹配方法
MATLAB中的图像配准与匹配方法图像配准与匹配是计算机视觉领域的重要研究方向。
配准指的是将多幅图像在空间上对齐，使得它们之间的特定特征点或特征区域对应一致。
匹配则是在已经配准的图像中寻找相似的图像区域。
在实际应用中，图像配准与匹配常用于医学图像分析、遥感影像处理、计算机视觉等领域，具有广泛的应用前景。
MATLAB作为一种强大的数值计算与数据可视化软件，提供了丰富的图像处理和计算机视觉函数，使得图像配准与匹配任务变得更加简便和快捷。
下面将介绍几种常用的MATLAB图像配准与匹配方法。
一、基于特征点的图像配准特征点是图像中具有鲁棒性和独特性的点，常常用于图像配准任务。
在MATLAB中，可以使用SURF(Speeded-Up Robust Features)或SIFT(Scale-Invariant Feature Transform)等函数来检测图像中的特征点。
然后可以通过计算特征点间的相似度或使用一致性约束等方法来对图像进行配准。
二、基于图像区域的图像配准除了特征点外，图像的局部区域也可以作为配准的参考。
一种常用的方法是使用归一化互相关(Normalized Cross Correlation)来度量两幅图像之间的匹配度。
在MATLAB中，可以使用normxcorr2函数来实现归一化互相关操作。
该函数将两幅图像进行归一化，并计算它们之间的互相关系数，从而确定最佳的配准位置。
三、基于形态学的图像配准形态学图像处理是一种基于形态学运算的图像处理方法。
它利用图像中的形状、结构和拓扑信息来进行图像处理和分析。
在图像配准中，形态学操作可以用来提取图像区域的形状信息，并进行形状匹配。
在MATLAB中，可以使用bwmorph函数进行形态学操作，例如腐蚀、膨胀、开运算、闭运算等，从而实现图像的配准与匹配。
四、基于变换模型的图像配准图像配准中常常涉及到图像的几何变换，例如平移、旋转、缩放、投影变换等。
在MATLAB中，可以使用imwarp函数来对图像进行几何变换和配准。
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。
基于特征点的图像匹配技术研究与应用
基于特征点的图像匹配技术研究与应用图像匹配是计算机视觉领域的重要研究方向，它广泛应用于图像检索、目标跟踪、三维重建等领域。
基于特征点的图像匹配技术是其中一种常用的方法，其通过提取图像中的特征点，再根据特征点的描述子来进行匹配，从而实现图像间的对应关系。
特征点是图像中显著的、具有鲁棒性的点，其通常具有旋转、尺度、光照等变化不变性。
常见的特征点提取算法有Harris、SIFT、SURF等。
这些算法通过计算图像中各个像素点的角度、梯度等信息，找出具有显著性的特征点。
特征点的描述子是对特征点周围区域的图像信息进行编码的向量，以便于进行匹配。
描述子一般具有维度较高、局部性质强、鲁棒性好等特点。
常见的特征点描述子算法有SIFT、SURF、ORB等。
这些算法通过在特征点周围区域内计算梯度、方向直方图、二进制值等信息，生成特征点的描述子。
在特征点提取方面，Harris算法是一种常见的兴趣点检测算法，它通过计算图像中各个像素点的角度、梯度信息，找出具有显著性的兴趣点。
SIFT算法是一种常用的尺度不变特征点提取算法，它通过在不同尺度空间上检测极值点，并通过高斯差分金字塔来提取稳定的兴趣点。
SURF算法是一种加速SIFT算法的方法，通过使用快速积分图像来计算特征点的梯度和方向直方图。
在特征点匹配方面，由于两幅图像之间可能存在旋转、尺度、光照等变换，因此需要寻找具有一致性的特征点。
最常用的方法是基于描述子的相似度度量，如计算两个特征点的欧氏距离或汉明距离。
另外，还可以使用RANSAC算法进行鲁棒的特征点匹配，通过随机选择一组特征点对，计算模型的拟合程度，筛选出符合模型的特征点对。
基于特征点的图像匹配技术在很多领域都有广泛的应用。
在图像检索方面，可以根据用户输入的特征点来相似的图像。
在目标跟踪方面，可以通过匹配图像中的特征点来实现目标的追踪。
在三维重建方面，可以通过匹配多幅图像中的特征点来恢复场景的三维结构。
总之，基于特征点的图像匹配技术是一种重要的图像处理方法，通过提取图像中的特征点，并通过特征点的描述子来进行匹配，可以实现图像之间的对应关系，广泛应用于图像检索、目标跟踪、三维重建等领域。
医学图像配准算法研究及其应用实现
医学图像配准算法研究及其应用实现在医学领域中，绘制出高精度的图像是进行诊断和治疗的重要环节。
但是由于人体结构的多样性和形态的变化，对于同一个人体结构在不同时间、不同条件下采集的多幅图像之间，存在着位置、朝向、形态等差异，这给医学图像处理带来了巨大困难。
因此，医学图像配准成为了医学图像处理中的重要环节。
医学图像配准是将不同来源、不同时间、不同方向的医学图像据理复原，使之在空间上完全重合，以进行比较和分析。
本文主要介绍医学图像配准算法研究及其应用实现。
一、医学图像配准算法介绍医学图像配准算法在医学图像处理中扮演着重要的角色，通常采用以下两种配准算法：1. 基于特征点的匹配配准算法基于特征点的匹配配准算法是一种基于特征点的配准算法。
其原理是在不同的图像中提取相应的特征点，然后将这些特征点进行匹配，从而获得两幅图像之间的对应关系，最终完成医学图像的配准。
2. 基于形变的医学图像配准算法基于形变的医学图像配准算法是一种基于形变的配准算法。
通过对两幅图像进行形状分析，寻找两幅医学图像之间的形变关系，并通过几何变换或非线性变换来实现医学图像的配准。
二、医学图像配准应用实现医学图像配准广泛应用于医学图像处理中，下面主要介绍医学图像配准在分割、仿真、诊断和手术治疗中的应用实现。
1. 分割医学图像配准可用于实现多模态图像的分割。
例如，在MRI分割中，针对脑部的各个部位进行分割、统计和分析，配准精度是关键因素之一。
2. 仿真医学图像配准可以让病人拥有更真实的体验。
在医学仿真中，医学图像配准可以将多个医学图像进行配准，并实现三维仿真，帮助医生更好地理解疾病病程和手术方案。
3. 诊断医学图像配准可以使医生更加准确地进行疾病诊断，提供更好的医疗服务。
在深度学习的应用中，医学图像配准可以将多个不同角度和不同类别的医学图像进行配准，从而提高深度学习模型的精度和鲁棒性。
4. 手术治疗医学图像配准可用于手术治疗中的手术规划、导航和操作过程中的监测。
基于特征点匹配的图像拼接技术研究
基于特征点匹配的图像拼接技术研究近年来，随着数字图像技术的飞速发展，图像处理领域的研究也日益深入。
其中，图像拼接技术一直是一个备受关注的热门话题。
图像拼接可以将多幅图像拼接成一张更大的图像，拼接后的图像可以展示更多的内容并且视觉效果更为统一，从而增强了图像的表现力。
本文将探讨基于特征点匹配的图像拼接技术的研究。
一、图像拼接的基本原理在进行图像拼接之前，需要先获取需要拼接的图像。
另外，在进行图像拼接的过程中，需要选定某个图像作为拼接的基准图像，然后将其他的图像与该基准图像进行拼接。
图像拼接的基本原理就是通过将各个小图像匹配并拼接成一个大图像，来实现图像的放大或者拼凑的需求。
拼接过程中，需要考虑如下几个要素：1. 特征匹配：在进行图像拼接之前，需要对各个小图像之间的特征点进行匹配。
特征点包括颜色、形状、对比度等等信息。
2. 图像转换：在匹配特征点之后，需要将各个小图像进行矩阵变换，从而实现小图像和基准图像的空间匹配。
3. 拼接处理：将各个小图像拼接到基准图像上，并对其进行处理，排除几何变换带来的差异，保持整个大图像的平衡和完整性。
二、基于特征点匹配的图像拼接技术特征点指的是图像中比较明显的一些关键角点，相比于普通像素点，特征点能更加准确地代表图像的特征和结构。
因此，选取和匹配特征点是实现图像拼接的重要环节之一。
基于特征点匹配的图像拼接技术是一种比较高效和准确的图像拼接方法。
主要基于下列步骤进行：1. 特征提取：对需要拼接的图像进行特征点的提取和描述。
特征点提取算法包括SIFT，SURF，FAST等常用算法。
2. 特征匹配：利用特征点描述子进行匹配，分为粗匹配和精确匹配两个阶段。
粗匹配时使用肯定匹配匹配，接着使用RANSAC算法筛选出符合条件的匹配点，并通过最小均值误差法计算变换矩阵。
3. 图像转换：在完成特征点匹配后，根据匹配点之间的关系，计算变换矩阵，并将需要拼接的图像根据变换矩阵进行变换，使各个小图像与大图像空间位置对应。
- 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)。
基于特征点的图像匹配技术研究及应用文献综述1.图像匹配的概念图像匹配⑴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。
图像匹配中事先获得的图像称为基准图像( base image)，在匹配过程中在线或者实时获得的图像称为实时图像(real time image)。
基准图像可以比实时图像大也可以比实时图像小。
当基准图像比实时图像大时，匹配过程就是在基准图像中搜寻实时图像位置的过程；当实时图像比基准图像大时，匹配过程就是在实时图像中寻找作为目标的基准图像的过程。
在地图导航系统［2］中，基准图像比实时图像大。
如图 1.1所示。
搜索区域dy■■待匹配区域基准图像dxN1图1.1地图导航系统中的图像匹配示意图基准图像和实时图像是对同一对象有差别的近似描述，设和分别为基准图像和实时图像的灰度分布，在不考虑关照变换等影响下，两者存在如下关系：鍏紡其中是高斯白噪声，可以通过一定的滤波方法滤除。
是上的点在X和Y方向上的位置偏差，称为定位噪声。
位置偏差往往是因为图像的几何形变造成的。
实际上利用计算机进行处理的并不是连续图像，图像的位置和灰度都被划分为离散的值，常用像素矩阵来表示一副图像。
在地图匹配导航中，通常基准图像比实时图像大。
直接进行相关匹配的两幅图像应该是大小一样的，为了确定实时图像在基准图像中的位置，就必须在基准图像中提出与实时图像大小相等的基准子图，并逐个与实时图像进行比较，以便找出与实时图像匹配的那个基本子图，从而确定实时图像在基准图像中的位置。
所以一般图像匹配的过程就是不断从基准图像中提取基准子图与实时图像进行相关运算的过程，这个过程可以是线性遍历式的，也可以是非线性随机的搜索过程。
在本课题中，我们选取左上角为原点作为坐标基准。
如图1.1 所示，大方框为基准图像，小方框代表实时图像，虚线方框内事待选的实验匹配位置区域，也就是进行匹配的搜索区域。
如果顺序匹配 (即试验所有的搜索区域) 的话，易知总共有脳个试验位置，其中只有一个是我们要找的匹配位置，即实时图像坐标原点在基准图像中的坐标：，称为匹配点。
2.图像匹配的方法[3]图像匹配的方法有很多，由已知模式，也就是模板图 (如实时图像，到另一幅图像 (如基准图)中搜索相匹配的子图像的过程，称为模板匹配。
一般地，图像的模板匹配分为两大类：基于灰度值的方法和基于特征提取的方法。
2.1 灰度匹配灰度匹配的基本思想:以统计的观点将图像看成是二维信号，采用统计相关的方法寻找信号间的相关匹配。
利用两个信号的相关函数，评价它们的相似性以确定同名点。
灰度匹配通过利用某种相似性度量，如相关函数、协方差函数、差平方和、差绝对值和等测度极值，判定两幅图像中的对应关系。
2.1.1 ABS 算法⑷最基本的灰度匹配方法为ABS(Absolute Bala nee Search)算法，它用模板图像和待匹配图像上的搜索窗口间的像素灰度值的差别来表示两者的相关性。
这个差别值有三种计算方法：其中MAD 为平均绝对误差(Mean of Absolute Differences)，SAD 为绝对误差和(Sum of Absolute Differences) , SSD为平方误差和(Sum of squared Differences)，匹配时选择最大值处的为匹配点。
这种方法简单，但一旦图像灰度值发生线性变换，就无所适从了；而且不同的基准图像阈值也各不相同，很难事先确定，误匹配率较高。
这种方法只能用于模板图像是基准图像中一部分的情况。
2.1.2 归一化互相关算法归一化互相关(Normalized Correlation)匹配算法是对ABS算法的改进，其基本原理是逐像素的把一个以一定大小的实时图像窗口的灰度矩阵，与参考图像的所有可能的窗口灰度阵列，计算互相关值，按互相关值的最大值来确定匹配位置，从理论上说就是采用图像相关技术。
这种方法对图像灰度值的线性变换具有“免疫性” ，不受灰度值的线性变换的影响。
但这种方法在每一个像素点上都要计算互相关值，计算量太大，实际应用很难，只能作为理论分析。
2.1.3幅度排序相关算法[2]其主要思想为：首先把模板图像中德所有灰度值按幅度大小排成列的形式，然后对它进行二进制编码，最后根据二进制排序的结果，把模板图像转化为二进制阵列的一个有序组合；然后顺序地将这些二进制排列与实时图像进行由粗到细的相关计算，直到确定出匹配点位置。
以脳模板为例，如图2.1所示，对模板中的数值按照二进制大小编码，若为奇数，则中间不编码。
图2.1幅度排序预处理由图2.1中的①、②、③三列及其在模板图像中的位置，可以构成如图 2.2所示的G、C2、G三个二进制阵列。
这样匹配过程中，从左向右可以实现由粗到细的相关匹配。
图2.2二进制阵列2.1.3序列相似性检测算法[5]序列相似性检测算法（Sequential Similarity Detection Algorithms, SSDA）是一种快速的模板匹配算法，它是1972年Bamea和Silverman首先提出来的。
该算法能很快丢弃不匹配的点，减少花在不匹配点上的计算量，从而提高匹配速度，算法比较简单，易于实现。
SSDA是对公式2.1所示MAD算法的一种优化，MAD在计算时，要顺序地在匹配检测区域内计算有关各个的差别值，然后找出最小值。
而在SSDA中只计算局部匹配值，而不是每次匹配时都计算出模板图像中全部像素灰度绝对值，这样就可以大大节省计算量。
SSDA计算时：a.定义绝对误差：M X砂=扫》"J其中为基准图像，为模板图像，-1 -1b.取阈值T;c.在中随机选取像素点，计算它同对应点的误差值，然后把误差求和，当累积到r次后误差超过固定阈值T,停止累加，记录上次数r,定义SSDA检测曲面：d.把值最大的点作为匹配点，因为这点上需要很多次累加才能使总误差超过T o图2.3给出了三条不同的误差积累曲线，其中A, B不是匹配点。
图2.3固定门限T误差积累曲线2004年米长伟等人改进了SSDA使门限T变为平行于图2.3中C的自适应值；并且把匹配过程分为粗匹配和精匹配两步，大大简化了计算量[6]。
2009年胡凯等人把改进的SSDA用并行化实现，进一步降低了时间开销⑺。
综上所述，利用灰度信息匹配方法的主要缺陷是计算量大，对各种图像的变换较为敏感（如光照变化、角度旋转等），所以这些方法较少被用于实际。
2.2特征匹配特征匹配是指通过分别提取两个或多个图像的特征（点、线、面等特征），对特征进行参数描述，然后运用所描述的参数来进行匹配的一种算法[1]。
基于特征的匹配所处理的图像一般包含的特征有颜色特征、纹理特征、形状特征、空间位置特征等。
特征匹配首先对图像进行预处理来提取其高层次的特征，然后建立两幅图像之间特征的匹配对应关系，通常使用的特征基元有点特征、边缘特征和区域特征。
特征匹配需要用到许多诸如矩阵的运算、梯度的求解、还有傅立叶变换和Taylor 展开等数学运算。
基于图像特征的匹配方法可以克服利用图像灰度信息进行匹配的缺点，由于图像的特征点比较像素点要少很多，大大减少了匹配过程的计算量；同时，特征点的匹配度量值对位置的变化比较敏感，可以大大提高匹配的精确程度；而且，特征点的提取过程可以减少噪声的影响，对灰度变化，图像形变以及遮挡等都有较好的适应能力。
所以基于图像特征的匹配在实际中的应用越来越广泛。
所使用的特征基元有点特征(明显点，角点，边缘点，高曲率点等)，边缘轮廓等。
由于图像的边缘提取比较困难，而且其定位不好界定，故现在特征匹配中使用最多是特征点的匹配。
它有以下优点[8]：1)图像的特征点比图像的像素点要少很多，从而大大减少了匹配的计算量；2)特征点的相似度量值对位置变化比较敏感，可以大大提高匹配的精度；3)特征点的提取过程可以减少噪声的影响，对灰度变化、图像形变以及遮挡等都有较好的适应能力；4)匹配后的特征点坐标可以直接用来估计图像之间的空间变换关系。
因此，基于特征点的图像匹配方法是实现高精度、快速有效和适用性广的匹配算法比较好的选择3.基于特征点的图像匹配研究现状特征点是图像灰度在x 和y 轴方向上都有很大变化的一类局部点特征。
它包含角点、拐点以及T-交叉点等，其中主要应用的是图像的角点。
角点是图像的一种重要局部特征，他在图像匹配、目标描述与识别以及运动估计、目标跟踪等领域具有十分重要的作用。
它是图像上灰度变换剧烈且和周围的邻点有显著差异的像素点。
如图 3.1所示，有L型、T型、X型和Y 型等。
图3.1 角点示例图3.2 Harris 角点检测结果3.1 角点检测角点检测的算法有很多，对不同类型的角点检测效果也有差异。
目前角点检测算法主要分为两大类：一类是基于边缘图像的角点检测算法，这类算法需要对图像边缘惊醒编码，很大程度上依赖于图像的分割和边缘提取，而图像的分割和边缘提取本身具有相当大的难度和计算量，况且一旦边缘线发生中断，对角点的提取结果影响较大，所以这类算法有一定的局限性；第二类是基于图像灰度的角点检测，避开了上述的缺陷，直接考虑像素点领域的灰度变化，而不是整个目标的角点检测，这类算法主要通过计算曲率及梯度来达到检测监角点的目的。
3.1.1 Moravec 角点检测算子［9］该方法的计算过程为：计算四个方向上的局部自相关，，选取最小值作为对应像素点的 角点响应函数，对这个响应取门限，超过门限的为特征点。
设图像灰度函数为I ,在一定窗 口上的灰度变化函数定义如下：其中 表示当前图像窗口。
Moravec 算法响应时各项异性的，而且由于响应值是自相 关的最小值，而不是自相关的差值，所以 Moravec 算法对强边界敏感，实现简单快速。
3.1.2 Harris 角点检测算子［10］Harris 使用自相关矩阵 A 改进了 Moravec 的方法。
这种方法避免了使用离散的方向和偏移，它在窗口内使用高斯函数加权导数，取代了简单的求和。
如果自相关矩阵 A 有两个大 的特征值就表示该点为检测到的特征点。
图 3.3为Harris 角点检测的示意图。
在平滑区域窗 口沿着各个方向移动均无灰度变化；边缘区域沿着边缘方向移动无灰度变化； 角点区域沿着各个方向移动都有灰度变化。
a •平滑区域 b •边缘区域c •角点图3.3角点检测示意图 将图像窗口平移［u,v ］产生的灰度变化定义为：E(u,v)八 w(x, y) Ij (x u, y v) - I (x, y) f 公式 3.2x,y 对图像灰度函数 Taylor 展开：I (x u, y v^ I (x, y) I x u I y v O(u 2,v 2)去掉咼阶小量，得:对于实对称矩阵 M 有两个特征值：入max ,入min 。