1、本科毕业论文（20 届）基于 SIFT 的图像特征点匹配算法实现所在学院 专业班级 通信工程 学生姓名 学号 指导教师 职称 完成日期 年 月 目录摘要 .IAbstract.I第一章 绪论 .11.1 本课题研究的背景及意义 .11.2 本课题研究的内容和目标 .2第二章 图像配准研究概述 .32.1 数字图像处理技术的研究和发展 .32.2 图像配准技术面临的难点 .42.3 图像配准算法分类 .52.3.1 灰度配准 .52.3.2 特征匹配 .52.4 图像的匹配技术 .62.5 图像的配准技术 .7第三章 SIFT 算法 .113.1 SIFT 算法发展历程 .113.2 SIFT
2、主要思想 .123.3 SIFT 算法的主要特点 .123.4 SIFT 算法的实现 .12第四章 实验分析 .184.1 SIFT 特征点匹配实验结果 .184.1.1 同一图片的特征点匹配 .184.1.2 有缩放的图像特征 .234.1.3 复杂情况的图像特征 .24总 结 .28参考文献 .29致 谢 .30基于 SIFT 的图像特征点匹配算法实现摘要图像匹配就是把具有同一场景的两幅或多幅图像在空间上的对准，来确定它们之间变换关系的过程，这些图像可能是在不同时间、用不同传感器。从不同视角拍摄下来。在当今社会的计算机领域中常常涉及到目标跟踪、图像导航、文字识别、资源分析等。其中一个很重要
3、的问题就是图像的匹配，而基于图像特征点提取的匹配方法是比较常见的方法。传统的匹配算法对环境的适应能力较差，所以需要一种能够适应性强的，能够有效识别目标的方法。本文首先比较详细的介绍国内外图像匹配技术研究状况，概括了图像配准技术的研究意义，以及应用领域，并介绍了图像配准的应用现状和发展方向。然后在分析总结特征点的提取算法的基础上，选择了尺 度 不 变 特 征 转 换 (SIFT)算法。SIFT 特征匹配算法是目前特征匹配研究领域的热点，其匹配能力较强，可以处理图像之间发生平移、旋转、仿射变换的匹配，对任意角度拍摄的图像也具备比较稳定的匹配能力。因此SIFT 在图像校正，图像融合等领域有很广泛的应
4、用。关键词:图像配准；图像特征点；图像融合；SIFTImage Feature Point Extraction Method Based On SIFT FeatureAbstractThe image matching is the same scene with two images or many images in space alignment, to make sure the process of transformation relationship between them, These images may be in different time, use differ
5、ent sensors. From different perspective shooting down. In todays society in the computer field often involves target tracking, image navigation, character recognition, resource analysis. One of the very important problem is the image matching, Based on image feature point extracting and the matching
6、 method is more common methods. The traditional matching algorithm adaptability to environment is bad, so I need a can adaptable, can effectively identifying target method.This paper firstly comparatively detailed introduces the technology of image matching research status, Summarized the image regi
7、stration technology research meaning, and the application fields, and introduces image registration application situation and the development direction. Then on the analysis of the feature points extraction algorithm is proposed, based on the scale invariant features conversion (SIFT) algorithm. SIF
8、T feature matching algorithm is currently feature matching research in the field of hot, its matching ability strong, can handle happened between image translation, rotation, affine transformation of the match, filmed at any Angle also have relatively stable image matching ability. Therefore, SIFT i
9、n image correction image fusion and other fields have a very extensive application.KeyWords：Image registration，Image feature points，Image fusion，SIFT第一章 绪论随着数字图像 1成像技术的成熟和传感器技术的发展，利用更多的工具获得同一目标的更多不同性质的图像，使我们能够更全面的了解事物的多方面性。人们在试用摄像机获取环境图像并将其转换成数字信号，用计算机实现对视觉信息处理的全部过程，这样就形成了一门新兴的学科计算机视觉。而现在许多的计算机视觉应用需
10、要图像匹配技术的支持，随着科学技术的发展，图像匹配技术已经成为现代信息领域中一项重要的研究。在某些场合下，需要对目标进行空间上的定位这时就需要用到图像匹配技术，而图像匹配技术有着广泛的应用如地形匹配、飞机导航、气象预报、医疗诊断、交通管理等等。图像配准是图像智能分析于处理技术的关键。1.1 本课题研究的背景及意义在现今社会中，人类被包围在各式各样的信息中。图像占有很重要的地位，在图像研究的领域中图像特征的研究是一种重要的研究方向。通过图像特征的提取这种技术被应用在图像识别还应用与图像的分割、匹配、拼接等方面。图像匹配技术是实现图像融合，图像校正以及目标识别与跟踪的关键步骤之一，如今已经被广泛用
11、于图像领域，现在提高匹配的准确度是实现图像匹配的重要环节。其中图像匹配技术之一是基于特征的方法。是从待匹配的图像中提取含有图像重要特征的特征点，针对图像特征提取与匹配的适应性和准确性问题，将尺度不变特征变换算法（SIFT ）应用到图像的特征点提取中。SIFT 算法可在尺度空间中寻找到极值点，提取对图像尺度和旋转变化具有不变性，对光照变化和图像变形具有较强的适应性的特征点及特征点及其特征描述.。图像配准的应用很多，图像匹配技术被广泛地应用在遥感图像、医学图像、三维重构、机器人视觉等诸多领域中。所以在现今社会中，图像配准占有很重要的地位。1.2 本课题研究的内容和目标图像配准是图像智能分析与处理的
12、关键技术，是数据融合、运动检测和目标识别的必要前提。图像配准的主要目的是去除或抑制待配准图像和参考图像之间几何上的不一致，包括平移、旋转等形变。由于图像配准在多个领域的广泛应用及本身的复杂性，现在许多图像配准的方法还存在不少的问题。在介绍了图像匹配的主要方法后，本文在研究各种匹配算法的基础上，对匹配能力较强、适用范围较大的 SIFT 特征变换匹配算法进行比较详细的介绍，该方法匹配精确率高，对于图像灰度的非线性变换比较鲁棒。本课题的目标是利用 SIFT 算法实现图像特征点的提取，最后用 MATLAB 软件，在计算机上验证了该算法，本文实现的配准方法精准度高，能够实现图像的有效配准。第二章 图像配
13、准研究概述2.1 数字图像处理技术的研究和发展数字图像处理 2是指图像信号转换成数字信号，并利用计算机对其进行处理的过程，其起源于 20 世纪 20 年代，现在已经广泛的应用于科学研究、生物医学、航天工程、工业检测、军事等方面。现在已经成为一种前景远大的新型学科。其作为一门学科形式形成于 20 世纪 60 年代的初期。早期的图像处理目的是以人为对象，改善人的视觉效果。首次获得实际成功应用的是美国喷气推进实验室（JPL） ，他们对航天探测器徘徊者 7 号于 1964 年发回的几千张月球照片使用了图像处理技术，还加入了太阳位置和月球的环境等因素，计算机成功绘制出月球表面地图，随后又对后面发回的照片
14、进行处理，从而获得了月球的地形图、彩色图及全景镶嵌图，让人们能够登月奠定了基础，也推动了数字图像处理这门学科的诞生。20 世纪 70 年代后到现在，各个应用领域对数字图像处理提出越来越高的要求，同时促进了这门学科的高速发展。1972 年英国 EMI 公司工程师 Housfield 发明了用于头颅的 X 射线计算机断层摄影装置，1975 年该公司又研究出了用于全身的 CT 装置，获得了人体各个部位鲜明的断层图像。1979 年这项技术获得了诺贝尔奖。随着科学研究的迅速发展，人们已经开始研究如何用计算机解释图像，很多发达国家投入更多的人力、物力到这个研究中。其中代表性成果就是 70 年代末 MIT
15、的 Marr 提出的视觉计算理论，这个理论成为计算机领域后的主导思想。在国内，图像处理技术起步相对较晚，现在北京大学、浙江大学等都相继成立了从事数字图像处理技术研究的国家重点实验室，天津大学从研究数字电视和电影制作设备的角度也对图像提取技术进行了深入的研究。我国于 1999 年四月和巴西共同研制的“资源一号 ”卫星发射升空，上面安装了我国自主研发的 CCD 相机和红外多光谱扫描仪，这两种航天器直接可以进行图像融合，大大扩展了卫星遥感应用范围。这些图像经过必要的变换处理，是其空间位置和坐标达到匹配，叠加后获得互补信息，增加信息量。目前数字图像处理的主要特点主要包含以下四方面：（1）目前数字图像处
16、理的信息量很大，所以对计算机的计算速度和储存容量要求高。（2）数字图像处理占用的频带宽，这就对频带压缩技术提出了很高的要求。（3）图像处理中信息压缩的潜力很大。（4）所处理的图像一般是给人观察的，受人的因素影响大。近年来，随着计算机和其他各个领域的迅速发展，比如在图像的表现、科学计算可视化、多媒体计算技术和其他有关领域的迅速发展，数字图像处理已经变成了一种普通应用的工具。数字图像处理技术未来发展大致体现在：（1）提高硬件速度。（2）提高分辨率，指的是提高采集分辨率和现实分辨率（3）立体化，三维图像技术将得到广泛应用（4）智能化，使计算机能够按照人的认识和思维方式工作。2.2 图像配准技术面临的
17、难点图像配准技术 3在很多领域有着广泛的应用，加上本身具有很强的复杂性。尽管国内外在图像配准进行了大量工作，但是对于目前配准技术 4的很多方法，其中研究过程中还存在着许多的困难，主要表现在：（1）异构传感器图像配准技术：不同特性的图像传感器获得的图像特征和灰度存在着比较大的差异。现在的图像配准方法大多主要针对影响波段，对于分辨率、景物特征见见图像配准方法较成熟，而对于性质完全不同的出传感器图像，如波段，分辨率、景物特征等差别很大的像配准问题。还没有得到很好的解决方法。很难满足大规模影像数据处理的需要。（2）快速图像配准算法：在建立实时，准实时图像融合系统时，需要快速图像配准。但是主要的问题是如
18、何提高图像配准处理速度达到快速和实时的要求。仍然是图像配准的一大难题。（3）自动配准技术：自动匹配是指不需要人工干预，计算机能够自动完成多源图像的配准。但是目前研究的许多方法大多数是需要进行人工交互，很难完成自动配准。（4）快速图像配准算法：在建立实时、准实时图像融合系统时，必须要求快速图像配准。其主要问题是：目前怎么样提高配准处理速度，达到快速实时的要求，是目前图像匹配发展的难题。（5）较大几何位置差别条件下配准技术的实现：在待配准图像之间有较大的尺寸比例差别、较大的旋转角及较大的平移时存在大的图像非线性畸变以及严重的几何校正残余误差等情况，其匹配难度相当大，许多在上述差别较小时，也会常常无
19、法实施。2.3 图像配准算法分类2.3.1 灰度配准由于传感器的不同，成像模式不同，得到的同一图像数据之间会存在相对平移、旋转、比例缩放甚至畸变的关系，所以必须进行几何上和灰度上的严格配准。基于图像灰度的配准方法 5，首先直接利用整幅图像的灰度信息，根据对应关系模型将每个像素点变换成为对应点，且定义一个描述图像重叠区域相似性代价函数，然后采用某种搜索方法，寻找使相似性代价函数值最大或者最小的变换模型的参数值。从而避免了因分割而带来的误差，因而具有精度较高、不需要预处理而能实现自动配准的特点。但基于图像灰度的配准方法中也存在一些缺点，例如把匹配点周围区域的点的灰度都考虑进来进行计算，因此计算量很
20、大、速度较慢。对旋转缩放和扭曲等因素较敏感。经过几十年的发展基于灰度的图像配准算法可大致分为三类：互相关法、序贯相似度检测匹配法、交互信息法。互相关法也叫模板匹配法，是最基本得基于灰度的图像配准方法。它常常用于在模板匹配和模式识别领域。互相关法通过计算模板图像和搜索窗口之间的互相关值来确定匹配的程度，互相关值最大时搜索窗口位置决定了模板图像在待配准图像的位置。序贯相似度检测匹配法（SSDA）比互相关法容易实现。其主要的特点是处理速度快。交互信息法是为了解决医学图像的配准问题于 1995 年被 Viola 和 Collignon 所研究发现的。目前已经在医学图像处理领域中得到广泛的研究。2.3.
21、2 特征配准基于图像特征 6的配准方法是目前采用最多的，在多源图像融合中，由于多传感器获取各类图像灰度特征不一致，所以很难运用基于图像灰度方法，基于图像特征方法提取各类图像中保持不变特征作为两幅图像配准的参考信息。这类方法的主要优点是它提取了图像的显著特征，压缩了图像的信息量，使得计算量小，速度较快，对于图像灰度的变化具有鲁棒性。所以基于图像特征的配准在实际中的应用越来越广泛。另一方面正是由于只有小部分图像灰度信息被利用了，所以这种方法对特征提取和特征匹配的错误更敏感，需要可靠的特征提取和鲁棒的特征一致性。基于图像特征的配准方法主要困难在于如何提取和选择鲁棒的特征，以及如何对特征进行匹配，要克
22、服由于噪声和场景中出现遮挡现象所引起的误匹配的问题。基于特征配准所处理图像一般包含有颜色特征、纹理特征、形状特征、空间位置特征等。配准方法包括特征提取、特征匹配选取、变化模型及求取参数坐标、变化与插值四个主要组成部分。2.4 图像的匹配技术图像匹配 7是一个多步骤的过程，总的来说大致可以分为图像输入、图像预处理、匹配有用信息提取、图像匹配、输出结果等，图像匹配的数学定义是给定两幅待匹配的图像 和 ，我们称其中之一如 为参考图像，另外一个 为1,Ixy2,I 1,Ixy2,Ixy观察图像。图像的匹配被定义为两个图像之间坐标位置和灰度级上的双重映射变换可表示为（2.1）21,IxygIfxy公式中 f是一个二维空间坐标变换，而g是一维灰度变换。寻找最佳的空间或几何变换参数是匹配问题的关键，它常常被表示为两个参数变量的单值函数 ，xfy（2.2）21,xyIyIff图像匹配就是综合利用已有的多源图像包含的各种空间结构信息，合成空间位置一一对准的图像。图像匹配包括如下几个功能模块。（1）特征空间。用来确定匹配图像的控制结构，包括从参考图像和偏移图像中提取出来的点，线等。图像特征在图像匹配技术中有着非常重要的意义，因为它们决定了这个方法适合用于什么样的图像。图像的像素灰度值可以是一种特征，还可以包括
