基于sift特征的圖像匹配畢業論文(編輯修改稿)

　

【文章內容簡介】 9 1 基于 SIFT 特征的圖像匹配 摘要： 現代社會已經進入信息時代，隨著 計算機技術、通信技術和數學的發展，圖像信息處理能力和水平也不斷 提高，相應的也得到更多關注、研究和更加廣泛的應用。圖像匹配是圖像處理的一項關鍵技術，可以廣泛用于目標識別與跟蹤、立體視覺、變化檢測、車場車牌識別、人臉識別、機器人導航、測繪等領域。 SIFT（ Scale Invariant Feature Transform）特征匹配算法是 Lowe提出來的用于圖像特征匹配的算法，是目前特征匹配領域的熱點，對圖像的旋轉，尺度縮放和亮度變換保持不變，對視角變換，仿射變換保持一定程度的穩定。 SIFT 特征點是圖像的一種尺度不變局部特征點，具有獨特性好，信息量豐富，多量性，高速性，可擴展性等特點。該算法首先給出了尺度空間的生成方法，檢測出極值點；接下來給出了 SIFT 特征點的提取步驟和精確定位極值點的方法；然后基于特征點鄰域像素的梯度和方向生成了關鍵點的描述向量；最后根據特征向量給出了匹配方法，提取了 SIFT的特征點，并其應用于圖像匹配。實驗證明這種算法具有較強 的匹配能力和魯棒性，是一種較好的圖像匹配算法。 關鍵 詞 ： SIFT 算法；圖像匹配；高斯函數；尺度不變性； SIFT 描述子。 2 Image matching based on SIFT features Abstract: As the modern society has entered the information age, the capacity and the level of image information processing are rising, correspondingly arousing more attention, attracting more research and being used more widely, in the wake of the development of puter technology, munication technology and mathematics. Matching is a key imageprocessing technology, which can be widely used in target identification and tracking, stereoscopic vision, change detection, car license plate recognition, face recognition, robot navigation, mapping, and other fields. SIFT（ Scale Invariant Feature Transform） feature matching algorithm, proposed by Lowe, is a hot field of featurematching 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 scaleinvariant 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. Experiment shows that it has strong capacity and robustness of matching and it turns out to be efficient for image matching. Key words: SIFT algorithm。 image matching。 Gaussian function。 scale invariance。 SIFT descriptor. 3 第 1章 緒論 現實生活中，存在著多種多樣的可被我們所感知的信號，其中，人的 80%以上的信息來源是通過視覺系統所獲得的。人類 是 通過眼睛與大腦來獲取、處理與理解視覺信息的。周圍環境中的物體在光線刺激作用下 ，在人眼的視網膜上形成圖像，由感光細胞轉換成神經脈沖信號，經神經纖維傳入大腦皮層進行處理與理解。視覺，不僅指對光信號的感受，還包括了對視覺信息的獲取、傳輸、處理、存儲與理解的全過程。 人和高等動物都有著發達的視覺系統，使得客觀環境中存在的事物或目標可以被識別，從而引發進一步的處理。對于人類來說，這種功能是與身俱來的，十分輕松的事情。信號處理理論與計算機出現以后，人們試圖用 攝像 機獲取環境圖像并將其轉換成數字信號，用計算機實現對視覺信息處理的全過程，這樣，就形成了一門新興的學科 —計算機視覺 [22]。一般的機器視覺系統都是在某一領域內作用的，故待識別的目標是特定領域內的，而且類型有限，于是可以作一個樣本庫容納可能出現的目標類型模板。在判斷輸入的圖像是什么時，就可以將輸入的圖像與存儲的樣本庫進行匹配比較，進行判斷識別。 在另外一些場合下，需要對目標進行空間上的定位。多數應用場合下，給出了一個樣本圖像 (Model)，它包含著一個特定的目標對象，如一個實際物體，一個符號或字符等等，需要從另一幅包含目標的實際背景圖像中尋找這個目標對象的位置，進行定位，也就是判斷這幅背景圖像或它的一部分是不是我們所要尋找的目標 ，這時就需要用到圖像匹配技術。據 automated imaging sociation Machine Vision(自動化圖像協會 )1998 年統計，40%以上的計算機視覺的應用需要圖像匹配的技術支持。隨著科學技術的發展，圖像匹配技術已經成為現代信息處理領域中的一項極為重要的技術，在許多領域內有著廣泛而實際的應用。因此，做好對圖像匹配技術的深入研究，對推動現代信息處理領域的發展，是密切聯系的 。 圖像匹配技術簡介 自上個世紀 70 年代，美國從進行的飛行器輔助導航系統、武器投射系統等應用研究中提出圖像匹配以來，它一直是學者們研究的熱點和難點。圖像匹配技術是現代遙感技術、微電子技術和精密檢測技術的綜合性產物，隨著可科學技術的迅猛發展，圖像匹配技術在近代信息處理，特別是在圖像信息處理領域中占據著越來越重要的地位。目前，已廣泛應用到圖像識別、圖像分析和計算機視覺、目標識別和跟蹤等許多重要領域。 目前，有關研究人員對圖像匹配技術進行了大量的研究，提出了很多匹配算法：有基于面積的方法，有基于比值的方法，有相位相關算法等等。但是這些匹配算法都有一 4 個共同點：圖像間的焦距要一致，不能有尺度縮放，旋轉不能太大，變形不能太明顯。隨著圖像技術和計算機技術的發展，出現了基于特征的圖像匹配技術。這種技術的 優點是 能處理不同特性的圖像和圖像間變形復雜的情況。缺點是特征的檢測困難，算法穩定性較差。針對特征匹配算法存在的不足，經過計算機視覺多年的發展，特征提取技術越來越穩定，特別是尺度空間的特征檢測器甚至可以穩定地對兩幅位移很大的圖像進行準確的特征檢測和匹配。 圖像匹配的方法有很多，一般分為兩大類 ： 一類是基于灰度匹配的方法，另一類是基于特征匹配的方法。第一類，基于灰度匹 配的方法，也稱為相關匹配算法，用空間二維滑動模板進行圖像匹配，不同算法的區別主要體現在模板及相關準則的選擇方面。這類方法能夠獲得較高的定位精度，但是它的運算大，難以達到實時性要求。目前主要有Leese于 1971年提出的 MAD算法， Bamen于 1972年提出的序貫相似性檢測法 ——SSDA法，陳寧江等提出的歸一化灰度組合相關法等。第二類，基于特征匹配的方法，首先在原始圖中提取特征，然后再建立兩幅圖之間特征的匹配對應關系。這類方法的主要優點是特征點提取的計算量大大減少，但是適應能力較弱。目前主要有最小均方差匹配、 快速點匹配、 Hausdorff 點距離匹配， MSER 特征區域 匹配， SIFT 特征點匹配等算法。 SIFT 特征匹配的應用領域 SIFT 算法自從提出以后在許多的領域引起較大的轟動，產生較深的影響，主要有以下一些方面： (1)人臉識別 ： SIFT 算法對一定范圍內的人臉姿勢變化，豐富的表情變化和隨機遮擋具有良好的魯棒性，識別率幾乎接近 100%。在非理想條件下的人臉識別性能明顯高于幾種發展的已經比較成熟的經典算法。 (2)指紋比對： SIFT 特征具有的數量大、 具有局部文理描述等特點使得該算法明顯擴展了現有的以細節點為主導的指紋局部調整系統，體現了較高的應用價值，使得指紋識別系統的性能有了提高。 (3)信息檢索服務： SIFT 特征的提取具有獨特性好，多量性，信息量豐富，高速型等特點，是檢索海量圖像信息的理想方式。 (4)醫學圖像檢索：隨著 X 射線計算機斷層攝影 (CT)、核磁共振成像 (MRI)、賀詞共振波譜 (MRS)等醫學的大量產生， SIFT 可用于有效地進行組織和檢索。 (5)還應用與跟蹤匹配，全景拼圖 ，視頻檢索等應用領域。 本文安排 SIFT 特征 的提取是通過在 圖像的尺度空間內，將定位極值點作為候選關鍵點，并 5 提取極值點的方向參數，最后獲得匹配所需要關鍵點描述符的一種算法。近年來受到各個領域的親賴，本文重點闡述了 SIFT 特征的提取過程，然后次要闡述了兩幅圖像間的特征匹配方法，最后通過實驗分析匹配的穩定性和準確性。 本次算法的實現包括兩個部分，第一部分是 SIFT 特征提取部分，該部分的所有代碼是在 Visual Studio 2020 的控制臺 應用程序 中調用 OpenCV 庫 用 c 語言實現的；第二部分是特征匹配的實現，該部分的所有代碼是用 MATLAB 實現的，它通過調用第一部分代碼 所生成的一個可執行文件 生成兩幅圖像的 SIFT 特征，然后用歐氏距離的方法實現了兩幅圖像間的特征匹配。 本文分為 5 章，每章的安排如下： 第 1 章， 緒論部分，簡要介紹了 SIFT 算法，圖像匹配的概念，以及 SIFT 特征匹配所應用的領域。 第 2 章，圖像匹配技術，介紹了數字圖像處理技術，圖像匹配技術的背景和意義，簡要介紹了圖像匹配的基本概念以及圖像匹配方法的分類。 第 3 章，介紹了尺度空間理論和高斯尺度空間 第 4 章， SIFT 特征 的提取部分和 基于 SIFT 特征的圖像匹配 ，詳細闡述了 SIFT 特征提取的四個主要步驟和 基于 SIFT 特征的圖像匹配 ，是本文的重點章節。 第 5 章，通過大量的實驗，分別從視角變換、亮度變換、尺度縮放變換、仿射變換和旋轉變換五種情況分析了圖像匹配的準確性和穩定性。 6 第 2章 圖像匹配技術 圖像匹配是計算機視覺和圖像處理領域中一項非常重要的工作。主要用于將不同時間、不同傳感器、不同視角及不同拍攝條件下獲取的兩幅或多幅圖像進行匹配。圖像匹配是多種圖像處理及應用的基礎，匹配的效果直接影響到其后續圖像的處理工作。科學技術日新月異，尤其是伴隨計算機技術的發展，圖像匹配技術越來越多地應用到日常生活中。而尺度不變特征算法具有良好的尺度、旋轉、光照不變特性，因此，該算法成為圖像匹配技術研究的新熱點并廣泛應用于圖像處理領域。 本章先介紹數字圖像處理的相關技術，然后介紹兩種主要的圖像匹配方法， 圖像匹配主要可分為 以灰度為基礎的匹配和以特征為基礎的匹配 ，最后對兩種基本方法進行簡單的比較 。 數字圖像處理相關技術 [17,18] 數字 圖像處理 [17]是在以計算機為中心的圖像處理系統上進行的，該系統包括各種輸入、處理、輸出及顯示設備在內。簡言之，數字圖像處理的過程就是將連續的模擬圖像變成離散的數字圖像，同時建立特定的物理模型和數學模型，利用程序控制該系統運行來滿足各種具體需求的過程。由于數字圖像處理具有很好的靈活性和方便性，該技術已成為圖像處理的主流。常見的數字圖像處理技術有：圖像的采集、圖像數字化處理、圖像的編解碼 技術、圖像增強技術、圖像修復技術、圖像變換、圖像壓縮處理、圖像存儲、圖像的傳輸、圖像分析、圖像識別、圖像分割等。一個實用的圖像處理系統往往結合幾種圖像處理技術才能得到所需要的結果。圖