基于SIFT算法的圖像匹配方法-本科論文

摘要圖像匹配是指通過(guò)一定的算法在兩幅或多幅影像之間識(shí)別同名點(diǎn)的過(guò)程。圖像匹配技術(shù)是圖像處理技術(shù)中的重要研究?jī)?nèi)容，是圖像信息領(lǐng)域之中的一項(xiàng)重要技術(shù)，同時(shí)它也是其它一些圖像分析技術(shù)的根底。正由于其應(yīng)用的廣泛性，使得匹配算法的研究逐步走向成熟。圖像匹配是一個(gè)多步驟的過(guò)程，不同的匹配算法之間步驟也會(huì)有很大的不同，效果也有較大的出入。SIFT算法是一種基于尺度空間的算法，該算法特征是圖像的局部特征，使其對(duì)旋轉(zhuǎn)、尺度縮放、亮度變化具有保持不變性，對(duì)視角變化、方式變換、噪聲也具有良好的穩(wěn)定性，同時(shí)SIFT算法具有獨(dú)特性好、信息量豐富，運(yùn)行速度快等特點(diǎn)。本課題研究了基于SIFT算法的圖像匹配方法，論述了SIFT算法的實(shí)現(xiàn)過(guò)程。通過(guò)實(shí)驗(yàn)，探尋SIFT在亮度變化、尺度變化、旋轉(zhuǎn)變化下的匹配效果。并運(yùn)用SIFT算法實(shí)現(xiàn)物體識(shí)別。關(guān)鍵字：圖像匹配，尺度空間，穩(wěn)定性，SIFT算法，物體識(shí)別ABSTRACTImagematchingreferstotheprocessofidentifyhomonymypointsbetweentwoormoreimagesbyacertainalgorithm.Generallyspeaking,Imagematchingtechnologyisofimportant,notonlyintheapplicationofimageprocessingtechnology,butalsointhefieldofpatterninformation.Besides,itisalsothebasisofsomeothertechnologyofimageanalysis.Therefore,itwouldseemthatfurtherinvestigationaboutimagematchingtechnologyisneeded.Imagematchingisamulti-stepprocess.Differentmatchingalgorithmwouldhavedifferentcalculatestepsandresults.Inaddition,SIFTisanalgorithmbasedonscale-space,whichfeatureisthelocalfeaturesoftheimage,itsrotation,scalezooming,brightnessvariationhavetheadvantageofinvariability,andthechangeofviewpoint,patterntransformation,noisealsohasgoodtraitofstability.Meanwhile,theSIFTalgorithmhasthecharacteristicsofgooduniqueness,hugeinformation,fasterrunningspeedandsoon.ThisarticlepresentsthatthemethodofimagematchingwhatbasedonSIFTalgorithm,andsummarizethattheimplementationprocedureofSIFTalgorithmaswellasexploresthematchingresultsofSIFTintheaspectofbrightnessvariation,scalevariationandRotationvariation.Besides,italsodiscussesthewayofobjectrecognitionbyuseofSIFTalgorithm.Keywords:imagematching,scale-space,stability,SIFTalgorithms,objectrecognition目錄TOC\o"1-2"\h\z\u1緒論[13]。匹配成功后，會(huì)產(chǎn)生許多錯(cuò)誤匹配點(diǎn)，我們需要對(duì)錯(cuò)誤匹配點(diǎn)加以修正。常用的去外點(diǎn)的方法是RANSAC隨機(jī)抽樣一致性算法。這樣我們就可以消除錯(cuò)誤匹配點(diǎn)，提高了匹配的成功率，提高了魯棒性。4.7本章小結(jié)本章詳細(xì)介紹了SIFT算法的實(shí)現(xiàn)過(guò)程，對(duì)SIFT算法的理論知識(shí)做了充分的闡述。對(duì)SIFT算法流程進(jìn)行了分步驟的詳細(xì)說(shuō)明。本章內(nèi)容是本課題的核心內(nèi)容，也是SIFT算法的核心思想。5實(shí)驗(yàn)結(jié)果及分析本文的程序代碼是在MATLAB的平臺(tái)上實(shí)現(xiàn)的。SIFT特征點(diǎn)集用帶箭頭的向量表示，箭頭的長(zhǎng)度代表該特征點(diǎn)所在的尺度，方向代表該特征點(diǎn)所在尺度下方向的梯度方向，箭頭的起點(diǎn)代表特征點(diǎn)的位置。通過(guò)匹配后，我們將匹配上的特征點(diǎn)集用線連接起來(lái)。5.1SIFT特征提取實(shí)驗(yàn)結(jié)果SIFT算法的核心是特征點(diǎn)的提取，首先我們將圖像轉(zhuǎn)化為灰度圖像，讓后提取出特征點(diǎn)，實(shí)驗(yàn)結(jié)果如圖5-1。〔a〕(b)(c)(d)(e)(f)圖5-1圖像特征點(diǎn)的提取通過(guò)以上實(shí)驗(yàn)，分別對(duì)6副圖片進(jìn)行特征點(diǎn)的提取，我們得到如表5-1所示的數(shù)據(jù)，通過(guò)對(duì)數(shù)據(jù)的分析，我們可以發(fā)現(xiàn)：用SIFT算法提取特征點(diǎn)，特征點(diǎn)的數(shù)目與物體的大小并沒(méi)有明顯的沒(méi)有關(guān)系。而與物體外表的紋理具有正相關(guān)的關(guān)系。當(dāng)物體的外表具有較多較復(fù)雜的圖像和幾何圖形時(shí)，我們可以得到較多的特征點(diǎn)。反之，假設(shè)物體外表較為光滑，沒(méi)有圖片和幾何圖形時(shí)，我們得到的特征點(diǎn)數(shù)目非常少。這與SIFT的算法有關(guān)，因?yàn)榫哂袕?fù)雜外表紋理的物體在經(jīng)過(guò)DOG高斯差分函數(shù)處理后能得到更多的關(guān)鍵點(diǎn)。表5-1不同圖像的關(guān)鍵點(diǎn)檢測(cè)數(shù)據(jù)圖像編號(hào)實(shí)物名稱特征點(diǎn)數(shù)目5.1〔a〕水杯425.1〔b〕盒子11585.1〔c〕盒子2545.1〔d〕牛奶1425.1〔e〕糖果1835.1〔f〕牙膏2085.2特征匹配實(shí)驗(yàn)結(jié)果根據(jù)SIFT算法的理論，我們可以得知SIFT算法具有很好的穩(wěn)定性。其對(duì)旋轉(zhuǎn)、尺度縮放、亮度變化具有保持不變的特性，對(duì)視角變化、仿射變換、噪聲也保持一定程度的穩(wěn)定性。所以我們將分別對(duì)亮度、尺度、和旋轉(zhuǎn)對(duì)匹配效果的影響分別展開(kāi)研究實(shí)驗(yàn)。5.2.1亮度變換的匹配為了取得SIFT算法對(duì)亮度調(diào)節(jié)下的匹配效果。我們進(jìn)行如下實(shí)驗(yàn)：如圖5-2，我們分別輸入兩張亮度信息不同的圖像〔a〕,〔b〕，他們中都含有相同的元素。我們用SIFT算法講兩幅圖像進(jìn)行匹配。〔a〕高亮度圖像(b)低亮度圖像圖5-2輸入亮度信息不同的圖像圖像〔a〕產(chǎn)生121個(gè)關(guān)鍵點(diǎn)，圖像〔b〕產(chǎn)生了117個(gè)關(guān)鍵點(diǎn)，將兩幅圖像的關(guān)鍵點(diǎn)進(jìn)行匹配，的到了64個(gè)匹配點(diǎn)，匹配成功點(diǎn)用藍(lán)色的線連接起來(lái)。匹配成功率較高，也充分證明了該算法在亮度變化下也能有較好的匹配效果。圖5-3亮度信息變化下的匹配結(jié)果5.2.2尺度變換的匹配為了取得SIFT算法在不同尺度下的匹配小姑，我們將進(jìn)行如下實(shí)驗(yàn)。如圖5-4，我們輸入物體在不同尺度下的原始圖像，用SIFT算法對(duì)其進(jìn)行匹配，并進(jìn)行數(shù)據(jù)統(tǒng)計(jì)。〔a〕〔b〕(c)(d)(e)(f)圖5-4物體在不同尺度下的圖像分別將各個(gè)圖片進(jìn)行處理，提取出SIFT關(guān)鍵點(diǎn)集，然后進(jìn)行逐一匹配。匹配效果如圖5-5：〔a〕(b)(c)圖5-5尺度變化下的匹配效果表5-2尺度變化下關(guān)鍵點(diǎn)統(tǒng)計(jì)數(shù)據(jù)圖像大尺度關(guān)鍵點(diǎn)數(shù)小尺度關(guān)鍵點(diǎn)數(shù)匹配關(guān)鍵點(diǎn)數(shù)書(shū)1963036冰紅茶3574721牙膏1924541通過(guò)表5-2數(shù)據(jù)和圖5-5匹配結(jié)果可以看出，圖像的尺度變化后，產(chǎn)生的關(guān)鍵點(diǎn)數(shù)目也響應(yīng)的減少。在匹配的過(guò)程中，匹配率相對(duì)較高，能得到多對(duì)匹配點(diǎn)。實(shí)驗(yàn)證明該算法在尺度變化下具有很好的穩(wěn)定性，能過(guò)到達(dá)較高的匹配率和較好的匹配效果。在第一組數(shù)據(jù)中，匹配上的關(guān)鍵點(diǎn)數(shù)比小尺度的關(guān)鍵點(diǎn)還要多。這是因?yàn)樾〕叨壬系囊粋€(gè)關(guān)鍵點(diǎn)可能和大尺度上的多個(gè)關(guān)鍵點(diǎn)匹配成功，產(chǎn)生了錯(cuò)誤匹配導(dǎo)致的，匹配中產(chǎn)生了錯(cuò)誤匹配。5.2.3旋轉(zhuǎn)變換的匹配為了得到SIFT算在旋轉(zhuǎn)變換情況下的匹配效果，我們輸入一張如圖5-6所示圖片，將瓶子向分別向左右兩個(gè)方向旋轉(zhuǎn)15°、30°。得到四張旋轉(zhuǎn)后的圖片，然后將這些圖片分別與原圖進(jìn)行匹配，得到匹配對(duì)數(shù)。從而研究旋轉(zhuǎn)對(duì)SIFT算法的影響。圖5-6輸入的原始圖像經(jīng)過(guò)SIFT算法后，我們得到原始圖像和旋轉(zhuǎn)后圖像的特征點(diǎn)，然后進(jìn)行一一匹配，得到匹配效果如圖5-7：〔a〕向右旋轉(zhuǎn)15度匹配效果〔b〕向右旋轉(zhuǎn)30度匹配效果〔c〕向左旋轉(zhuǎn)15度匹配效果〔d〕向左旋轉(zhuǎn)30度匹配效果圖5-7旋轉(zhuǎn)匹配效果表5-3旋轉(zhuǎn)變化下的關(guān)鍵點(diǎn)匹配數(shù)據(jù)圖像對(duì)旋轉(zhuǎn)角度特征點(diǎn)數(shù)目與原圖像匹配成功點(diǎn)數(shù)目圖5.603060圖5.7〔a〕向右15度22031圖5.7(b)向右30度17230圖5.7(c)向左15度29142圖5.7(d)向左30度19823通過(guò)對(duì)實(shí)驗(yàn)結(jié)果圖5-7的分析和對(duì)數(shù)據(jù)的統(tǒng)計(jì)表5-3分析我們可以發(fā)現(xiàn)，雖然該算法在理論上具有很好的旋轉(zhuǎn)不變性，但是實(shí)驗(yàn)效果不是很好。我們的到的匹配對(duì)數(shù)并不是很多，即使我們的到了很多的特征點(diǎn)數(shù)。而且匹配過(guò)程中還會(huì)遇到錯(cuò)誤的匹配。這也影響到該算法的精確程度。5.3圖像匹配應(yīng)用——物體識(shí)別圖像匹配在算法在現(xiàn)實(shí)生活中具有廣泛的應(yīng)用，在軍事目標(biāo)識(shí)別、工業(yè)和民用方面都有不同程度的應(yīng)用，其應(yīng)用已經(jīng)滲透到了很多領(lǐng)域，典型應(yīng)用比方：物體識(shí)別、機(jī)器人定位與導(dǎo)航、圖像拼接、三維建模、物體識(shí)別、視頻跟蹤、筆跡鑒定、指紋與人臉識(shí)別、犯罪現(xiàn)場(chǎng)特征提取等。本文對(duì)其中的物體識(shí)別做了簡(jiǎn)單應(yīng)用。本文提出一種物體識(shí)別的思路，其流程如圖5-8：建立一個(gè)圖像庫(kù)建立一個(gè)圖像庫(kù)〔1，2,3…n〕輸入圖像輸入圖像對(duì)圖像庫(kù)中的圖像提取對(duì)圖像庫(kù)中的圖像提取SIFT特征，產(chǎn)生特征關(guān)鍵點(diǎn)數(shù)據(jù)庫(kù)〔1,2,3…n〕提取出圖像關(guān)鍵點(diǎn)提取出圖像關(guān)鍵點(diǎn)將輸入圖像關(guān)鍵點(diǎn)與數(shù)據(jù)庫(kù)中的關(guān)鍵點(diǎn)一一匹配將輸入圖像關(guān)鍵點(diǎn)與數(shù)據(jù)庫(kù)中的關(guān)鍵點(diǎn)一一匹配匹配成功匹配成功全部匹配失敗全部匹配失敗輸出該圖像中含有N輸出該圖像中含有N對(duì)應(yīng)的物體輸出沒(méi)有找到相關(guān)匹配圖5-8物體識(shí)別根本流程通過(guò)物體識(shí)別，我們就能找出圖像中與庫(kù)中相同的物體，雖然本文做的比擬簡(jiǎn)單，但是假設(shè)加以改良，必定有很廣泛的應(yīng)用。5.3.1建立物體庫(kù)我們建立物體庫(kù)，首先要先將物體圖片保存到庫(kù)文件夾中，把名字改為1,2，3……n的格式。然后通過(guò)函數(shù)提取出每個(gè)物體的特征點(diǎn)集。分別保存到數(shù)組DD〔n〕和FF(n)中。N代表的是第幾張圖，關(guān)鍵點(diǎn)信息存到相應(yīng)的數(shù)組中。數(shù)組DD中前一位128代表的是描述子采用128維向量表征，后面一位代表該圖像的關(guān)鍵點(diǎn)數(shù)目。作為與目標(biāo)圖像匹配的依據(jù)。圖5-9是一個(gè)以5副圖像為庫(kù)的物體庫(kù)。圖5-9建立物體庫(kù)圖5-10物體庫(kù)產(chǎn)生的特征點(diǎn)集通過(guò)對(duì)每副圖像處理后，我們得到了一個(gè)數(shù)據(jù)庫(kù)。庫(kù)的建立是通過(guò)一個(gè)循環(huán)分別尋找每個(gè)物體的特征點(diǎn)集，然后每次循環(huán)后把循環(huán)結(jié)果存入數(shù)組中。因?yàn)槊看窝h(huán)都要調(diào)用SIFT特征點(diǎn)提取，所以耗時(shí)較長(zhǎng)，我們分別對(duì)3、6、9個(gè)物體的數(shù)據(jù)庫(kù)建立時(shí)間做了統(tǒng)計(jì)，統(tǒng)計(jì)數(shù)據(jù)如表5-4。表5-4建立數(shù)據(jù)庫(kù)用時(shí)統(tǒng)計(jì)圖像庫(kù)數(shù)目建立庫(kù)用時(shí)〔s〕29.7450314.3020419.3050629.0750837.6970圖5-11建立數(shù)據(jù)庫(kù)用時(shí)統(tǒng)計(jì)圖圖5-11橫坐標(biāo)代表圖像庫(kù)中圖像的數(shù)目，縱坐標(biāo)表示建立數(shù)據(jù)庫(kù)所用時(shí)間。通過(guò)對(duì)數(shù)據(jù)進(jìn)行處理發(fā)現(xiàn)，圖像庫(kù)越多，建立數(shù)據(jù)庫(kù)用時(shí)就越長(zhǎng)，圖像數(shù)目與建立數(shù)據(jù)庫(kù)用時(shí)成正比關(guān)系，我們用軟件擬合可以得到擬合函數(shù)y=4.7x+0.4,X為圖像數(shù)目，Y為建立數(shù)據(jù)庫(kù)所用時(shí)間。5.3.2目標(biāo)圖像與庫(kù)匹配通過(guò)以上算法，我們已經(jīng)建立了物品庫(kù)。并把每個(gè)物體的關(guān)鍵點(diǎn)信息存入相對(duì)應(yīng)的數(shù)組中。接下來(lái)我們需要輸入一張圖片，提取出該圖片中的關(guān)鍵點(diǎn)信息，然后將關(guān)鍵點(diǎn)與數(shù)據(jù)庫(kù)中的關(guān)鍵點(diǎn)進(jìn)行匹配，如果圖像與庫(kù)中第一組數(shù)組所存的數(shù)據(jù)匹配成功，且匹配上的關(guān)鍵點(diǎn)對(duì)數(shù)大于5對(duì)，那么我們系統(tǒng)就判定該張圖像中含有數(shù)據(jù)庫(kù)中該組數(shù)組所對(duì)應(yīng)的物體。在結(jié)果中輸出該圖像中含有該物體，輸入圖像與庫(kù)中的每一組數(shù)組都沒(méi)有匹配成功，那么在最后的結(jié)果中我們就認(rèn)為該圖像不含有庫(kù)中的物體。如第節(jié)所示，我們已經(jīng)建立了牛奶、盒子、書(shū)、糖果、牙膏的數(shù)據(jù)庫(kù)。我們現(xiàn)在只需輸入一張圖片，將圖像與數(shù)據(jù)庫(kù)進(jìn)行匹配?！瞐〕輸入圖像糖果〔b)輸入含有庫(kù)中盒子和牙膏的圖像圖5-12輸入圖像輸入的圖像可以含有數(shù)據(jù)庫(kù)中的圖像，也可以不含有數(shù)據(jù)庫(kù)中的圖像?！瞐〕輸入圖像與庫(kù)中的盒子匹配結(jié)果(b)輸入圖像與庫(kù)中牙膏匹配結(jié)果圖5-13輸入圖像與庫(kù)中數(shù)據(jù)匹配結(jié)果〔左圖為輸入圖像，右圖為庫(kù)中的圖像〕圖5-14圖像識(shí)別輸出結(jié)果圖5-15輸入圖像與數(shù)據(jù)庫(kù)中的圖像匹配結(jié)果圖5-16圖像匹配輸出結(jié)果在圖像匹配過(guò)程中，有時(shí)候會(huì)出現(xiàn)錯(cuò)誤匹配，如圖5-17，我們輸入一張含有庫(kù)中牙膏和盒子的圖像，然后與數(shù)據(jù)庫(kù)進(jìn)行比擬。圖5-17輸入圖像與數(shù)據(jù)庫(kù)中的匹配結(jié)果如圖5-18：〔a〕輸入圖像與數(shù)據(jù)庫(kù)中的書(shū)比照結(jié)果〔b〕輸入圖像與庫(kù)中牛奶匹配結(jié)果圖5-18輸入圖像與數(shù)據(jù)庫(kù)中比照錯(cuò)誤結(jié)果圖5-19輸入圖像識(shí)別結(jié)果通過(guò)結(jié)果發(fā)現(xiàn)，我們得到了錯(cuò)誤的識(shí)別結(jié)果。我們輸入的圖像中并沒(méi)有牛奶和書(shū)。但是在最后的結(jié)果中我們卻得到了牛奶和牙膏，所以我們需要對(duì)程序加以修正，提高識(shí)別的準(zhǔn)確度。在這里，我們?cè)O(shè)置一個(gè)識(shí)別門(mén)限，當(dāng)匹配上的關(guān)鍵點(diǎn)對(duì)數(shù)大于這個(gè)門(mén)限的時(shí)候我們?cè)佥敵鱿鄳?yīng)的結(jié)果，否那么我們就判定這是一個(gè)錯(cuò)誤的識(shí)別。在最后的結(jié)果輸出中我們不予輸出。在經(jīng)過(guò)反復(fù)的測(cè)試后，在這里我們將門(mén)限取5，只有當(dāng)匹配上的關(guān)鍵點(diǎn)數(shù)大于5對(duì)的時(shí)候我們才認(rèn)為該圖像與庫(kù)中的圖像匹配成功，并在最后的結(jié)果中輸出。經(jīng)過(guò)修正后的程序輸出結(jié)果如圖5-20。圖5-20經(jīng)過(guò)改良后的程序輸出結(jié)果經(jīng)過(guò)修正后的程序大大提高了識(shí)別的精度和準(zhǔn)確度，過(guò)濾掉了大局部的錯(cuò)誤識(shí)別。也充分的證明了圖像識(shí)別技術(shù)的可行性。程序?qū)崿F(xiàn)了預(yù)期功能，但也存在一些缺乏。由于程序中沒(méi)次輸入圖像，都要進(jìn)行一次庫(kù)的建立，這樣設(shè)計(jì)是為了方便改變庫(kù)中的物體，但也造成了耗時(shí)過(guò)長(zhǎng)的缺陷。如果庫(kù)中的圖片數(shù)目較少，我們耗時(shí)不長(zhǎng)。但是如果庫(kù)中圖片較多是，將會(huì)花費(fèi)大量的時(shí)間用來(lái)建立數(shù)據(jù)庫(kù)。在節(jié)中我們已經(jīng)得到了建立數(shù)據(jù)庫(kù)用時(shí)的函數(shù)y=4.7x+0.4,X為圖像數(shù)目，Y為建立數(shù)據(jù)庫(kù)所用時(shí)間。它是一個(gè)一次線性函數(shù)，所以如果庫(kù)函數(shù)圖像較多的情況下，建議將庫(kù)函數(shù)和匹配函數(shù)分開(kāi)調(diào)用，以節(jié)約時(shí)間。接下來(lái)我們探索下運(yùn)行整個(gè)程序的時(shí)間和物體庫(kù)中數(shù)目之間的關(guān)系。分別在物體庫(kù)中庫(kù)圖像為3張、5張、7張、9張的情況下展開(kāi)研究。表5.5程序耗時(shí)統(tǒng)計(jì)數(shù)據(jù)圖像庫(kù)數(shù)目程序總耗時(shí)〔s〕327.5690546.5710764.8520986.0180圖5.21程序總用時(shí)與庫(kù)圖像數(shù)目關(guān)系通過(guò)對(duì)數(shù)據(jù)分析發(fā)現(xiàn)，程序的總用時(shí)數(shù)據(jù)庫(kù)中圖像的數(shù)目成正比關(guān)系，通過(guò)擬合直線我們大致可以得到直線y=11.1x-7.6，式中Y為程序的總共用時(shí)，X代表圖像庫(kù)中圖像的張數(shù)。5.3本章小結(jié)本章通過(guò)實(shí)驗(yàn)，分別對(duì)SIFT特征點(diǎn)匹配做了詳細(xì)研究。我們統(tǒng)計(jì)了不同大小的物體所獲得的關(guān)鍵點(diǎn)數(shù)目。外表紋理復(fù)雜程度與生成關(guān)鍵點(diǎn)數(shù)目的關(guān)系。然后分別研究了亮度變化、尺度變化、旋轉(zhuǎn)變化對(duì)匹配效果的影響。實(shí)驗(yàn)證明SIFT算法提取特征點(diǎn)的數(shù)目與物體的大小關(guān)系不大，與物體外表紋理的復(fù)雜程度呈正相關(guān)的關(guān)系，外表紋理越復(fù)雜，得到的關(guān)鍵點(diǎn)越多。證明了該算法具有良好的穩(wěn)定性和魯棒性，即使在光照、尺度、和物體發(fā)生旋轉(zhuǎn)的情況下，都能得到較好的匹配效果，證明了SIFT特征點(diǎn)具有保持光照不變、尺度不變、旋轉(zhuǎn)不變的特性。同時(shí)，我們?cè)赟IFT算法的根底上做了創(chuàng)新應(yīng)用，實(shí)現(xiàn)了簡(jiǎn)單的物體識(shí)別，雖然識(shí)別時(shí)間較長(zhǎng)，識(shí)別會(huì)存在誤差等缺點(diǎn)。但是物體識(shí)別的功能根本實(shí)現(xiàn)，能對(duì)物體簡(jiǎn)單的識(shí)別。6總結(jié)與展望6.1總結(jié)本文首先介紹了圖像匹配的研究背景及意義，完成了對(duì)國(guó)內(nèi)外的研究現(xiàn)狀的調(diào)查統(tǒng)計(jì)，確定研究的內(nèi)容及方向。接下來(lái)對(duì)圖像匹配的方法進(jìn)行了簡(jiǎn)要概述，對(duì)圖像匹配的原理做了簡(jiǎn)單介紹。分析各種圖像匹配方法的優(yōu)缺點(diǎn)。鑒于SIFT算法的優(yōu)越性，最后選擇基于特征點(diǎn)的SIFT算法作為圖像匹配的核心算法。然后開(kāi)始詳細(xì)介紹SIFT算法的具體實(shí)現(xiàn)過(guò)程，為算法的實(shí)現(xiàn)提供理論根底。在最后的實(shí)驗(yàn)章節(jié)中，我們對(duì)SIFT特征點(diǎn)的提取做了研究，對(duì)尺度、旋轉(zhuǎn)、光線的明暗情況下分別對(duì)SIFT算法做了充分的實(shí)驗(yàn)，得到了珍貴的實(shí)驗(yàn)數(shù)據(jù)。最后我們通過(guò)對(duì)SIFT算法加以簡(jiǎn)單的應(yīng)用，利用SIFT算法設(shè)計(jì)了一個(gè)簡(jiǎn)單的物體識(shí)別系統(tǒng)，通過(guò)該系統(tǒng)，我們能識(shí)別圖像中的物體，并顯示該物體名稱。雖然這個(gè)系統(tǒng)的雛形很簡(jiǎn)單，功能也比擬單一，但是物體識(shí)別在軍事、救災(zāi)、民用等諸多領(lǐng)域有廣泛的應(yīng)用，如果加以改良必定會(huì)有廣泛的應(yīng)用價(jià)值。6.2展望通過(guò)本文的研究，我們?cè)诶碚撋献C明了SIFT算法的優(yōu)越性，無(wú)論匹配效果還是匹配成功率在現(xiàn)有的匹配方法中變顯都很突出。當(dāng)然，由于影響匹配效果的因數(shù)有很多，所以在不同的情況下應(yīng)采用與之相符合的匹配方式，總體上來(lái)講，SIFT算法的獨(dú)特優(yōu)越性確定了該算法的廣闊前景。一幅圖像蘊(yùn)含了極為豐富的信息，如可以直接利用的像素值，對(duì)于彩色圖像有色彩信息，怎樣利用這些信息來(lái)表征圖像的本質(zhì)信息是一個(gè)難點(diǎn)。現(xiàn)有的方法大局部都是基于像素點(diǎn)的灰度值、像素點(diǎn)的空間分布信息、色彩信息等。提前圖像的特征后，就可以根據(jù)這些特征進(jìn)行分類，并可以用于檢索以及識(shí)別新的圖像。特征提取是圖像識(shí)別、分類和檢索中的關(guān)鍵技術(shù)，本文主要關(guān)注圖像的特征提取方法。提取特征時(shí)要考慮其維數(shù)，如果提取的圖像特征具有很高的維數(shù)，計(jì)算復(fù)雜度會(huì)較高，而且實(shí)際當(dāng)中待處理的圖像數(shù)量巨大，將給存儲(chǔ)和處理帶來(lái)很大的不便，也就不適于分類、檢索和識(shí)別方法的設(shè)計(jì)。在特征提取時(shí)，還要考慮光照變化、鏡頭位置、運(yùn)動(dòng)是否對(duì)提取的特征的有影響等問(wèn)題。目前常用的圖像特征包括顏色特征、紋理特征，形狀特征和局部點(diǎn)特征等，本文主要關(guān)注局部點(diǎn)特征。SIFT特征是圖像的局部特征，其對(duì)旋轉(zhuǎn)、尺度縮放、亮度變化保持不變性，對(duì)視角變化、仿射變換、噪聲也保持一定程度的穩(wěn)定性，在尺度空間尋找極值點(diǎn)、提取位置、尺度以及旋轉(zhuǎn)不變量。本文介紹了尺度空間理論，尺度空間理論目的是模擬圖像數(shù)據(jù)的多尺度特征。SIFT特征就是在不同的尺度空間和位置提取局部特征點(diǎn)。與其他特征相比，圖像的局部特征綜合反映了圖像的細(xì)節(jié)局部信息，對(duì)于尺度縮放變化、視角變化、仿射變化、灰度變化、噪聲保持了較好的穩(wěn)定性。本文對(duì)SIFT算法做了簡(jiǎn)單的物體識(shí)別應(yīng)用，SIFT算法是現(xiàn)在圖像圖像匹配的一種主流算法，在諸多領(lǐng)域具有廣泛的應(yīng)用，比方物體識(shí)別、機(jī)器人定位與導(dǎo)航、圖像拼接、三維建模、手勢(shì)識(shí)別、視頻跟蹤、筆記鑒定、指紋與人臉識(shí)別、犯罪現(xiàn)場(chǎng)特征提取等。SIFT在圖像的不變特征提取方面擁有無(wú)與倫比的優(yōu)勢(shì)，但是其并不是完美的，仍然存在著實(shí)時(shí)性不高、有時(shí)候特征點(diǎn)較少、對(duì)邊緣模糊的目標(biāo)無(wú)法準(zhǔn)確提取出特征點(diǎn)等缺陷。所以SIFT算法具有很高的研究?jī)r(jià)值和很高的研究意義。參考文獻(xiàn)汪洋.圖像匹配方法綜述.《電腦與電信》,2023年田慧云.基于特征點(diǎn)的立體影像匹配,北京:北京建筑工程學(xué)院,2023年官云蘭等.點(diǎn)特征提取算法探討.《東華理工學(xué)院學(xué)報(bào)》,2007年林相波等.基于灰度和形狀的非剛性圖像配準(zhǔn)算法的研究.《中國(guó)生物醫(yī)學(xué)工程學(xué)報(bào)》，2023年張鐘漢.各向異性的微分光流和匹配光流算法,西安:西安電子科技大學(xué),2023年趙彬.基于壓縮域的視頻配準(zhǔn),濟(jì)南:山東大學(xué),2023年姜彬等.圖像分割技術(shù)分析與展望.《電腦知識(shí)與技術(shù)》，2023年梅玫.基于內(nèi)容的同源視頻檢索技術(shù)研究，北京：北京郵電大學(xué)，2023年郭金芝.基于SIFT算法的車(chē)牌識(shí)別系統(tǒng)研究,西安:西安電子科技大學(xué),2023年李亮.基于語(yǔ)義稀疏表示的不良圖像檢測(cè)算法,西安:西安電子科技大學(xué),2023年楊升.基于SIFT算法單雙目視覺(jué)結(jié)合的移動(dòng)機(jī)械臂定位研究,武漢:武漢科技大學(xué),2023年劉宏娟.基于DSP的航拍圖像配準(zhǔn)系統(tǒng)的研究與實(shí)現(xiàn),西安:西安電子科技大學(xué),2023年王建雄.無(wú)人飛艇低空攝影測(cè)量關(guān)鍵技術(shù)研究及大比例尺地形成圖實(shí)踐,西安：長(zhǎng)安大學(xué),2023年DavidG.Lowe.“Distinctiveimagefeaturesfromscale-invariantkeypoints〞InternationalJournalofComputerVision,60,2(2004),pp.91-110Brown,M.andLowe,D.G.2002.Invariantfeaturesfrominterestpointgroups.InBritishMachineVisionConference,Cardiff,Wales,pp.656-665.致謝經(jīng)過(guò)一學(xué)期的緊張忙碌，我的畢業(yè)設(shè)計(jì)工作也根本完成。在畢業(yè)設(shè)計(jì)階段，我得到了很多老師和同學(xué)的幫助，正因?yàn)樗麄兊亩αο嘀?，我才能更好的完成畢業(yè)設(shè)計(jì)的工作，在這里我要向他們表達(dá)誠(chéng)摯的謝意。首先，我要感謝我的導(dǎo)師趙瑩老師。在畢業(yè)設(shè)計(jì)階段，她給我提供了巨大的幫助。老師知識(shí)淵博，平易近人。每當(dāng)我碰到自己解決不了的問(wèn)題，老師都細(xì)心的為我指導(dǎo)，積極的給我提供幫助。不僅指導(dǎo)我的設(shè)計(jì)任務(wù)，更教會(huì)我了做研究的方法和態(tài)度。她刻苦鉆研，嚴(yán)謹(jǐn)治學(xué)的精神給留下了深刻的印象，對(duì)我產(chǎn)生了深遠(yuǎn)的影響。我這次畢業(yè)論文的順利完成與她孜孜不倦的教導(dǎo)息息相關(guān)。其次我要感謝我的其他大學(xué)老師，是他們無(wú)私奉獻(xiàn)的精神，讓我在大學(xué)中成長(zhǎng)成熟。是他們把給了我們智慧與知識(shí)，讓我遠(yuǎn)離了無(wú)知。再次我要感謝我的同學(xué)們，大家朝夕相處，一起學(xué)習(xí)進(jìn)步。當(dāng)我遇到困難的時(shí)候，我第一個(gè)求助的人總是他們，他們也總是不厭其煩的幫助我。最后，我要感謝所有支持我的家人和朋友，是你們給了我信心與力量。附錄生成輸入圖像的SIFT特征點(diǎn)：mainclc;clear;img1_dir='demo-data\';img1_file='image.jpg';I1=imreadbw([img1_dirimg1_file]);I1_rgb=imread([img1_dirimg1_file]);I1=imresize(I1,[240320]);I1_rgb=imresize(I1_rgb,[240320]);I1=I1-min(I1(:));I1=I1/max(I1(:));[frames1,descr1,gss1,dogss1]=do_sift(I1,'Verbosity',1,'NumOctaves',4,'Threshold',0.1/3/2);figure(1);clf;plotss(dogss1);colormapgray;drawnow;figure(2);clf;imshow(I1_rgb);axisimage;holdon;h=plotsiftframe(frames1);set(h,'LineWidth',1,'Color','g');圖像匹配代碼：clc;clear;main;img1_dir='demo-data\';img2_dir='demo-data\';img1_file='81.JPG';img2_file='85.JPG';I1=imreadbw([img1_dirimg1_file]);I2=imreadbw([img2_dirimg2_file]);I1=imresize(I1,[240320]);I2=imresize(I2,[240320]);I1=I1-min(I1(:));I1=I1/max(I1(:));I2=I2-min(I2(:));I2=I2/max(I2(:));[frames1,descr1,gss1,dogss1]=do_sift(I1,'Verbosity',1,'NumOctaves',4,'Threshold',0.1/3/2);[frames2,descr2,gss2,dogss2]=do_sift(I2,'Verbosity',1,'NumOctaves',4,'Threshold',0.1/3/2);fprintf('Computingmatches.\n');descr1=descr1';descr2=descr2';matches=do_match(I1,descr1,frames1',I2,descr2,frames2');圖像識(shí)別代碼〔圖像庫(kù)為5幅〕：main;clc;clear;fori=1:5;c=int2str(i);img1_dir='demo-