基于sift特征点的图像匹配方法研究演示幻灯片.pptVIP

基于特征点的图像匹配方法研究;目录;1.图像匹配介绍----图像匹配的定义; 图像匹配是处理多源图像信息融合、目标识别等实际问题中的一个重要步骤。 图像匹配广泛应用于军事、医学、航空等多个重要科研领域 。 经过图像匹配后配准，可以获得质量更高、清晰度更好、定位更准确的目标信息。 ;1.图像匹配介绍----图像匹配的应用领域;1.图像匹配介绍----图像匹配的应用领域;1.图像匹配介绍----图像配准的应用领域;1.图像匹配介绍----图像配准的应用领域;2.图像匹配的分类;2.图像匹配方法的分类;2.1基于灰度的图像匹配算法;2.图像匹配方法的分类;3.匹配算法的一般步骤—特征提取;;3.匹配算法的一般步骤—特征提取;3.匹配算法的一般步骤—特征提取;3.匹配算法的一般步骤—特征提取;3.1特征提取;3.1特征提取;3.1特征提取;3.1特征提取;3.1特征提取;3.1特征提取;3.1特征提取;3.1特征提取;3.1特征提取;3.1特征提取;3.2特征匹配;3.2特征匹配;3.2特征匹配;3.2特征匹配;3.2特征匹配;3.3估计变换模型;3.3估计变换模型;3.3估计变换模型;3.3估计变换模型;3.3估计变换模型;3.4 图像重采样及变换 ;关键点的匹配可以采用穷举法来完成，但是这样耗费的时间太多，一般都采用一种叫k-d树的数据结构来完成搜索。搜索的内容是以目标图像的关键点为基准，搜索与目标图像的特征点最邻近的原图像特征点和次邻近的原图像特征点。;SIFT 简介 1999年British Columbia大学大卫.劳伊（David G.Lowe）教授总结了现有的基于不变量技术的特征检测方法，并正式提出了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子－SIFT（尺度不变特征变换），这种算法在2004年被加以完善。 SIFT 主要思想 SIFT算法是一种提取局部特征的算法，在尺度空间寻找极值点，提取位置，尺度，旋转不变量。 ;基于点特征 --SIFT算法 SIFT特征匹配算法包括两个阶段，SIFT特征的生成与SIFT特征向量的匹配。 SIFT特征向量的生成算法共包括4步： 尺度空间极值检测，以初步确定关键点位置和所在尺度； 拟和三维二次函数精确确定位置和尺度，同时去除低对比度的关键点和不稳定的边缘响应点； 利用关键点邻域像素的梯度方向分布特性为每个关键点指定方向参数，使算子具备旋转不变性； 生成SIFT特征向量；;SIFT算法具体步骤： （1）检测尺度空间极值点 （2）精确定位极值点 （3）为每个关键点指定方向参数 （4）关键点描述子的生成;尺度空间（scale space ）定义： 我们要精确表示的物体都是通过一定的尺度来反映的。现实世界的 物体也总是通过不同尺度的观察而得到不同的变化。 尺度空间理论最早在1962年提出，其主要思想是通过对原始图像进 行尺度变换，获得图像多尺度下的尺度空间表示序列，对这些序列进行 尺度空间主轮廓的提取，并以该主轮廓作为一种特征向量，实现边缘、 角点检测和不同分辨率上的特征提取等。 尺度空间中各尺度图像的模糊程度逐渐变大，能够模拟人在距离目 标由近到远时目标在视网膜上的形成过程。 ;4.SIFT算法-尺度空间的生成;4.SIFT算法-尺度空间的生成;4.SIFT算法-图像金字塔的构建;4.SIFT算法-图像金字塔的构建;4.SIFT算法-图像金字塔的构建;高斯金字塔;生成的高斯差分图像;4.SIFT算法-空间极值点检测;4.SIFT算法-空间极值点检测;通过拟和三维二次函数以精确确定关键点的位置和尺度（达到亚像素精度）， 同时去除低对比度的关键点和不稳定的边缘响应点(因为DoG算子会产生较强的边缘响应)，以增强匹配稳定性、提高抗噪声能力。;4.SIFT算法-关键点方向匹配;4.SIFT算法-关键点方向匹配;4.SIFT算法-特征点描述子生成;当两幅图像的SIFT特征向量生成后，下一步我们采用关键点特征向量的欧式距离来作为两幅图像中关键点的相似性判定度量。取图像1中的某个关键点，并找出其与图像2中欧式距离最近的前两个关键点，在这两个关键点中，如果最近的距离除以次近的距离少于某个比例阈值，则接受这一对匹配点。降低这个比例阈值，SIFT匹配点数目会减少，但更加稳定。;4.SIFT算法-特征匹配过程;Sift特征是图像的局部特征，对平移、旋转、尺度缩放、亮度变化、遮挡和噪声等具有良好的不变性，对视觉变化、仿射变换也保持一定程度的稳定性。 独特性好，信息量丰富，适用于在海量特征数据库中进行快速、准确的匹配。 多量性，即使少数的几个物体也