原创力文档- 1、本文档共159页，可阅读全部内容。
- 2、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。
- 3、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
- 5、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
- 6、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
- 7、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 8、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
13.什么是模板匹配？用OpenCV编程实现模板匹配算法。
14.什么是直方图匹配？试分析其在图像匹配中的优点和缺点。
15.利用OpenCV提供的SIFT算法有关函数，编程实现图像匹配。
16.利用OpenCV提供的SURF算法有关函数，编程实现图像匹配，并比较其和SIFT匹配结果的区别。图8-25图像的DOG尺度空间对一幅图像I，建立其在不同尺度下的图像，称为塔(Octave)。第一个塔的尺度为原图大小，后面每个塔为上
一个Octave降采样的结果，即原图的1/4，构成下一个塔。
图8-26是图像金字塔构造过程示意图。图8-26图像金字塔的建立2.特征点的提取
SIFT在DOG尺度空间寻找特征点，将每个采样点均和它所有的相邻点比较，判断其是否是相邻的图像域和尺度域上的极值点。如图8-27所示，中间的检测点需和它同尺度8个相邻点和上下相邻尺度对应的9×2个点，共26个点比较，以确保其是图像域和尺度域的极值点。图8-27特征点提取图在确定图像中的特征点后，为每个特征点计算一个方向，依照该方向做进一步的计算。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。
对于检测的每一个关键点，采集其所在高斯金字塔3σ邻域窗口内像素的梯度和方向分布特征。邻域内每一个像素梯度的模值和方向计算公式如下：接着，使用方向直方图统计邻域内像素的梯度方向。该直方图将0°~360°的范围分为36个柱(bins)，每柱为10°。如图8-28所示，方向直方图的峰值方向代表了关键点的主方向。为了简化，这里只画出8个方向的直方图。图8-28关键点邻域及其梯度直方图方向直方图的峰值代表了该特征点处邻域梯度的主方向，以直方图中峰值作为该关键点的方向。为了增强匹配的鲁棒性，保留峰值大于直方图峰值80%的方向作为该关键点的辅方向。
通常仅有15%的关键点被赋序多个方向，但可以明显提高关键点匹配的稳定性。图8-29是一幅图像的关键点及其主方向检测结果。图8-29图像的关键点及其主方向3.特征点描述子
在确定每一个关键点的位置、尺度及方向后，需为每个关键点建立一个描述子，用一组向量将这个关键点描述出来，用于图像匹配。因此，该描述子描述关键点及其邻域的结构特性时，应该具有较高的独特性，以便于提高特征点匹配的准确率。
SIFT描述子对关键点周围图像区域分块，计算块内梯度直方图，将每块的梯度直方图组成一个向量，用于表示关键点周围区域的结构特征。SIFT在关键点尺度空间4×4的窗口中计算8个方向的梯度信息，共计128维向量表示。计算过程如下：(1) 将坐标轴旋转为关键点的方向，使得描述子具有旋转不变性。
(2)确定计算描述子所需的图像区域。关键点所在的尺度空间决定了计算关键点描述子所需的图像区域。将关键点邻域划分为4×4个子区域。
(3)将关键点邻域内的像素分配到对应子区域内，统计每个子区域的梯度值及方向并分配到8个方向上，生成一个128维的特征向量。图8-30是统计每个子区域梯度值及方向的示意图。图8-30统计每个子区域的梯度(4)归一化特征向量，去除光照变化的影响。
特征向量H=(h1，h2，…，h128)形成后，为了去除光照变化的影响，需进行归一化处理，计算公式如下：(8-79)4.特征点匹配
当生成来自同一场景不同视角的两幅图像的SIFT描述子后，将对两幅图像中各个尺度的描述子进行匹配。SIFT采用欧氏距离度量两幅图像中关键点特征向量的距离。采用如下匹配准则：取图像1中的某个关键点，并找出其与图像2中欧氏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小于某个比较阈值，则接受这一对匹配点。显然，若降低比较阈值，SIFT匹配点数目会减少，但更加稳定。图8-31是一个建筑物在不同视角下两幅图像的匹配结果。图8-31同一场景不同视角图像的SIFT特征匹配结果OpenCV提供了SIFT算法，相关的类SiftFeatureDetector和SiftDescriptorExtractor。
利用SIFT算法进行图像匹配的完整源代码请读者登录出版社网站下载，文件路径：
code＼src＼chapter08＼code0805siftImgMat.cpp。
8.6.2SURF不变特征
文档评论（0）