毕业设计（论文）题目基于SIFT特征的图像匹配姓名张建华学号**********所在学院理学院专业班级08信计指导教师吴颖丹日期2012 年 6 月 2 日摘要当今社会已经进入信息时代，随着计算机技术、通信技术和数学的发展，图像信息处理能力和水平也不断提高，相应的也得到更多关注、研究和更加广泛的应用。
图像匹配是处理和解决各种图像信息的基础，已经成为虚拟现实和计算机可视化领域的研究热点。
一直以来，研究人员对图像匹配技术进行了大量的研究，推出了许多匹配算法，其中特征匹配算法有着较高的精确度和稳定性。
SIFT （Scale Invariant Feature Transform）特征匹配算法是Lowe提出来的用于图像特征匹配的算法，是目前特征匹配领域的热点，对图像的旋转，尺度缩放和亮度变换保持不变，对视角变换，仿射变换保持一定程度的稳定。
SIFT特征点是图像的一种尺度不变局部特征点，具有独特性好，信息量丰富，多量性，高速性，可扩展性等特点。
正是借助于这些特点，使得传统图像配准中的许多诸如前面提到的共性问题得到了很大程度的改善。
该算法首先给出了尺度空间的生成方法，检测出极值点；接下来给出了SIFT特征点的提取步骤和精确定位极值点的方法；然后基于特征点邻域像素的梯度和方向生成了关键点的描述向量；最后根据特征向量给出了匹配方法，提取了SIFT的特征点，并其应用于图像匹配。
本文首先简要介绍了图像匹配所需的基础知识，然后详细介绍了SIFT算法的具体流程。
通过大量的实验证明SIFT算法具有较强的匹配能力和鲁棒性，是一种较好的图像匹配算法。
关键字：SIFT; 图像匹配; 尺度空间; 极值点; 特征向量AbstractToday，society has entered the information age, with the development of computer technology, communications technology and mathematics, the image information processing capabilities and the level is also rising, and also get more attention, research and more widely used. The image matching handle and solve all kinds of image information, has become the research focus of the virtual reality and computer visualization. Researchers has been a lot of research for image matching techniques, the introduction of a number of matching algorithm, which feature matching algorithm has higher accuracy and stability. SIFT（Scale Invariant Feature Transform）feature matching algorithm, proposed by Lowe, is a hot field of feature-matching 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 scale-invariant 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.This paper briefly introduces the basic knowledge required for image matching, and then details the specific process of the SIFT algorithm. Large number of experiments to prove the SIFT algorithm has a strong match and robustness, is a good image matching algorithm.Key Words：SIFT; Image Registration; Scale space; extreme points; eigenvector.目录第1章绪论 (1)1.1 本课题研究的背景及意义 (1)1.2本课题研究的内容和目标 (2)1.3 本文安排 (2)第2章图像匹配技术 (4)2.1数字图像处理技术的概述 (4)2.2 图像匹配技术的定义 (5)2.3 图像匹配技术的方法 (5)2.3.1基于灰度相关的匹配算法 (5)2.3.2 基于特征的图像匹配算法 (6)2.3.3 两类匹配算法的比较 (7)2.4本章小结 (8)第3章 SIFT算法 (9)3.1 SIFT算法的简介 (9)3.2 SIFT算法实现步骤简述 (9)3.3 SIFT算法详细过程 (10)3.3.1 尺度空间的生成-建立高斯金字塔 (10)3.3.2 尺度空间的生成-DOG高斯差分金字塔的生成 (12)3.3.3 空间极值点检测 (13)3.3.4 极值点的精确定位 (14)3.3.5 关键点方向分配 (17)3.3.6生成SIFT特征向量 (18)3.3.7 SIFT特征向量的匹配 (20)3.4 小结 (20)第4章实验结果分析 (21)4.1 实验一 (21)4.2 实验二 (23)4.3 实验三 (24)4.4 实验四 (26)4.5 实验五 (27)4.6 实验六 (29)4.7 实验结论 (30)第5章总结 (32)致谢 (34)参考文献 (35)附录 (37)第1章绪论1.1 本课题研究的背景及意义图像无处不在。
任何物体通过光线在人眼的视网膜中成像，如同在摄像头或者照相机中成像一样。
所以，图像对于人来说是首要的信息。
人和高等动物都有着发达的视觉系统，使得客观环境中存在的事物或目标可以被识别，从而引发进一步的处理。
对于人类来说，这种功能是与身俱来的，十分轻松的事情。
但是，当人眼接受到的图像信息过于庞大、复杂时，图像的处理就会变得相当的复杂。
在许多应用中，观察员需要同时监视多种信息源的图像，从中获取信息并作出判断。
此时，观察员就需要将得到的图像进行融合，从中获取对自己有用的信息。
但是图像的融合是由观察员的视觉系统和大脑完成的，观察员的劳动负荷大，一名观察员很难从多幅独立的、连续变化的图像中得到可靠的合成视觉信息；通过多名观察员的协同工作获得合成图像信息要么是不可能的，要么代价太大。
图像配准技术可以解决这个问题。
图像配准技术是现代遥感技术、微电子技术和精密检测技术的综合性产物。
图像配准就是将不同时间、不同传感器(成像设备)或不同条件下(天候、照度、摄像位置和角度等)获取的两幅或多幅图像进行匹配、叠加的过程，它已经被广泛地应用于遥感数据分析、计算机视觉、图像处理等领域。
配准技术的流程如下：首先对两幅图像进行特征提取得到特征点；通过进行相似性度量找到匹配的特征点对；然后通过匹配的特征点对得到图像空间坐标变换参数：最后由坐标变换参数进行图像配准。
图像匹配是图像配准的重要环节。
图像匹配的实现方式是指通过一定的匹配算法在两幅或多幅图像之间识别同名点，如二维图像匹配中通过比较目标区和搜索区中相同大小的窗口的相关系数，取搜索区中相关系数最大所对应的窗口中心点作为同名点。
其实质是在基元相似性的条件下，运用匹配准则的最佳搜索问题，确切的说，所谓图像匹配就是在图像融合过程中，寻找一幅图像(目标图像或实时图)在另一幅图像(源图像或基准图)中的位置。
图像匹配技术可以使信息具有高度集成性，便于存储和运输。
从20世纪80年代初至今，图像匹配已引发了世界范围的研究狂潮，它在计算机视觉、遥感、机器、医学图像处理以及军事等领域有着广泛的应用前景。
图像匹配利用各种成像传感器获得的不同图像，综合各图像的互补信息和冗余信息，扩大传感器的工作范围，增加置信度，改善系统的可靠性和可维护性，降低对单一传感器的性能要求，可更为准确、可靠、全面的获取对目标或场景的信息描述，以供进一步处理。
目前，图像匹配的应用领域概括起来主要有以下几个方面：(1) 医学图像分析：肿瘤检测、白内障检测、CT、MRI、PET图像结构信息融合、数字剪影血管造影术(DSA)等；(2) 遥感数据分析：分类、定位和识别多谱段的场景信息、自然资源监控、核生长监控、市区增长监控等；(3) 模式识别：目标物运动跟踪、序列图像分析、特征识别、签名检测等；(4) 计算机视觉：目标定位、自动质量检测等；(5) 还应用与全景拼图，视频检索等应用领域；虽然人们在图像匹配的不同层次上开展了大量的理论与应用研究，但是，至今为止在各层次图像匹配领域内尚未有公认的完整的理论和方法。
还存在许多理论和技术问题有待解决。