圖像特徵點提取及匹配演算法研究本科畢業論文

❶ 圖像匹配的演算法

迄今為止，人們已經提出了各種各樣的圖像匹配演算法，但從總體上講，這些匹配演算法可以分成關系結構匹配方法、結合特定理論工具的匹配方法、基於灰度信息的匹配方法、基於亞像元匹配方法、基於內容特徵的匹配方法五大類型 基於內容特徵的匹配首先提取反映圖像重要信息的特徵，而後以這些特徵為模型進行匹配。局部特徵有點、邊緣、線條和小的區域，全局特徵包括多邊形和稱為結構的復雜的圖像內容描述。特徵提取的結果是一個含有特徵的表和對圖像的描述，每一個特徵由一組屬性表示，對屬性的進一步描述包括邊緣的定向和弧度，邊與線的長度和曲率，區域的大小等。除了局部特徵的屬性外，還用這些局部特徵之間的關系描述全局特徵，這些關系可以是幾何關系，例如兩個相鄰的三角形之間的邊，或兩個邊之間的距離可以是輻射度量關系，例如灰度值差別，或兩個相鄰區域之間的灰度值方差或拓撲關系，例如一個特徵受限於另一個特徵。人們一般提到的基於特徵的匹配絕大多數都是指基於點、線和邊緣的局部特徵匹配，而具有全局特徵的匹配實質上是我們上面提到的關系結構匹配方法。特徵是圖像內容最抽象的描述，與基於灰度的匹配方法比，特相對於幾何圖像和輻射影響來說更不易變化，但特徵提取方法的計算代價通常較，並且需要一些自由參數和事先按照經驗選取的閉值，因而不便於實時應用同時，在紋理較少的圖像區域提取的特徵的密度通常比較稀少，使局部特徵的提 取比較困難。另外，基於特徵的匹配方法的相似性度量也比較復雜，往往要以特徵屬性、啟發式方法及閉方法的結合來確定度量方法。基於圖像特徵的匹配方法可以克服利用圖像灰度信息進行匹配的缺點，由於圖像的特徵點比象素點要少很多，因而可以大大減少匹配過程的計算量同時，特徵點的匹配度量值對位置的變化比較敏感，可以大大提高匹配的精確程度而且，特徵點的提取過程可以減少雜訊的影響，對灰度變化，圖像形變以及遮擋等都有較好的適應能力。所以基於圖像特徵的匹配在實際中的應用越來越廣-泛。所使用的特徵基元有點特徵明顯點、角點、邊緣點等、邊緣線段等。

❷ 圖像特徵提取方法

特點：
1、局部特徵
2、對旋轉，縮放，亮度變化保持不變性
3、高速性

缺點：
1、局部特徵
2、對邊緣光滑的圖像難以准確提取特徵點

原理：
1、在尺度空間（例如高斯金字塔）上搜尋keypoints興趣點（對於尺度和旋轉不變）
2、篩選上一步獲得的興趣點
（1）對空間中的極值點進行精確定位
（2）用Hessian矩陣消除邊緣效應3、在選定的尺度下，在興趣點附近構造梯度方向直方圖
4、對直方圖進行統計，以此來描述此keypoints

總結：
這個方法是通過尋找通過高斯模糊來構造不同尺度下的高斯尺度空間金字塔，通過遍歷所有點，找出尺度空間中的極值點（與26個點進行比較，分別是這一層的周圍8個點，以及上下兩層的9個點）。在初步探查之後，通過對尺度空間下的DoG函數進行擬合，來確定keypoints的精確位置。DoG運算元的缺點是有較強的邊緣效應，在消除邊緣效應之後，得到的就是篩選後的精確keypoints。最後就是對找到的keypoints統計梯度方向直方圖，並將其向量化。

簡單來說，這個方法由於其旋轉及尺度不變性，主要被應用於圖片匹配的應用中。

參考鏈接1
參考鏈接2

原理：
1、圖片預處理：灰度化，亮度空間標准化
2、計算圖中每個像素的梯度
3、將圖像劃分成一個個cell
4、統計每個cell內的梯度直方圖
5、將每幾個cell組成一個block，將該block內的所有cell的的梯度特徵串起來組成該block內的HoG特徵
6、將整張圖內的所有block的HoG向量串起來組成此圖的HoG特徵向量（可歸一化）

總結：
這個方法通過設定不同大小的cell以及block作為參數，統計出整張圖像的梯度特徵（梯度可以反應物體的形狀，邊緣等特徵），通過cell以及block的形式去統計局部特徵。該方法配合SVM曾是圖像分類任務中最為常用的。

參考鏈接1
參考鏈接2

步驟：
1、確定cell大小
2、遍歷cell中的像素，將其周圍的8個像素與其相比較，若大於中心像素，則對應像素標記為1，否則為0
3、統計cell中的二值直方圖，全部串起來組成圖像的特徵向量

總結：
這個方法通過二值降維的方式，提取出了圖像的紋理特徵，並且有效的減少了高頻雜訊的影響。

參考鏈接

步驟：
1、構建Hessian矩陣，生成所有的邊緣點
2、構建尺度空間金字塔
3、keypoints定位，對第一步生成的所有邊緣點進行尺度空間中的極值篩選
4、進行SIFT中的精確定位
5、特徵點主方向選擇，與SIFT不同的是，SURF採用的是Harr演算法中的扇形統計
6、統計4*4cell中的梯度值，並整合成特徵向量

總結：
這個方法是SIFT的優化演算法，通過在第一步構造Hessian矩陣選出邊緣點作為第一批keypoints，減少了SIFT中所有點在尺度空間中的極值對比。同時，通過該用Harr的扇形統計並沿主方向統計特徵，使得每一個cell中的向量維度由原來的128降到了64 。

參考鏈接

❸ 各位有沒有數字圖像處理方面的本科畢業論文題目

（一）選題
畢業論文（設計）題目應符合本專業的培養目標和教學要求，具有綜合性和創新性。本科生要根據自己的實際情況和專業特
長，選擇適當的論文題目，但所寫論文要與本專業所學課程有關。
（二）查閱資料、列出論文提綱
題目選定後，要在指導教師指導下開展調研和進行實驗，搜集、查閱有關資料，進行加工、提煉，然後列出詳細的寫作提綱
。
（三）完成初稿
根據所列提綱，按指導教師的意見認真完成初稿。
（四）定稿
初稿須經指導教師審閱，並按其意見和要求進行修改，然後定稿。
一般畢業論文題目的選擇最好不要太泛，越具體越好，而且老師希望學生能結合自己學過的知識對問題進行分析和解決。
不知道你是否確定了選題，
確定選題了接下來你需要根據選題去查閱前輩們的相關論文，
看看人家是怎麼規劃論文整體框架的；
其次就是需要自己動手收集資料了，
進而整理和分析資料得出自己的論文框架；
最後就是按照框架去組織論文了。
你如果需要什麼參考資料和範文我可以提供給你。
還有什麼不了解的可以直接問我，希望可以幫到你，祝寫作過程順利

畢業論文選題的方法:
一、盡快確定畢業論文的選題方向 在畢業論文工作布置後,每個人都應遵循選題的基本原則,在較短的時間內把選題的方
向確定下來。從畢業論文題目的性質來看,基本上可以分為兩大類:一類是社會主義現代化建設實踐中提出的理論和實際問題
;另一類是專業學科本身發展中存在的基本范疇和基本理論問題。大學生應根據自己的志趣和愛好,盡快從上述兩大類中確定
一個方向。

二、在初步調查研究的基礎上選定畢業論文的具體題目在選題的方向確定以後,還要經過一定的調查和研究,來進一步確定
選題的范圍,以至最後選定具體題目。下面介紹兩種常見的選題方法。 瀏覽捕捉法 :這種方法就是通過對佔有的文獻資料
快速地、大量地閱讀,在比較中來確定論文題目地方法。瀏覽,一般是在資料佔有達到一定數量時集中一段時間進行,這樣便
於對資料作集中的比較和鑒別。瀏覽的目的是在咀嚼消化已有資料的過程中,提出問題,尋找自己的研究課題。這就需要對收
集到的材料作一全面的閱讀研究,主要的、次要的、不同角度的、不同觀點的都應了解,不能看了一些資料,有了一點看法,就
到此為止,急於動筆。也不能「先入為主」,以自己頭腦中原有的觀點或看了第一篇資料後得到的看法去決定取捨。而應冷靜
地、客觀地對所有資料作認真的分析思考。在浩如煙海,內容豐富的資料中吸取營養,反復思考琢磨許多時候之後,必然會有
所發現,這是搞科學研究的人時常會碰到的情形。 瀏覽捕捉法一般可按以下步驟進行:

第一步,廣泛地瀏覽資料。在瀏覽中要注意勤作筆錄,隨時記下資料的綱目,記下資料中對自己影響最深刻的觀點、論據、論
證方法等,記下腦海中涌現的點滴體會。當然,手抄筆錄並不等於有言必錄,有文必錄,而是要做細心的選擇,有目的、有重點
地摘錄,當詳則詳,當略則略,一些相同的或類似的觀點和材料則不必重復摘錄,只需記下資料來源及頁碼就行,以避免浪費時
間和精力。

第二步,是將閱讀所得到的方方面面的內容,進行分類、排列、組合,從中尋找問題、發現問題,材料可按綱目分類,如分成:
系統介紹有關問題研究發展概況的資料; 對某一個問題研究情況的資料; 對同一問題幾種不同觀點的資料; 對某一問題
研究最新的資料和成果等等。

第三步,將自己在研究中的體會與資料分別加以比較,找出哪些體會在資料中沒有或部分沒有;哪些體會雖然資料已有,但自
己對此有不同看法;哪些體會和資料是基本一致的;哪些體會是在資料基礎上的深化和發揮等等。經過幾番深思熟慮的思考過
程,就容易萌生自己的想法。把這種想法及時捕捉住,再作進一步的思考,選題的目標也就會漸漸明確起來。希望可以幫到你，有什麼不懂的可以問我

❹ 圖像特徵之SIFT特徵匹配

SIFT具有尺度不變性和旋轉不變性。具體分為：

尺度規范化的Laplacian of Gaussian(LoG)運算元具有尺度不變性。在具體實現中，可用Difference of Gaussian(DoG)運算元近似LoG運算元，在構建的尺度空間中檢測穩定的特徵點。

因此尺度空間的構架包含：

sigma越大丟失的高頻越多

每個像素要和周圍的26個像素比較，確定它是當前尺度下，相鄰頻率信息的一個峰值。

為什麼要精確定位，因為我們這個不論是x、y、sigma方向上都是離散的，要在連續的變化上求得極值點。

DoG函數D(X)=D(x,y,σ)在尺度空間的的Taylor展開式為：

令D(X)導數為0，得到極值點的偏移量：

若X^=(x,y,σ)T在任意一個維度大於0.5，說明極值點精確位置距離另一個點更近，應該改變當前關鍵點的位置，定位到新點後執行相同操作，若迭代5次仍不收斂，則認為該檢測點不為關鍵點。精確關鍵點處函數值為：

|D(X^)|過小易受雜訊點的干擾而變得不穩定，若其小於某個閾值(例如0.03或者0.04/S)，則將該極值點刪除。

為了得到穩定的特徵點，只是刪除DoG響應值低的點是不夠的。由於DoG對圖像中的邊緣有比較強的響應值，而一旦特徵點落在圖像的邊緣上，這些點就是不穩定的點。一方面圖像邊緣上的點是很難定位的，具有定位歧義性；另一方面這樣的點很容易受到雜訊的干擾而變得不穩定。

一個平坦的DoG響應峰值往往在橫跨邊緣的地方有較大的主曲率，而在垂直邊緣的方向有較小的主曲率。而主曲率可以通過2×2的Hessian矩陣H求出

D 的主曲率和H的特徵值成正比，令α為較大特徵值，β為較小特徵值，且α/β=r，則

(r+1)2/r在兩個特徵值相等時最小，隨著r的增大而增大，r值越大，說明兩個特徵值的比值越大，正好對應邊緣的情況。因此，設定一個閾值rt，若滿足

則認為該關鍵點不是邊緣，否則予以剔除。

好了，到這一步，我們已經完成了特徵點的篩選，並且通過高斯金字塔的設計實現了尺度不變性。接下來，就該去搞定旋轉不變性了。

這里的旋轉不變性跟咱們角點自帶的旋轉不變性有一些不同。Harris的角點不變性靠的是旋轉後，該是角點的地方還是角點，所以對於整張圖對應的所有角點這個尺度看，它是具備旋轉不變性的。但是SIFT中，我們希望給每個特徵點賦值一個方向，這樣，對於單個特徵點來說，不管是如何縮放、旋轉，這個方向作為它的一個屬性都不會變。

為了使特徵描述子具有旋轉不變性，需要利用關鍵點鄰域像素的梯度方向分布特性為每個關鍵點指定方向參數。對於在DoG金字塔中檢測出的關鍵點，在其所在高斯金字塔圖像的3σ鄰域窗口內計算每個像素的梯度幅值和方向，公式如下：

L為關鍵點所在尺度空間的灰度值，m(x,y)為梯度幅值，θ(x,y)為梯度方向。對窗口內的像素的模值m(x,y)按σ=1.5σoct、鄰域窗口為3σ=3×1.5σoct的高斯分布加權。

在完成關鍵點的梯度計算後，使用直方圖統計鄰域內像素的梯度和方向，梯度直方圖將梯度方向(0,360∘)分為36柱(bins)，如下圖所示，直方圖的峰值所在的方向代表了該關鍵點的主方向。

梯度方向直方圖的峰值代表了該特徵點處鄰域梯度的主方向，為了增強魯棒性，保留峰值大於主方向峰值80%的方向作為該關鍵點的輔方向，因此，在相同位置和尺度，將會有多個關鍵點被創建但方向不同，可以提高特徵點匹配的穩定性。

至此，將檢測出的含有位置、尺度和方向的關鍵點即是該圖像的SIFT特徵點。

是用128維向量對每個關鍵點進行描述。

通過上面的步驟，對於每一個關鍵點，擁有三個信息：位置、尺度以及方向。接下來就是為每個關鍵點建立一個描述符，用一組向量將這個關鍵點描述出來，使其不隨各種變化而改變，比如光照變化、視角變化等等。這個描述子不但包括關鍵點，也包含關鍵點周圍對其有貢獻的像素點，並且描述符應該有較高的獨特性，以便於提高特徵點正確匹配的概率。

SIFT描述子是關鍵點鄰域高斯圖像梯度統計結果的一種表示。通過對關鍵點周圍圖像區域分塊，計算塊內梯度直方圖，生成具有獨特性的向量，這個向量是該區域圖像信息的一種抽象，具有唯一性。

特徵描述子與特徵點所在的尺度有關，因此，對梯度的求取應在特徵點對應的高斯圖像上進行。將關鍵點附近的鄰域劃分為d*d(Lowe建議d=4)個子區域，每個子區域做為一個種子點，每個種子點有8個方向。每個子區域的大小與關鍵點方向分配時相同。

每一個小格都代表了特徵點鄰域所在的尺度空間的一個像素 ，箭頭方向代表了像素梯度方向，箭頭長度代表該像素的幅值。然後在4×4的窗口內計算8個方向的梯度方向直方圖。繪制每個梯度方向的累加可形成一個種子點。

這樣兩幅圖的特徵坐標系都是以關鍵點的方向為准了，旋轉不變性。

如上統計的4 4 8=128個梯度信息即為該關鍵點的特徵向量。特徵向量形成後，為了去除光照變化的影響，需要對它們進行歸一化處理，對於圖像灰度值整體漂移，圖像各點的梯度是鄰域像素相減得到，所以也能去除。

描述子向量門限。非線性光照，相機飽和度變化對造成某些方向的梯度值過大，而對方向的影響微弱。因此設置門限值(向量歸一化後，一般取0.2)截斷較大的梯度值。然後，再進行一次歸一化處理，提高特徵的鑒別性。

按特徵點的尺度對特徵描述向量進行排序

對兩幅圖像中檢測到的特徵點，可採用特徵向量的歐式距離作為特徵點相似性的度量，取圖像1中某個關鍵點，並在圖像2中找到與其距離最近的兩個關鍵點，若最近距離與次近距離的比值小於某個閾值，則認為距離最近的這一對關鍵點為匹配點。降低比例閾值，SIFT匹配點數量會減少，但相對而言會更加穩定。閾值ratio的取值范圍一般為0.4~0.6。

SIFT是一種檢測、描述、匹配圖像局部特徵點的演算法，通過在尺度空間中檢測極值點，提取位置、尺度、旋轉不變數，並抽象成特徵向量加以描述，最後用於圖像特徵點的匹配。SIFT特徵對灰度、對比度變換、旋轉、尺度縮放等保持不變性，對視角變化、仿射變化、雜訊也具有一定的魯棒性。但其實時性不高，對邊緣光滑的目標無法准確提取特徵點

旋轉不變性是計算關鍵點方向並旋轉得到的；尺度不變性是圖像下采樣獲得高斯金字塔得到的。