1. 研究目的与意义
目前图像处理技术在我们日常生活中的应用变得越来越普及，比如医学图像，卫星图像，特征识别，面孔识别，汽车障碍识别，显微图像处理等都有运用图像处理技术。在图像处理领域里，常常需要把对同一景物获取的两幅或多幅图像进行比较，找到共有景物，或找到对应模式，这个过程是图像匹配。图像匹配是在基元相似性的条件下，运用匹配准则的最佳搜索问题[1-2]。多视角图像匹配是指基于特征的匹配方法找到多幅不同视角的图像中特征相对稳定、易于精确定位的点，并把这些点对应起来，建立映射关系[4]。找到合适的图像匹配方法一直是一个难题。
目前图像匹配算法分为3类：基于灰度的匹配算法、基于特征的匹配算法、基于高级特征的匹配算法[3].基于灰度的图像匹配算法有平均绝对差算法（mad）、平均误差平方和算法（msd）、误差平方和算法（ssd）、归一化积相关算法（ncc）、序贯相似性检测算法（ssda）、hadamard变换算法（satd）等[5]，这类算法直接利用原始图像的灰度进行匹配，对物体间的微小差别非常敏感，抗噪声，抗干扰能力差，只能适用于精细匹配。基于特征的匹配方法主要分为点特征，面特征，线特征等[6]。文献[5]中研究出了一些基于特征的图像匹配算法，但是有很大局限性，不能用于低质量图片。sift是一种基于特征的匹配方法，具有尺度不变性，可在图像中检测出关键点，是一种局部特征描述子[7]。对于光线、噪声、微视角改变的容忍度也相当高。sift特征匹配算法可以处理两幅图像之间发生平移，旋转，仿射变换情况下的匹配问题，具有很强的匹配能力[8]。基于高级特征的匹配算法如基于约束的树搜索，可利用深度优先搜索策略，依靠解释树寻找局部一致的匹配。基于多尺度特征作特征匹配，则是对图像信息引入多种级别的抽象，遵循先轮廓后细节，先宏观后微观，先易于辨认部分后较为模糊部分的人类视觉匹配规律，能提高图像匹配的可靠性。除了之前的3大类之外还有利用图像局部区域具有仿射不变性来完成图像匹配[6],aguliar等提出了基于图变换匹配（gtm)算法[9]。深度学习是为了解决特征难提取的需求，基于深度学习算法的图像匹配通过卷积神经网络可以不用进行人为特征提取和筛选，结果较好，同时可以通过对图像底层特征的组合，获得了高层语义信息。卷积神经网络具有鲁棒性强、可并行处理、学习优化等优点18-19]。
本文主要采用sitf方法和基于深度学习的特征提取来进行图像匹配研究，对结果进行对比分析，完善图像匹配方法，从而得到一种合适的图像匹配方法。
2. 研究内容和预期目标
一.研究内容
- 熟悉图像点特征提取基本方法；
-
熟悉深度学习基本方法；
-
能够利用matlab进行编程，实现一种sift图像匹配方法，以及一种基于深度学习的特征提取和匹配方法；
剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！3. 研究的方法与步骤
剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！4. 参考文献
[1]张丰收，宋卫东，李振伟主编. 数字图像处理技术及应用[m]. 北京：中国水利水电出版社, 2015.
[2]王军,张明柱. 图像匹配算法的研究进展[j]. 大气与环境光学学报,2007
[3]丁文益,王平,黄庆,董鸿燕. 一种适应仿射变换的全自动景象匹配算法[j]. 重庆理工大学学报(自然科学版),2010.
剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！5. 计划与进度安排
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
