1. 研究目的与意义（文献综述）
图像特征在图像处理中具有十分重要的意义。目前, 几何特征、纹理特征、彩色特征和特征点在目标识别、立体匹配和运动估计等领域中均已得到了一定程度的应用。在实际应用中，图像经常会发生变化，提取具有较强鲁棒性的图像特征就显得尤为重要。
1999年，david lowe提出一种提取局部特征的sift(scale invariant featuretransform)算法[1]，对于图像平移、缩放、旋转具有不变性，对于仿射变换、视角变化、光照变化及噪声等具有很强的匹配鲁棒性[2]。算法将图像转化为灰度图像，然后通过金字塔和高斯核平滑滤波处理，将高斯拉普拉斯空间中的极值点快速的求解出，图像特征提取的速度得以提高，具有严格意义上的实时处理性，此算法于2004年完善。同时，mikolajczyk和schmid通过实验证明[3]，针对不同情况如光照变化、解析度、几何变形、旋转等，sift算子具有最优性能。由于sift算子良好的旋转不变性和稳健的特征匹配结果，它被广泛应用于目标识别、全景拼接、机器人导航制图、三维场景建模等领域的特征提取中。
许多学者也对sift算子进行了改进和优化：采用主成分分析的pca-sift改进法[4]，在传统sift算法中融入一种主要用于对数据进行降维的主成分分析法(pca)，降低了传统sift特征描述符的维数，减少了数据量，节约了整个匹配算法的运行时间，但事先需要有一组典型图像的学习，对于可以预先计算的离线情况是有用的，对于实时情况，反而增加了计算量；yang zhan-long[5]等人提出的bi-sift(backgroundinvariance-sift)算法利用了结合局部的目标边缘信息来构造sift特征描述符的思想,能进一步提高算法的有效性,但此算法构造sift特征描述符是基于灰度信息的描述子,不具有足够强的信息表达力,对形状相似颜色差异较大的物体图像的识别能力差强人意；张羽等[6]通过在dom（均值差）尺度空间采用积分图像和积分直方图检测特征点和生成sift特征描述符，使算法的实时性能得到一定的提高，但由于dom尺度空间没有dog尺度空间的尺度信息表达能力强，主方向和特征描述符的求取也没有进行高斯加权，导致其精确性和稳定性有一定的下降；万雪等[7]在原始sift算法的基础上提出了采用基于零交叉点理论的特征提取改进算法，改进后算法在特征提取重复率、匹配正确点数、特征匹配正确率和特征提取速度上均有较大幅度提升，但当图像数据量大时特征提取耗时长；yong chen等[8]提出了一种基于统计特征分布和一致性约束的改进sift算法，此算法在关键点方向分配部分选择直方图的最高柱方向作为主方向，提高了图像配准的正确率并降低了几何误差，但是由于忽略了分散方向的影响，此做法对图像特征及特征分布缺乏考虑；刘小军等[9]针对大尺度图像配准和不同传感器图像配准问题，提出了一种基于sift的图像配准方法，提高了匹配点对的数量，但此算法引入的harris角点检测算法却无法适应图像的尺度变化，这也在一定程度上限制了它的应用。
2. 研究的基本内容与方案
课题的研究目标是：详细研究基于图像的sift特征提取原理，并针对sift算子特征提取实时性不高的问题，提出一种简化的sift特征提取算法，在生成特征点描述子步骤中取消采样区的设置，减小计算量、缩短计算时间，提高特征提取的时效性，同时也对其在图像配准方面的应用进行研究。此算法使用matlab软件完成。
为了实现图像配准，我们需要对图像进行特征的提取描述、匹配，其中提取描述过程使用sift算法实现。
sift特征提取描述步骤:
3. 研究计划与安排
第1-4周查阅、收集相关资料，完成开题报告，资料整理、阅读
第5周确定系统总体方案
第6-7周学习计算机软件matlab
4. 参考文献（12篇以上）
[1]davidg.lowe object recognition from local scale-invariant features. 1999.
[2]david g.lowe distinctive image features from scale-invariant keypoints.january 5,2004.
[3]mikolajczyk k,schmid c. a performance evaluaion of localdescriptors[j].ieee transaction on pattern analysis and machineintelligence,2005,27(10):1615-1630.
