全文总字数：5476字
1. 研究目的与意义（文献综述）
1.1 研究目的及意义
图像配准是重叠从不同的角度和/或由不同的传感器在不同时间拍摄的同一场景的两个或多个图像的过程。它在几何上对齐两幅或多幅图像——参考和感知图像。由于不同的成像条件，引入了图像对之间的差异。作为一个关键而又基础的问题在复杂的任务中，图像配准，也称作图像匹配或者图像对应，其目标是确定并且对应来自两幅或者多幅图像中相同或者相似的结构/内容。图像配准主要用于更高维度的结构复原，信息识别和整合，例如：3d重建，视觉slam，图像拼接，图像融合，图像检索，目标识别和跟踪，变化检测等等。
一般来说，图像配准在两个对象的配对中有着广泛的定义，因此也出现了许多具体的任务，例如：稀疏特征的匹配，稠密匹配，其中稠密匹配又包括图像配准，立体匹配，块匹配，2d和3d点集配准，图匹配。图像匹配通常包括两个部分，即匹配目标和匹配策略，也就是分别指要去匹配什么和怎么去匹配它们。匹配最直观的对象是图像本身，最终目标是在几何上将感测图像扭曲到参考图像的公共空间坐标系中，并将其公共区域像素与像素（即图像配准）对齐。为此，一种直接策略，也称为基于区域的方法，是利用像素域原始图像像素强度或信息的相似性测量来在预定义大小的滑动窗口来配准两幅图像，因此不试图检测任何突出的图像结构。另一个更经典、更可接受的方法叫做基于特征的方法，例如：特征检测和描述、特征匹配、变换模型估计、图像重采样和变换的方法已出现在著名的综述论文中，并且应用于各个领域。基于特征的图像匹配是非常流行的，因为它比较灵活而且鲁棒，以及应用的广泛性。具体来说，特征检测可以从图像中提取显著性的结构，并且特征描述子可以被认为是一种图像表征的方法，其广泛应用在图像编码，相似度测量，例如：图像分类和检索。另外，由于深度特征获取和非线性表达能力强，将深度学习技术应用于图像信息表示或相似度测量，以及图像对变换的参数回归，是当今图像研究的热点，其被证明可以实现更好的表现，比起传统的方法，也显露出了非常不错的潜力。
2. 研究的基本内容与方案
本次设计的基本内容为研究计算机视觉的一项基本问题：图像匹配，重点研究特征点匹配，在matlab或python环境下实现，并对结果进行比较分析。
sift算法对旋转、尺度缩放、亮度变化保持不变性，对视角变化、仿射变换、噪声也保持一定的稳定性，且其独特性好，信息量丰富，适合用于建立初始的匹配对应关系，当然也可以使用surf,orb等其他的特征描述子来代替。
我初步的想法是通过sift描述子来建立初始的匹配关系，然后通过建立的对应关系。通过kd树来存取每对对应关系的邻居，计算第一幅图像的k个邻居的索引和第二幅图像k个邻居的索引，求得其共同邻居的个数，以此来建立每对对应关系的局部特征的匹配表征，然后结合坐标点构建出每一组对应关系的特征表示。
3. 研究计划与安排
第1－4周：查阅相关文献资料，明确研究内容，了解研究所需理论基础，确定方案，完成开题报告。
第5－6周：熟悉掌握基本理论，完成英文资料的翻译，熟悉开发环境。
第7－13周：分步实施，编程实现各算法，并进行，实验及分析，撰写论文初稿。
4. 参考文献（12篇以上）
[1]j. ma, j. zhao, j. jiang, h. zhou, and x. guo, locality preserving matching[j], int. j. comput. vis., 2019, 127:512-531.
[2]d. g. lowe, distinctive image features from scale-invariant keypoints[j],int. j. comput. vis., 2004, 60(2):91–110.
[3]ma, j., jiang, j., zhou, h., zhao, j., guo, x, guided locality preserving feature matching for remote sensing image registration[j].ieee trans. geosci. remote sens., 2018, 56(8):4435-4447.
