基于图像的SIFT特征提取及应用研究

基于图像的SIFT特征提取及应用研究(任务书,开题报告,论文说明书15800字,代码)
摘  要
尺度不变特征转换是一种计算机视觉算法，通常用来提取并描述视频图像中局部的特征。此算法在建立的高斯差分金字塔中寻找极值点，并获取出其坐标、尺度、旋转不变量，得到可以描述特征的描述子。论文的主要工作是详细研究了SIFT提取图像特征点的原理，采用特征向量（128维）间的欧式距离作为两幅图像特征点的相似性判定标准进行图像配准，并使用RANSAC算法完成误匹配消除，完成简单的图像识别。研究结果表明，SIFT算法对图像平移变化、缩小放大以及旋转变化具有不变性，对于仿射变换、视线变化、光线变化及噪声等具有高配准鲁棒性。论文利用SIFT特征子进行配准，通过对比不同最近距离对次近距离比值，得出了比值阈值设为0.6进行匹配可兼顾匹配点数和匹配正确率的结论，此研究结果对于图像识别有重要意义。
关键词:SIFT；特征点；配准；RANSAC
Abstract
Scale-invariant feature transform is a kind of computer vision algorithm used to detect and describe Local characteristics in images. It finds extreme-points in DOG and gets its coordinate, scale, orientation, which in final come into being a descriptor. The major work is studying the theory of SIFT, matching key-points(128D) obtained by means of SIFT using euclid distance and eliminating error matches using RANSAC and finally achieving simple image recognition in this paper.The result shows that SIFT algorithm is invariant under rotations, translations and scaling. SIFT features have strong matching robustness for  radiation transformation, perspective changes, illumination changes and noise and so on. When doing the matches , the paper contrasts different ratio threshold and finally comes to the conclusion that 0.6 is the best one because it can balance number of matched points and  matching accuracy. This is of great importance to image recognition.

[资料来源：http://www.THINK58.com]

Key Words：SIFT；Features；Match；RANSAC

本文的主要工作
通过对SIFT算法原理的分析和研究，本文利用此技术获取两幅图SIFT特征点，并测量两幅图特征点间的欧氏距离进行特征点的相似性度量，实现图像配准，并将其应用于目标识别中。
根据上述主要研究内容，本文的章节结构如下：
第一章：绪论。介绍了SIFT算法及图像配准的研究背景及意义，国内外关键技术的发展及现状，并简介本文的主要研究内容。
第二章：基于图像的SIFT特征提取。阐述了SIFT算子的特点、应用及其提取的原理、步骤，并举实例证明其旋转、缩放、光照等不变性。
第三章：基于SIFT特征配准的图像识别。研究了基于SIFT特征进行的图像匹配，匹配使用特征之间的欧式距离为标准，并使用RANSAC算法实现图像的误匹配消除。
第四章：算法处理结果。分析了算法的步骤及参数设置对匹配结果产生的影响，并对此进行了验证和分析。
第五章：总结及展望。总结并归纳了本文工作，并针对算法运行结果中存在的不理想之处，对日后研究作出展望。
     

目录
第1章绪论    1
1.1 图像特征提取研究背景及现状    1
1.2 SIFT算法研究背景及现状    1
1.3 图像配准及误匹配消除研究背景及现状    2
1.4 本文的主要工作    3
第2章基于图像的SIFT特征提取    4
2.1 SIFT特征简介    4
2.2 尺度空间构造    5
2.2.1 建立高斯金字塔    5
2.2.2 建立高斯差分金字塔    6
2.2.3 尺度的连续性    7
2.2.4 算法具体实现思想    8 [资料来源：http://think58.com]
2.3 极值检测    10
2.4 关键点定位    11
2.4.1 关键点的精确定位    11
2.4.2 滤除低对比度点    12
2.4.3 去除边缘响应极值点    12
2.5 关键点的方向分配    14
2.6 生成特征点描述子    16
2.6.1 特征点描述    16
2.6.2 描述子归一化    19
2.7 图像SIFT特征提取实例    20
2.8 本章小结    23
第3章基于SIFT特征配准的图像识别    24
3.1 SIFT特征点匹配    24
3.2 RANSAC算法消除误匹配    26
3.3 本章小结    28
第4章算法处理结果    29
第5章总结及展望    36
参考文献    37
附录A    39
致谢    49

[来源：http://www.think58.com]