图像特征的检测、描述及匹配

论文摘要

图像的特征提取和描述是基于特征的图像处理和计算机视觉的基础环节,特征检测算子的检测性能和描述算子的表针性能直接决定了图像处理的效率和精度。在实际问题中图像可能受到噪声、背景的干扰,也可能发生视角、光照、尺度、平移、旋转、仿射等变化,选择合理的图像特征和描述算子,使得这些特征不仅具有良好的表针性而且具有良好的鲁棒性是一个十分关键的问题。本文针对以上难点做了如下工作:使用B-样条函数构造尺度空间代替传统的高斯尺度空间。B-样条函数的特殊性产生了卷积的高效算法,其计算复杂度与B-样条函数的尺度无关,只与信号或者图像本身有关。B-样条函数对高斯函数有良好的逼近效果,因而它继承了高斯函数的大部分优良性质。在B-样条尺度空间下定义了平面轮廓在其支撑区域内的协方差矩阵的多尺度表示,将协方差矩阵中引入尺度因子,减弱了噪声和由于数据离散而产生的影响,矩阵的最大特征值对应的向量表示轮廓切线方向。将多尺度乘积的思想引入到角点检测中,各个尺度下的切线方向变化率的乘积定义为多尺度积,即为角点的响应函数。随着尺度的增加,角点的响应会在不同尺度下保留,尺度增加的B-样条函数能够抑制噪声的影响。而角点就定义为多尺度积大于给定阈值的局部极大值所对应的点。本文对算法的性能进行了比较系统的评价。通过实验证明了算法具有旋转不变性,并对微小的尺度变化不敏感,而且与其他经典的角点检测器进行了对比,实验结果也表明新的算法具有良好的检测和定位性能,算法效率高。使用多尺度Harris算子检测图像的角点作为初始兴趣点。针对自适应非极大值抑制排除了大量潜在匹配点的缺陷,引入条件理论对初始兴趣点进行控制,排除病态点,减少后续过程的计算量,提高算法效率,同时最大限度的保留了匹配点。实验结果表明提出的特征匹配算法效率改进明显,匹配效果良好,对图像的几何变换、噪声及光照变化等具有较强的鲁棒性。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 引言
• 1.2 图像特征简介
• 1.3 图像特征研究的意义和应用
• 1.4 国内外研究现状
• 1.5 本文研究重点
• 2 图像变换及其数学模型
• 2.1 噪声干扰
• 2.2 光照变化
• 2.3 平移变换
• 2.4 旋转变换
• 2.5 尺度变换
• 3 图像特征检测原理
• 3.1 优良图像特征检测器应具备的条件
• 3.2 不同类型特征检测介绍
• 3.2.1 经典角点检测算法
• 3.2.2 尺度不变特征检测
• 3.3 B-样条尺度空间
• 3.3.1 B-样条的基本概念
• 3.3.2 B-样条函数的特性
• 3.3.3 B-样条快速卷积算法
• 3.3 自适应非极大值抑制
• 3.4 条件理论
• 4 区域特征描述
• 4.1 优良特征描述器应具备的条件
• 4.2 经典特征描述器介绍
• 5 特征匹配
• 5.1 特征点匹配的定义
• 5.2 基于局部灰度信息的特征匹配
• 5.3 基于特征向量的特征匹配
• 6 提出算法的总结
• 6.1 基于协方差矩阵的B-样条多尺度表示的角点检测
• 6.2 图像良态特征匹配
• 7 实验结果及算法性能评价
• 7.1 协方差角点检测
• 7.1.1 角点检测效果
• 7.1.2 性能评价
• 7.1.3 对比实验
• 7.2 图像良态特征匹配
• 7.2.1 特征匹配效果
• 7.2.2 性能评价
• 7.2.3 对比实验
• 8 结论与展望
• 8.1 主要结论
• 8.2 后续研究工作的展望
• 致谢
• 参考文献
• 附录