發(fā)布時間：2018-08-03 15:04

【摘要】：近年來,隨著數(shù)字圖像處理技術(shù)的迅猛發(fā)展,圖像特征匹配技術(shù)已在眾多領域之中得到了大量的應用。至于圖像特征匹配的首要任務就是從待匹配的圖像中獲得較穩(wěn)定的圖像特征點,接著通過構(gòu)建待匹配圖像與初始圖像特征點集的關系來進行配準。而對于特征點的提取涉及到選擇恰當?shù)狞c特征提取方法,考慮到點特征的提取方法對圖像配準的速度和準確度有一定的影響,因而選擇合適的點特征提取的方法有一定的實用價值與理論意義。本文圍繞圖像特征點的提取,針對SIFT算法中降噪閾值的選值,Harris角點檢測算法與SIFT算法在不同種類圖像特征點提取上的適用性等進行了分析研究。具體的研究內(nèi)容如下:(1)為避免常規(guī)SIFT算法提取特征點時選取降噪閾值存在的盲目性,以及不恰當?shù)慕翟腴撝凳筍IFT算法提取到的特征點效果不佳的問題,研究了在SIFT算法提取特征點時對于降噪閾值來說是否存在相對比較穩(wěn)定的值,通過選取此降噪閾值可使SIFT算法提取圖像特征點的效果最佳。基于多組相同限制條件的實驗圖像(包括原始圖像、旋轉(zhuǎn)圖像以及加“噪聲”圖像),選取不同的降噪閾值分別進行大量的實驗。實驗結(jié)果表明當降噪閾值近似選取在30附近,此時可以使SIFT算法獲得相對比較穩(wěn)定的特征點數(shù)目。(2)對SIFT算法和Harris角點檢測算法提取特征點的原理分別進行了分析,至于SIFT算法運算過程較繁瑣,而且其構(gòu)建高斯差分尺度空間的過程比較復雜,考慮到Harris角點檢測算法運算過程比較簡便。為了直觀的對兩種算法進行比較,在這里采用了文中所提的3方面(特征點有效性、計算時效性以及特征點相似不變性),并在同一實驗對象的條件下對兩者進行了定量分析研究。(3)為了探究出SIFT算法和Harris角點檢測算法在不同種類圖像特征點提取上的適用性。本文針對兩類圖像:折線特征主導的圖像與光滑曲線特征主導的圖像,并提出了3個方面:特征點有效性、計算時效性以及特征點相似不變性,又采用了圖像匹配對數(shù)比率、樣本均值和標準差3個相關指標對兩種算法進行了定量研究。最終實驗結(jié)果表明,對于折線特征主導的圖像:在特征點有效性、計算時效性以及特征點相似不變性上,Harris角點檢測算法的適用性比SIFT算法更好一些;然而對于光滑曲線特征主導的圖像,由于無法檢測到一定數(shù)量的特征點,這也就導致Harris角點檢測算法的適用性不如SIFT算法。最后,對本文的相關工作進行了總結(jié),同時結(jié)合本文存在的不足之處,對今后的研究內(nèi)容進行了展望。
[Abstract]:In recent years, with the rapid development of digital image processing technology, image feature matching technology has been widely used in many fields. The primary task of image feature matching is to obtain more stable image feature points from the image to be matched. Then the relationship between the image to be matched and the initial image feature point set is constructed to be registered. However, the extraction of feature points involves the selection of appropriate point feature extraction methods, and the method of point feature extraction has a certain effect on the speed and accuracy of image registration. Therefore, it has certain practical value and theoretical significance to select the appropriate method of point feature extraction. This paper focuses on the extraction of image feature points and analyzes the applicability of SIFT algorithm and SIFT algorithm in extracting different kinds of image feature points. The specific research contents are as follows: (1) in order to avoid the blindness of selecting the denoising threshold when the conventional SIFT algorithm extracts the feature points, and the problem that the improper denoising threshold makes the feature points extracted by the SIFT algorithm ineffective, This paper studies whether there is a relatively stable value for denoising threshold when extracting feature points in SIFT algorithm. By selecting this denoising threshold, the SIFT algorithm can get the best result of extracting image feature points. Based on the experimental images (including original images, rotating images and adding "noise" images) with the same restricted conditions, a large number of experiments were carried out with different noise reduction thresholds. The experimental results show that the SIFT algorithm can obtain relatively stable number of feature points when the denoising threshold is approximately 30. (2) the principle of extracting feature points from SIFT algorithm and Harris corner detection algorithm is analyzed respectively. As for the SIFT algorithm, the operation process is complicated, and the process of constructing Gao Si differential scale space is more complex. Considering the Harris corner detection algorithm, the operation process is relatively simple. In order to compare the two algorithms intuitively, we use the three aspects mentioned in this paper (feature point validity). (3) in order to find out the applicability of SIFT algorithm and Harris corner detection algorithm in extracting feature points of different kinds of images. In this paper, for two kinds of images: the image dominated by the broken line feature and the image dominated by the feature of smooth curve, three aspects are proposed: the validity of the feature point, the calculation of the timeliness and the similarity invariance of the feature point, and the image matching logarithmic ratio is adopted. The sample mean and standard deviation are used to quantitatively study the two algorithms. Finally, the experimental results show that the SIFT corner detection algorithm is better than SIFT algorithm in terms of feature point validity, computation time efficiency and feature point similarity invariance for images dominated by broken line features. However, for images dominated by smooth curve features, because a certain number of feature points can not be detected, the applicability of Harris corner detection algorithm is not as good as that of SIFT algorithm. Finally, this paper summarizes the related work, combined with the shortcomings of this paper, the future research content is prospected.
【學位授予單位】：山東師范大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP391.41

【相似文獻】

相關期刊論文 前10條

1 賈熹濱;石勤;尹寶才;;由粗到細的漸進式特征點定位算法[J];北京工業(yè)大學學報;2006年05期

2 鄭林;劉泉;王林濤;;一種基于特征點的跟蹤算法[J];武漢理工大學學報(交通科學與工程版);2006年03期

3 江詩鋒;何振峰;;基于特征點的行車數(shù)據(jù)序列對齊[J];福州大學學報(自然科學版);2010年02期

4 周全峗;史澤林;;輻射模糊圖像的特征點穩(wěn)定性分析[J];光電工程;2013年06期

5 魏立梅,張永瑞,謝維信,程相君;人臉識別中基準點的選取與特征點定位[J];西安電子科技大學學報;1998年01期

6 許承慧;劉桂華;梁峰;;非特征點雙目測距技術(shù)研究[J];微型機與應用;2013年22期

7 潘翔;章國棟;陳啟華;;三維可變形物體的特征點層次提取[J];計算機科學;2014年04期

8 陶剛,盧昀,李吉桂;細化指紋圖中偽特征點的一體化去除算法[J];現(xiàn)代計算機(專業(yè)版);2002年10期

9 仲啟媛,譚立龍;一種確定運動目標特征點的算法[J];計算機工程;2003年10期

10 胡迎春,張增芳,梁數(shù);人臉圖像嘴巴特征點自動提取系統(tǒng)[J];廣西工學院學報;2003年02期

相關會議論文 前10條

1 汪力;葉樺;夏良正;;利用特征點定位嘴巴[A];第二十六屆中國控制會議論文集[C];2007年

2 付洪川;王劍;萬嬋;趙建英;付凱;;圖像特征點匹配算法的研究與改進[A];2009中國控制與決策會議論文集（1）[C];2009年

3 溫文雅;陳建華;;一種基于特征點的圖像匹配算法[A];2009系統(tǒng)仿真技術(shù)及其應用學術(shù)會議論文集[C];2009年

4 任明武;胡明昊;楊靜宇;;一種快速實用的特征點匹配算法[A];全面建設小康社會：中國科技工作者的歷史責任——中國科協(xié)2003年學術(shù)年會論文集（上）[C];2003年

5 許競;姜波;;攝像機運動下特征點追蹤方法研究[A];2011下一代自動測試系統(tǒng)學術(shù)研討會論文集[C];2011年

6 張?zhí)?王希常;蘇志榮;;基于特征點和輪廓檢測的粘連數(shù)字分割[A];圖像圖形技術(shù)與應用進展——第三屆圖像圖形技術(shù)與應用學術(shù)會議論文集[C];2008年

7 杜鵬飛;彭代強;林幼權(quán);;基于二乘向量機的特征點配準算法[A];第十四屆全國信號處理學術(shù)年會(CCSP-2009)論文集[C];2009年

8 舒志龍;阮秋琦;;基于KLT特征點跟蹤的圖象拼接[A];中國體視學學會圖像分析專業(yè)、中國體視學學會仿真與虛擬現(xiàn)實專業(yè)、中國航空學會信號與信息處理專業(yè)第一屆聯(lián)合學術(shù)會議論文集[C];2000年

9 楊向林;嚴洪;任兆瑞;陳靖一;;基于小波變換的ECG信號多特征點綜合檢測算法[A];第八屆全國信息獲取與處理學術(shù)會議論文集[C];2010年

10 韓廣良;陳小云;;利用多特征點搜索實現(xiàn)紙鈔圖像的狀態(tài)檢測[A];第九屆全國信息獲取與處理學術(shù)會議論文集Ⅱ[C];2011年

相關重要報紙文章 前1條

1 本報記者 王宇;芯技術(shù)點亮未來[N];電腦報;2010年

相關博士學位論文 前10條

1 劉洪濤;基于視覺的微夾持構(gòu)件受力與應變測量方法[D];上海交通大學;2014年

2 劉通;面向心拍識別的心電信號的高層特征研究[D];吉林大學;2016年

3 廖斌;基于特征點的圖像配準技術(shù)研究[D];國防科學技術(shù)大學;2008年

4 楊占龍;基于特征點的圖像配準與拼接技術(shù)研究[D];西安電子科技大學;2008年

5 楊利敏;圖像特征點定位算法研究及其應用[D];上海交通大學;2008年

6 李旭東;基于特征點的增強現(xiàn)實三維注冊算法研究[D];天津大學;2009年

7 魯統(tǒng)偉;前視目標圖像匹配定位技術(shù)研究[D];華中科技大學;2008年

8 戴激光;漸進式多特征異源高分辨率衛(wèi)星影像密集匹配方法研究[D];遼寧工程技術(shù)大學;2013年

9 宋琳;無人機飛行途中視覺導航關鍵技術(shù)研究[D];西北工業(yè)大學;2015年

10 楊奎元;基于深層結(jié)構(gòu)的圖像內(nèi)容分析及其應用[D];中國科學技術(shù)大學;2012年

相關碩士學位論文 前10條

1 曾寶瑩;基于圖像識別的中國書法真?zhèn)舞b別方法研究[D];西安建筑科技大學;2015年

2 周兆鎮(zhèn);基于雙目視覺的特征點匹配算法研究[D];西安建筑科技大學;2015年

3 馮翔;基于人臉對齊和多特征融合的人臉識別方法研究[D];南京理工大學;2015年

4 姜小會;基于特征點的圖像拼接技術(shù)研究[D];山東建筑大學;2015年

5 吳昊;基礎矩陣估計方法研究[D];蘭州大學;2015年

6 陳偉;基于唇形特征的身份識別算法的設計[D];蘭州大學;2015年

7 秦清欣;GPS輔助攝影測量的邊坡監(jiān)測技術(shù)研究[D];南京理工大學;2015年

8 宋偉;遠程火光瞄準與探測系統(tǒng)設計[D];西安工業(yè)大學;2015年

9 劉智;塑料面膜印刷質(zhì)量的視覺檢測方法研究[D];沈陽理工大學;2015年

10 任筱強;行星及行星衛(wèi)星著陸探測自主導航方法研究[D];哈爾濱工業(yè)大學;2015年

，

本文編號：2162122