论文部分内容阅读
图像配准是图像处理应用领域的一个基本问题,广泛应用在计算机视觉、医疗诊断、投影影像、多维模型的创建、图像融合等领域。特征提取和特征匹配是图像自动配准的重要实现方法。Scale Invariant FeatureTransform (SIFT,尺度不变特性变换)是一种关键点特征的提取方法,由于SIFT对图像的尺度变化、旋转光照的变化和图像变形都具有较好的适应性,且具有较高的匹配精度,改善了传统图像配准中的许多问题,因此,SIFT算法是图像特征提取和特征匹配的重要实现方法之一,在图像融合、图像配准、图像校正等领域都有很广泛的应用。本文首先介绍图像配准的发展过程及各种算法,然后着重描述了一种基于图像高层次提取特征的SIFT算法。包括了SIFT算法的发展,算法优势和主要实现流程。在此基础上,对传统SIFT算法进行了改进,采用加入小波变换的方法,改善了传统SIFT算法实时性不强、计算复杂等问题。为了提高光照适应性,获得更高的识别率,本文在SIFT特征描述子中加入颜色信息,得到彩色描述子,然后由SIFT提取特征点,并采用BBF算法和随机抽样一致性算法对特征点进行筛选和优化,实现对图像的精确配准。实验数据表明,本文提出的改进算法不仅大大减少了匹配计算量,而且对图像的各种变化也增强了适应能力,提高了图像配准精度。