SIFT特征是图像的一个局部的征,在噪声中、观察角度的变化和仿射变换也保持一定程度的稳定性。

2。2 图像匹配技术的定义

图像匹配的定义是通过某种特征算法找到多个图像的图像。 已知的目标图像通常称为模板图像。 要搜索的图像中的相应子图被称为匹配模板目标图像。 二维图像的注册可以定义为两个空间中的图像和映射的灰度。 如果给定的二维矩阵F1和F2表示两个图像,则F1(X,Y)和F2(X,Y)分别表示灰度值的对应位置(X,Y),图像之间的映射可以是表达为：

                                （2。1）

其中H是二维坐标变换,即G是一维灰度变换[7]。

2。3 图像匹配算法的分类[8]

需要多个步骤来实现图像匹配，匹配的总体概念可以描述为:图像输入,图像预处理,匹配信息提取,图像匹配和输出；图像匹配算法有许多不同的算法，具体步骤非常不一样,但它们的近似过程是一样的[5]。有很多类型的匹配方法可以分为以下两类:第一类为基于图像灰度的匹配方法；第二类为基于图像特征的匹配方法。

2。4 本章小结

着重阐述了图像匹配的相关理论知识,再总结并介绍了图像匹配技术的一个定义, 然后总结出这两种方法的优缺点, 以下将描述功能点匹配以完成一种铺垫。

3 尺度空间理论论文网

规模空间理论在1962年首次提出,但在计算机视觉研究领域尚未引起足够的关注,直到上世纪八十年代基础工作,Koenderink等等尺度空间方法已经逐渐关注 非线性扩散方程计算机视觉领域的变分方法和数学形态的应用已被广泛应用。

3。1 尺度空间理论

尺度空间理论，通过原始图像的尺度变换过程，来获得不同尺度的图像的尺度空间的表示，将主轮廓作为特征向量,实现图像特征点提取；比例空间是一个维度在多尺度级别，基于区域的一个表达式,因为与通过减小图像大小增加计算效率的其他多尺度或多分辨率表达式相比较,通过平滑获得比例空间表示可变空间采样,但对于同样的特点,它可以在粗略的尺度上更多像素令数据处理任务不断地简化,可以大大加快计算的效率；尺度空间表征的另一个重要特征是，基于尺度的结构特征可以以简单的分析形式表达,不同尺度的特征可以精确连接。 

式中fin表示输入信号,fout表示输出信号,K为变换核，这样进行的卷积变换称作尺度变换[11]。

3。2 高斯尺度空间

通过使用Gaussian核作为尺度空间核函数获得的尺度空间称为Gaussian scale space。 Gaussian尺度空间的本质是对原始图像和高斯函数进行卷积。 经过Gaussian函数的不断优化,得到不同尺度的Image sequence。 20世纪,Koenderonk发现,Gaussian函数是尺度空间中唯一可行的核心[12]； 所以,图像尺度空间的函数L(x,y,σ)可通过标量高斯函数G(x,y,σ)和输入图像I(x,y)的卷积定义：

上式中，x和y表示位置参数，σ表示尺度参数， 为 x 和 y 之间的卷积运算。且

高斯尺度空间具有以下几个特点:

(1)与热扩散方程和各向同性相一致的扩散过程

(2)随着规模的增大,图像模糊,图像上特征结构渐渐减少不会出现新的特征

(3)不同尺度的图像的灰度是线性的,有利于跟踪不同尺度的对象的不同的变化。

3。3 本章小结文献综述

阐述了Scale space的基础理论、Gaussian scale space的概念。给Gaussian金字塔的构建提供了理论依据,并且为SIFT算法计算提供了理论依据。。

4 SIFT特征匹配

4。1 SIFT算法的基本概念