@dragonfive
2015-06-11T14:26:04.000000Z
字数 4345
阅读 574
毕设
摘要的作用首先是概括的阐述研究的目的，然后是概括内容、方法、结论。
首先要讲明白为什么要做特征提取，以及为什么尺度不变特征很重要。
在摘要的第二段讲将具体内容时，应该更具体展开一点，类似于1.4节末尾的那部分。注意各部分、各步骤之间过渡关系。
第一章绪论部分，补充一些关于图像处理整体流程的概述，比如分成哪几个阶段，哪些环节，比如有：预处理、分割、理解、识别等等。这些环节分别是什么作用，然后再引出来在这里面：图像理解很重要，然后引出特征提取。
局部不变特征的提取是图像处理、数字水印、拷贝检测、视频检索等众多计算机视觉领域的研究基础。大部分目标之间均存在视角、尺度、旋转以及模糊、局部遮挡、复杂背景等广义仿射变换，使用全局特征匹配比较困难。
在模式识别系统里，特征提取极大地影响着整个识别系统的设计和性能，成为模式识别的一个核心问题
局部特征不受图像外在表象的影响，与其它特征量相比，在鲁棒性、可重复性、独特性等方面均具有较大的优势。
分为基于全局特征的和基于局部特征的，全局特征尽管对图像描述全面，但是当图像存
在仿射变化，比如局部遮挡时，检索效果相当不理想;由于大部分图像均具有不同程度
的仿射变化，而局部特征恰好能有效地应对此类仿射变化。
在三维空间中，当摄像机系统的位置发生改变时，目标相对于摄像系统的方位和姿
态也势必发生改变，这就是视点改变。视点改变的结果是同一目标会有不同的图像。目
标做某种运动或无论目标做何种运动都不变化的目标图像特性即为不变性，与其对应的特征即为不变特征。正是这样的不变性和不变特征反映了在视觉信息上同一目标或同一类目标在不同模式之间的本质属性，与目标所处三维空间的位置、姿态及环境无关，
基于不变特征才能对不同的目标进行正确的识别。
尺度空间应用于仿射不变特征检测的意义
图像的特征常常发生在不同的尺度范围上，且每个特征的尺度信息是未知的，图像
中某种尺度下不容易被获取的特征，在另外的尺度下却很容易被检测到。一般认为在大
尺度下能可靠地消除误检并检测到特征，但特征的定位不太准确;相反，在小尺度下可
以准确地对特征进行定位，但误检的比例会增加。所以，可考虑先在大尺度下检测特征，
然后在小尺度下对特征进行精确定位，即利用尺度空间技术可以更有效地提取图像特
征，获取图像的多尺度信息，探寻图像的本质属性。
本论文重在对图像特征的提取，所谓特征提取从广义上说就是一种变化或映射，通
过变换或映射的方法将高维空间中的特征用低维空间中的特征来描述。特征提取的目的
是将图像上某些区域内的特征提取出来用于随后的图像识别或图像理解，即图像的识别
或描述总是以被识别或描述图像的某些特征为基础的。因此，要想对特征进行提取，首
先就要明确什么是图像的特征。
图像特征是图像的原始特性或属性，是人们对图像视觉感受的量化描述，从各个方
面描述了图像的内在语义，可以作为图像的抽象表示，因此它是图像分析的重要依据。
特征点是一种重要的图像局部特征，受到许多研究领域的重视，目前
已出现许多经典的特征点检测算法，本论文后面所建立的局部不变特征就是基于特征点
的，而该特征点正是建立在Harris角点的基础之上的。
在不同目标图像上提取特征的时候，我们希望提取的特征尽量地反映目标图像重要的、本原的属性，这样的特征即为图像的重要特征和本原特征。目标图像的重要特征就是基于这类特征而生成的描述子，在特征空间中同类聚集，异类排斥(分散);换句话说就是当使用距离测度时，同类的特征描述子之间的距离小，不同类的大。而其本原特征实际上就是“特征的绝对性”，即特征最大限度的独立于原目标图像所处的外在条件的能力;通俗的说就是特征不随目标图像视点的改变而改变，甚至不因光照、遮挡、模糊、噪声的存在而改变。
目标图像的这些重要特征和本原特征在经历了一个或多个变换之后仍然保持不变
的目标特征量即为目标在该变换下的不变特征
图像局部不变特征提取是计算机视觉和图像分析领域中一个重要研究课题。
因具备对图像几何和光照变换不敏感、对局部遮挡适应性强等特点，
随着成像传感器技术的快速发展，所获取的图像数量已趋向于海量，因此梦想图
像信息的人工解译已不再现实，人们对利用计算机系统自动实现类似于人类视觉
系统对图像信息的分析、理解和表达的需求日益强烈。于是，为满足这一需求就
逐渐发展了图像分析、计算机视觉等图像信息处理学科。虽然经过大量专家学者
析、计算机视觉等研究领域的最重要问题之一的图像局部不变特征研究
图像局部不变特征是指那些灰度、颜色和纹理等与其相邻区域不同，而其特
征描述子能在一定的几何畸变、光照变化等变换下保持不变的局部化特征。局部不变特征提取就是通过对这些局部化特征的检测与描述，到达提取图像内容的本质属性特征的目的。
综上所述，不同特征检测方法所得特征数量和定位精度可能有很大不同，不变性的增加通常是以计算复杂度增加、特征重复性下降为代价的，性能通常取决于应用背景，没有对任何情况均最优的方法，需有针对性地选择合适的方法。
Lowe于1999年[31]提出的SIFT (Scale Invariant Feature Transform)方法是基于分布的方法的原型，其思想是利用某种直方图分布来表示特征局部支撑邻域的信息。目前基于分布的方法都是基于SIFT的特征描述框架，
在图像识别发展的初期，人们往往通过建立彩色直方图、灰度直方图等等全局特征来捕获整幅图像信息。由于图像中的前景和背景信息混合在一起，所以通过全局特征很难将前景信息与背景信息区别开来。除此之外，全局特征对于部分遮挡、背景杂乱具有敏感性。为了克服这些限制，研究人员提出可以在给定图像上不同区域中分别提取局部特征来表述图像区域信息，然后通过一序列特征描述符来描述整幅图像。局部不变特征已经成功地应用于多视图图像匹配领域中，由于是从不同位置、不同视角、不同光照等条件下获取同一场景的多福图像，所以图像之间往往存在着较大的几何变形和内容变化，在这种情况下，我们不能直接使用灰度特征进行匹配，而需要提取对光照、噪声、旋转、平移、缩放、剪切等变化具有不变性的局部特征来完成多视图匹配，以便后续任务能够顺利地执行下去。
全局特征点可以用来描述整幅图像的特性，但不能用于描述图像局部区域的不同特
性。如果图像上的所有像素都被认为是局部特征点的话，那需要付出很大的计算代价。一
般来说，只要提取一些具有显著特性的特征点就可以了。怎样才能提取到这样特征点呢，
符的。SIFT描述算子的显著优势归功于以下几个方面的原因:首先，它采用梯度的统计
直方图，对于特征点的定位和归一化错误具有一定的鲁棒性。同时，对于由于视角变化和
其它变化导致特征点形状的变化也具有鲁棒性。其次，对梯度也作了归一化的处理，该处
理的结果使得描述算子对于线性亮度变化具有不变性
特征提取是图像处理、图像识别等众多计算机视觉领域的研究基础，传统的全局特征可以全面描述图像，但是全局特征会因特征点太多影响性能，检测效果也不理想，而局部特征选取了一些具有显著特性的特征点，并且对仿射变换等具有不变性，更适合做特征提取，特别是尺度不变特征对于尺度变换、视角变化、线性亮度变化和其它一些几何变化都具有不变性，是一种优秀的特征提取方法，所以本文主要研究尺度不变特征的提取。
本文总结了现在常用的一些局部特征提取检测方法，包括角点检测方法、边缘检测、斑点检测方法,对其优缺点进行分析比较。在这些提取方法中本文深入研究了斑点检测方法中的SIFT特征提取方法的原理，分析了SIFT特征提取算法的过程，包括建立高斯差分金字塔、尺度空间极值探测、为特征点分配方向和提取特征描述子，对求取极值时的重要公式进行了相关证明。
本文设计了一组程序来实现了SIFT算法，并应用提取到的特征点进行图像的匹配和定位，验证了算法的有效性。为了说明SIFT算法的特点，本文设计了一组对比实验，对比SIFT与SURF算法的性能与特征点的质量。实验表明在相同的实验条件下SIFT提取的特征点的质量比SURF要好，但是所用时间也更多，所以我们要根据具体的应用场景选择适当的特征提取算法。
图像局部不变特征提取是图像处理领域的基础。目前有很多优秀的特征提取算法， SIFT算法是其中比较优秀的一种算法，这个算法在特征点提取方面达到了效率与质量之间的平衡，在图像识别方面得到了大量的应用。
本文概括了一些常见的特征提取算法，着重分析了SIFT算法的流程和原理，并做了一些图像匹配和定位方面的实验，另外设置对比实验比较了SIFT算法和SURF，得出SIFT在性能和提取特征点质量上的优缺点。
本文最后对局部不变特征的提取算法进行了概括，也对未来仍需要深入研究和实验的方向进行了展望。
关键词：局部不变特征，特征提取，SIFT算法，图像匹配
ABSTRACT
The extraction of Local invariant feature underlies the field of image processing . There are many excellent feature extraction algorithms. The algorithm about SIFT is one outstanding algorithm. This algorithm achieves the balance between efficiency and quality in the aspect of feature extraction.
This paper summarizes some common feature extraction algorithms .And then it emphatically analyses the process and principle of SIFT algorithm, and make some experiments about image matching and image locating. I also make some comparison between the SIFT algorithm and some other algorithms to show the advantage of SIFT algorithm.
At last, I summarize the local invariant feature extraction algorithms , and then we make some plan for further research and experimentation .
Keywords: local invariant feature, feature extraction, SIFT algorithm, scale space, feature point descriptor