摘 要

在当代，图像匹配已经成为现代数字图像处理领域中极为重要的技术。所谓图像匹配，即是在特征空间里寻求某种变换，使看似毫不相关的图像显现出若干个相似之处的方法。图像匹配通过运用某种匹配算法，在两幅或者多幅图像之间寻找出同名点。其关键是确定最佳的匹配方案，让匹配的概率达到最高，误差达到最小，速度达到最快。

图像匹配凭据给定图像和实时图像来确定匹配的特征以及搜索思路，并在此基础上进行运算，确定最佳的图像对应点。图像匹配的方法有很多种，大体上归为两类，一类是基于灰度的匹配方法，另外一类是基于几何特征的匹配方法。

灰度匹配的特点：用统计性的思想去寻找特征点之间的匹配。这种方法的思路很简单，便于理解，并且匹配精确度很高。缺点是运算量较大，匹配时间较长，对噪声比较敏感。

几何特征匹配的特点：该方法是利用图像中空间位置不变的点来进行匹配，优点是计算量相对较小，缺点是处理几何特征较为复杂的图像时，容易出现有误的匹配。

本文提出了一种近似全局几何对应的场景图像识别方法。这项技术通过把图像分割若干个有意义的子区域，并在每个子区域内寻找局部特征，并以此来计算直方图。由此产生的“空间金字塔”是一个可以充分扩展的无序特征包的图像表示群，在处理场景分类的任务时，它的效果遥遥领先。可以很明确地说，本文所提出的方法要优于Caltech-101数据库中所提供的方法。本文所提供的方法实现了基于大型数据库的15个自然场景类别的高精度匹配。本文所提供的空间金字塔框架还可以看到所需要的图像描述子，包括Torralba定义的“GIST”和David lowe的SIFT描述子。

关键词：图像匹配;特征提取;图像检索;特征点;空间金字塔

Abstract

In the modern age, image matching has become a very important technology in the field of modern digital image processing. The so-called image matching, that is, in the feature space to find some kind of transformation, so that seemingly unrelated images show a number of similarities. Image matching uses a matching algorithm to find the same point between two or more images. The key is to determine the best matching scheme, so that the probability of matching is the highest, the error is minimum, and the speed is the fastest.

The image matching is based on the given image and the real-time image to determine the matching features and the search idea, and then the operation is carried out to determine the best image corresponding points. There are many kinds of image matching methods, generally classified into two categories, one is based on grayscale matching method, and the other is based on geometric feature matching method.

The characteristics of gray scale matching: statistical thinking is used to find the matching between feature points. The method is simple, easy to understand, and highly accurate in matching. The disadvantage is that the computation is large, the matching time is long, and it is sensitive to noise.

The characteristics of geometric feature matching: this method is to use the matching position invariant image, has the advantages of less calculation, the disadvantage is image processing geometric features more complex, prone to error.

In this paper, a method of scene image recognition based on approximate global geometric correspondence is proposed. This technique divides the image into several meaningful sub regions and searches local features in each sub region to compute the histogram. The resulting "space Pyramid" is an image representation group that can fully expand the unordered feature packet, and its effect is far ahead when dealing with the task of scene categorization. It can be clearly stated that the method proposed in this paper is superior to the method provided in Caltech-101 database. The method presented in this paper implements high-precision matching of 15 natural scene classes based on large databases. The space Pyramid framework provided in this paper can also see the required image descriptors, including the GIST defined by Torralba and the SIFT descriptor of David lowe.

Keywords: image matching, feature extraction, image retrieval, feature points, space pyramid

目 录

第1章 绪论 1

1.1引言 1

1.1.1关于数字图像处理 1

1.1.2关于图像匹配技术 3

1.2国内外研究现状 3

1.3本文工作内容介绍 4

第2章 空间金字塔的理论 6

2.1空间金字塔的模型 6

2.2 空间金字塔的公式化说明 8

第3章 特征提取与SIFT算法 11

3.1特征提取的理论 11

3.2 SIFT算法 13

3.2.1 SIFT算法的优势 14

3.2.2 SIFT算法的匹配步骤 15

3.2.3 SIFT算法的运用 15

第4章 后续实验展望 16

第5章 自然场景识别的实现 18

5.1 基于15个场景类别的算法实现 18

5.2 基于Caltech-101的算法实现 21

5.3 基于格拉茨数据集的算法实现 24

第6章 结论与展望 26

6.1本文工作内容总结 26

6.2未来工作展望 27

参考文献 28

致 谢 31

第1章 绪论

1.1引言

在我们人类的日常生活中，存在着许多可以被我们感知的信号。其中，有75%左右的信息是通过双眼获得的。人类通过眼睛来获取周围的视觉信号，这些信号便由视觉神经传递到大脑，再由大脑理解和处理这些信息。在有光线的环境下，外围环境中的物体在眼睛的视网膜上形成图像，感光细胞将这些信息转换为神经脉冲信号，经由神经纤维传导入大脑皮层来进一步处理。

图像在人类社会中，无论是教学，还是工业生产，都是不可或缺的一部分。图像是对现实中已存在物体的一种还原性和相似性的写真或描述，和语音数据一起成为人类社会中最重要的信息载体。图像包含了对被描述物体的具体信息，是人类最为重要的获取信息的手段。