图像配准

（一）图像特征匹配--SIFT 1.1 SIFT背景简介 SIFT算法是David Lowe在1999年提出的局部特征描述子，并在2004年深入发展和完善。 SIFT算法是在尺度空间进行特征检测并确定关键点的位置和关键点所在的尺度。 该关键点方向特征选取该点邻域梯度的主方向，以便实现算子对尺度和方向的无关性。 1.2 SIFT特征向量生成步骤 一幅图像SIFT特征向量的生成步骤主要有如下四步： （1）检测尺度空间极值点，初步确定关键点的位置和所在尺度； [初步找出关键点群] （2）精确确定关键点位置和尺度，同时去除低对比度的关键点和不确定的边缘响应点，以便增强匹配稳定性、提高抗噪声能力；[精确确定关键点群并择优筛选] （3）指定每个关键点的方向参数，以便算子具有旋转不变性； （4）生成关键点描述子，即生成SIFT特征向量； 1.2.1尺度空间 概念解释：尺度空间：尺度空间是利用高斯核对原始图像进行尺度变换，获得图像多尺度下的尺度空间表示序列，对这些序列进行尺度空间特征提取 其中，二维高斯核定义为： 其中σ被称为尺度坐标， 是高斯正态分布的方差。 注：除高斯核外，尺度函数有很多，但并不是所有的尺度函数都可以构建尺度空间。Koenderink和Lindeberg已经证明，在一些合理的约束下，高斯核是唯一可以产生尺度空间的核，而且是唯一的线性核。 二维图像 在不同的尺度空间 可以通过图像

　　在计算机视觉和模式识别中，点集配准技术是查找将两个点集对齐的空间变换过程。寻找这种变换的目的主要包括：1、将多个数据集合并为一个全局统一的模型；2、将未知的数据集映射到已知的数据集上以识别其特征或估计其姿态。点集的获取可以是来自于3D扫描仪或测距仪的原始数据，在图像处理和图像配准中，点集也可以是通过从图像中提取获得的一组特征（例如角点检测）。 　　 点集配准研究的问题可以概括如下：假设{ M ， S }是空间 R d 中的两个点集，我们要寻找一种变换 T ，或者说是一种从 R d 空间到 R d 空间的映射，将其作用于点集 M 后，可以使得变换后的点集 M 和点集 S 之间的差异最小。将变换后的点集 M 记为 T ( M )，那么转换后的点集 T ( M )与点集 S 的差异可以由某种距离函数来定义，一种最简单的方法是对配对点集取欧式距离的平方： 　　点集配准方法一般分为刚性配准和非刚性配准。 　　刚性 配准： 给定两个点集，刚性配准产生一个刚性变换，该变换将一个点集映射到另一个点集。刚性变换定义为不改变任何两点之间距离的变换，一般这种转换只包括平移和旋转。 　　非刚性 配准： 给定两个点集，非刚性配准产生一个非刚性变换，该变换将一个点集映射到另一个点集。非刚性变换包括仿射变换，例如缩放和剪切等，也可以涉及其他非线性变换。 　　下面我们来具体介绍几种点集配准技术。 一.