| 摘要 | 第2-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究进展 | 第9-13页 |
| 1.3 本文研究内容与结构安排 | 第13-15页 |
| 2 图像匹配的相关知识 | 第15-23页 |
| 2.1 图像匹配算法的基本流程 | 第15-16页 |
| 2.2 特征提取 | 第16-18页 |
| 2.2.1 斑点 | 第16-17页 |
| 2.2.2 角点 | 第17-18页 |
| 2.3 特征描述 | 第18-20页 |
| 2.3.1 浮点型描述子 | 第19页 |
| 2.3.2 二进制描述子 | 第19-20页 |
| 2.4 特征匹配与错误剔除 | 第20页 |
| 2.5 算法性能指标 | 第20-21页 |
| 2.6 实验图像数据 | 第21-22页 |
| 2.7 本章小结 | 第22-23页 |
| 3 基于二进制描述的RTM改进算法 | 第23-42页 |
| 3.1 RTM算法简介 | 第23-24页 |
| 3.2 基于FREAK描述的RTM改进算法 | 第24-28页 |
| 3.2.1 FREAK描述的基本原理 | 第24-27页 |
| 3.2.2 RTM改进算法的FREAK描述子构建 | 第27-28页 |
| 3.3 基于rBRIEF描述的RTM改进算法 | 第28-30页 |
| 3.3.1 rBRIEF描述的基本原理 | 第28-30页 |
| 3.3.2 RTM改进算法的rBRIEF描述子构建 | 第30页 |
| 3.4 RTM改进算法的基本流程 | 第30-32页 |
| 3.5 实验结果 | 第32-41页 |
| 3.5.1 仿真图像 | 第32-35页 |
| 3.5.2 双目图像 | 第35-36页 |
| 3.5.3 改进算法的优势 | 第36-38页 |
| 3.5.4 改进算法的鲁棒性 | 第38-41页 |
| 3.6 本章小结 | 第41-42页 |
| 4 基于边缘检测的特征点类别选择方法 | 第42-58页 |
| 4.1 方法提出及基本流程 | 第42-43页 |
| 4.2 基于Canny算法的图像结构性判定方法 | 第43-47页 |
| 4.2.1 高斯滤波 | 第44-45页 |
| 4.2.2 计算图像梯度幅值和方向 | 第45页 |
| 4.2.3 非极大值抑制 | 第45-46页 |
| 4.2.4 利用双阈值检测和连接边缘 | 第46-47页 |
| 4.2.5 边缘率定义与统计 | 第47页 |
| 4.3 实验结果 | 第47-57页 |
| 4.3.1 斑点检测与角点检测的验证 | 第47-49页 |
| 4.3.2 边缘率阈值的求取 | 第49-54页 |
| 4.3.3 实际图像验证 | 第54-57页 |
| 4.4 本章小结 | 第57-58页 |
| 5 基于图像局部熵和特征点响应的特征点筛选方法 | 第58-69页 |
| 5.1 图像的局部信息熵 | 第58-59页 |
| 5.2 ER算法基本流程 | 第59-61页 |
| 5.3 比例r的求取方法 | 第61-62页 |
| 5.4 实验结果 | 第62-68页 |
| 5.4.1 比例r的选择 | 第62-64页 |
| 5.4.2 性能对比实验 | 第64-68页 |
| 5.5 本章小结 | 第68-69页 |
| 结论 | 第69-71页 |
| 参考文献 | 第71-76页 |
| 攻读硕士学位期间发表学术论文情况 | 第76-77页 |
| 致谢 | 第77-79页 |