基于特征点的多尺度图像匹配算法研究及其应用
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-23页 |
| 1.1 选题背景与研究意义 | 第9-10页 |
| 1.2 图像匹配算法研究概述 | 第10-12页 |
| 1.2.1 基于灰度信息的图像匹配算法 | 第10页 |
| 1.2.2 基于特征的图像匹配算法 | 第10-12页 |
| 1.3 基于特征点的图像匹配算法研究现状 | 第12-21页 |
| 1.3.1 尺度空间理论 | 第13-15页 |
| 1.3.2 特征点检测方法 | 第15-18页 |
| 1.3.3 特征点描述方法 | 第18-21页 |
| 1.4 本文的主要内容和组织结构 | 第21-23页 |
| 第二章 基于分数阶梯度算子的多尺度特征点检测 | 第23-37页 |
| 2.1 引言 | 第23-24页 |
| 2.2 一种基于分数阶梯度算子的非线性扩散滤波 | 第24-27页 |
| 2.2.1 非线性扩散滤波及其求解 | 第24-25页 |
| 2.2.2 一种基于分数阶梯度算子的传导函数 | 第25-27页 |
| 2.3 多尺度特征点检测 | 第27-30页 |
| 2.3.1 非线性尺度空间的构建 | 第27-29页 |
| 2.3.2 计算特征响应值和定位特征点 | 第29-30页 |
| 2.4 实验结果与分析 | 第30-35页 |
| 2.4.1 实验数据集和评价标准 | 第30-31页 |
| 2.4.2 两种非线性扩散滤波方法的比较 | 第31-32页 |
| 2.4.3 参数选择和特征点检测算法性能评价 | 第32-35页 |
| 2.5 小结 | 第35-37页 |
| 第三章 基于局部灰度序的二值描述子 | 第37-49页 |
| 3.1 引言 | 第37页 |
| 3.2 一种基于局部灰度序的二值描述子 | 第37-43页 |
| 3.2.1 经典二值描述子的不足 | 第38页 |
| 3.2.2 LIOB描述子的定义 | 第38-41页 |
| 3.2.3 学习采样点对的分布 | 第41-43页 |
| 3.3 实验结果与分析 | 第43-47页 |
| 3.3.1 实验数据集和评价标准 | 第43页 |
| 3.3.2 参数选择 | 第43-44页 |
| 3.3.3 描述子性能分析 | 第44-46页 |
| 3.3.4 分析不同学习方法对描述子性能的影响 | 第46-47页 |
| 3.4 小结 | 第47-49页 |
| 第四章 基于序列图像的三维重建 | 第49-63页 |
| 4.1 引言 | 第49-50页 |
| 4.2 相关基础理论 | 第50-52页 |
| 4.2.1 相机模型及成像原理 | 第50-51页 |
| 4.2.2 对极几何 | 第51页 |
| 4.2.3 基础矩阵和本质矩阵 | 第51-52页 |
| 4.3 基于SFM的两幅图像稀疏三维重建 | 第52-55页 |
| 4.3.1 特征点的匹配及基础矩阵的求解 | 第52-53页 |
| 4.3.2 恢复相机之间的运动参数 | 第53-54页 |
| 4.3.3 空间三维点的计算 | 第54-55页 |
| 4.3.4 集束调整 | 第55页 |
| 4.4 基于SFM的多幅图像稀疏三维重建 | 第55-56页 |
| 4.5 稀疏点云的后期处理 | 第56页 |
| 4.6 实验结果 | 第56-61页 |
| 4.6.1 两幅图像下的三维重建 | 第57-59页 |
| 4.6.2 多幅图像下的三维重建 | 第59-61页 |
| 4.7 小结 | 第61-63页 |
| 第五章 总结与展望 | 第63-65页 |
| 5.1 本文工作总结 | 第63-64页 |
| 5.2 未来工作展望 | 第64-65页 |
| 致谢 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 作者在攻读硕士期间发表的论文 | 第73页 |
