| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 课题背景及意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.2.1 国外研究现状 | 第11页 |
| 1.2.2 国内研究现状 | 第11-12页 |
| 1.3 本文主要研究内容 | 第12-13页 |
| 第二章 图像匹配相关理论和预处理 | 第13-29页 |
| 2.1 图像匹配技术 | 第13-18页 |
| 2.1.1 图像匹配技术的定义 | 第13页 |
| 2.1.2 图像匹配算法的分类 | 第13-18页 |
| 2.2 尺度空间技术 | 第18-22页 |
| 2.2.1 尺度空间理论 | 第18-19页 |
| 2.2.2 高斯模糊 | 第19-21页 |
| 2.2.3 高斯尺度空间 | 第21-22页 |
| 2.3 图像预处理 | 第22-27页 |
| 2.3.1 图像灰度化处理 | 第22-23页 |
| 2.3.2 图像增强处理 | 第23-24页 |
| 2.3.3 图像滤波处理 | 第24-27页 |
| 2.4 本章小结 | 第27-29页 |
| 第三章 SIFT及相关算法 | 第29-45页 |
| 3.1 SIFT算法 | 第29-39页 |
| 3.1.1 高斯金字塔的构建 | 第29-33页 |
| 3.1.2 关键点精确定位 | 第33-35页 |
| 3.1.3 关键点主方向分配 | 第35-36页 |
| 3.1.4 描述关键点 | 第36-38页 |
| 3.1.5 SIFT特征匹配 | 第38-39页 |
| 3.2 PCA-SIFT算法 | 第39-42页 |
| 3.2.1 PCA降维 | 第39-40页 |
| 3.2.2 计算投影矩阵 | 第40页 |
| 3.2.3 检测关键点 | 第40-41页 |
| 3.2.4 生成描述子 | 第41-42页 |
| 3.3 SURF算法 | 第42-44页 |
| 3.3.1 构造Hessian矩阵 | 第42页 |
| 3.3.2 构造高斯金字塔 | 第42-43页 |
| 3.3.3 特征点的精确定位 | 第43页 |
| 3.3.4 确定特征点的主方向 | 第43-44页 |
| 3.3.5 构造特征描述子 | 第44页 |
| 3.4 本章小结 | 第44-45页 |
| 第四章 SIFT算法的改进 | 第45-53页 |
| 4.1 经典高维数据降维算法 | 第45-47页 |
| 4.1.1 独立成分分析算法(ICA算法) | 第45-46页 |
| 4.1.2 变换聚类算法(MDS算法) | 第46页 |
| 4.1.3 局部保持投影算法(LPP算法) | 第46-47页 |
| 4.2 SIFT算法的优缺点 | 第47页 |
| 4.3 改进SIFT算法 | 第47-52页 |
| 4.3.1 局部保持投影降维算法 | 第47-49页 |
| 4.3.2 优化KD树 | 第49-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第五章 基于改进算法的图像匹配识别实验 | 第53-65页 |
| 5.1 算法流程示例 | 第53-54页 |
| 5.2 实验系统开发环境 | 第54页 |
| 5.3 实验结果与性能分析 | 第54-63页 |
| 5.3.1 待匹配图像不同尺度实验分析 | 第54-56页 |
| 5.3.2 待匹配图像旋转实验分析 | 第56-57页 |
| 5.3.3 待匹配图像光照变化实验分析 | 第57-58页 |
| 5.3.4 本文算法应用于复杂背景下目标遮挡识别 | 第58-61页 |
| 5.3.5 本文算法应用于复杂背景下目标照明不足识别 | 第61-63页 |
| 5.4 本章小结 | 第63-65页 |
| 第六章 结论与展望 | 第65-68页 |
| 6.1 结论 | 第65-66页 |
| 6.2 展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士学位期间所取得的科研成果 | 第72-74页 |
| 致谢 | 第74页 |