| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第14-19页 |
| 1.1 研究背景及研究目的 | 第14-15页 |
| 1.2 研究现状及存在的问题 | 第15-17页 |
| 1.2.1 国内外研究现状 | 第15-17页 |
| 1.2.2 存在的问题 | 第17页 |
| 1.3 技术路线与研究内容 | 第17-18页 |
| 1.3.1 本文内容 | 第17-18页 |
| 1.3.2 技术路线 | 第18页 |
| 1.4 本章小结 | 第18-19页 |
| 第2章 立体像对的同名点匹配方法 | 第19-32页 |
| 2.1 基于特征提取的同名点匹配算法 | 第19-29页 |
| 2.1.1 Moravec算子 | 第19-20页 |
| 2.1.2 Harris算法 | 第20-22页 |
| 2.1.3 Susan算子 | 第22-23页 |
| 2.1.4 SIFT算法 | 第23-27页 |
| 2.1.5 SURF算子 | 第27-29页 |
| 2.2 基于灰度相关算法的同名点匹配算法 | 第29-31页 |
| 2.2.1 相关系数法 | 第29-30页 |
| 2.2.2 自适应权重法 | 第30-31页 |
| 2.3 本章小结 | 第31-32页 |
| 第3章 影像匹配中基本矩阵模型的估计方法 | 第32-45页 |
| 3.1 影像匹配模型——基本矩阵 | 第32-35页 |
| 3.1.1 极几何 | 第32-33页 |
| 3.1.2 基本矩阵 | 第33-35页 |
| 3.2 基本矩阵模型的估计方法 | 第35-44页 |
| 3.2.1 线性估计算法 | 第36-37页 |
| 3.2.2 稳健估计算法 | 第37-44页 |
| 3.3 本章小结 | 第44-45页 |
| 第4章 优化的贝叶斯抽样一致性算法 | 第45-61页 |
| 4.1 算法简介 | 第45-46页 |
| 4.2 确定先验概率 | 第46-50页 |
| 4.2.1 分析成像特点的方法 | 第46-48页 |
| 4.2.2 基于基本矩阵参数统计检验的方法 | 第48-50页 |
| 4.3 模型评价方法 | 第50-52页 |
| 4.3.1 模型符合点数 | 第50-51页 |
| 4.3.2 似然函数 | 第51-52页 |
| 4.4 概率更新 | 第52-54页 |
| 4.4.1 结合模型符合点数 | 第52-53页 |
| 4.4.2 结合似然函数值 | 第53-54页 |
| 4.5 优化的BaySAC算法流程及示例 | 第54-60页 |
| 4.5.1 优化的BaySAC算法流程 | 第54-57页 |
| 4.5.2 优化的BaySAC算法示例 | 第57-60页 |
| 4.6 本章小结 | 第60-61页 |
| 第5章 试验及分析 | 第61-95页 |
| 5.1 试验数据说明 | 第61-65页 |
| 5.2 特征匹配算法SIFT与SURF比较 | 第65-67页 |
| 5.3 BaySAC-PC、BaySAC-RC算法匹配结果 | 第67-70页 |
| 5.3.1 试验结果 | 第67-69页 |
| 5.3.2 试验分析 | 第69-70页 |
| 5.4 BaySAC-ST算法匹配结果 | 第70-84页 |
| 5.4.1 参数统计直方图 | 第70-73页 |
| 5.4.2 匹配精度 | 第73-76页 |
| 5.4.3 匹配效率 | 第76-79页 |
| 5.4.4 试验分析 | 第79页 |
| 5.4.5 基于随机参数统计检验的RANSAC-ST算法匹配结果 | 第79-84页 |
| 5.5 BaySAC-ST-MLE算法匹配结果 | 第84-89页 |
| 5.5.1 参数统计直方图 | 第84-85页 |
| 5.5.2 匹配精度 | 第85-88页 |
| 5.5.3 匹配效率 | 第88-89页 |
| 5.6 各算法综合比较 | 第89-91页 |
| 5.7 优化BaySAC算法用于密集匹配结果 | 第91-94页 |
| 5.8 本章小结 | 第94-95页 |
| 第6章 总结与展望 | 第95-97页 |
| 6.1 研究工作总结 | 第95页 |
| 6.2 主要贡献与创新 | 第95-96页 |
| 6.3 下一步工作与展望 | 第96-97页 |
| 致谢 | 第97-98页 |
| 参考文献 | 第98-103页 |
| 附录 | 第103-104页 |