| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 图像特征点的提取 | 第11-12页 |
| 1.2.2 特征点描述子的生成 | 第12-14页 |
| 1.2.3 特征点的匹配 | 第14-15页 |
| 1.3 论文主要工作及结构安排 | 第15-16页 |
| 第2章 图像特征点提取算法 | 第16-30页 |
| 2.1 SIFT特征点提取算法 | 第16-21页 |
| 2.1.1 图像多尺度空间的建立 | 第16-19页 |
| 2.1.2 特征点的初步定位 | 第19-20页 |
| 2.1.3 特征点的精确定位 | 第20-21页 |
| 2.2 SURF特征点提取算法 | 第21-25页 |
| 2.2.1 积分图像的概念与算法 | 第21-22页 |
| 2.2.2 尺度空间的建立 | 第22-24页 |
| 2.2.3 基于Hessian矩阵的特征点检测 | 第24-25页 |
| 2.3 图像特征点评价方法 | 第25-29页 |
| 2.3.1 常见的图像变换及数学模型 | 第25-26页 |
| 2.3.2 图像特征点重复度评价方法 | 第26-27页 |
| 2.3.3 测试图像库 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 改进的FAST图像特征点提取算法 | 第30-44页 |
| 3.1 基于多尺度空间的改进FAST特征点提取算法 | 第30-37页 |
| 3.1.1 FAST特征点提取算法的基本原理 | 第30-32页 |
| 3.1.2 多尺度空间的改进FAST算法 | 第32-34页 |
| 3.1.3 仿真实验与结果分析 | 第34-37页 |
| 3.2 基于图像灰度聚类的多自适应阈值改进FAST算法 | 第37-43页 |
| 3.2.1 基于图像灰度的K-均值聚类算法 | 第37-38页 |
| 3.2.2 基于图像熵的多自适应阈值算法 | 第38-41页 |
| 3.2.3 仿真实验与结果分析 | 第41-43页 |
| 3.3 本章小结 | 第43-44页 |
| 第4章 图像特征点的描述 | 第44-61页 |
| 4.1 基于梯度直方图的描述子 | 第44-51页 |
| 4.1.1 SIFT特征点描述子 | 第44-49页 |
| 4.1.2 SURF特征点描述子 | 第49-51页 |
| 4.2 基于比较二进制的描述子 | 第51-55页 |
| 4.2.1 BRIEF描述子 | 第51-52页 |
| 4.2.2 ORB描述子 | 第52-54页 |
| 4.2.3 BRISK描述子 | 第54-55页 |
| 4.3 仿真实验与结果分析 | 第55-60页 |
| 4.4 本章小结 | 第60-61页 |
| 第5章 图像特征点的匹配 | 第61-72页 |
| 5.1 图像匹配基本原理以及主要过程 | 第61-63页 |
| 5.1.1 相似度量性准则 | 第61-62页 |
| 5.1.2 去除误匹配点 | 第62-63页 |
| 5.2 基于教与学优化算法的匹配搜索策略 | 第63-66页 |
| 5.2.1 教与学优化算法 | 第63-65页 |
| 5.2.2 基于TLBO算法的图像特征点匹配搜索策略 | 第65-66页 |
| 5.3 仿真实验与结果分析 | 第66-70页 |
| 5.4 本章小结 | 第70-72页 |
| 结论 | 第72-74页 |
| 参考文献 | 第74-81页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第81-83页 |
| 致谢 | 第83页 |
