| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第7-14页 |
| 1.1 研究背景及意义 | 第7页 |
| 1.2 国内外研究现状 | 第7-10页 |
| 1.3 图像配准的研究内容及问题分析 | 第10-12页 |
| 1.3.1 数字图像配准的研究内容 | 第10页 |
| 1.3.2 图像深度信息方面的研究内容 | 第10-11页 |
| 1.3.3 数字图像配准存在的问题 | 第11-12页 |
| 1.4 本文的结构安排 | 第12-14页 |
| 第二章 图像配准算法介绍 | 第14-23页 |
| 2.1 图像配准概述 | 第14-15页 |
| 2.2 图像的空间变换基本映射 | 第15-16页 |
| 2.3 图像的特征 | 第16-17页 |
| 2.4 SIFT特征用于图像配准 | 第17-23页 |
| 2.4.1 构建尺度空间 | 第17-18页 |
| 2.4.2 检测DoG尺度空间的极值点 | 第18-19页 |
| 2.4.3 除去不理想的特征点 | 第19页 |
| 2.4.4 生成关键点描述子 | 第19-21页 |
| 2.4.5 根据SIFT匹配特征点 | 第21-23页 |
| 第三章 基于深度信息的图像配准算法 | 第23-42页 |
| 3.1 随机抽样一致性 | 第23-25页 |
| 3.1.1 RANSAC算法的基本步骤 | 第24-25页 |
| 3.1.2 RANSAC算法用于特征匹配的问题 | 第25页 |
| 3.2 图像深度局部连续性 | 第25-28页 |
| 3.3 融入图像深度信息的SIFT配准算法 | 第28-30页 |
| 3.4 图像深度估计 | 第30-36页 |
| 3.4.1 立体匹配线索 | 第31页 |
| 3.4.2 运动线索 | 第31-32页 |
| 3.4.3 聚焦线索 | 第32-33页 |
| 3.4.4 纹理线索 | 第33页 |
| 3.4.5 阴影线索 | 第33-34页 |
| 3.4.6 机器学习线索 | 第34-35页 |
| 3.4.7 深度估计线索小结 | 第35-36页 |
| 3.5 模糊聚焦线索估计图像深度 | 第36-39页 |
| 3.5.1 模糊聚焦机理及透镜原理 | 第36-37页 |
| 3.5.2 模糊聚焦深度估计的流程 | 第37-38页 |
| 3.5.3 深度图像局部连续性 | 第38-39页 |
| 3.6 机器学习方法估计图像深度 | 第39-42页 |
| 3.6.1 k近邻搜索 | 第39-40页 |
| 3.6.2 通过SIFT流特性调整粗估计深度图像 | 第40页 |
| 3.6.3 深度融合 | 第40页 |
| 3.6.4 平滑优化 | 第40-42页 |
| 第四章 图像配准算法的应用：超分辨率重建及三维重建 | 第42-49页 |
| 4.1 图像超分辨 | 第42-46页 |
| 4.1.1 图像退化模型 | 第42-43页 |
| 4.1.2 基于插值的超分辨方法 | 第43-45页 |
| 4.1.3 基于重构的超分辨方法 | 第45-46页 |
| 4.2 图像三维重建 | 第46-49页 |
| 4.2.1 基于平面的三维重建 | 第47页 |
| 4.2.2 基于深度图的三维重建方法 | 第47页 |
| 4.2.3 基于立体视觉的三维重建 | 第47-49页 |
| 第五章 实验结果及分析 | 第49-57页 |
| 5.1 实验流程 | 第49页 |
| 5.2 实验结果 | 第49-56页 |
| 5.2.1 实验一：基于模糊聚焦线索的图像深度估计算法 | 第50-51页 |
| 5.2.2 实验二：基于机器学习方法的图像深度值估计算法 | 第51-52页 |
| 5.2.3 实验三：基于图像深度信息的特征点对匹配筛选 | 第52-53页 |
| 5.2.4 实验四：利用配准后的结果进行超分辨率重构和三维重建 | 第53-55页 |
| 5.2.5 实验五：2D图像的 3D重建 | 第55-56页 |
| 5.3 实验结论 | 第56-57页 |
| 致谢 | 第57-58页 |
| 总结与展望 | 第58-60页 |
| 参考文献 | 第60-63页 |
| 读研期间的研究成果 | 第63-64页 |
