| 摘要 | 第8-9页 |
| Abstract | 第9页 |
| 1 绪论 | 第10-14页 |
| 1.1 研究背景 | 第10页 |
| 1.2 研究目的及意义 | 第10-12页 |
| 1.3 研究内容和组织结构 | 第12-13页 |
| 1.4 本章小结 | 第13-14页 |
| 2 基础理论知识 | 第14-23页 |
| 2.1 图像配准技术 | 第14-18页 |
| 2.1.1 基于区域的配准方法 | 第14-16页 |
| 2.1.2 基于特征的配准方法 | 第16-18页 |
| 2.2 图像特征点提取 | 第18-22页 |
| 2.2.1 特征点提取评价 | 第18页 |
| 2.2.2 Moravec角点检测算法 | 第18-19页 |
| 2.2.3 Harris角点检测算法 | 第19-20页 |
| 2.2.4 SUSAN角点检测算法 | 第20-21页 |
| 2.2.5 FAST角点检测算法 | 第21页 |
| 2.2.6 SIFT特征点检测算法 | 第21-22页 |
| 2.3 本章小结 | 第22-23页 |
| 3 图像熵与SURF特征点个数的关系 | 第23-32页 |
| 3.1 图像熵 | 第23-24页 |
| 3.2 SURF特征点检测算法 | 第24-28页 |
| 3.2.1 兴趣点检测 | 第24-26页 |
| 3.2.1.1 积分图像 | 第24-25页 |
| 3.2.1.2 基于Hession矩阵的兴趣点 | 第25-26页 |
| 3.2.1.3 尺度空间 | 第26页 |
| 3.2.1.4 兴趣点定位 | 第26页 |
| 3.2.2 描述符 | 第26-27页 |
| 3.2.3 兴趣点描述与匹配 | 第27-28页 |
| 3.2.3.1 确定兴趣点的方向 | 第27-28页 |
| 3.2.3.2 构建提取描述子向量 | 第28页 |
| 3.3 算法设计与实验分析 | 第28-31页 |
| 3.3.1 算法设计 | 第28-29页 |
| 3.3.2 实验结果与分析 | 第29-31页 |
| 3.4 本章小结 | 第31-32页 |
| 4 基于超像素分割和信息熵的SURF图像配准算法 | 第32-41页 |
| 4.1 超像素分割 | 第32-34页 |
| 4.2 RANSAC算法 | 第34-35页 |
| 4.3 基于超像素分割和信息熵的SURF图像配准算法 | 第35-36页 |
| 4.4 实验结果与分析 | 第36-40页 |
| 4.5 本章小结 | 第40-41页 |
| 5 超像素分割和信息熵的SURF图像配准系统的设计与实现 | 第41-47页 |
| 5.1 系统设计 | 第41-42页 |
| 5.1.1 系统设计出发点 | 第41页 |
| 5.1.2 系统运行环境 | 第41页 |
| 5.1.3 系统可行性分析 | 第41-42页 |
| 5.1.4 系统需求分析 | 第42页 |
| 5.2 系统功能 | 第42-46页 |
| 5.3 本章小结 | 第46-47页 |
| 6 总结与展望 | 第47-48页 |
| 6.1 工作总结 | 第47页 |
| 6.2 展望 | 第47-48页 |
| 7 参考文献 | 第48-53页 |
| 致谢 | 第53页 |