基于Opencv的SIFT特征提取及匹配开题报告

1. 研究目的与意义（文献综述）

1.1研究背景及意义

二十一世纪，人们进入一个信息爆炸的时代，获取的信息的方式也呈现出多样性，早已不仅仅局限在数字、符号、文本等信息，越来越多的信息是以图像的信息在传递，图像信息的比重也越来越大，人们已经从一个读字的时代逐渐在迈向一个读图时代。

图像匹配是图像信息领域之中的一项重要技术，同时也是其它一些图像分析技术，如立体视觉、运动分析数据融合等的基础。正因为其应用的广泛性，新的应用和新的要求逐步产生使得匹配算法的研究逐步走向深入。因此，急需展开对现有匹配方法的研究与改进，提高匹配算法的精确度与效率，这对图像信息的发展有着至关重要的意义。

2. 研究的基本内容与方案

本课题为基于opencv的sift特征提取及匹配。研究的主要内容是学习opencv相关知识；学习sift点特征提取及匹配理论；实现基于sift的多帧图像拼接。

首先是要了解并学习opencv软件的使用，opencv 的全称是：open source computer vision library。opencv 是一个基于bsd许可（开源）发行的跨平台计算机视觉库，可以运行在linux、windows和mac os操作系统上。它轻量级而且高效——由一系列 c 函数和少量 c 类构成，同时提供了python、ruby、matlab等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。

其次要学习并能详细阐述sift算法的实现原理与方法，从理论上证明sift算法的可行性和优越性。sift，其全称是scale invariant feature transform，即尺度不变特征变换技术。sift是一种提取局部特征的算法，在尺度空间寻找极值点，提取位置、尺度、旋转不变量。从图像中提取的sift特征点可以用于一个物体或场景不同视角下的可靠匹配。算法的主要步骤是：检测尺度空间极值点；精确定位极值点；为每个关键点指定方向参数；关键点描述子的生成。

3. 研究计划与安排

4. 参考文献（12篇以上）

[1].杨维,朱文球,罗哲,李旺.改进的sift特征匹配方法[j/ol]. 电脑知识与技术, 2015(25):130-132

[2].刘晓霞,李峰,熊兵. 基于韦伯局部特征的图像拼接检测[j]. 计算机工程与应用. 2013(12):140-143

[3].amin sedaghat, mehdi mokhtarzade, hamid ebadi. uniform robust scale-invariant feature matching for optical remote sensing images. ieee transactions on geoscience and remote sensing . 2011:4516-4527