一.特征檢測（提取）

? ? ? ? 基于特征的圖像配準方法是圖像配準中最常見的方法之一。它不是直接利用圖像像素值，二十通過像素值導出的符號特征（如特征點、特征線、特征區域）來實現圖像配準，因此可以克服利用灰度信息進行圖像配準的缺點，主要體現在以下三個方面：（1）利用特征點而不是圖像灰度信息，大大減少了在匹配過程中的計算量；（2）特征點的匹配度量值相對位置變化比較敏感，可以提高匹配的精度；（3）特征點的提取過程可以減少噪聲的影響，對灰度變化、圖像形變以及遮擋等都有較好的適應能力。

? ? ? ?一類重要的點特征：角點（corner points），其定義主要有以下：

?

?

1. ?局部窗口沿各方向移動，灰度均產生明顯變化的點? ? ??
2. 圖像局部曲率突變的點
3. 典型的角點檢測算法：Harris角點檢測、CSS角點檢測
4. Harris角點檢測基本思想
   從圖像局部的小窗口觀察圖像特征，角點定義：窗口向任意方向的移動都導致圖像灰度的明顯變化（如下圖）

?

Harris檢測：數學表達

?

將圖像窗口平移[u,v]產生灰度變化E(u,v)

?

由泰勒展開，得：

?

利用角點響應函數：

?

判斷特征點是否為角點的依據：R只與M值有關，R為大數值正數時特征點為角點，R為大數值負數時為邊緣，R為小數值時為平坦區，如下圖：

尋找R位于一定閾值之上的局部最大值，去除偽角點。

Harris角點檢測流程：
1.通過高斯函數的導數對原始圖像進行卷積計算；圖像在水平方向和垂直方向的導數Ix和Iy；
2.計算對應這些梯度外積即（Ix2 、Iy2、IxIy）三個圖像如下圖：
4.使用高斯函數對以上圖像進行卷積濾波；
3.使用前面的公式計算角點響應函數R值；
5.對計算到的角點圖像進行局部極大值抑制。

?

1. ?

二、特征描述?

?在檢測到特征（關鍵點）之后，我們必須匹配它們，也就是說，我們必須確定哪些特征來自于不同圖像中的對應位置。物體識別的核心問題是將同一目標在不同時間、不同分辨率、不同光照、不同位姿情況下所成的圖像相匹配。而為了進行匹配，我們首先要合理的表示圖像。

SIFT（Scale invariant feature transform）特征通過計算檢測到的關鍵點周圍16x16窗口內每一個像素的梯度得到。在這里我只是簡單的實現類似于SIFT特征描述子的特征描述方法，即我通過每4x4的四分之一象限，通過將加權梯度值加到直方圖八個方向區間中的一個，計算出一個梯度方向直方圖，因此在每一個特征點都會形成一個128維的非負值形成了一個原始版本的SIFT描述子向量如下圖，并且將其歸一化以減少對比度和增益的影響，最后為了使描述子對其他各種光度變化魯棒，再將這些值以0.2截尾，然后再歸一化到單位長度。

?

?

三、特征匹配

一旦我們從兩幅或者多幅圖像中提取到特征及其描述子后，下一步就是要在這些圖像之間建立一些初始特征之間的匹配。
匹配策略一：對前面提取到的兩幅圖像的128維特征描述子向量做歐式距離度量，最簡單的一個策略就是先設定一個閾值（最大距離），然后返回在這個閾值范圍之內的另外一個圖像中的所有匹配。
匹配策略二：做最近鄰匹配，即比較最近鄰距離和次近鄰距離的比值，即最近鄰比率（NNDR）。

匹配策略一的缺點是，如果閾值設得太高，就會產生誤報，也就是說會出現不正確的匹配。如果閾值設得太低，就會產生很多“漏報”，也就是說，很多正確的匹配被丟失。

固定閾值，最近鄰和最近鄰比率匹配。在固定閾值（虛線圓）下，描述子DA未能與DB匹配，DD錯誤地與DC和DE匹配。如果我們選擇最近鄰，DA和DE匹配。使用最近鄰比率（NNDR），小的NNDR（d1/d2）正確地將DA和DB匹配，大的NNDR（d1'/d2'）正確地拒絕DD與DC、DE的匹配。

代碼如下：

https://download.csdn.net/download/pbymw8iwm/10659247