1.2    图像特征点的研究现状
1.3    研究内容和目标
本课题为基于SIFT的图像匹配方法。本课题对先有的匹配方法做了简要的阐述，从理论上进行优缺点的比较，得出SIFT算法的优越性。再着重详细阐述SIFT算法的实现方法，从理论上证明SIFT算法的可行性和优越性。然后通过实验，分别对SIFT算法在各种情况下的匹配效果。测试该算法在尺度变换、旋转变换、亮度变换下的匹配效果。测试特征点的提取与图像之间的关系。得到实验数据，对数据进行分析总结，得出SFIT算法的实际运行效果。到这里，课题研究的主要内容基本完成，本课题的目标是在此基础上稍加创新，把SIFT算法进行了简单运用，用作图像的识别。我们建立一个库文件夹，在文件夹中放入单个物体的照片，作为库图像。然后输入一张图像，如果该输入图像中有库文件夹中的物体，那么输出的结果中就会显示该图像中有库图像中所对应的物体。并显出，匹配上的的关键点对用蓝色细线连接起来，实现图像的简单识别。在最后对系统的用时和准确性分别统计分析，提高系统的稳定性课时效性。

目前的角点检测算法可归纳为3类：基于灰度图像的角点检测、基于二值图像的角点检测、基于轮廓曲线的角点检测。基于灰度图像的角点检测又可分为基于梯度、基于模板和基于模板梯度组合3类方法，其中基于模板的方法主要考虑像素领域点的灰度变化，即图像亮度的变化，将与邻点亮度对比足够大的点定义为角点。常见的基于模板的角点检测算法有Kitchen-Rosenfeld角点检测算法、Harris角点检测算法、KLT角点检测算法及SUSAN角点检测算法。图像特征提取是计算机视觉和图像处理中的一个概念。它指的是使用计算机提取图像信息，决定每个图像的点是否属于一个图像特征。本文主要探讨如何提取图像中的“角点”这一特征，及其相关的内容。OpenCv（EmguCv）中实现了多种角点特征的提取方法，包括：Harris角点、ShiTomasi角点、亚像素级角点、SURF角点、Star关键点、FAST关键点、Lepetit关键点等等，本文将逐一介绍如何检测这些角点。在此之前将会先介绍跟角点检测密切相关的一些变换，包括Sobel算子、拉普拉斯算子、Canny算子、霍夫变换，本文会主要介绍一种广泛使用的SIFT角点检测.。

1.4    章节安排
本文分为5章，每章安排如下：
第一章：绪论部分，介绍了本课题研究的背景、意义、内容和目标。
第二章：图像特征点的研究，什么是局部特征点，介绍了关于斑点检测和角点检测的基础原理和举例。
第三章：Sift特征点提取算法，本章介绍了，sift特征点的概念，提取算法的原理和步骤。
第四章：系统的设计及实现。包括实现过程和代码等等，是本文的重点章节。
第五章：实验结果分析，通过实验，提取SIFT特征，进行检测，并对结果进行算法分析。
2    图像特征点的研究
2.1    局部特征点
图像特征提取是图像分析与图像识别的前提，它是将高文的图像数据进行简化表达最有效的方式，从一幅图像的M×N×3的数据矩阵中，我们看不出任何信息，所以我们必须根据这些数据提取出图像中的关键信息，一些基本元件以及它们的关系。

局部特征点是图像特征的局部表达，它只能反正图像上具有的局部特殊性，所以它只适合于对图像进行匹配，检索等应用。对于图像理解则不太适合。而后者更关心一些全局特征，如颜色分布，纹理特征，主要物体的形状等。全局特征容易受到环境的干扰，光照，旋转，噪声等不利因素都会影响全局特征。相比而言，局部特征点，往往对应着图像中的一些线条交叉，明暗变化的结构中，受到的干扰也少。 图像中点特征检测算法的实现及其应用的研究(3):http://www.youerw.com/jisuanji/lunwen_32864.html