基于图像特征的匹配方法克服了基于灰度的图像匹配的缺点，大大的减少了匹配运算量。但这种方法更为复杂，需要运用大量的几何形态学来计算，同时算法的通用性比较差，往往需要根据应用场合选取不同的匹配特征和算法。基于图像特征的匹配方法的抗噪声能力很强，具有较好的匹配效果，而且不受图像的灰度失真、遮挡以及几何形变的影响。同时具有较高的匹配效率和匹配速度。 

常用的特征匹配算法有基于点特征的匹配、基于边缘特征的匹配、基于区域特征的匹配、基于高层模型特征的匹配等。文献综述

3  尺度空间理论

3。1  尺度空间概述

图像的尺度与图像的特征有着密切的联系，一些特定的图像特征需要在对应的尺度范围内才能显示出来。因此，本文在对图像提取图像特征前，首先引入图像的尺度空间表示方法。

Lijima于1962年提出了尺度空间的概念，这是首次被提出。但是当时并没有引起研究者们的重视。直到上世纪八十年代，开始于Witkin讨论的一维信号平滑，尺度空间方法才逐渐得到关注和发展。随着变分法、数学形态学和非线性扩散方程等方法的广泛应用，尺度空间方法得到了快速发展。

3。1。1  尺度空间基本概念

现实生活中的物体在不同尺度下观察会得到不同的变化。尺度变大时，相当于观察远处的物体，此时只能看到物体的大致轮廓；尺度变小时，相当于观察近处的物体，此时能看到物体的细节内容。

尺度空间理论是首先对图像进行尺度变换处理，通过尺度参数不断变化，得到不同尺度下的尺度空间表示序列，然后提取序列的尺度空间主轮廓，把提取出的主轮廓作为一种特征向量，实现图像特征的提取。

3。1。2  尺度空间的数学定义

尺度空间被定义为     （3。1）

上式中表示输入信号，表示输出信号。对于所有的输入信号，若它与变换核卷积后得到的信号中的极值不超过原图像的极值，则称为尺度空间核，所进行的卷积变换为尺度空间变换。

3。1。3  尺度空间的性质

每一层均有一个尺度参数代表该层尺度的特征，尺度参数可以是连续或离散的。所有尺度空间应该有以下性质：

（1）所有信号应该被定义在同一定义域中；来`自+优-尔^论:文,网www.youerw.com +QQ752018766-

（2）输出图像的表示随着尺度参数的增大而变得模糊；

（3）所有输出图像的表示都是通过一个卷积核算子产生；

（4）一个信号在细的层次中包含的细节要比粗的层次中多，若把局部极值看作平滑度的一种度量，则随着尺度变模糊，极值是非增的,这种属性称为“尺度空间的因果关系”。

3。2  高斯尺度空间

高斯尺度空间是模拟人眼视觉机制的理想数学模型。高斯核作为实现尺度变换的唯一变换核，采用高斯核作为尺度空间核函数所得到的尺度空间称为高斯尺度空间。将输入图像的高斯尺度空间定义为，尺度空间可由尺度可变的高斯函数与输入图像卷积得到：