1. 研究目的与意义
图像匹配是计算机视觉领域的核心技术问题，在图像拼接﹑智能视觉诊断,机器人视觉等工程领域中有着重要的应用价值。常用的图像匹配算法有基于块匹配的方法和基于特征点的匹配方法两类。块匹配方法通常不具有旋转不变性,且当图像块较小时匹配结果易受噪声影响,而当图像块较大时图像之间的差异会导致匹配效果变差。因此,基于特征点的匹配方法成为当前研究的主流方法。常见的特征点提取方法有尺度不变特征转换( Scalc-Invariant Feature'Transform，SIFT)算法、加速段测试的特征( Fealures FromAccelerated Segment Test，FAST)算法和加速的具有鲁棒性的特征( Speeded-Up Robust Features，SURF)等方法。
2. 课题关键问题和重难点
基于特征的匹配可以分为点、线、面的特征匹配。一般经过三个过程：特征提取；利用一组参数对特征作描述；利用特征的参数进行特征匹配。在两幅图像中用同一种特征提取法提取出特征点，根据相似性原则对两幅图像中的特征点进行匹配，找出两幅图像中相同的特征点对应关系。
小波变换被广泛应用于图像特征点的提取中，但由于频谱混叠等噪声及误 差的存在，不能保证提取后得到的特征点是稳定的特征点。用小波变换提取出来的特征点对在图像发生旋转、拉伸和平移的时候虽然有较强的鲁棒性，但是在提取中还是存在一些问题的，如一些由于图像的频谱混叠等噪声的存在，使得提取出来的特征点容易出现重影等问题。
3. 国内外研究现状（文献综述）
在图像处理与计算机视觉领域,图像特征提取是非常关键的技术。图像特征提取是指运用计算机技术分析和处理图像信息,从图像信息中提取出关键有用、标示能力强的图像特征,并将提取到的图像特征用于对实际问题的处理。在图像特征提取中,图像预处理是消除图像噪声、提高图像质量的重要且必不可少的过程。
在图像配准的特征匹配阶段，对提取出的特征点采用最邻近特征点欧氏距离除以次邻近特征点的欧氏距离的比值和比例阈值t间的关系来确定初始匹配对，通过不同比例阈值下的匹配效率确定合适的比例阈值。对配准后的图像进行小波变换的融合方法进行融合，得到融合后的图像。
提出了一种基于径向小波变换的图像特征提取算法,该方法使用径向对称函数来获得图像的边缘信息。不同于其他的边缘检测算法,本方法既不使用方向滤波器,也不使用图像的极坐标形式,而且适合于文本和非文本图像,容易实现。算法中的参数在数学上能够严格证明,且通过计算不断调整,生成不变的分辨率特征图像矢量。仿真结果表明,该方法能够用于基于内容的图像检索。
4. 研究方案
要进行小波变换的图像特征点匹配首先要进行利用小波变换来进行特征提取
（1）特征点提取方法：第一步，对一幅图像来应用离散小波变换，将它分解为它的多分辨率表示形式。对一幅图像进行2D分离小波滤波就可以得到四个子图像，将原始图像分解为4个信号，一个低频信号和三个高频分量信号。低频信号又可以进一步分解为四个子带，所以分解后的总子代个数为3X 1，X为分解层数。具体分解情况如图。
5. 工作计划
2022-2023-1学期：
第15-16周：完成选题，查阅相关中英文资料。
第17周：与导师沟通进行课题总体规划。
以上是毕业论文开题报告，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
