影像匹配基础方法回顾

影像或图像匹配
1、应用：目标识别、目标跟踪、超分辨率影像重建、视觉导航、图像拼接、三维重建、视觉定位、场景深度计算。
2、方法：传统匹配方法（空间域、频率域）基于深度学习的特征点匹配算法、实时匹配算法、3维点云匹配算法、共面线点不变量匹配算法，以及基于深度学习的图像区域匹配等。
3、分类：基于区域和基于特征、深度学习方法
4、具体内容
4.1 图像特征点是什么？- 关键点+描述子
关键点：指特征点在图像中的位置，具有方向、 尺度等信息;
描述子：描述子通常是一个向量，描述关键点邻域的像素、灰度、梯度、相位、纹理等信息。
4.2. 如何进行特征点匹配 ？- 人工设计检测器
在二维或多维向量空间中对两个描述子进行比较，距离相近则判定为同一个特征点，角点、边缘点等都可以作为潜在特征点。
（1）角点检测算法最常用：基于图像灰度的方法、基于图像梯度
Harris：通过两个正交方向上 强度的变化率对角点进行定义，其本身存在尺度固 定、像素定位精度低、伪角点较多和计算量大等问题。
Harris改进算法：将多分辨率思想引入 Harris 角点，解决了 Harris 算法不具有尺度变化的问题。
Harris改进算法：在 Harris 算法中两次筛选候选点集，利用最小二乘加 权距离法实现角点亚像素定位，大幅度提高角点检测效率和精度。
Harris改进算法：将灰度差分及模板与 Harris 算法相结合，解决了 Harris 算法中存在较多伪角 点和计算量大等问题。
（2）基于邻域像素检测
Fast：通过邻域像素对比进行特征点检测并引入机器学习加速这一过程，可应用在对实时性要求较高的场合，如视频监控中的目标识别。由于FAST 仅处理单一尺度图像，且检测的不仅仅是“角点”这一特征，还可以检测到其他 符合要求的特征点，如孤立的噪点等。当图像中噪 点较多时会产生较多外点，导致鲁棒性下降。
（3）基于梯度特征
SIFT：不再局限于对角点检测
SIFT：对局部图像描述符进行分析描述，对这类方法的计算复杂度、评价方法和应用领域 予以总结，并对 SIFT 算法的演变以及在 不同领域的典型应用进行了较为全面的论述，比较了各类算法的优缺点。
SIFT算法改进：针对算法时间复杂度高及召回率、精度低的问题，提出了PCA-SIFT, SURF, SSIF，CSIFT，SAR-SIFT，ASIFT，OS-SIFT，EO-SIFT等诸多改进算法。