- 研究的背景
图像匹配是图像分析和处理的基础，广泛应用于日常生活的诸多方面，如目标跟踪、超分辨率影像重建、3维重建、视觉导航等。图像匹配，即应用计算机和相应的数学理论对给定图像按照特定目的进行相应处理。
早期图像匹配方法以角点检测与匹配为主，从Harris角点检测算子[1]到FAST(features from accelerated segment test)检测算子[2]，以及对这类角点检测算子的改进方法。SIFT(scale invariant feature transform)方法[3]的提出将研究者的思维从角点检测中解放出来，是迄今为止被该方向引用最多的技术。目前，SIFT类方法不再占据主导地位，基于深度学习的图像匹配方法逐步兴起，这类图像匹配不再依据研究者的观察和专业知识，而是依靠数据的训练，匹配精确度更高，已彻底改变了图像特征的计算方式。
近年来，更多的基于空域图卷积网络的神经网络模型的变体[4-6]被开发出来，我们将这类方法统称为GNN（图神经网络）。在GNN提出之前，处理图数据的方法是在数据的预处理阶段将图转换为用一组向量表示。这种处理方法最大的问题就是图中的结构信息可能会丢失，并且得到的结果会严重依赖于对图的预处理。GNN的出现，实现了图数据的端对端学习方式，给图像匹配提供了一个极具有竞争力的学习方案。
二、研究现状
图匹配是一种离散组合优化问题，本质上是一个非确定性多项式（non-deterministic polynomial，简称NP）问题[7]，即很难在一个多项式时间内找出这类问题的通用解，而且随着问题的复杂度变高，求解的时间复杂度成指数倍增长，因此，研究者们通常是寻找该问题的近似解，而这些求解近似解的算法大多是对匹配问题的离散约束进行某种意义上的松弛，使得经过松弛后的问题可以用优化技术进行优化[8]，降低时间复杂度。
图匹配方法：
- 局部不变特征点匹配
局部不变特征点匹配在图像匹配领域中发展最早，一幅图像的特征点由两部分组成：关键点和描述子。关键点是指特征点在图像中的位置，具有方向、尺度等信息；描述子通常是一个向量，描述关键点邻域的像素信息。在进行特征点匹配时，通常只需在向量空间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。
- 直线匹配
研究直线匹配首先要克服线特征本身存在的一些问题，如端点位置不准确、图像边缘特征不明显、线段碎片问题等，与点特征相比，线特征包含更多场 景和对象的结构信息。线特征匹配方法可以大致分为3种：基于单线段匹配方法、基于线段组方法和基于共面线一点不变量(LP)方法。
在基于单线段匹配方法中，Wang等人[9]提出的MSLD(mean standard deviation line descriptor)方法通过统计像素支持区域内每个子区域4个方向的梯度向量构建描述子矩阵，进而提高描述符的鲁棒性。MSLD对具有适当变化的纹理图像有较好的匹配效果，可以应用在3维重建和目标识别等领域。
基于线段组匹配方法对线段端点有高度依赖性，图像变换及部分遮挡可能导致端点位置不准确，进而影响匹配效果。
基于共面线一点不变量(LP)方法对误匹配点和图像变换具有鲁棒性，但高度依赖匹配关键点的准确性。
以上是毕业论文开题文献，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。
