选题背景与意义：图像匹配是指对两幅或多幅图像求解最优空间几何变换，使匹配图像经过该变换与被匹配图像达到空间上的对齐。
图像匹配让两幅图像的中重要特征点点在空间具有一致性，相互匹配为临床治疗提供更多的指导性建议[1]。
当今，图像匹配技术主要有两种，一种是基于区域灰度的匹配，另一种是基于特征信息的图像匹配。
前者利用像素的灰度值来计算出图像的相似度，利用相似度最大的像素来进行匹配，该方法计算量大，且效果不理想[2]。
后者是利用两图像中的特征点，基于区域生成特征向量来描述该特征点，经过匹配特征向量后得到匹配关系，该方法较前者而言，速度快、计算量小且匹配精度高。
近年来，在国内外许多学者的努力下，图像匹配取得了巨大的进展，但由于图像本身具备的复杂性与多变性[4,5]，使得匹配算法在速度、准确度和鲁棒性上仍有一定差距[6]。
2004年，加拿大学者 David G. Lowe总结并正式提出了尺度不变特征变换（ScaleInvariantFeatureTransform，SIFT）算法[3]，该算法首先建立尺度空间，在不同尺度空间中提取特征点，并为每个特征点赋予主方向，之后利用每个特征点的邻域信息构建128维特征点描述符，最后通过描述符的匹配完成两幅图像的特征点匹配。
SIFT算法提取得到的特征点数量多，稳定性好,并且具有方向和尺度的不变性，但算法较复杂，运行时间较长。
本课题通过研究SIFT算法的原理后，针对其缺点进行改进，降低其运算复杂度，并提高其匹配精确度，使其能更好地应用到图像匹配中。
研究方法：通过阅读大量的国内外文献，掌握图像处理算法发展历程与设计原理，其中重点搜集和分析研究各种图像特征提取和特征匹配有关的文献资料，选取主流的SIFT算法进行研究并对其改进，再通过理论与实践结合的研究方法，对改进后的SIFT算法加以检验。
以上是毕业论文文献综述，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。
