图像匹配算法的目标是寻找图像之间的同质区域,进而根据同质区域的映射,建立起图像之间的空间对应关系。它是计算机视觉研究领域中的一个关键问题,也是三维重建、遥感融合、目标识别、目标跟踪、医学图像分析、增强现实等许多视觉应用的基础。但是,由于光照变化、视角变化、目标形态变化、图像噪声等等影响,待匹配图像可能发生不同程度的外观变化,从而影响匹配效果。因此,如何对图像内容的同质性进行有效地分析与度量,进而得到匹配精度高、具有鲁棒性的算法,是图像匹配任务的重点。基于特征描述子的图像匹配算法是该领域的一个重要研究方向。其基本步骤如下：首先,对待匹配图像中特征区域的位置与尺度等信息进行检测；然后,基于底层图像特征提取方法与图像描述子构建方法,对各个特征区域进行描述,产生相应的局部图像描述子；进而根据描述子的相似性度量得到初始匹配结果,并根据特征区域的拓扑结构,利用点集匹配算法进行空间约束,最终得到图像之间的匹配关系。因此,为了得到更加鲁棒与精确的匹配结果,本文在国内外已有研究基础上,针对图像匹配算法的各个步骤进行了研究,包括图像底层特征提取、图像局部描述子构建以及基于局部拓扑结构的点集匹配。主要研究内容与创新点可概括如下：1.图像匹配算法关键技术分析。就局部图像特征来说,传统底层特征的计算都是基于感兴趣区域中离散像素之间的比较来进行。但是,这种基于像素的特征计算方式对噪声比较敏感,同时也不利于描述较大的图像结构。其次,对局部图像描述子的构造策略进行了研究。为了对图像中的空间结构信息进行有效表征,传统的图像描述算法一般在空间上进行分块汇聚操作,但是这种方法没有考虑到图像内容本身的分布特点,因此鲁棒性受到了制约。而在进行点集匹配时,一些现有的基于运动模型的点集匹配方法虽然能够处理图像形变,但是在进行迭代运算时没能很好地考虑到点集局部的结构形状信息。2.基于局部环形编码的底层图像特征提取算法。我们分析并设计了基于局部环形采样的底层特征结构,从而使得其能够克服经典底层图像特征提取算法的一些缺陷。然后基于此特征结构,提出了基于环形差分编码与离散余弦变换编码的特征提取算法,并对其性质进行了相应的论述；最终获得的底层特征能够对图像中相对较大的局部模式进行表征,反应其中像素的局部组织特性与连续变化,因此具有更好的图像内容刻画能力,对于各种图像变换也具有很好的鲁棒性,为进一步的图像描述方法与图像匹配工作提供了基础。3.基于视觉感受域的图像特征描述子构造算法。受到人体神经系统中视觉感受域的结构与功能特征的启发,我们首先提出了基于感受域的底层特征组织结构。这种特征组织模式利用了视觉感受域基础结构特性,并且能够将本文所提出的底层特征提取算法进行融合。而为了解决上文提到的池化策略鲁棒性问题,本文进一步提出了基于模糊C均值的隶属度池化策略,从而在同一框架下模拟了视觉感受域的空间关联性,将特征区域划分为更加具有视觉语义的子块,对各个图像特征区域的空间结构进行了有效地编码。4.基于结构约束与高斯混合模型后验更新的点集匹配算法。为了对点集内部的拓扑关系进行综合表征,我们提出了基于局部结构的点集形状编码算法,其中包括了点集基础模式提取与基于相对坐标系的点集形状池化。局部形状编码能够有效整合点集的空间信息,具有很好的细化描述能力。在进行计算时,对整体点集进行归化,并根据模板建立相应的查询表,提高了计算效率。然后,我们进一步将点集局部结构提取算法融入到基于高斯混合模型的点集匹配框架,并根据这种局部结构来对匹配过程进行约束。同时,根据相应的匹配后验概率进行点集结构的获取与高斯成分权重的更新,最后通过求解模型最大后验的方法将各个数据点与高斯混合模型各个成分对应起来,从而在此框架下找到两个点集之间的对应关系,完成点集匹配。