图像匹配是图像处理领域的基础组成部分,是通过分析样本图像与待匹配图像在特征、灰度、结构等的相似性和一致性,从而对图像进行匹配的过程。医学、农业、遥感、机械和人工智能等众多领域都与图像匹配技术相关联。对于图像匹配,主要从灰度和特征两方面作为出发点进行研究。其中,基于图像特征的匹配方法相比基于灰度的匹配方法准确度高、速度快,并且对于灰度变化、图像形变以及遮挡都有较好的适应能力。因此,利用特征信息匹配符合当前实际应用的要求,是学者们重点研究的对象。本文通过研究图像匹配原理和前人提出的以特征为基础的匹配算法,提出了在图像发生几何变换、尺度变换以及图像模糊等多种复杂情况下性能依旧表现上乘的图像匹配算法。研究内容如下:(1)对图像匹配算法进行了全面系统的研究,深度剖析了匹配算法并对其进行性能对比,确定本文的研究方向为以特征为研究点的图像匹配技术。(2)提出一种改进的ORB特征提取算法。针对特征提取方法进行详细介绍和实验对比,包括:Harris算法、Fast算法、SIFT算法、SURF算法、ORB算法、FAST-SURF算法和Harris-SURF算法,并通过实验验证各算法的检测效果。ORB算法作为当前使用最为广泛的特征提取算法之一,具有快速、旋转不变性等优势,而利用SURF算法可以弥补ORB算法不具备尺度不变性的缺点。因此,提出了ORB-SURF特征提取算法(简称OR-SURF算法),充分利用ORB算法的快速优越性和SURF算法的尺度不变性,能够大幅提升匹配的效果。(3)提出一种基于OR-SURF的图像匹配算法。利用改进的K-D树搜索策略为OR-SURF算法提取出特征点寻找最近邻点及次近邻点,实现粗匹配;通过随机采样一致性算法消除匹配中存在的误匹配点,完成图像匹配。本文通过实验验证该算法在弥补ORB算法尺度变换方面性能不佳的同时,有效地提高了图像发生尺度变化时匹配速度和准确率,并且在多种复杂情况下,算法仍具有较强的鲁棒性。