图像匹配是计算机视觉领域中的重要研究内容之一,也是当前许多热门问题的研究基础,在目标定位、视觉导航、三维重建、图像拼接和图像识别等领域具有不可或缺的地位。图像匹配的目的是求出在不同时间、不同角度和不同传感器等不同拍摄条件下得到的图像之间的对应关系。为了能获得较好的图像匹配效果,如何消除或减少匹配过程中的误差因素并提取高稳定性的特征成为了相关领域的研究重点。因此,本文分别利用非降采样Contourlet变换(NSCT)、模糊增强算法以及图像的边缘特征与颜色信息对SIFT算法进行了优化改进。本文的主要研究工作如下:(1)为了能消除或减少匹配过程中的误差因素对SIFT特征匹配性能的影响,实现了一种基于NSCT与模糊增强的匹配预处理方法。首先利用NSCT分解的灵活性,分别对参考图像与待匹配图像进行NSCT分解,并提取分解后的低频分量,抑制高频噪声的影响。然后在分解后的低频分量上进行图像增强处理,以增强图像纹理信息。最后在经过上述步骤处理后的图像分量上提取SIFT特征进行预匹配,利用随机抽样一致RANSAC算法剔除误匹配对。(2)针对SIFT算法提取图像局部特征时统计的邻域梯度信息不能很好地区分图像局部灰度相似区域的问题,实现了一种基于边缘特征与颜色信息的SIFT特征变换方法。首先利用Canny算子获取图像边缘点集,并计算其对应像素点的颜色特征。然后利用形状上下文的思想对关键点进行描述:主要步骤是以SIFT特征点为中心,建立对数极坐标系并将特征点圆形邻域划分为60个区域,然后统计每个区域中边缘点的颜色特征累计量,最后将提取的形状上下文特征与经K-L变换后的局部梯度特征相结合组成线性级联特征,并针对该级联特征制定合理的度量准则进行匹配。(3)通过实验对本文实现的预处理方法和特征变换方法的有效性进行了验证,本文算法提升了原算法在旋转与尺度变化、光照变换、视角变换和图像模糊等复杂变换下的匹配性能。