A. 圖像匹配的演算法
迄今為止，人們已經提出了各種各樣的圖像匹配演算法，但從總體上講，這些匹配演算法可以分成關系結構匹配方法、結合特定理論工具的匹配方法、基於灰度信息的匹配方法、基於亞像元匹配方法、基於內容特徵的匹配方法五大類型 基於內容特徵的匹配首先提取反映圖像重要信息的特徵，而後以這些特徵為模型進行匹配。局部特徵有點、邊緣、線條和小的區域，全局特徵包括多邊形和稱為結構的復雜的圖像內容描述。特徵提取的結果是一個含有特徵的表和對圖像的描述，每一個特徵由一組屬性表示，對屬性的進一步描述包括邊緣的定向和弧度，邊與線的長度和曲率，區域的大小等。除了局部特徵的屬性外，還用這些局部特徵之間的關系描述全局特徵，這些關系可以是幾何關系，例如兩個相鄰的三角形之間的邊，或兩個邊之間的距離可以是輻射度量關系，例如灰度值差別，或兩個相鄰區域之間的灰度值方差或拓撲關系，例如一個特徵受限於另一個特徵。人們一般提到的基於特徵的匹配絕大多數都是指基於點、線和邊緣的局部特徵匹配，而具有全局特徵的匹配實質上是我們上面提到的關系結構匹配方法。特徵是圖像內容最抽象的描述，與基於灰度的匹配方法比，特相對於幾何圖像和輻射影響來說更不易變化，但特徵提取方法的計算代價通常較，並且需要一些自由參數和事先按照經驗選取的閉值，因而不便於實時應用同時，在紋理較少的圖像區域提取的特徵的密度通常比較稀少，使局部特徵的提 取比較困難。另外，基於特徵的匹配方法的相似性度量也比較復雜，往往要以特徵屬性、啟發式方法及閉方法的結合來確定度量方法。基於圖像特徵的匹配方法可以克服利用圖像灰度信息進行匹配的缺點，由於圖像的特徵點比象素點要少很多，因而可以大大減少匹配過程的計算量同時，特徵點的匹配度量值對位置的變化比較敏感，可以大大提高匹配的精確程度而且，特徵點的提取過程可以減少雜訊的影響，對灰度變化，圖像形變以及遮擋等都有較好的適應能力。所以基於圖像特徵的匹配在實際中的應用越來越廣-泛。所使用的特徵基元有點特徵明顯點、角點、邊緣點等、邊緣線段等。
B. 如何實現兩張圖片的匹配
一、特徵點（角點）匹配
圖像匹配能夠應用的場合非常多，如目標跟蹤，檢測，識別，圖像拼接等，而角點匹配最核心的技術就要屬角點匹配了，所謂角點匹配是指尋找兩幅圖像之間的特徵像素點的對應關系，從而確定兩幅圖像的位置關系。
角點匹配可以分為以下四個步驟：
1、提取檢測子：在兩張待匹配的圖像中尋找那些最容易識別的像素點（角點），比如紋理豐富的物體邊緣點等。
2、提取描述子：對於檢測出的角點，用一些數學上的特徵對其進行描述，如梯度直方圖，局部隨機二值特徵等。檢測子和描述子的常用提取方法有：sift，harris，surf，fast，agast，brisk，freak，brisk，brief/orb等。
3、匹配：通過各個角點的描述子來判斷它們在兩張圖像中的對應關系，常用方法如 flann等。
4、消噪：去除錯誤匹配的外點，保留正確的匹配點。常用方法有KDTREE，BBF，Ransac，GTM等。
二、SIFT匹配方法的提出
為了排除因為圖像遮擋和背景混亂而產生的無匹配關系的關鍵點，SIFT的作者Lowe提出了比較最近鄰距離與次近鄰距離的SIFT匹配方式：取一幅圖像中的一個SIFT關鍵點，並找出其與另一幅圖像中歐式距離最近的前兩個關鍵點，在這兩個關鍵點中，如果最近的距離除以次近的距離得到的比率ratio少於某個閾值T，則接受這一對匹配點。因為對於錯誤匹配，由於特徵空間的高維性，相似的距離可能有大量其他的錯誤匹配，從而它的ratio值比較高。顯然降低這個比例閾值T，SIFT匹配點數目會減少，但更加穩定，反之亦然。
Lowe推薦ratio的閾值為0.8，但作者對大量任意存在尺度、旋轉和亮度變化的兩幅圖片進行匹配，結果表明ratio取值在0. 4~0. 6 之間最佳，小於0. 4的很少有匹配點，大於0. 6的則存在大量錯誤匹配點，所以建議ratio的取值原則如下:
ratio=0. 4：對於准確度要求高的匹配；
ratio=0. 6：對於匹配點數目要求比較多的匹配；
ratio=0. 5：一般情況下。
三、常見的SIFT匹配代碼
1、vlfeat中sift toolbox中的vl_ubcmatch.c使用的是普通的歐氏距離進行匹配（該SIFT代碼貢獻自Andrea
Vedaldi）。
2、Lowe的C++代碼中使用的是歐氏距離，但是在matlab代碼中為了加速計算，使用的是向量夾角來近似歐氏距離：先將128維SIFT特徵向量歸一化為單位向量（每個數除以平方和的平方根），然後點乘來得到向量夾角的餘弦值，最後利用反餘弦（acos函數）求取向量夾角。實驗證明Lowe的辦法正確率和耗時都很不錯。
同樣，也可以採用knnsearch函數求最近點和次近點：knnsearch採用euclidean距離時得到的結果與lowe採用的近似方法結果幾乎一致，正好印證了模擬歐氏距離的效果。
3、Rob Hess的OpenSIFT採用了KDTREE來對匹配進行優化。
4、CSDN大神v_JULY_v實現了KDTREE+BBF對SIFT匹配的優化和消除錯誤匹配：從K近鄰演算法、距離度量談到KD樹、SIFT+BBF演算法
- 結構之法 演算法之道 - 博客頻道 - CSDN.NET。
5、OpenCV中features2d實現的SIFT匹配有多種matcher：VectorDescriptorMatcher，BFMatcher（Brute-force descriptor matcher），FernDescriptorMatcher，OneWayDescriptorMatcher，FlannBasedMatcher 等等。目前只知道採用knnsearch，提供了多種距離度量方式，具體區別不懂。
C. 圖像匹配的匹配分類
灰度匹配的基本思想:以統計的觀點將圖像看成是二維信號，採用統計相關的方法尋找信號間的相關匹配。利用兩個信號的相關函數，評價它們的相似性以確定同名點。
灰度匹配通過利用某種相似性度量，如相關函數、協方差函數、差平方和、差絕對值和等測度極值，判定兩幅圖像中的對應關系。
最經典的灰度匹配法是歸一化的灰度匹配 法，其基本原理是逐像素的把一個以一定大小的實時圖像窗口的灰度矩陣，與參考圖像的所有可能的窗口灰度陣列，按某種相似性度量方法進行搜索比較的匹配方法，從理論上說就是採用圖像相關技術。
利用灰度信息匹配方法的主要缺陷是計算量太大，因為使用場合一般都有一定的速度要求，所以這些方法很少被使用。現在已經提出了一些相關的快速演算法，如幅度排序相關演算法，FFT相關演算法和分層搜索的序列判斷演算法等。 特徵匹配是指通過分別提取兩個或多個圖像的特徵（點、線、面等特徵），對特徵進行參數描述，然後運用所描述的參數來進行匹配的一種演算法。
基於特徵的匹配所處理的圖像一般包含的特徵有顏色特徵、紋理特徵、形狀特徵、空間位置特徵等。
特徵匹配首先對圖像進行預處理來提取其高層次的特徵，然後建立兩幅圖像之間特徵的匹配對應關系，通常使用的特徵基元有點特徵、邊緣特徵和區域特徵。 特徵匹配需要用到許多諸如矩陣的運算、梯度的求解、還有傅立葉變換和泰勒展開等數學運算。
常用的特徵提取與匹配方法有：統計方法、幾何法、模型法、信號處理法、邊界特徵法、傅氏形狀描述法、幾何參數法、形狀不變矩法等。
基於圖像特徵的匹配方法可以克服利用圖象灰度信息進行匹配的缺點，由於圖像的特徵點比較像素點要少很多，大大減少了匹配過程的計算量;同時，特徵點的匹配度量值對位置的變化比較敏感，可以大大提高匹配的精確程度;而且，特徵點的提取過程可以減少雜訊的影響，對灰度變化，圖像形變以及遮擋等都有較好的適應能力。所以基於圖像特徵的匹配在實際中的應用越來越廣泛。所使用的特徵基元有點特徵(明顯點，角點，邊緣點等)，邊緣線段等。 特徵匹配與灰度匹配的區別：灰度匹配是基於像素的，特徵匹配則是基於區域的，特徵匹配在考慮像素灰度的同時還應考慮諸如空間整體特徵、空間關系等因素。
特徵是圖像內容最抽象的描述，與基於灰度的匹配方法相比，特徵相對於幾何圖像和輻射度影響來說更不易變化，但特徵提取方法的計算代價通常較大，並且需要一些自由參數和事先按照經驗選取的閥值，因而不便於實時應用。同時，在紋理較少的圖像區域提取的特徵的密度通常比較稀少，使局部特徵的提取比較困難。另外，基於特徵的匹配方法的相似性度量也比較復雜，往往要以特徵屬性、啟發式方法及閥方法的結合來確定度量方法。
D. 基於特徵的影像匹配演算法有哪些
基於局部約束的方法：有區域匹配（主要是基於窗口）、特徵匹配（基於特徵點，如SIFT）、相位匹配（主要用濾波來做）。
基於全局約束的方法：主要有動態規劃演算法、圖割演算法、人工智慧演算法、協同演算法、置信度傳播演算法、非線性擴散演算法等。
那個發展史就找兩本攝影測量的書或下幾篇論文看看就知道了
E. 圖像配准技術是怎麼實現圖像的特徵匹配的
SIFT圖像處理代碼，必須和三個文件一起下載使用：基於SIFT特徵的圖像配准（Matlab源代碼）、基於SIFT特徵的圖像配准（模擬圖片）
使用SIFT特徵描述對於部分物體遮蔽的偵測率也相當高，甚至只需要3個以上的SIFT物體特徵就足以計算出位置與方位。在現今的電腦硬體速度下和小型的特徵資料庫條件下，辨識速度可接近即時運算。SIFT特徵的信息量大，適合在海量資料庫中快速准確匹配。
