题目：基于SIFT关键点特征提取算法研究

计算机智能化的今天，无论是在军事，科研还是工业生产等不同领域对图像的研究越来越频繁。图像技术正在改变人类的生活方式，并影响着我们的日常生活。在计算机视觉的应用中，图像关键点的一致扮演着重要角色；而使用图像关键点的一致性进行图像中物体类型识别的技术更是计算机视觉领域中的重要课题之一。论文在深入分析现有图像特征提取方法的基础上，重点研究了SIFT(Scale Invariant Feature Transform)特征在图像中物体类型识别的应用。为了提高对图像中物体类型匹配的效果，论文提出一种新的特征描述符，并使用一种新的距离度量判断特征向量相似性。论文的主要创新点如下：针对图像中物体类型识别的要求，分析并指出现有的图像特征描述符技术不能很好地描述同类型物体的特征，结合对特征描述符的理论和实践研究，提出使用几何模糊描述符来表示图像的局部特征。该特征描述符通过对原始图像四个梯度方向的图像上分别进行处理得到，有效增强了对图像中物体局部特征的描述。原算法在对两幅图像的特征描述符匹配时，使用欧式距离进行度量特征描述符间的距离，从而判断特征点配对。由于欧式距离不能正确地反映从高维空间到低维结构的映射，容易导致匹配误差。为了克服这缺点，利用扩散距离代替欧氏距离作为度量距离的标准，使用K-d树寻找两幅图像中特征向量间的最近邻和次最近邻，然后使用随机抽样一致算法从候选匹配中排除错误的匹配。通过编程实现算法，实验结果表明本算法可以较好地反映两幅图像中相关部位，匹配效果比原SIFT算法好。