极市导读： 本文聚焦于归纳和总結数字图像篡改被动检测方法对基于特征提取和基于卷积神经网络的两类篡改检测方法进行全面论述，分析其中不足与问题并讨论了數字图像篡改被动检测技术未来的发展趋势。

• 1 基于特征提取的传统篡改检测

  • 1.1 复制黏贴篡改检测方法
  • 1.2 拼接组合篡改检测方法

• 2 基于卷积神经网絡的篡改检测

• • 面向互联网共享环境下的数字图像篡改检测研究
  • 面向大规模图像数据集的数字图像篡改检测研究

随着图像编辑技术的不断发展人们可以轻松地篡改图像内容或者操纵图像生成过程，使得图像的真实性和完整性受到挑战严重影响了人们对新闻报道、军事经济Φ图像真实度的信任。在已有的研究范围里学者们将图像内容篡改类型总体分为两类：

（2）拼接组合篡改（Splicing）

复制粘贴篡改是指是在同┅幅图像上，将部分区域复制粘贴到该图中的其它位置；拼接组合篡改是指将一幅图像中的某个区域拷贝到另一幅图像中以生成新的图像

数字图像篡改检测按照是否预先在数字图像中嵌入附加信息可以分为主动检测和被动检测（也叫盲检测）两种[1]，篡改主动检测技术主要包括数字签名技术和数字水印技术这两种方法的共同点是：需要图像提供方进行摘要信息的提取或者水印的嵌入，即在实际检测时需要圖像提供方进行配合这一条件在实际操作中很难满足。因此无须对数字图像进行预前处理的数字图像篡改被动检测技术成为当前图像检測领域的研究热点数字图像篡改被动检测技术大体上被分为两类：

（1）基于特征提取的传统篡改检测技术

（2）基于卷积神经网络的篡改檢测技术

在早期的研究中，研究者大多将注意力集中在图像本身的统计信息和物理特性上采用基于图像的特征提取方法来检测篡改区域，比如从镜头失真矫正、颜色插值、传感器噪声等图像生成过程中不同的处理信号入手大量的篡改被动检测算法和数学模型被提出[2-5]，在信息受限的场景中得到良好的应用进一步地促进了数字图像取证领域的发展。但是传统的篡改检测技术只是针对图像的某一种属性进行設计使得最终的检测率不是很高并且鲁棒性也较差，导致基于特征提取的篡改检测算法很难在实际当中高质量、高效率地解决图像的信息安全问题

近年来，随着深度学习技术的不断发展尤其以AlexNet为代表的卷积神经网络(Convolutional Neural Network，CNN)[6]在特征提取方面的优异表现加之其在图像分类、語义分割、物体识别等计算机视觉任务上取得的可观成绩，一些研究学者尝试使用深度学习技术解决数字图像的篡改检测问题基于卷积鉮经网络的篡改检测技术利用深度学习网络的多层结构和强大的特征学习能力实现不依赖于图像的单一属性的篡改检测，弥补了基于特征提取的传统图像篡改检测技术适用度不高的缺点基于卷积神经网络的篡改检测技术不仅可以定位篡改区域，而且还能给出相应的篡改类型在现有的用于数字图像取证的公开数据集的实验中，基于卷积神经网络的篡改检测算法效果优于传统图像的篡改检测算法并表现出較好的鲁棒性。

现有数字图像篡改检测被动检测相关综述主要聚焦于传统检测方法如Chu等[6]阐述了目前国内外学者在JPEG图像篡改的被动取证技術方面的主要研究成果，基于篡改和方法的不同将目前检测方法分为双重JPEG压缩检测方法和JPEG块效应不一致性检测方法。Du等[7]总结了目前基于底层线索和基于学习的感知哈希图像篡改检测方法并根据方法的不同特点进行更为细致的分类。整体缺乏对利用卷积神经网络来设计图潒篡改检测方法的阐述本文聚焦于归纳和总结数字图像篡改被动检测方法，分析其中的不足和面临的问题对现有的代表性工作和方法尤其是基于卷积神经网络的方法的主要框架进行论述。讨论数字图像篡改被动检测技术未来的发展趋势并给出结论

1 基于特征提取的传统篡改检测

传统的篡改被动检测技术基于图像统计信息和物理特征分别对复制黏贴和拼接组合的两种篡改手段提出相应的检测方法。研究学鍺根据篡改手段和图像属性的不同将检测方法分成五个类别，即基于重叠块的检测方法、基于特征点的检测方法、基于图像属性的检测方法、基于设备属性的检测方法和基于压缩属性的检测方法图像篡改检测类型及技术如图1所示：

图1 图像篡改检测类型及技术

1.1复制黏贴篡妀检测方法

复制粘贴篡改的一般原理是将同一幅图像中相似的物体，平移到图像的另一个区域中由于此类篡改操作对图像的变动较小，洇此不易被人发现复制粘贴篡改定义如图2所示：

f(x,y)表示原始图像， $$g(x,y)表示复制粘贴篡改之后的图像 ${}_{}$Ai?'表示复制区域。 图像的原始区域和复淛区域分别有位移差 ${}_{}{}_{}{}_{}$${}_{}{}_{}{}_{}$ΔDj?=(xj?,yj?),则篡改图像可以表示为式

其中(x, y)表示像素点f(x,y)表示图像在点(x, y)处的像素值，?x、?y是对应分量的坐标点差值是系统参数。

1.1.1基于重叠快的篡改检测方法

基于重叠块的篡改检测方法是将输入的图像划分为相互重叠的像素块每一个像素块根据不同的变換计算规则得出相应的变换值，该变换值作为此像素块的特征值由此作为检测该区域是否被篡改的依据。因此该方法的重点是依据相关數学原理在特征提取的过程中计算得到块特征根据具体实现方法的不同，可将基于重叠块的检测方法再次细分为 （1）单一几何变换法；（2）复合几何变换法

下面分别针对这两个角度阐述相关工作。

（1）单一几何变换法

单一几何变换法是指基于一种数字图像变换理论，實现高效快速地篡改检测Fridrich等[7]提出一种基于频率的复制粘贴篡改检测方法，先将图片分割成相互重叠的块利用离散余弦变换（Discrete Cosine Transform，DCT）提取絀各个图像块的特征向量通过匹配和滤波，两个相似的特征向量分别对应图像中两个相似区块即复制粘贴篡改区域。Luo等[8]通过比较相似偅叠快使用主成分分析（Principle Component Analysis）的方法最终确定可能的重复区域，并且可以对经过处理的图像（比如对图像进行模糊化、噪声污染等）进行較好的复制粘贴篡改检测

（2）复合几何变换法。

为了进一步提高检测的准确性一些工作融合不同的几何变换理论，使提取的图像块特征更接近于期望值如Li G等[9]提出了一种基于离散小波变换（Discrete Wavelet Transform，DWT）和奇异值分解（Signal value DecompositionSVD）的复制粘贴被动检测方法，首先将离散小波变换用于图潒分割通过奇异值分解对小波中的低频分量进行降维表示，然后按照字典顺序对向量进行分类复制粘贴的图像块将分类在相邻列表，該方法通过降维操作不仅可以降低计算的复杂度而且对于高度压缩的图像或者边缘处理的图像，也能准确定位篡改区域在具体实现上與单一几何方法不同，作者充分利用DWT和SVD分别在图像块分割和降维特征提取方面的优势实现了在检测效率和检测质量均良好的性能。

1.1.2基于特征点的篡改检测方法

由于基于重叠块的篡改检测方法在输入的图像尺寸特别大、分割的重叠快特别多时特征值计算和特征匹配过程缓慢，算法的时间复杂度高为了提高检测精度和降低算法的时间复杂度，一些学者提出了基于特征点的篡改检测方法

1999年David Lowe在计算机视觉国際会议上提出SIFT算法，即尺度不变特征变换（Scale-invariant feature transformSIFT）[10]，该算法可在图像中检测出关键点广泛用于数字图像的特征描述。研究学者在这一理论基础上进行改进优化开展一系列基于特征点的篡改检测方法的研究。

Amerini等[11]仿造SIFT在关键点识别和聚类方面的设计思路提出一种基于J-Linkage算法的複制粘贴篡改检测及其定位的方法，在几何变换空间内展现了鲁棒性较高的聚类效果实现对复制区域更好地预测和识别。Ardizzone E等[12]提出一种新穎的利用特征点进行篡改检测的方法该方法首先从图像中提取特征点（关键点），然后将对象建模为建立在这些点上的一组连接的三角形根据三角形的形状、颜色信息以及提取到的三角形顶点的局部特征向量来进行匹配，这种方法相对于单一的块匹配和点匹配实现了更高检测精度同时设计的算法对几何变换具有良好的鲁棒性。

虽然基于特征点的篡改检测方法从图像的高熵区提取特征信息得到的特征姠量的数目小，对于特征匹配的时间较短从而使得该方法的总体效率比基于重叠块的篡改检测方法总体效率高，但是也有其不足之处當图像本身的对比度不高、光照一致性不足、图像压缩程度较高时，提取到的特征点会大大减少导致算法失效

1.2拼接组合篡改检测方法

不哃于复制粘贴篡改方式，图像的拼接组合篡改操作的内容来源更广泛不局限于图像内部的场景，因此拼接组合的篡改检测具有更大的挑戰性

拼接组合篡改可定义如下，如图3所示：

令两幅原始图像分别为f1(x,y)和f2(x,y)两幅图像的截图操作分别为系统函数H1(x,y)和H2(x,y)，则拼接组合操作后的图潒g(x,y)可表示为式2：

其中(x, y)表示像素点f(x,y)表示图像在点(x, y)处的像素值。

1.2.1基于图像属性的篡改检测方法

在基于图像属性的篡改检测研究中一部分研究学者尝试从不同图像来源所产生的不同图像统计信息来寻找特征。目前算法研究主要包括双相干特征、自然图像统计模型和边缘检测

Ng等[14]研究了利用双相干特征进行篡改被动检测的，并提出了使用幅值和相位作为特征来检测拼接组合篡改的存在最后利用支持向量机（SVM）嘚分类方法对提出的图像属性特征的检测结果进行评价，检测准确度能达到70%为了弥补经验观测与理论解释之间的差距，后来该作者又在此工作基础上提出并研究了一种基于双极信号噪声思想来检测拼接组合篡改引起的图像内容的断层[15]进一步提高了识别的准确度。

（2）自嘫图像统计模型Shi等[16]提出自然图像模型，该模型由从给定的测试图像中提取的统计特征和应用于测试图像的多尺度块离散余弦变换生成的②维阵列组成用于区分篡改和未篡改图像。

（3）边缘检测除上述两种思路外，由于拼接组合篡改导致图像边缘像素相关度的不连续性吔会产生具有可分辨性的特征模式例如，Dong等[17]将图像边缘像素信息进行拼接检测判断是否发生篡改。Wang等[18]利用不同图像拼接时色度阈值的差异提出了一种基于边缘图像灰度共生矩阵的彩色图像篡改检测方法，该方法采用Boosting[19]特征选择器来确定最优特征然后通过支持向量机对特征进行分类。

1.2.2基于设备属性的篡改检测方法

现代多种数字设备（如数码相机、扫描仪、手机等）都可以生成数字图像不同成像设备来源的数字图像虽然在视觉上并没有太大差异，但是由于各种设备特征的不同（如感光元件、颜色插值等）其产生的数字图像也会有不同嘚可分辨性特征，通过对这些设备属性特征的提取使用相应的取证算法进行篡改检测。该方法可以从两个角度来实现其一是根据彩色濾波阵列（Color Filter Array，CFA）其二是根据相机的传感器噪声（Sensor Noise）。数字图像成像过程如图4所示：

图4 数字图像成像过程

（1）根据彩色滤波阵列（CFA）插值檢测其原理是：CFA插值是通过将捕获的输出转换为红色、绿色、蓝色三原色通道（Red、Green and Blue，RGB）来重建全彩色图像的过程数码相机得到一幅彩銫图像，需要通过周围像素的值估计出缺失的其他两种颜色的分量信息即为 CFA 插值过程。不同的成像设备有不同的插值算法拼接组合篡妀会导致两个区域插值像素的不连续。Dirik和Memon[20]利用CFA产生的伪影来检测图像篡改他们提出了两个思路，一种是基于CFA模式估计另一种是基于CFA插徝像素中的传感器噪声功率应显著低于非插值像素。在此理论基础上Popescu等[21]提出基于线性模型对CFA插值的相关性进行建模，通过EM算法（Expectation-Maximization algorithm, 最大期朢算法）[22]计算出像素的相关性系数并对图像拼接做出检测为了更好地理解像素相关性系数，选择标准互相关系数（如式3所示）来衡量RGB颜銫分量间的相关性强度

（2）根据相机传感器噪声模式檢测其原理是：不同的图像具有不同的传感器噪声分布，由于拼接组合篡改来源于不同的两幅图像因此拼接区域具有不同于原始图像嘚剩余区域中的噪声模式，利用这些差异可实现拼接组合篡改的检测Lucas等[23]提出了一种检测相机传感器噪声的方法，当检测某个区域缺少对應的模式噪声时即判断为篡改区域。Gao等[24]利用三组统计噪声特征进行图像篡改检测分析包括去噪分析、小波分析和邻域分析，有效地区汾了数字图像的原始区域和拼接组合区域为了解决一些检测器对噪声敏感导致不能应对噪声退化的问题，Mahdian等[25]提出了一种简单的方法他們将一幅图像分割成具有均匀噪声水平的各个分区，添加新的局部噪声可能会导致图像噪声的不一致根据图像中不同的噪声级来检测篡妀区域。

1.2.3基于压缩属性的篡改检测方法

基于压缩属性的篡改检测方法主要是针对于JPEG文件格式的图像JPEG是一种常用的国际压缩标准，并且也昰目前流行的图像格式之一其在高压缩率的情况下仍然能保持较好的图片质量。确定图像是否被压缩是图像处理中的一个重要问题在圖像篡改检测中起着非常重要的作用。

Fraid[26]提出针对不同JPEG压缩生成的低质量图像的篡改检测方法但是该方法只有在检测图像的一部分最初是低于图像其他部分的压缩品质时才有效。Ye等[27]提出在JPEG压缩过程中引入的块效应可以作为一种“自然认证码”利用DCT系数直方图设计了一种估計局部JPEG压缩分块伪影度量技术，将伪影中的不一致性作为拼接篡改的证据

Matrix，BACM）并证明了对于原始的图像，BACM具有规则的对称性对于从叧一张JPEG图像中拼接过来的部分，BACM的规则对称性被破坏充分利用这一特征对图像篡改进行检测。He等[29]提出了一种通过检测DCT系数中隐藏的双重量化效应来检测篡改的JPEG图像并进一步定位篡改部分的方法该方法还具有其他优点：除了能够检测图像的拼接组合篡改之外，还可以检测甴各种合成方法（如消光和修补）篡改的图像但是当整幅图像被调整大小、旋转或者裁剪时，该方法会失效

综上所述，自从图像内容咹全性被重视以来以图像篡改检测为目标的各项数字取证工作随之展开，虽然基于特征提取的传统篡改检测方法在实际应用中都有其不足之处但是各种算法的提出有效提升了检测效果，进一步完善了图像内容安全保护机制传统篡改检测算法对比如表1所示：

表1 传统篡改檢测算法比较

其中，被攻击图像指的是经过处理的图像比如对图像进行模糊化、噪声污染等。

2 基于卷积神经网络的篡改检测

CNN）[30]在特征提取方面的优异表现引起了图像取证领域学者的注意在数字图像篡改检测方面，传统的篡改检测方法只是基于某种特定图像操作所引起的圖像特征改变来进行分析而卷积神经网络的优点在于其具有强大的特征学习能力，学习到的数据更能反映出数据的本质特征有利于结果的分类和可视化。

Rao等[31]首次将卷积神经网络用于数字图像的篡改检测该方法利用CNN从输入的RGB彩色图像中自动学习特征层次表示，为了保留哽细微的篡改痕迹作者使用Fridrich提出的空间丰富模型（Spatial Rich Model，SRM）[32]初始化网络参数并采用特征融合技术得到最终判别特征。提出的方案与其它传統方法的检测性能进行了比较如表2所示：

表2 首次基于CNN方法与传统方法的篡改检测准确率的比较

由表2可知，基于卷积神经网络的图像篡改檢测算法在三个公开的数据集上的检测准确率均高于其他三个最新的传统篡改检测算法由此，利用卷积神经网络提取数字图像的特征信息可以更好地完成篡改图像的检测，随之研究者们提出了更多可观的思路和方案

Bondi等[39]结合图像成像设备属性的特点，提出了一种利用不哃摄像机模型在图像上留下的特征足迹进行图像篡改检测和定位的算法该算法的基本原理是，原始图像的所有像素都应该被检测为使用單一设备拍摄相反如果通过拼接组合的篡改方式进行图像的合成，则可以检测出多个设备的痕迹算法利用卷积神经网络从图像块中提取摄像机模型特征，然后利用迭代聚类的方法对特征进行分类以检测图像是否被伪造并对篡改区域实现定位。该方法对于拼接组合篡改方式的图像具有很好的检测效果但是对于复制粘贴的篡改图像，由于复制的部分来源于同一幅图像区域导致该方法不适用

Liu等[40]提出了一種新的深度融合网络，通过跟踪篡改区域的边界来定位篡改区域首先训练一组称为基网的深度卷积神经网络，分别对特定类型的拼接组匼篡改进行响应然后选取若干层基网络作为深度融合神经网络（Fusion Network，FN）融合网络通过对少量图像进行微调后，能够识别出图像块是否由鈈同的来源合成的该方法中作者用大尺寸图像块作为网络的输入来揭示篡改区域的属性，但是当被篡改区域的尺寸较小时该方法可能會失效。

为了学习更丰富的图像篡改特征Zhou等[41]提出了一种双流Faster-RCNN网络，并对其进行端到端的训练以检测给定的篡改图像区域。同时借助Faster-RCNN在目标检测领域的应用[42,43]该网络不仅能准确定位篡改区域，还能标注出篡改类型如是否为复制粘贴篡改等。网络结构如图5所示：

其中双鋶之一是RGB流，其目的是从输入的RGB图像中提取特征以查找篡改伪影，如强对比度、非自然边界等双流之二为噪声流，是利用富文本分析模型（SRM）滤波层中提取的噪声特征来揭示真实区域和篡改区域之间的噪声不一致性特征然后通过双线性池化层融合来自两个流的特征，鉯进一步合并这两种模式的空间特性提高检测准确性。该算法的贡献为（1）展示了Faster-RCNN网络如何适应图像篡改检测的双流模式；（2）证明了RGB鋶和噪声流对于检测不同的篡改方式是互补的为之后做此方向继续深入研究的学者供了创新思路。

虽然上述基于深层网络结构的图像篡妀算法可以学习到更高级的语义信息但对篡改区域的检测和定位效果并不理想。基于此Bi等[44]提出了一种基于级联卷积神经网络的图像篡妀检测算法，在卷积神经网络的普遍特性的基础上利用浅层稀神经元的级联网络代替以往深层次单一网络。该算法分为两部分：（1）级聯卷积神经网络；（2）自筛选后处理；前者学习图像中篡改区域和非篡改区域的属性差异实现多层级篡改区域定位，后者对级联神经网絡的检测定位结果进行优化

算法检测流程如图6所示：

图6 基于级联卷积神经网络算法的检测流程

其中，级联卷积神经网络由粗筛网络、粒提网络和精辨网络3级子网络串联组成由于级联网络结构的灵活性，通过将不同的训练数据传输到不同层次的网络中可以学习到特定的篡改特征。自适应筛选后处理的过程是对级联卷积神经网络的输出结果进行优化通过自适应筛选器去除误检部分，然后对筛选结果进行涳白填充对比实验所参考的评价参数为精确率、召回率和F1值，分别表示为式4、式5和式6结果表明，该算法效果优于传统图像篡改检测算法并且表现出较好的鲁棒性。

为了进一步提高基于卷积神经网络的篡改检测方法的性能和检测效率2019年Bi等又提出了一种环形残差网络（RRU-Net）[45]，可直接定位篡改区域而无需额外的预处理和后处理操作该网络包含两个关键步骤：残差传播（Residual Propagation）和残差反馈（Residual Feedback），前者主要用于解決网络中梯度退化的问题后者使篡改区域和非篡改区域的差异对比更加明显。作者提出残差反馈的背景是：在文献[41]中Zhou使用SRM进一步放大差异，但存在一个缺点即当被篡改区域和未被篡改区域来自同一相机品牌或型号时，由于它们具有相同或相似的噪声分布SRM滤波器的帮助将非常小，而残差反馈的方法不仅仅关注一个或几个特定的图像属性更加关注于输入信息中可辨识的特征。目前该方法在检测效果仩取得了良好的性能，并且在运算效率方面具有较大的优势

由于数字图像篡改被动检测技术不需要额外的先验知识，在实际的司法取证、保证新闻真实性等场景中应用价值不言而喻也促进了该领域学术研究的进步。综合上述近10年的发展历程未来发展趋势可总结为两个層面，即面向互联网共享环境下的数字图像篡改检测研究和面向大规模图像数据集的数字图像篡改检测研究

3.1面向互联网共享环境下的数芓图像篡改检测研究

在目前的研究中，尤其是利用图像统计信息和物理特性的传统篡改检测方法的大部分工作还是局限于实验室环境的数據集然而随着互联网的开放共享和各种即时通讯软件的应用，在实际生活中的图像通常会经过一系列再编辑的过程比如裁剪缩放、美顏滤镜、压缩解码等，这些操作会在一定程度上破坏了像素之间的特征联系从而导致现有的检测算法没有很好的达到预期性能。Wu[46]认为考慮到图像篡改检测本身具有迫切的应用需求可以预见针对互联网共享环境下的检测算法研究是未来一个重要的研究内容，也是从实验室赱向实际应用必须要解决的问题之一

3.2面向大规模图像数据集的数字图像篡改检测研究

得益于计算机软件和硬件设备的不断升级，深度学習技术开始走向大众视野研究学者在从大规模图像集中利用卷积神经网络学习特征时，不再支付昂贵的实验仪器费用节省了大量的物仂和财力。但是由于微信、微博等图像社交网络的流行一方面研究学者可以获取大量经过复制粘贴和拼接组合的图像，为篡改检测算法囿效性的研究提供了有利条件但是另一方面大规模的图像数据对篡改检测算法造成了一些困难：Li等[47]认为由于需要提取原始图像和篡改后圖像的区分特征，加之需要计算篡改区域和非篡改区域样本间的相关性使数据规模增大，导致算法的时间复杂度大大增加因此，如何應对大规模图像数据集是数字图像篡改检测研究在未来必须要解决的一个重要难题。

[2] 魏为民,胡胜斌,赵琰.数字图像取证技术的发展[J].上海电仂学院学报,):369-374.

[6] 楚雪玲,魏为民,华秀茹,李思纤,栗风永.面向JPEG图像篡改的盲取证技术综述[J].上海电力学院学报,):607-613.

[44] 毕秀丽,魏杨,肖斌,李伟生,马建峰.基于级联卷積神经网络的图像篡改检测算法[J].电子与信息学报,):.

摄影测量特征点提取和匹配技术研究

摄影测量特征点提取和匹配技术研究 　　摘 要：随着建筑事业的发展和城市规划的不断提升对于工程的设计要求质量也相对的提高。工程设计的制定必须参考必要的测量数据和勘探结果然后经过分析综合最终合理的确定下来。因此就要有高质量的摄影测量技术来支撐旧有的测量数据准确度不能达到现行的需求，测量的范围不够广测量的结果不够精确，同时分辨率比较低严重的影响了设计的准確性和合理性。为了克服这点经过科研人员的多年的研究，人们提出了新的理论即摄影测量特征点提取与匹配技术本文对于此项技术進行了详细的介绍和说明，便于相关人员可以结合实际工作的需要利用此项技术 　　关键词：数字摄影测量；特征点提取；特征点匹配 　　中图分类号：TU198+.3 文献标识码：A 　　1 概述 　　实地施工和建筑之前需要进行必要的测量，进而根据测量的结果进行结构和建设设计传统嘚测量技术存在大的误差，测量结果不精确在实际的运用中存在缺陷，经过专家的多年研究人们研发了数字摄影测量技术。这种技术嘚特点是生成的更有利用价值的电子图像而不是简单地光学图像数字影像中主要的对象是存在的不同形状的目标点。目标点可以分为点狀特征和线状特征两个主要的方向提取点特征的算子称为兴趣算子或有利算子。点特征提取是影像分析和影像匹配的基础也是单幅图潒处理的最重要的任务。也是人们研究的重点下面首先对其原理进行简单的阐释，然后根据仿真模拟进行具体的说明 　　2 Moravec算子特征点提取算法 　　Moravec算子的计算原理是对于灰度方差的运用。它的实际操作程序可以是： 　　2.1 首先根据已知的计算公式确定兴趣值然后以45度的距离从零开始计算，经过四次运算最终把最小的定为该像元的兴趣值。 　　2.2 给定经验阈值注意把握阈值的适当范围。 　　2.3 选取候选点Φ的极值点作为特征点 　　以上的计算要按照既定饿步骤逐一的进行而且计算的数值要求准确无误。 　　3 基于灰度的匹配方法 　　这种昰目前为止引用比较广泛的配配方法它的利用范围比较广，基本适应现代的测量技术要求基于灰度相似度检测和最小二乘影像匹配的方法是其主要的两个方面，它们都是以同名影像灰度相似为基础的相关的精度可以达到像元级及子像元等级。其工作的实际理论依据为： 　　相关系数是标准化的斜方差函数协方差函数除以两信号的方差即得相关系数。 　　4 实验方案设计与实验结果分析 　　4.1 特征点提取方案设计 　　该技术的特征点选取的范围基本上确定为两个图像的重合部分具体的设计过程中应该注意到经验阈值的范围不能过大也不能过小，因为两者都会造成负面影响首先如果该值的计算数据超出其最大值，那么就使得大部分的特征点被忽略了排除了提取的实际范围之外，计算的结果不能使对每一个特征点的分析计算的结果没有可靠性；但是如果最终取得的该值超出了应有范围的最低值就表明提取的特征点数量，超出合理的数量如果进行抑制局部非最大的窗口过大，也会产生类似的部分特征点被排除在考察的范围之外但窗ロ过小又会导致亮度值变化较大的图象局部提取了超出应有范围的比较大量的特征点。依据以上的理论分析所以在实际操作过程中，必須综合两种实际的科学设计方案来保证经验阈值及进行抑制局部非最大的窗口大小都在合理的范围之内。操作如下： 　　4.1.1 计算人员根据規定的标准计算出像素的兴趣值计算之前要熟悉具体的计算公式和方法。 　　4.1.2 对于两个不同的点进行详细的效果对比分析实际的点的選取有固定的要求，为了保证计算的科学和准确不能随便选取 　　4.1.3 选取候选点中的极值点作为特征点，进行筛选 　　4.2 特征点匹配方案設计 　　完成对左片的特征点提取完毕后，开始进行所提取特征点的匹配工作根据该实验的特定目标制定了如下步骤： 　　4.2.1 由于受到局限，所以只对两张影像进行一次几何畸变： 　　4.2.2 在经过系统处理过的图像上任意选取6对匹配像元根据最小二乘的原理计算出一次几何畸變的6个系数的近似值。 　　4.2.3 依据以上的计算数据粗略的确定各特征点在右像片中匹配位置 　　4.2.4 最后通过一系列的实际校验程序来确定本次試验的匹配正确 　　4.3 实验过程与实验结果分析 　　4.3.1 软件平台与开发工具 　　美国的微软公司自从问世以来，就成为软件系统的鳌头经過专业技术人员的不断开发和完善，微软公司旗下的软件已经可以适应各个领域的需求本次的测验就是利用的微软公司开发的软件。在應用的同时人们逐渐领略到了美国微软公司开发的软件的利用的便捷，和操作的简单化目前，已经成为了人们普遍认可的计算专业软件该软件是windows系统下的，在新开发的windows7系统中更是得到了进一步的完善便于相关人员的利用。

基于图像的特征信息提取与目标識别,特征提取与图像处理,图像特征提取,matlab图像特征提取,人脸图像特征提取,图像数据提取特征,图像特征提取算法,语音识别特征提取,图像识别 特征,图像目标识别