毕业论文课题相关文献综述
1.前言 随着多媒体技术及网络的迅速发展，人们的生活和工作发生了巨大的变化，我们每天都会接触到海量的信息比如数字图像、数字化的视频信号、医学图像、遥感图像、新闻图片等信息。图像信息的研究将对多媒体数字图书馆、医学图像管理、卫星遥感图像和计算机辅助设计和制造、地理信息系统、罪犯识别系统、商标版权的管理等等方面提供了有力的支持。图像数据库研究的核心技术是图像检索，然而，由于这些图像是无序地分布在世界各地，图像中包含的信息无法被有效地访问和利用，海量信息处理已经面临瓶颈。这就要求有一种能够快速而且准确地查找访问图像的技术，也就是所谓的图像检索技术。 图像匹配， 是指在计算机视觉识别过程中，把不同的传感器或是同一传感器在不同时间、不同成像条件下对同一景物获取的两幅或多幅图像，进行比较找到该组图像中的共同景物；或者根据已知模式到另一幅图中寻找相应的模式。图像匹配技术是数字图像处理领域的一项重要研究，已经在计算机视觉、虚拟现实场景、航空航天遥感测量、医学影像分析、光学和雷达跟踪、景物制导等领域有着重要的应用价值。 数字图像取证是判断数字图像有没有被篡改的技术。通过对图像统计特征的分析来判断数字图像内容的真实性，完整性和原始性。数字图像取证技术是对源于数字图像资源的数字证据进行确定、收集、识别、分析及出示法庭的过程。 区域匹配是图像检索、图像分析、图像识别的基本操作，其效率和性能的高低决定着图像处理的质量和效果。图像匹配的准确性和实时性是现今在具体应用上存在的一对矛盾体，如何在保持匹配准确性的同时，提高其匹配速度是现阶段急需解决的问题，也是目前对匹配算法的研究重点。快速匹配在图像取证中的应用问题，就是研究在保证图像匹配精度的前提下尽量提高匹配算法的速度，并将改进的算法用于图像取证问题，在单张图像中定位疑似修改区域。
2.发展和研究现状 图像匹配在近几十年来一直是人们研究的热点和难点，最早的研究是在70年代美国从事飞行器辅助导航系统等军事应用研究中提出来的。经历了10多年的发展，从80年代以后，其应用逐步从原来单纯的军事应用扩大到其它领域。 国内外现阶段对图像匹配研究主要是以提高匹配的精度和速度为主，同时对匹配方法的通用性及鲁棒性也有一定要求。已研究比较多的匹配方法主要分为基于图像灰度的匹配方法和基于图像特征的匹配方法。 对于基于区域的图像检索，传统的匹配方法是两层结构的，第一层是区域相似匹配，采用类似全局图像检索的点对点方式，不同的是该方式的匹配对象是区域；第二层是图像相似匹配，采用简单相加平均法，即将区域相似度取均值得到图像相似度。以上的相似匹配都是建立在图像低层特征(颜色、纹理、形状等)基础上的，具有相对直观的特点。语义内容是高层次上的特征，具有相对主观抽象的特点。目前的相似匹配研究即距离度量研究主要集中在低层次上特征，高层次(语义层)的距离度量只是仿效低层次上的做法，对该层距离度量有针对性的研究还是较少。因此，这种计算方法与人眼视觉系统所具有的测量性能存在一定差距，对图像相似度计算方法的研究仍是一个难点。 从上述分析可知，一方面匹配问题是研究热点，另一方面也说明匹配问题仍然有许多技术难题没有解决且急需解决。在上千种算法中，匹配问题在准确性、鲁棒性两方面几乎找不到通用的、一劳永逸的算法。
3.匹配过程(1)用户提交一幅样本图像；(2)采用图像处理的分割技术对样本图像进行分割，把一幅图像分成若干个同质的区域；(3)提取区域特征组成特征向量；(4)与库中图像的特征向量进行比较，按相似度由高到低返回结果。图像分割的质量对检索的两个关键步骤一图像内容描述(区域特征提取)和相似度比较都有很大的影响。区域特征通常采用区域内各象素特征的统计向量表示：图像间的相似性一般由区域的相似性以某种方式组合得到。为了提高系统的检索性能，还可以引入相关反馈技术，利用反馈信息调整用户输入或者相似度量准则。
参考文献：[1] D. Ron and G. Tsur. Testing properties of sparse images. In FOCS,pages 468477. IEEE Computer Society, 2010.[2] S. Baker and I. Matthews. Lucas-kanade 20 years on: A unifying framework. IJCV, 56(3):221255, 2004.[3] M. Everingham, L. Van Gool, C. K. I. Williams, J. Winn, and A. Zisserman. The PASCAL Visual Object Classes Challenge 2010 (VOC2010) Results.[4] M.A. Fischler and R.C. Bolles. Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography. Communications of the ACM, 24(6):381395, 1981.[5] K. Fredriksson. Rotation Invariant Template Matching. PhD thesis,University of Helsinki, 2001.[6] C.S. Fuh and P. Maragos. Motion displacement estimation using an affine model for image matching. Optical Engineering, 30(7):881887, 1991.[7] H. Kim and S. de Araujo. Grayscale template-matching invariant to rotation, scale, translation, brightness and contrast. AIVT, pages 100113, 2007.[8] I. Kleiner, D. Keren, I. Newman, and O. Ben-Zwi. Applying property testing to an image partitioning problem. PAMI, 33(2):256265,2011.[9] S. Korman, D. Reichman, G Tsur, and S Avidan. Fast-Match webpage.www.eng.tau.ac.il/simonk/FastMatch.[10] D.G. Lowe. Distinctive image features from scale-invariant keypoints.IJCV, 60(2):91110, 2004.[11] B. D. Lucas and T. Kanade. An iterative image registration technique with an application to stereo vision. In IJCAI, pages 674679, 1981.[12] K. Mikolajczyk and C. Schmid. A performance evaluation of local descriptors. PAMI, 27(10):16151630, 2005.[13] K. Mikolajczyk, T. Tuytelaars, C. Schmid, A. Zisserman, J. Matas,F. Schaffalitzky, T. Kadir, and L.V. Gool. A comparison of affine region detectors. IJCV, 65(1):4372, 2005.[14] J.M. Morel and G. Yu. Asift: A new framework for fully affine invariant image comparison. SIAM Journal on Imaging Sciences,2(2):438469, 2009.[15] W. Ouyang, F. Tombari, S. Mattoccia, L. Di Stefano, and W. Cham. Performance evaluation of full search equivalent pattern matching algorithms. PAMI, (99):11, 2012.
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
