1、特征提取是目標識別、圖像配準、圖像檢索及景象匹配等許多圖像處理問題的基礎(chǔ)。在不同成像條件下獲得的圖像中，同一目標可能具有不同的表現(xiàn)形式，為此，提取的特征需要具有“本源”特性，即特征應(yīng)盡可能反映目標的本質(zhì)，且不受其表現(xiàn)形式的影響。不受傳感器參數(shù)及視點影響的仿射不變特征，雖然近年來被廣泛研究，但仍是一個具有挑戰(zhàn)性的問題。圖像中的目標攜帶形狀、紋理及灰度/顏色等多種信息，研究表明，相對于紋理與灰度/顏色信息，人類視覺更傾向于根據(jù)形狀信息進行目

2、標識別，因此，形狀是目標的一個重要信息。本研究主要內(nèi)容包括：
　?、抨U述了小孔成像原理，通過分析多視點圖像間的關(guān)系，建立了仿射變換模型，同時利用矩陣分解，描述了仿射變換對圖像的具體影響，并證明了幾個重要的仿射不變特性。
　?、茖⑿螤钜暈橐唤M特征點集合，形狀不變特征提取問題從而轉(zhuǎn)化為點集的不變特征提取問題。在推導(dǎo)出仿射變換點集劃分不變性的基礎(chǔ)上，論文提出一種基于質(zhì)心劃分的點集不變特征提取方法。對點集進行迭代劃分，每次劃分獲得的

3、子集質(zhì)心以二叉樹的形式構(gòu)成一棵質(zhì)心樹。由于具有完全仿射不變特性，可將質(zhì)心樹視為支持點集，并從中進一步獲取不變特征。論文分別從三角形面積比值不變性與不變矩出發(fā)，利用質(zhì)心樹構(gòu)造了兩種不變特征：CT-SPS-FSD與CT-SPS-DOPM。大量實驗驗證了兩種特征對仿射變化下特征點匹配的有效性及對噪聲的魯棒性。
　?、峭茖?dǎo)了仿射變換下的形狀投影不變特性，并以此為理論依據(jù)，分別提出了基于輪廓支持點集和基于投影分布的兩種形狀不變特征提取方法。

4、這兩種方法均從形狀投影信息中提取指定點的特征，所不同的是，前者通過輪廓的投影采樣獲得指定點的支持點集，繼而計算不變矩作為指定點的不變特征，而后者則通過統(tǒng)計形狀區(qū)域內(nèi)所有點的投影分布獲得不變特征。仿真與實測數(shù)據(jù)實驗結(jié)果表明兩種特征均具有較強的形狀描述能力。但兩者的信息源不同使它們具有不同的適用范圍。基于輪廓支持點集的特征對輪廓局部變化較敏感，因此在相似形狀的分辨及變化識別等方面具有優(yōu)勢，而基于投影分布的特征由于利用了整個區(qū)域信息，且在匹配

5、過程中引入松弛標記算法，其抗噪性更強，且運算復(fù)雜度低，適用于噪聲干擾嚴重或?qū)崟r性要求高的情況。
　?、葟男螤铋g的相對分布出發(fā)，提出一種新的反映兩形狀間姿態(tài)特征的描述子R-histogram。對于兩個形狀，將其視為平行于兩形狀質(zhì)心連線的直線段集合，R-histogram則由兩形狀中共線直線段的長度比值構(gòu)成。投影不變與共線距離不變特征共同保證了該描述子的仿射不變性。與傳統(tǒng)的反映兩形狀任意角度下的相對位置的F-histograms描述

6、子相比，R-histogram僅利用了F-histograms中用于反映兩形狀在某一個特定角度下的相對位置信息，但它反映的形狀間的相對姿態(tài)特征屬于形狀的本源特征，可有效地對形狀進行描述。此外，R-histogram的運算復(fù)雜度低，使算法更適用于實時處理。在形狀匹配與目標識別過程中，為了降低噪聲或形狀提取操作引入的誤差影響，充分挖掘R-histogram反映兩形狀相對分布特征的優(yōu)勢，引入投票機制，仿真與實測數(shù)據(jù)實驗均有效地驗證了算法的性能