全文总字数：4613字

1. 研究目的与意义及国内外研究现状

尺度不变特征变换(scale invariant feature transform,sift)算法是基于点特征的一种图像配准方法。sift特征是图像的局部特征,其对尺度缩放、旋转甚至仿射变换具有不变性,对光照变化、噪声、视点变换保持一定程度的稳定性。虽然sift算法有很多优点使之广泛应用在各个领域中,但是其算法复杂度高、消耗时间多、占用内存空间大,在实际应用中受到了很大的限制。

sift算法执行效率低的原因主要有:1)算法需要在不同尺度空间进行计算,计算量大、消耗时间多并且需要大量的存储空间;2)sift特征点数目过大,即使很少的图像也会产生大量的特征点,实际应用中所需图像的数量本身比较多,这大大降低了算法的执行效率;3)特征描述符的维数过高,给接下来的特征匹配带来了很大的计算量。

卡方检验（x2 test）是一种常用的特征选择方法，x2用来描述两个事件的独立性或者说描述实际观察值与期望值的偏离程度。我们可以通过卡方值来判断特征是否与类型有关。卡方值越大，说明关联越强，特征越需要保留。卡方值越小，说明越不相关，特征需要去除。

2. 研究的基本内容

本文将主要研究的是结合卡方检验和sift算子的高分辨率遥感影像配准方法。sift算法的实现主要有5个步骤:1)建立高斯金字塔和差分金字塔,检测尺度空间极值点;2)对关键点进行精确定位,去除异常点;3)确定关键点的方向;4)对关键点附加详细的信息(局部特征)也就是形成128维sift特征描述符;5)通过特征点的两两相互比较找出相互匹配的若干对特征点,建立不同图像之间的对应关系。

首先对部分已有的sift算法改进方法进行分析,找出其各自的优点和缺点,并与传统sift算法进行比较。

然后针对特征点选择结合卡方检验进行优化选择，剔除无关点，实现sift算子降维，减少计算量。

3. 实施方案、进度安排及预期效果

2018年1月19日之前，查阅相关文献，完成任务书的填写；

2018年1月19日到2月28日之间，开题阶段：在老师的指导下，查阅相关最新的文献，了解课题的相关知识，收集并整理大量资料，填写开题报告，完成开题；

2018年3月到5月，进一步深入研究卡方检验和sift算法，搞清楚原理，进行改进优化，并进行实验，分析实验结果及分析利弊；

4. 参考文献

[1] lowe d g.object recognition from local scale-invariant features[c] //international conference on computer vision, corfu,greece,1999: 1150-1157.

[2] lowe d g.distinctive image features from scale-invariant keypoints[j]. international journal of computer vision,2004,60(2):91-110.

[3] ke y,sukthankar r.pca-sift:a more distinctive representation for local image descriptors[c]//proceedings of ieee computer society conference on computer vision and pattern recognition,washington,d.c.,2004:506-513.