多种角度比较SIFT、 SURF、 BRISK、 ORB、 FREAK算法.docx

"多种角度比较SIFT、SURF、BRISK、ORB、FREAK算法" SIFT、SURF、BRISK、ORB、FREAK 等图像特征匹配算法具有不同的鲁棒性，主要体现在匹配速度、图像旋转变换、模糊变换、光照变换、尺度变换、视角变换等方面。本文对这几种算法从多个角度进行比较，评价指标是两幅图像中成功匹配的特征点对数。 1. 算法匹配速度比较 在相同的匹配环境下，对相同的一对图像进行比较，测试算法的执行时间。比较结果表明，ORB 算法的执行速度最具有优势，执行速度依次是 ORB、FREAK、SURF、BRISK、SIFT。 2. 旋转变换鲁棒性比较 当图像发生旋转时，各像素点会围绕旋转中心进行相应角度的旋转，原特征点周围的像素点的梯度幅值和特征点的方向信息就会发生变化，特征点的主方向也会发生旋转。比较结果表明，SURF 和 FREAK 算法在旋转变换图像中的鲁棒性较好。 3. 模糊变换鲁棒性比较 当图像发生模糊变换时，图像的像素点的梯度幅值和方向信息就会被模糊，特征点的主方向也会被模糊。比较结果表明，SURF 和 FREAK 算法在模糊变换图像中的鲁棒性较好。 4. 光照变换鲁棒性比较 当图像发生光照变换时，图像的像素点的梯度幅值和方向信息就会被改变，特征点的主方向也会被改变。比较结果表明，SURF 和 FREAK 算法在光照变换图像中的鲁棒性较好。 5. 尺度变换鲁棒性比较 当图像发生尺度变换时，图像的像素点的梯度幅值和方向信息就会被改变，特征点的主方向也会被改变。比较结果表明，SURF 和 FREAK 算法在尺度变换图像中的鲁棒性较好。 6. 视角变换鲁棒性比较 当图像发生视角变换时，图像的像素点的梯度幅值和方向信息就会被改变，特征点的主方向也会被改变。比较结果表明，SURF 和 FREAK 算法在视角变换图像中的鲁棒性较好。 SURF 和 FREAK 算法在多种图像变换中的鲁棒性较好，可以满足不同的应用需求。同时，本文也表明了不同的图像匹配算法在不同的图像变换中的鲁棒性差异，能够为图像匹配技术的应用提供有价值的参考。