在MATLAB的sift算法中，怎么用一个模板与多幅图像进行匹配

(1)  尺度不变特征变换（SIFT算法）概要

是一种计算机视觉指橡蚂的算法，用来侦测与描述影像中的局部性特征，它在空间尺度中寻找极值点，并提取出其位置、尺度、旋转不变量。

此算法由 David Lowe 在1999年所发表唯埋，2004年完善总结。其应用范围包含物体辨识、机器人地图感知与导航、影像缝合、3D模型建立、手势辨识、影像追踪和动作比对。此算法有其专利，专利拥有者为 英属哥伦比亚大学。

局部影像特征的描述与侦测可以帮助辨识物体，SIFT 特征是基于物体上的一些局部外观的兴趣点而与影像的大小和旋转无关。 对于光线、噪声、些微视角改变的容忍度也相当高。基于这些特性，它们是高度显著而且相对容易撷取，在母数庞大的特征数据库中，很容易辨识物体而且鲜有误认。如滚使用 SIFT特征描述对于部分物体遮蔽的侦测率也相当高，甚至只需要3个以上的SIFT物体特征就足以计算出位置与方位。在现今的电脑硬件速度下和小型的特征数据库条件下，辨识速度可接近即时运算。SIFT特征的信息量大，适合在海量数据库中快速准确匹配。

(2 )  Matlab代码主要功能函数如下：    match.m：测试程序

功能：该函数读入两幅（灰度）图像，找出各自的 SIFT 特征, 并显示两连接两幅图像中被匹配的特征点（关键特征点（the matched keypoints）直线（将对应特征点进行连接）。判断匹配的准则是匹配距离小于distRatio倍于下一个最近匹配的距离（ A match is accepted only if its distance is less than distRatio times the distance to the second closest match. 该程序返回显示的匹配对的数量。（ It returns the number of matches displayed.）     调用实例： match('desk.jpg','book.jpg')

( 假如，想测试一个含有一本书的桌面的图像 和一本书的图像之间特征匹配）     调用方法和参数描述：略。     注意：（1）图像为灰度图像，如果是彩色图像，应该在调用前利用rgb2gray转换为灰度图像。

（2）参数distRatio 为控制匹配点数量的系数，这里取 0.6，该参数决定了匹配点的数量，在Match.m文件中调整该参数，获得最合适的匹配点数量。    sift.m :尺度不变特征变换（SIFT算法）的核心算法程序

功能：该函数读入灰度图像，返回SIFT 特征关键点（ SIFT keypoints.）      调用方法和参数描述：

调用方式：[image, descriptors, locs] = sift(imageFile)   输入参数（ Input parameters）:

imageFile: 图像文件名.

输出或返回参数（ Returned）:

image: 是具有double format格式的图像矩阵

descriptors: 一个 K-by-128 的矩阵x, 其中每行是针对找到的K个关键特征点（the K keypoints）的不变量描述子. 这个描述子（descriptor）是一个拥有128个数值并归一化为单位长度向量.

locs: 是K-by-4 矩阵, 其中的每一行具有四个数值，表示关键点位置信息 (在图像中的行坐标，列坐标（row, column) ，注意，一般图像的左上角为坐标原点）, 尺度scale，高斯尺度空间的参数，其中该参数也决定了frame(结构）确定的图像disk的大小, 最后一个参数是方向orientation). 方向参数的范围是[-PI, PI] 单位为弧度.

appendimages.m: 该函数创建一个新的图像分别包含两个匹配的图像和他们之间

的匹配对的连接直线. (3)  实际案例执行结果：

程序代码使用matlab和c混合编程。用matlab打开文件中的sift_match.m文件，并执行。如下图所示：

从上图可以看出，共有17个匹配点。

取多幅影像相同位置像元的众值：将栅格数据转为点raster to point , 将每个像元转为点， 之后用sample 或 extract values to points。

多尺度影像分割法采用不同的分割尺度生成不同尺度的影像对象层，使得具有固定分辨率的影像数据由不同分辨率的数据组成，从而构建一个与地表实体相似的层次等级结构，实现原始像元数据在不同空间尺度间的传递，以适应特定的应用需要，从而有效地将目标区域从背景中分离出来。

影像匹配算法：

按照影像中需要进行匹配的像点的相对数目，影像匹配可分为稀疏匹配和稠密匹配两类。稀疏匹配产生稀疏的视差矩阵，主要用于确定视点与影像以及影像之间的相对位置关系。稠密匹配通常要求获得整个影像或者影像主要部分的深度图。

按照匹配元素选择不同，影像匹配可以分为灰度区域匹配和特征匹配。灰度区域匹配按照像素灰度进行匹配，特征匹配使用边缘等影像特征进行匹配。实际上，像素灰度源猛模也是一种影像特征，特征也不一定是某些可以解释的几何特征雹缓。具有可分辨性、不变性和稳定性的属性都知升可以作为匹配特征。

基于局部约束的方法：有区域匹配（主要是基于窗口）、特征匹配（基于特征点，如SIFT）、相位匹配（主要用滤波来做）。

基于全局约束的方法：主要有动态规划算法、图割算法、人工智能算法、协同算法、置信度传播算法、非线性扩散算法等。

那个发展史就找两本摄影测量的书链誉旦或下棚扰几篇论文看看就知道虚如了

---