众所周知,人类的日常生活行为离不开眼睛对现实世界的探知。随着计算机技术发展的突飞猛进,研究学者们根据人类视觉的特性,开发出一系列模拟人眼识别现实场景的应用技术,并得到广泛应用。计算机虽然已具备可以保存所有输入图像信息,便于后续识别和匹配等应用的功能,但随着大数据时代的到来,人们已对图像识别匹配技术越发的依赖,例如海量图像的识别和检索。单纯保存图像所有数据信息并逐一匹配已经不能满足人们对存储量、准确率和速度的需求。由此研究学者们根据生物视觉系统机制提出了图像特征提取以及描述技术。图像特征处理方法中,还存在很多缺陷:传统方法只适用于描述灰度图像,然而,目前图像几乎都是彩色级别,导致用于描述灰度图像的方法缺乏彩色信息;同时单一提取图像梯度特征缺乏对显著性信息的着重描述;另外很多方法是基于单一尺度层描述图像,使被描述图像的特征信息缺失;虽然利用图像特征提取技术所获取的稀疏特征表述图像可改善全局信息表述的效率,但这些特征仍然存在部分冗余,使图像特征匹配准确率下降、存储空间浪费、识别匹配速度缓慢。为了弥补现有的图像特征提取以及描述方法所存在的缺陷,本文针对改进基于灰度梯度的图像局部特征算法提出了四种方法。主要研究成果如下:1.提出了一种基于生物视觉机制的结合颜色以及形状特征的图像局部描述子。与以往的描述子相比较,本文将红-青细胞(L、M、S视锥体所发出的信号结合而成)作为一个对立颜色的新通道,然后结合最新的颜色特征提取技术,提出了一种在二维空间内计算四个对立颜色通道方向和幅值的方法(对立颜色通道即红-绿、蓝-黄、红-青,黑-白)。颜色方向是以像素幅值作为权重,将特征点及其周围像素方向统计到相应的直方图。最终利用后融合方式结合四组对立颜色和尺度不变特征直方图。实验证明,与其他描述子相比较,在光照以及图像模糊变换中(颜色对比信息占主导地位的情况下),本文提出的描述方法对光度和几何变换保持强鲁棒性。2.提出了一种基于局部熵的图像多维特征描述子。传统的图像局部描述方法大多是利用梯度信息进行图像识别和匹配,忽略了其它显著性信息内容(例如场景中高复杂度的目标,内容特征等),为此,本文提出的描述子是在梯度描述子基础上,利用后融合方法线性链接特征点经过高斯加权后的平均局部熵信息。这样方式增加了特征点描述子的显著信息量。但由于所得熵描述子的数量级不同,无法提高图像的匹配准确率,因此对局部熵特征采用指数归一化,使描述子性能不受拥有较大数量级的描述分量影响。实验中利用描述子在图像库中的平均均匀准确率决定熵的维数以及局部熵指数归一化算法中的参量。与传统描述方法相比,本文提出的加入局部熵的多维特征描述子对人工场景中的条件变换呈现强鲁棒性。3.提出了两种在多尺度模糊空间内基于熵的加权式图像局部特征描述子。由于传统图像局部特征描述方法是在单一尺度上描述图像特征(例如SIFT、SURF、LIOP等),导致部分重要信息的缺失,影响图像匹配的准确率。本文从图像显著性角度估计特征点及其周围信息量,利用信息熵获取更多的图像关键内容。首先在高斯差分空间(DOG)中计算特征点的多层SIFT梯度直方图,同时统计特征点在每层尺度上的局部熵,计算特征点的每层熵值占这个特征点在所有层熵值总和的百分比,利用所得百分比与每层特征点描述子做乘积,然后聚合各层描述子,得到第一种基于局部熵的加权式特征描述子,最后根据Hellinger距离计算获得第二种局部熵特征描述子。通过比较实验,本文提出特征描述子在精确-召回率,平均均匀准确率和正确匹配数量上都具有良好的表现。4.提出了一种基于最大熵的显著性图像局部特征描述子。通常情况下,利用局部梯度信息提取的特征点仍然存在噪声(边缘效应点,导致图像的匹配准确率下降)。因此,本文提出的描述子通过显著性图像分割法,在分割获取的图像显著部分中提取特征点。这种与显著性相结合的方法,剔除了一些冗余噪声点,减少冗余特征点数量同时提高了图像的正确匹配率。随后基于特征点的描述特性建立熵空间,利用每维特征描述子在尺度层上对应的具有最大熵的直方图组成最终描述子,实验表明,加入显著性图像分割和最大熵估计的图像局部特征描述子提高了图像在匹配中的平均均匀准确率。