树木图像的特征点提取和匹配为后续的树木三维模型构造和可视化提供最直接的数据基础。本文在分析研究了传统的Harris算法、SUSAN算法、SIFT算法等图像特征点提取技术的基础上,同时也针对图像匹配方面的归一化互相关算法、序贯相似性检测算法和互信息方法等进行了详细的阐述,选择合适的算法去处理树木图像,并针对算法中存在的不足,主要做了以下两个方面的工作研究:在特征点提取方面,本文针对传统Harris算法检测到的特征点遍布整个图像以及算法对尺度变化较敏感等问题,提出了本文的基于显著性区域检测的多尺度Harris特征点检测算法。首先,利用显著性区域检测的算法构造图像显著图,对生成的图像进行阈值分割获得二值图,再采用腐蚀膨胀操作进行优化,提取出最终的分割区域作为候选的检测区域;其次,引入积分因子和微分因子实现Harris算法的多尺度计算,同时采用圆形模板对角点响应函数进行非极大值抑制,获得检测图像的特征点并标记,实现对特征点的精确定位。对树木图像进行处理,与传统的Harris算法相比,本文算法使检测到的特征点数目更少,同时在不改变任何参数的情况下,对于图像旋转,能够减小特征点提取的差异,为后续的图像匹配和重建打下良好基础。在图像匹配方面,本文针对传统的归一化互相关算法(NCC)运算量庞大,匹配速度慢,正确率不是很高等问题,提出一种基于小波金字塔搜索策略的快速NCC图像匹配算法。该算法首先引入了小波金字塔的匹配搜索策略,通过小波变换构造一个分辨率低到高的图像金字塔结构,利用分层匹配可以实现特征点由粗到精的定位;同时在传统归一化互相关算法的基础上,引用3个加和表分别计算图像的均值,图像的方差和图像之间的互相关,使用加减法来代替乘法达到降低运算复杂度的目的,减少匹配过程中的计算量。对树木图像进行处理,与传统的NCC算法进行比较,该算法获得的误匹配较少,匹配点连线效果更好,所用的时间也更少,为后续的树木图像三维模型的重建提供稳定的数据基础。