我看到了一些关于线特征的参考，但是我想知道是否可以匹配图像段点。例如，给定的源和变换后的图像：
我可以对每个图像进行边缘检测，模糊处理和分水岭变换：
遗憾的是，每个图像的分割结果差异太大，无法匹配各个片段。
我看到了一些有关匹配形状和形状描述符的文章，这些文章对于仿射变换是不变的，因此这个领域似乎很有希望...
是否有任何分割方法对图像的仿射（或射影）变形更鲁棒？
#1 楼
MSER（最大稳定的极端区域）是区域，而不是点。而且它们对于仿射变换是不变的。但这并不是一种分割方法，严格来讲，非正式地，想法是在各种阈值下找到斑点，然后选择在一定阈值范围内形状/区域变化最小的斑点。这些区域对于较大范围的灰度和几何变换应该是稳定的。
#2 楼
我目前正在使用组件树来研究CBIR，这应该是一个相对较新的想法。使用组件树来描述图像的一些预期优势将是：图像的组件树表示形式并不会太依赖于图像的变形（甚至是射影）
检查树的不同级别将允许比较和操作达到不同的细节级别
区分和描述应该比低纹理图像上的当前技术更好。
我刚刚开始通过与该主题相关的研究，我对我的目标只有一个模糊的想法：用分量树表示图像，然后通过找到向量化表示直接比较所述分量树。我可能会在几周（或几个月）后说出更多的话，但是现在我只能提供推荐给我的论文列表作为组件树的介绍（我尚未阅读）：
P。 Salembier和M.H.F.威尔金森：“关联运营商”
V. Vilaplana，F。Marques和P. Salembier：“用于对象检测的二进制分区树”
P。 Soille，L. Najman：“关于图像处理和空间数据聚类的形态层次表示法”
我可以在找到相关内容时更新答案。
也，如果您的目标是以某种方式更准确地匹配图像区域而不是仅是点，因为区域可能更具区分性，那么在J. Sivic和A. Zisserman中有一个很好的建议：“视频Google：一种文本检索方法视频中的对象匹配”。
我指的是有关空间一致性的部分，其中仅当特征点在两个图像中都保持相似的空间配置时，才接受特征点之间的一组匹配。因此，匹配不仅取决于所提取特征的类型（DoG，MSER等）还是描述符（SIFT），而且还会查看特征点的较宽环境，从而使其（至少一点）取决于地区。
评论
我的常识告诉我，较小的区域对全球转型更为稳健。因此，细分应该有很多小细分。此外，某些特定形状对于某些转换是不变的（例如从圆到旋转）MSER（最大稳定的极端区域）是区域，而不是点。而且它们对于仿射变换是不变的。严格来说，这不是分割方法。
@nikie如果您将评论作为答案，我会接受。我对分割感兴趣，因为区域特征包含一些有关图像变换的信息，可能会用于猜测图像之间的变换。我一定会研究有关MSER的论文。
我目前正在使用组件树来开发CBIR。图像的组件树表示形式不会太大地依赖于图像的变形（甚至是投影），不同的级别将允许比较和操作达到不同的细节级别，并且应该比低纹理图像上的当前技术更好地工作。目前这只是一个研究主题，刚刚开始，但希望该方法有所帮助，否则我将不会获得资助。但是，如果有人按照这些方针做了一些事情，可能会很有用。
@penelope这些在CBIR上的工作对于我们具有一组具有相似特征的图像的图像拼接（我特别感兴趣）也可能有用。当前流行的方法是在点描述符（例如，SIFT）上进行高维搜索，这可能导致图像之间的错误匹配，而“区域”或“分量”而不是点可能能够区分这些图像。您是否对有关图像的组件树表示的论文有任何参考？非常感谢。