基于特征图像配准方法综述.docVIP

基于特征图像配准方法综述 　　【摘 要】图像配准广泛应用于图像融合、目标跟踪、遥感数据分析及医学图像组织病变分析等领域，在研究者的探索下图像配准技术不断推陈出新。但是，图像配准技术往往局限于一类特殊图像的处理，缺少通用的技术，介于该原因，在简要介绍配准的一般流程后，以特征的分类作为出发点探讨现存的基于各种特征的图像配准方法，分析各自的优缺点及适用范围，为基于特征的图像配准方法选取提供一些依据。此外，在现有的技术上对基于特征的图像配准进行总结和展望，为相关领域研究提供一定的指导意义。 　　【关键词】图像配准；配准流程；特征点 　　引言 　　图像配准技术是目前图像处理领域的一重要研究课题，被广泛应用于医学图像处理、遥感图像处理、目标识别、计算机视觉等领域。其目的是寻找参考图像与待匹配图像达到吻合时的对应关系，而这些参考图像与待匹配图像可能来自不同传感器、不同时间、不同视角甚至是不同成像设备。对于图像配准，目前尚未存在普遍适用的技术。在处理过程中，需要根据图像特征选择合适的配准方法，因此有必要认识和了解图像特征，本文拟对目前广泛使用的基于图像特征的配准方法做一个分析与总结，并对其未来发展进行一定探讨。 　　一、基于图像特征配准方法的定义 　　图像配准的实质是期望在同一视觉系统中寻找到一个最优变换使得在不同环境条件下获得的参考图像与待配准图像的吻合程度达到最高，对应特征点一一映射，也就是所谓的对齐的空间位置达到最佳。这里以及分别表示平面坐标系中点在参考图像和待配准图形中的灰度值，那么配准可以表示为：其中，f表示映射函数。 　　基于图像特征的配准方法是提取参考图像与待配准图像中的不变特征，例如边缘点、闭区域中心等信息作为图像匹配的参考信息。该类方法仅需提取少量具有显著特征的图像信息，大大减少了用于配准的图像信息量，由于计算量减少，该类方法大幅提高了匹配速率。此外，因配准仅需利用显著特征点，那么图像在光照变换、对比度变换、缩放变换、仿射变换、投影变换等作用下都具有良好的鲁棒性。当然，少量信息利用在提高效率的同时也带来了负面影响，使其对特征提取与特征匹配的错误更加敏感，若要有效改善这个状况就需要可靠的特征提取和鲁棒特征的一致性。 　　二、配准的基本流程 　　图像配准大致可分为四个基本步骤，分别是特征提取、特征匹配、空间变换及重采样。 　　在图像配准中，特征提取大致分为两类，分别是统计特征和空间特征。统计特征直接利用图像的灰度信息，匹配点周围的邻点灰度值均被考虑参与计算。所以基于统计特征的配准精度和鲁棒性较好，但计算量较大，运算速度慢。空间特征提取是指在图像中提取突出并共有的细小表象特征，并要求其具有较强的抗干扰能力，能够在缩放、旋转、平移、噪声、天气及光线等变化的影响下保持一定不变性。空间特征种类繁多，包括角点、线角点、边界、轮廓、显著区域等，特征选取的正确与否是后期图像能否准确配准的最关键的影响因素。 　　特征提取是图像配准的第一步，目前尚未存在所有图像可通用的特征提取算法，因此，在特征提取过程中，需要为不同图像选取合适的算法来提取特征，这也是必须认识及分辨各种特征的原因。第3部分将就常用特征提取方法进行讨论。 　　特征匹配是使用匹配策略将在特征提取阶段得到的特征点进行匹配，建立参考图像与待配准图像间各特征点的对应关系，获得同名点。对于如何寻找同名点的问题，目前常用的有松弛法、相对距离直方图聚集束检测法、Hausdorff距离及相关方法等等。选择怎样的匹配策略非常重要，其将直接影响最终的同名点数量和配准精度。 　　空间变换用于实现待配准图像到参考图像的映射。配准图像A与B，即是寻找一个映射T：，满足图像A上特征点X到图像B上特征点Y的一一映射关系。常见的线性变换有刚性变换、投影变换及仿射变换，非线性变换主要是弹性变换。在刚性变换中，空间变换的目的是寻找合适的变换矩阵；而在其他诸如投影、仿射、弹性等非刚性变换中，关键是确定变换模型和参数。 　　重采样是在空间变换对图像进行转换后，对未位于整数行或列位置上的灰度值，通过选取适合的内插方法计算获得，并用值填充图像便得到配准后图像。常用重采样方法有：最近邻点插值法、双线性插值法、部分体积插值法和薄板样条插值法。整个流程中，如何认识和辨别图像特征，以及选择适当的配准方法进行图像配准是关键，下面对其详细阐述。 　　三、基于图像特征配准的方法 　　基于图像特征配准的方法往往是针对某一类具体问题的解决而设计的，缺少通用的算法。基于此，图像配准需要非常了解特征的分类以及解决该类问题宜采用的方法。基于图像特征配准的方法大致可分为六类：点特征、直线特征、轮廓特征、闭合区域特征、矩不变特征和混合特征的图像配准。 　　（一）基于点特征的图像配准 　　点特征是图像配准中较为常用的