总结图像配准算法.docxVIP

图像配准定义为： 对从不同传感器、 不同时相、不同角度所获得的两幅或多幅图像进行最佳匹配的处理过程 [2] 。图像配准需要分析各分量图像上的几何畸 变，然后采用一种几何变换将图像归化到统一的坐标系统中。 在配准过程中， 通 常取其中的一幅图像作为配准的标准， 称之为参考图像； 另一幅图像作为配准图 像。 图像的获取 参考图像 输入图像 图像的预处理 特征提取 图 特征匹配 配 准 像 系 配 空间变换模型类型的确定 统 准 的 模型参数的估计 评 价 图像的插值与变换 配准结果 图 1-1 图像配准的基本流程 图像配准算法分类 按全局与局部划分 按配准的四要素划分 从自动化角度划分 全 点 搜索空间 - 局 点 配 匹 刚性变换 准 配 仿射变换 投影变换 多项式变换 局部变换  特征空间 搜索策略 相似性度量 手 半 自 自 工 动 动 互相关函数 配 配 灰度特征 穷尽搜索 配 绝对差和 准 准 区域特征 逐级求精 准 相位相关 线特征 树图匹配 Hausdorff距 点特征 动态规划 离 图 1-2 图像配准方法分类 根据配准使用的特征，图像配准的方法大致可分为三类： (1)基于图像灰度的配准算法。首先从参考图像中提取目标区作为配准的模 板，然后用该模板在待配准图像中滑动，通过相似性度量 ( 如相关系数法、差的 平方和法、差的绝对值法、协方差法 )来寻找最佳匹配点。 (2)基于图像特征的配准算法。该算法是以图像中某些显著特征 (点、线、区 域 )为配准基元，算法过程分为两步：特征提取和特征匹配。首先从两幅图像中 提取灰度变化明显的点、 线、区域等特征形成特征集。 然后在两幅图像对应的特征集中利用特征匹配算法尽可能地将存在对应关系的特征对选择出来。 对于非特征像素点利用插值等方法作处理推算出对应匹配关系， 从而实现两幅图像之间逐像素的配准。 (3)基于对图像的理解和解释的配准算法。这种配准算法不仅能自动识别相 应像点，而且还可以由计算机自动识别各种目标的性质和相互关系， 具有极高的 可靠性和精度。 这种基于理解和解释的图像配准涉及到诸如计算机视觉、 模式识别、人工智能等许多领域。 不仅依赖于这些领域中理论上的突破， 而且有待于高速度并行处理计算机的研制。 从自动化角度来看，可以将配准过程分为自动、半自动和手动配准。 存在问题 ：如何提高图像的配准速度将是大范围遥感图像自动配准问题的要点；选取何种自动配准方案以保证图像的配准精度将是大范围遥感图像自动配准问题的另一要点。 f 2 ( x , y ) g [ f 1 (h (x ,y 其中， h 表示二维空间坐标变换。 g 表示灰度或辐射变换，描述因传感器类型的不同以及成像时气候等环境的影响所带来的图像灰度的变换。 配准问题的实质就是要找到最优的空域变换 h 和灰度变换 g，使得上述的等式成立，从而找到配准变换的参数 特征空间的选择通常要考虑以下几个因素：相似性；空间分布；唯一性。 在自动图像配准中对特征的理解可以分为两类。 (1) 基于灰度的方法：基于灰度 的方法将重点放在特征匹配上， 在其过程中并没有真正提取特征。 一般所说的模 板匹配法就是这种方法的代表。 这种方法实际上将图像的灰度分布直接作为特征 而构成匹配的基础。 (2)基于特征的方法：基于特征的方法需要在图像中提取显 著的特征：区域 (森林、湖泊、农田等 )、线 (区域的边界、道路等 )和点 (区域的角 点、线的交点、曲线上的高曲率点等 )。特征应该可以分布在图像任何地方并且可以被提取出来。 一般图像配准的过程主要涉及到图像的特征空间、 相似性测度和搜索策略这三个方面。我们称这三个方面为图像配准的三要素， 它们决定了图像配准的精度和速 度。 按照配准过程中采用的特征类型， 图像配准可分成两类： 基于灰度的配准和基于特征的配准的方法。 基于图像灰度的配准方法是直接利用图像的灰度值来确定配准的空间变换，其中充分利用图像中所包含的信息，从而也称为基于图像整体内容的配准方法。这类方法的核心思想是认为参考图像和待配准图像上的对应点及其周围区域具 有相同或者相似的灰度， 并以灰度相似为基础采用相似度函数， 然后寻找一组最优的几何变换参数使得相似度函数最大， 从而实现图像的配准。 在两幅图像灰度信息相似的情况下，常用的匹配方法有：互相关法 (Cross-correlation)，序贯相似检测算法 (Sequential Similarity Detection Algorithms, SSDA)以及最大互信息法。 虽然基于灰度的图像配准方法实现简单，但存在着如下缺点： (1)对图像的 灰度变化比较敏感，尤其是非线性的光照变化，将大大降低算法的性能； (2)计算的复杂度高； (3)对目标的旋转，形变以及遮挡比较敏感。因