图像配准技术研究与应用

1、本科生毕业论文(设计) 存档编号 赣南师范学院学士学位论文图像配准技术研究与应用 教学学院 物理与电子信息学院 届 别 专 业 学 号 姓 名 指导教师 完成日期 作者声明本毕业论文（设计）是在导师的指导下由本人独立撰写完成的，没有剽窃、抄袭、造假等违反道德、学术规范和其他侵权行为。对本论文（设计）的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。因本毕业论文（设计）引起的法律结果完全由本人承担。毕业论文（设计）成果归学院所有。特此声明。作者专业：作者学号：作者签名：_年 _ 月_日图像配准技术研究与应用Image Registration Technology Research An

2、d Application_年 _ 月_日本科生毕业论文(设计摘 要图像配准是指根据一些相似性测度来确定图像之间的转换参数,是将不同传感器、不同视角、不同时间获取的同一场景的两幅或多幅图像,变换到同一坐标系下,在像素层上得到最佳匹配的过程。它是图像融合、目标识别、目标变化检测、计算机视觉等问题中的一个重要前期步骤,在军事、遥感、医学等领域也有着广泛地应用。配准的效果将直接影响到其后续图像处理工作的效果,而不同的配准方法有自己的优缺点。目前，应用较多的是基于灰度的图像配准、基于变换域的图像配准和基于特征的图像配准。基于灰度信息的图像配准方法一般不需要对图像进行复杂的预先处理，而是利用图像本身具有

3、的灰度的一些统计信息来度量图像的相似程度，其主要特点是易于实现。基于变换域的配准方法比较适用于图像幅度发生较小的平移、旋转和缩放的情况，该方法的运算速度快，具有一定的抗噪能力。基于特征的配准方法首先要对待配准图像进行预处理，也就是图像分割和特征提取的过程，再利用提取得到的特征完成两幅图像特征之间的匹配，通过特征的匹配关系建立图像之间的配准映射关系。由于图像中有多种可以利用的特征，因而产生了多种基于特征的方法。这几种配准都较易于实现，在生活中得到了广泛的应用，所以本文将通过分析介绍基于灰度信息法、变换域法和基于特征法等图像配准方法和原理，并对其进行了归纳和总结。关键字：图像配准；灰度；互信息；变

4、换域；特征法Abstract Image registration is to point to according to some similarity measure to determine the transformation parameters between images, is will get different sensors, different perspectives, different time of the same scene, two or more images transform to under the same coordinate system,

5、in the process of pixel level to get the best match. It is the image fusion, target identification, target change detection, computer vision problems such as an important early step in, in the fields such as military, remote sensing, medicine is also widely used. Registration will directly affect th

6、e effect of the subsequent image processing work, the effect of the different registration method has its own advantages and disadvantages. At present, the application of more is based on the gray scale image registration, image registration based on transform domain, and based on the characteristic

7、s of image registration.Image registration method based on gray level information generally does not need to complex image processing in advance, but the use of the image itself has some of gray statistics to measure the image similarity degree, its main characteristic is easy to implement. Registra

8、tion method based on transform domain is applied to image in case of minor translation, rotation and scaling, the method of computing speed is fast, has a certain ability to resist noise. Registration method based on the characteristics of the first to treat the registration image preprocessing, ima

9、ge segmentation and feature extraction, the process of reusing the feature extracting complete the match between the two image characteristics, through the characteristics of the matching relation between registration mapping relationship between image is established. Because there are many kinds of

10、 can make use of the characteristics of the image, thus produced a variety of methods based on feature.These registration are relatively easy to implement, has been widely used in our daily life, so this article will introduce based on the analysis method, the transform domain method based on gray l

11、evel information and image registration method based on characteristic method and principle, and carries on the induction and summary.Key Words: Image registration; Gray; Mutual information; Transform domain. Characteristics of the method19目 录摘 要1关键字1Abstract1Key Words21绪论11.1课题研究现状和意义11.2论文的主要内容和结构

12、安排12图像配准理论22.1图像配准基本介绍22.2图像配准的相关概念22.3图像配准的基本过程32.4图像配准方法的分类43基于灰度图像配准方法63.1基本介绍63.2互相关法63.3序贯相似度检测匹配法73.4交互信息法74基于变换域的图像配准方法94.1基本介绍94.2原理与过程95基于特征的图像配准方法115.1基本介绍115.2基于特征的基本步骤115.3特征提取125.4变换模型135.5坐标变换与插值156总 结17参考文献18致 谢191绪论1.1课题研究现状和意义图像配准最早提出是在七十年代美国的飞行器辅助导航系统、武器投射系统等应用研究中。八十年代以后，其他很多领域都涉及配

13、准技术的研究，如自动导航，模式识别，医学诊断，计算机视觉等。各个领域的配准技术都是自身应用背景结合实际情况量身订制的技术。但是不同领域的配准技术在理论方法上又具有很大的相似性，某一领域的配准技术很容易迁移到其他相关领域。 70年代初，P.E.Anuta1提出了使用FFT进行相关图像检测与计算的图像配准技术，从而提高配准过程的速度性能。D.L.Barnea2等提出利用模板子图像差值相似性测度的图像配准技术，它比使用FFT计算互相关相似性测度进行图像检测计算的图像配准方法具有更高的性能。M.Svedlow3等对图像配准的相似性测度和预处理方法进行了比较分析；。Flussr4针对变形图像间的匹配又提

14、出一个自适应映射方法，自动地对两幅遥感图像进行分割，使得分割后两幅图像中相应子块间的相似度很大，从这些子块的空间位置关系来对原来的两幅图像进行匹配。在国内，图像配准技术起步相对较晚，但后来获得了很大的发展。国内很多学者在图像配准方面进行了研究。李智5等提出了基于轮廓相似性测度的图像配准方法，它适用于轮廓特征较丰富图像的配准，郭海涛6等提出了一种将遗传算法用于图像配准的算法，熊兴华7等提出了将遗传算法和最小二乘算法相结合的，并应用于图像的子像素的配准方法。从国内外发展现状可看出，图像配准技术已经取得了很多研究成果，在图像的匹配度方面研究出了多种配准方法。但由于图像配准的输入数据来源的多样性，以及

15、不同的应用对图像配准的要求各不相同。同时，由于影响图像配准的因素很多，并且配准问题具有复杂性，图像配准的技术还需进一步发展。1.2论文的主要内容和结构安排本文通过分析介绍基于灰度信息法、变换域法和基于特征法等图像配准方法和原理，对目前主要的图像配准方法进行了归纳和总结。以下为本论文结构安排：第一章交代了课题研究背景及意义等，第二章介绍了图像配准的原理配准过程及不同配准方法分类，第三章介绍了基于灰度的图像配准方法相关理论，第四章介绍了基于变化域的图像配准方法相关理论，第五章介绍了基于特征的图像配准方法相关理论。2图像配准理论2.1图像配准基本介绍图像配准(Image registration)就

16、是将不同时间、不同传感器（成像设备）或不同条件下（天候、照度、摄像位置和角度等）获取的两幅或多幅图像进行匹配、叠加的过程。图像配准广泛用于多模态图像分析，是医学图像处理，遥感图像处理，目标识别，图像重建，机器人视觉等领域中的关键技术之一。图像配准就是将这些图像变换到同一坐标系下，以便融合使用。假设给定尺寸的二维矩阵图像I1(x,y)和I2(x,y),分别表示相对应位置(x,y)上的灰度值。图像配准的关键问题就是图像之间的空间和几何变换。I1(x,y)作为参考图像，而I2(x,y)作为待配准图像。令f表示一个二维空间的坐标变换，设变换后图像为If(x,y)，则参考图像I1(x,y)与变换配准后的

17、图像If(x,y)之间的关系为 (2.1)根据配准的定义，配准目的应该是令变换后的图像If(x,y)与待配准图I2(x,y)的对齐度最大。而此时变换f是一个二维空间域坐标的几何变换，即为 (2.2)2.2图像配准的相关概念2.2.1配准基准通常，根据配准基准的特性，图像配准可分为基于外部基准的配准和基于内部基准的配准8。外部基准是指强加于待配准对象的各种人造标记，这些标记必须在各种配准模式中都清晰可见并且能准确检测到。内部基准则指由图像本身得到的位置相对固定，图像特征明晰的各种配准标识。2.2.2映射变换域配准区域设f1和f2表示两幅待配准的图像，I1(x)=I1(x,y)和I2(x)= I2

18、(x, y)分别表示两幅图像的密度函数，其中x=(x, y)和x =(x,y)分别表示在图像D1和D2中的像素坐标。图像匹配就是要找到一个把图像f1映射到图像I的变换M(x)=(U(x,y), V(x,y),使得变换后的图像I3(M(x)和I2(x)具有几何对应性。这种映射变换有刚体变换、仿射变换、投影变换以及非线性变换等。配准时的变换区域根据实际需要又分为局部配准和全局配准。局部变换一般很少直接使用，因为它会破坏图像的局部连续性。2.2.3配准的交互性与优化根据人是否参与配准过程，配准又可分为全自动式，交互式和半自动式三种。全自动式中使用者仅给相应算法提供图像数据以及图像获取的一些可能信息。

19、交互式中使用者必须亲自进行配准，软件仅给目前变换提供一个可视的或数字的感官印象以及初始变换的一个可能参数。半自动式有两种方式，一种是使用者须初始化算法，如分割数据，另一种是指导算法，例如拒绝或接受配准假设。配准变换的参数可以是直接计算得出，也可以搜索计算。直接计算的最优化方法一般由实例决定，所能研究的工作也仅限于如何使用非常少的信息把此计算法应用于实际。搜索计算的最优化方法大多都可以用待优化的变换参数的一个标准数学函数来表达配准实例，此函数力图使图像在某一变换中两幅图像可达到最大相似。这些函数通常在单模配准中能简单一些，因为此时图像的相似性更易直接定义。我们可以通过使用一个标准的、合适的最优化

20、方法使相似函数达到最优。2.3图像配准的基本过程对在不同时间或不同条件下获取的两幅图像A(x)和B(x)进行配准。首先需要定义一个相似性测度，并且寻找一个空间变换关系，使得经过该空间变换后，两幅图像的相似性达到最大（或者差异性最小）。就是使图像A上的每一个点在图像B上都有唯一的点与之对应，并且这两点对应同一位置。表示如公式（2.3）所示 （2.3）式中S是相似性测度，T是空间变换矩阵。 （2.4）如公式（2.4）所示，配准的过程可归结为寻求最佳空间变换T从而使S达到最佳。由于空间变换矩阵包含多个参数，因此，配准就是一个多参数最优化问题。一般配准的基本步骤如下9。 (1)图像分割与特征提取，进行

21、图像配准的第一步就是要进行图像分割而后找到并且提取出图像的特征空间。图像分割是按照一定的准则来检测图像区域一致性的，达到将一幅图像分割为若干个不同区域的过程，从而可以对图像进行更高层次的分析和理解。(2)变换，即将一幅图像中的坐标点变换到另一幅图像的坐标系中。常用的空间变换有刚体变换，仿射变换，投影变换和非线性变换。刚体变换使得一幅图像中任意两点间的距离变换到另一幅图像中后仍保持不变。仿射变换使得一幅图像中的直线经过变换后仍保持直线，并且平行线仍保持平行；投影变换将直线映射为直线，但不再保持平行性质，主要用于二维投影图像与三维体积图像的配准。非线性变换也称作弯曲变换，它把直线变换为曲线，这种变

22、换一般用多项式函数来表示。(3)寻优，即在选择一种相似性测度后采用优化算法使该测度达到最优值。经过坐标变换后，两幅图像中相关点的几何关系已经一一对应，接下来就需要选择一种相似性测度来衡量两幅图像的相似程度，并且通过不断地改变变换参数，使得相似性测度达到最优。当然，配准的过程并不绝对按上述步骤进行，一些自动配准的方法，如采用的基于灰度信息的配准方法，其配准过程中一般都不包括分割步骤。此外，坐标变换和寻优过程在实际计算过程中是彼此交叉进行的。2.4图像配准方法的分类根据图像的属性不同、配准对象之间的关系不同，图像配准可有多种不同的分类方法10：(1)按待配准图像之间的维数的分类不考虑配准图像是否包

23、括时间维时，可按图像空间维数分为2D/2D、2D/3D和3D/3D配准；2D/2D配准通常指两个断层层面间的配准；2D/3D配准通常指空间图像和投影图像（或是单独的一个层面）间的直接配准；3D/3D配准指两幅三维空间图像间的配准。在空间维数的基础上再加上时间维数，则原来的2D/3D就分别变成了3D/4D。(2)按图像特点的来源分类包括基于外部特征的配准和基于内部特征的配准。基于外部特征的配准通过外部标记的方法来实现配准，这种配准方法配准参数能够比较准确的计算得到，一般不需要复杂的优化方法，但是操作比较复杂。基于内部特征的方法是一种可回溯性配准，成像前不需要进行特殊处理。(3)按坐标变换的性质分

24、类图像之间的映射包括刚体变换、仿射变换、投影变换和非线性变换四种变换模型。在实际的图像应用中非线性变换是比较接近现实情况的模型。但由于其求解复杂，往往在误差不大的情况下会选择用较简单的模型。(4)按坐标变换的域分类根据变换关系的作用域配准可分为全局变换和局部变换。全局变换是经常要用到的，局部变换很少单独使用，通常的做法是在比较复杂的配准中，先进行全局变换，再使用局部变换以使局部细微部分能够更好的吻合。(5)按配准过程中的交互性分类包括人工的方法、半自动化的方法和全自动化的方法。人工的方法完全由人工凭借经验进行，输入计算机后实现的只是显示工作，几乎不需要什么配准的算法；半自动化的方法需要由人工给

25、出一定的条件；全自动化的方法不需人工干预，由计算机自动完成。(6)按配准的过程分类图像配准方法分类的标准很多，从配准工作的过程来对配准方法进行分类更能反应配准问题的本质。基于这个思路，图像配准方法分为两类：基于特征的方法(feature based)和基于灰度的方法(intensity based)。它们的主要区别在于是否包含分割步骤。基于特征的方法包括图像的分割过程，用于提取图像的特征信息，然后对图像的显著特征进行配准。基于灰度的配准方法只要进行配准基本过程中的后两个步骤的工作，无需进行图像的分割与特征的提取，直接用图像的统计信息作为配准的相似性测度。目前，应用较多的是基于灰度的图像配准、基

26、于变换域的图像配准和基于特征的图像配准。基于灰度信息的图像配准方法一般不需要对图像进行复杂的预先处理，而是利用图像本身具有的灰度的一些统计信息来度量图像的相似程度。其主要特点是易于实现，但应用范围较窄，不能直接用于校正图像的非线性形变，而且在最优变换的搜索过程中往往需要巨大的运算量。基于变换域的配准方法最主要的变换域方法就是傅氏变换方法。图像经过傅里叶变换，由空间域变换到频率域，则两组数据在空间上的相关运算可以变为频谱的复数乘法运算，同时图像在变换域中还能获得在空间域中很难获得的特征。此外，图像的旋转、平移、缩放变换都能在傅里叶变换频域中反映出来，而且使用频域方法的好处是对噪声干扰有一定的抵抗

27、能力，同时傅里叶变换可以采用FFT的方法提高执行的速度。另外，傅氏变换由于有成熟的快速算法和易于硬件实现，因此，傅氏变换是图像配准中常用的方法之一。基于特征的配准方法的共同之处是首先要对待配准图像进行预处理，也就是图像分割和特征提取的过程，再利用提取得到的特征完成两幅图像特征之间的匹配，通过特征的匹配关系建立图像之间的配准映射关系。由于图像中有很多种可以利用的特征，因而产生了多种基于特征的方法。因此，基于特征配准方法也经常得到应用。3基于灰度图像配准方法3.1基本介绍基于灰度信息的图像配准方法一般不需要对图像进行复杂的预先处理，而是利用图像本身具有的灰度的一些统计信息来度量图像的相似程度。假设

28、标准参考图像为R，待配准图像为S，R大小为m×n，S大小为M×N，基于灰度信息的图像配准方法的基本流程是先以参考图像R叠放在待配准图像S上平移，通过比较R和Sij的相似性，完成配准过程。其中参考图像覆盖被搜索的那块区域叫子图Sij，i和j为子图左上角待配准图像S上的坐标。配准过程中的搜索范围是 （3.1）经过几十年的发展，人们提出了许多基于灰度信息的图像配准方法，大致可以分为三类：互相关法（也称模板匹配法）、序贯相似度检测匹配法、交互信息法。3.2互相关法互相关方法是一种由Rosenfeld11于1982年提出最基本的统计匹配方法。它要求参考图像和浮动图像具有相似的尺度和灰

29、度信息。对于一幅图像I和一个尺寸小于I的模板T，二维归一化的互相关函数为 (3.2)互相关法通常被用于进行模板匹配和模式识别。它是一种匹配度量，通过计算模板图像和搜索窗口之间的互相关值，来确定匹配的程度，互相关值最大时的搜索窗口位置决定了模板图像在待配准图像中的位置。它以参考图像作为模板在待匹配图像上进行遍历，计算每个位置处参考图像和待匹配图像的互相关。互相关最大的位置就是参考图像中与待匹配图像相应的位置。 设I(x,y)和E(x,y)分别表示参考图像和待配准图像，常用的互相关计算公式有如下两种 (3.3) (3.4)式中，(x,y)和(i,j)分别表示I(x,y)和E(x+i,y+j)的均值

30、。显然，当I(x,y)=E(x+i,y+j)时，式(3.3)和(3.4)计算的互相关系数达到最大，但实际由于噪声的存在，一般I和E是不完全匹配的。因此通常将其最大值的位置作为最佳匹配点来实现图像配准。互相关匹配方法对于噪声的影响和不同灰度属性或对比度差异的影响缺乏鲁棒性。3.3序贯相似度检测匹配法序贯相似度检测匹配法（Sequential Similarity Detection Algorithms，SSDA）是由Barnea12等人提出来的。SSDA方法具有效率高，处理速度快的特点。序贯相似度检测匹配法实际上是个误差绝对值的积累，在非匹配的图像位置，累加时E(a,b)增长较快，而在匹配图像

31、位置上E(a,b)随累加次数增加而变得缓慢。如果先选择一个简单的固定门限T，若在某点上计算两幅图像残差和的过程中，残差和大于该固定门限T，就认为当前点不是匹配点，从而终止当前的残差和的计算，转向别的点去计算残差和，最后认为残差和增长最慢的点就是匹配点,这种方法就是固定门限的SSDA算法。上述E(a,b)为一个在计算上更为简单的相似性度量准则 （3.5）3.4交互信息法交互信息法最初是Viola13等人于1995年把交互信息引入到图像配准的领域的，它是基于信息理论的交互信息相似性准则。初衷是为了解决多模态医学图像的配准问题。交互信息建立在概率密度估计的基础上，它要求的计算量很大，因此函数可能出现

32、病态，并且会出现大量的局部极值。当两幅图达到最佳匹配时，它们对应的灰度互信息应该达到最大。交互信息用来比较两幅图像的统计依赖性。首先将图像的灰度视为具有独立样本的空间均匀随机过程，用统计特征及概率密度函数来描述图像的统计性质。交互信息是两个随机变量A和B之间统计相关性的量度，或是一个变量包含另一个变量的信息量的量度。 交互信息用于图像配准的关键思想是如果两幅图像达到匹配，它们的交互信息达到最大值。在图像配准应用中，通常联合概率密度和边缘概率密度可以用两幅图像重叠区域的联合概率直方图和边缘概率直方图来估计，或者用Parzen窗概率密度估计法来估计，从而来计算交互信息。 交互信息图像配准方法一经提

33、出，有不少基于此类的研究。比如将交互信息和梯度结合起来改善其极值性能的算法、多分辨率图像金字塔法等等。但交互信息是建立在概率密度估计的基础上的，有时需要建立参数化的概率密度模型，它要求的计算量很大，并且要求图像之间有很大的重叠区域，由此函数可能出现病态，且有大量的局部极值。根据信息理论，互信息方法是两个数据集之间的统计依赖的测度，在统计、通信理论和复变分析等领域有着广泛的应用。下面给出两个随机变量X和Y的互信息。 (3.6) (3.7) (3.8) (3.9)H(X)代表随机变量X的熵，P(X)是X的分布函数。此方法是以互信息的最大化为基础的，通过寻优方法来寻找互信息最大时的图像变换参数。对于

34、浮动图像I2和参考图像I1，基于互信息的配准方法，就是要找到一个几何变换T，使I1和T(I2)之间的互信息MI(I1,T(I2)达到最大。互信息是基于灰度的互信息，该方法也存在一些缺点，基于灰度的方法考虑的是像素邻域的灰度特性变化，不是利用像素本身的信息，而是利用图像的统计特性，所以此方法计算量必然是很大的;而且基于灰度的方法对灰度特性敏感，这样基于灰度的方法的应用范围必然受到限制。4基于变换域的图像配准方法4.1基本介绍基于变换域的图像配准方法的基本原理是直接计算原始图像和待配准图像区域间像素之间的相关系数，傅里叶变换则是基于变换域的主要方法。傅里叶变换有很多优点傅里叶函数的缩放、旋转和平移

35、在频率域具有对称性，因此图像的尺度变换、旋转和平移都能反应在傅里叶变换频域内。在图像发生平移时，通过计算图像的功率谱傅里叶变换，将得到一个脉冲函数，这个函数只有在平移处不为零，其他部分都为零，然后直接通过相位相关技术就可以获得产生平移图像之间的平移量。Reddy14为了使相位相关技术适用于图像间具有平移、旋转、缩放关系的图像配准问题，并对其进行了扩展。基本原理是先将图像的坐标系转换为对数极坐标系，然后在对数极坐标系下把缩放量和旋转量转化为平移量，最后通过相位相关技术求取所要的变化量。目前，最主要的变换域方法就是傅氏变换方法。图像经过傅里叶变换，由空间域变换到频率域，则两组数据在空间上的相关运算

36、可以变为频谱的复数乘法运算，同时图像在变换域中还能获得在空间域中很难获得的特征。此外，图像的旋转、平移、缩放变换都能在傅里叶变换频域中反映出来，而且使用频域方法的好处是对噪声干扰有一定的抵抗能力，同时傅里叶变换可以采用FFT的方法提高执行的速度。另外，傅氏变换由于有成熟的快速算法和易于硬件实现。4.2原理与过程假设图像f1(x,y)和f2(x,y)，经傅里叶变换后分别得到F1(x,y)和F2(x,y)。若f2 (x,y) =f1(x-x0, y-y0)，则其傅里叶变换为 （4.1）即两幅图像的Fourier变换具有相同的幅值，但存在相位差异，通过计算两幅图像的互功率谱来得到两幅图像的相位差 （

37、4.2）其中，F*为F的复共扼，1(x,y)和2(x,y)分别为F1(x,y)与F2(x,y)的相位谱。当信号发生位移时，其幅度谱不变，由式（4.2）可得 (4.3)式（4.3）的Fourier反变换在(x0, y0)处为冲激响应，因此，在匹配点处可以得到Fourier反变换的峰值。类似的，如果两幅图像存在旋转角度0，即 (4.4)则其傅里叶变换为 (4.5)此时，定义两幅图像的互功率谱为 (4.6)不断旋转F1(x,y)当=0时，式（4.6）通过傅里叶反变换后将有一冲激响应峰值。以上估计角度的方法实际上是一个穷举搜索的方法。为了提高旋转角度的精度，必须相应提高角度搜索空间，这样势必大大增加计

38、算量。为此，Reddy14等人提出了一种Fourier-Mellin不变描述算子，通过在极坐标下，将旋转和比例缩放因子转化为平移的形式。使相位相关方法的速度得到了改善。变换域配准方法在噪声的敏感性和计算的复杂度上有一定的优势，一般应用于仿射转换的图像配准中，对于图像转换形式较复杂的情况无能为力，此时需要基于图像特征的方法来解决这类问题。以上通过对各类图像配准方法的研究可以看到，图像配准方法是依赖于图像本身的，也就是说，往往不同的图像配准方法都是针对不同类型的图像配准问题的。到目前为止，不存在任何一种图像配准方法能适用于各种图像配准问题。因此图像配准方法研究的两个重要目标是，一方面提高其对适用图

39、像的算法有效性、准确性和鲁棒性，另一方面也力求能扩展其适用性和应用领域。由讨论可以看出，过程应首先求出比例因子及旋转角，按此值对欲配准图像变换后，求出平移量，再进行变换可得到配准好的图像。具体步骤如下(1)对原始图像进行傅里叶变换，并求出各自的能量。(2)高通滤波。(3)将滤波后的各图像的能量转换成对数一极坐标形式，并求其互能量谱，得到比例因子及旋转角。(4)将欲配准的图像经旋转、比例放大后再与参考图像一起计算互能量谱，从而得到平移量。5基于特征的图像配准方法5.1基本介绍基于特征的配准方法的共同之处是首先要对待配准图像进行预处理，也就是图像分割和特征提取的过程，再利用提取得到的特征完成两幅图

40、像特征之间的匹配，通过特征的匹配关系建立图像之间的配准映射关系。由于图像中有很多种可以利用的特征，因而产生了多种基于特征的方法15。(1)基于点的方法，当两幅图像的对应点集确定以后，只要对准这些标志点，图像就配准了。(2)矩和主轴法，借用经典力学中物体质量分布的概念，计算两幅图像像素点的质心和主轴，再通过平移和旋转使两幅图像的质心和主轴对齐，从而达到配准的目的。该方法对数据较敏感，配准结果不太精确，但算法自动、快速、易实现，因此它主要用于图像的初步配准，以减少后续精确配准时优化算法的搜索区间和计算时间13。(3)基于面的方法，基于面的配准方法中最典型的算法是头帽算法。从一幅图像中提取一个表面模

41、型称为“头”，从另一幅图像中提取的轮廓点集称为“帽”。用刚体变换或仿射变换将“帽”的的点集变换到“头”上，然后采用优化算法使得“帽”的各点到“头”表面的距离最小14。(4)基于点和面特征结合的方法，这种方法是在改善迭代最近点法、表面和特征点法相结合的方法的基础上所提出的一类方法。该方法采用表面点集和特征点集的加权法来计算两幅图像间的相关点集的距离，可以减少所使用的特征点。5.2基于特征的基本步骤基于特征的图像配准首先要对待配准图像提取图像信息的特征，然后再利用提取得到的特征完成两幅图像特征之间的匹配，并通过特征的匹配关系来建立图像间的配准映射关系。基于特征的图像配准方法是实现高精度，快速有效和

42、适用性广的配准算法的最佳选择，基于特征的图像配准算法的基本流程如图5.1。具体步骤如下(1)图像预处理，不同条件下得到的两幅图像之间存在着一定的差异，主要包括灰度值偏差和几何变形。为了图像配准能够顺利进行，在图像配准之前应尽量消除或减少图像间的这些差异。(2)特征提取，根据图像性质提取适合于图像配准的几何或灰度特征。在特征选择时，要遵循如下几个原则：一是相似性原则。二是唯一性原则。三是稳定性原则。(3)特征匹配，将待配准图像与标准图像中的特征一一对应，删除没有对应的特征。(4)图像转换，利用匹配好的特征带入符合图像形变性质的图像转换，以最终配准两幅图像。图5.1 基于特征的图像配准算法流程图5

43、.3特征提取对于大多数图像配准操作而言，在正式进行图像配准之前，对参考图像和带配准图像进行准确而有效的图像特征提取是十分必要的。因为该操作不仅能够提高图像匹配的准确性，还可以提高匹配速度，因此能否合理的进行图像特征提取就成为了图像匹配操作成功的一个关键。根据具体特征的不同，可以将特征提取的方法分为：点特征提取和结构特征提取。5.3.1点特征提取点特征是配准中最常用到的图像特征之一。点特征表示和操作简单，同时也能反映图像的本质特征。所谓点特征提取即提取出图像中的显著点，通常我们将这些显著点称之为控制点5。在利用该方法进行图像配准时，首先选取待配准图像和参考图像的控制点，然后再以这些图像的控制点作

44、为依托进行图像配准的后续操作。可见，控制点的选取是非常重要的。一般情况下，在选择图像控制点的时候应当考虑控制点在图像中的分布是否均匀，所选择的控制点在待配准图像和参考图像中的位置是否一致，控制点所处区域或其周围区域的特征是否独特等方面。此外，还需要注意的是特征点的数目是否合理。因为配准运算需要足够的特征点，但过多的特征点则阻碍配准的顺利进行。目前常用的控制点选取方法主要有两个，它们分别是算法估计和用户自行选取。5.3.2结构特征提取所谓的结构特征是区域，轮廓，表面等。而对结构特征的提取是在图像分析中非常重要的一个基本问题。其中，边缘是最为常用的结构特征。边缘变现了目标边界，因此对配准，分割和辨

45、识场景中的目标都很有用。利用提取的边缘可以实现测量物体的面积及周长，识别出特定的物体，求两幅图像的对应点等操作。另一方面，边缘检测与提取的处理进而也可以作为更为复杂的图像识别，图像理解的关键预处理来使用。事实上，对图像的边缘和区域边界的检测过程是具有一定难度的。我们都知道，由于图片在拍摄过程中所遇到的光线和摄影设备等问题，使得所要处理的目标图像具有一定的模糊性和不均匀性。此外，由于外界的不同强度及不同类型的干扰，使得所获图像产生了不同程度的噪声。而这些不可避免的噪声毫无疑问会给我们后续的边缘检测甚至是最后的图像配准操作带来不便。因此在进行图像的边缘检测之前需要首先对含有大量噪声问题的目标图像进

46、行一定的预处理。预处理的目的是增强图像中数据的可视化效果，在消除图像数据中的噪声的同时高图像的质量。于此同时，合理的对图像进行预处理还能够有效的增强图像的纹理效果，突出图像所要研究的主体部分。这也为图像的后续操作提供有利条件。目前，常见的预处理操作主要包括灰度化，点处理，平滑滤波等操作。5.4变换模型所谓的变换模型是指根据参考图像和待配准图像之间所产生的的几何上的畸变情况，来选择可以拟合两图像之间的变化情况的最优几何模型。常用的图像变换模型及相关比较如表5-1所示平移反转旋转缩放投影扭曲刚体变换 仿射变换 投影变换 表5-1图像的变换模型（表示满足）常用的图像变换模型主要效果展示如图5-1所示

47、图5-1图像的坐标变换模型刚性变换是两幅图像中的两点之间的距离变换后仍保持不变，这样的变换就称为刚性变换(Rigid Transform)。刚性变换3个步骤为平移，旋转和反转(镜像)。在二维空间中，点（x,y）经刚体变换到点（x,y）的变换公式为 (5.1)其中为旋转角度，tx,tyT为平移量。如果一幅图像中的直线经过后映射到另一幅图像上仍为直线，并且保持平行关系，则这种变换称为仿射变换(Affine Transform)。仿射变换适用于平移，旋转，缩放和反转(镜像)情况。可以用以下公式表示 (5.2)其中(tx,ty)表示平移量，而参数ai则反映了图像旋转，缩放等变化。将参数tx，ty,ai

48、(i=14)计算出，即可得到两幅图像的坐标变换关系。如果一幅图像中的直线经过后映射到另一幅图像上仍为直线，但平行关系基本不保持，则这种变换称为投影变换(Projective Transform )。二维平面投影变换是关于齐次三维矢量的线性变换，在齐次坐标系下，二维平面上的投影变换具体可用下面的非奇异3×3矩阵形式来描述，即 (5.3)则二维投影变换按照式(5.3)将像素坐标点(x,y)映射为像素坐标点(x,y)，表示如(5.4)所示 (5.4)它们的变换参数mi(i=1,2,8)是依赖于场景和图像的常数。非线性变换又称为弯曲变换(Curved Transform)，经过非线性变换，一

49、幅图像上的直线映射到另一幅图像上不一定是直线，可能是曲线,在二维空间中，可以用下公式(5.5)表示 (5.5)式中，F表示把一幅图像映射到另一幅图像上的任意一种函数形式。多项式变换是典型的非线性变换，如二次、三次函数等，有时也使用于指数函数,多项式可以用以下公式表示 (5.6)在得到两幅图像间的变换模型参数后，要将输入图像做相应参数的变换。使之与参考图像处于同一坐标系下，就可以实现目标图像与背景图像的匹配。这里目标图像变换后所得点坐标不一定为整像素数，此时应进行插值处理。5.5坐标变换与插值在进行图像的缩放、旋转和复合变换等。原图像的像素坐标为整数，而变换后图像的坐标不一定是整数，相反也是如此

50、。因此，在图像的几何变换中，除了要进行几何变换运算外，还要进行灰度插值处理。常用的灰度插值方法有最近邻插值法，双线性插值法和三次内插法。(1)最近邻插值法最近邻插值法是将(x0,y0)点最近的整数坐标(x,y)点的灰度值取为(x0,y0)点的灰度值。在(x0,y0)点各个相邻像素间灰度变化较小时，这是一种简单快捷的方法，但当(x0,y0)点相邻像素间灰度差很大时，这种灰度估值方法会产生较大的误差。(2)双线性插值法双线性插值法是对最近邻法的改进，即用线性内插的方法，根据点P(x0,y0)的四个相邻灰度值，插值计算出灰度值f(x0,y0)。此方法考虑了(x0,y0)点的直接邻点对它的影响，因此一

51、般可以得到令人满意的插值效果。但这种方法具有低通滤波性质，使高频分量受到损失，图像轮廓模糊。在某些应用里，双线性插值的斜率不连续还可能会产生一些不理想的结果。(3)三次内插值法三次内插值法不仅考虑(x0,y0)点的直接邻点对它的影响，还要考虑到该点周围16个邻点的灰度值对它的影响。根据连续信号采样定理可得，若采样值用插值函数S(x)=sin(x)/(x)插值，当采样频率不低于信号谱最高频率的两倍时可以准确地恢复原信号，并可以准确得到采样点间的任意点的值。此方法计算量很大，但更为精确，能保证较好的图像边缘。S(x)=sin(x)/(x)可以采用以下三次多项式近似。 (5.6)6总 结图像配准是指

52、根据一些相似性测度来确定图像之间的转换参数,是将不同传感器，不同视角，不同时间获取的同一场景的两幅或多幅图像,变换到同一坐标系下,在像素层上得到最佳匹配的过程。基于灰度信息的图像配准方法一般不需要对图像进行复杂的预先处理，而是利用图像本身具有的灰度的一些统计信息来度量图像的相似程度。其主要特点是易于实现，但应用范围较窄，不能直接用于校正图像的非线性形变，而且在最优变换的搜索过程中往往需要巨大的运算量。人们提出了许多基于灰度信息的图像配准方法，大致可以分为互相关法（也称模板匹配法），序贯相似度检测匹配法，交互信息法这三类，本论文对其进行了详尽的介绍。基于变换域的配准方法比较适用于图像发生幅度较小

53、的平移、旋转和缩放的情况，并且该方法的运算速度快，硬件的支持性好，也具有一定的抗噪能力。目前，最主要的变换域方法就是傅氏变换方法，本论文通过介绍傅氏变换方法说明了基于变换域配准方法的原理与特征。基于特征的配准方法首先要对待配准图像进行预处理，也就是图像分割和特征提取的过程，再利用提取得到的特征完成两幅图像特征之间的匹配，通过特征的匹配关系建立图像之间的配准映射关系。由于图像中有很多种可以利用的特征，因而产生了多种基于特征的方法，本论文对这些进行了一番说明和介绍。本文通过分析介绍基于灰度信息法，变换域法和基于特征法等图像配准方法和原理，对目前主要的图像配准方法进行了归纳和总结。参考文献1 Anuta P E. Digital registration of multispectral video imageryJ. Optical Engineer