【《图像配准理论概述》3600字】

第I第页图像配准理论概述目录TOC\o"1-3"\h\u29961图像配准理论概述 1192301.1图像配准的定义 1165481.1.1物理定义 1236661.1.2数学定义 1104551.2图像变换 2259631.3图像配准方法分类 417471.3.1基于灰度的图像配准 5102111.3.2基于变换域的图像配准 5217101.3.3基于特征的图像配准 5322381.4图像配准评价准则 646981.4.1主观评价 618881.4.2客观评价 61.1图像配准的定义 图像配准（ImageRegistration）是在两幅或者多幅图像之间将拥有相同特征性质的特征点进行匹配找到合适的变换，图像配准又有两种定义分别是物理定义与数学定义。1.1.1物理定义 图像配准是在两幅或多幅图像之间进行配准，将其分为参考图像和输入图像。它们是来自不同时间、不同视角或不同传感器的同一地点的图像。配准的主要目的是消除或校正参考图像和待配准图像的几何畸变。1.1.2数学定义 图像配准定义就是为两幅图像在空间和灰度上面的映射。用二维矩阵L1和L2用来表示两幅图像，P1x,

P2x其中f为二维空间坐标变换，g为一维亮度或其他度量值变换。图2左图为参考图像P1x图3：图像配准好的图像 图2、图3就是一个完整的图像配准的过程。图像的形成是一个非常复杂的过程。拍摄图像时,根据不同的同一区域的传感器会生产很多种类的图像的差异是主要取决于设备,拍摄地点,等等,所以图像配准的本质是不同的图像特征在相同的位置,相同的点进行匹配,只有这样才能说两个或两个以上的图像是配准成功的。图像配准的重点是找到图像之间的变换关系，最常用的方法是基于特征配准，该方法主要包括以下步骤:首先提取图像的特征进行后续匹配。其次，根据第一步得到的特征，采用匹配算法进行匹配，根据正确的匹配特征，计算待配准图像的空间变换矩阵，该矩阵代表了两幅图像的空间变化关系。然后，利用得到的配准变换矩阵对待配准图像进行转换，得到最终的配准结果。1.2图像变换 各种图像配准技术必须具有自己的转换模型。转换空间的选择与图像的变形和形变特性有关。图像几何变换分为两类：整体变换和局部变换[18]。对于平移变换、旋转变换之间的区别。空间变换分为刚体（RigidTransform）、投影变换（ProjectiveTransform）、仿射变换（AffineTransform）与非线性变换（NonlinearTransform）。[19]1.1.1刚体变换 刚体转换[20]就是图像中两点之间的距离不随着转换为另一图像后发生变化。这种变换后的图像只会被平移和旋转，变换后的图像中的场景形状不会发生变化。这条直线仍然是一条直线，变换后图像的两点之间的距离保持不变。在二维空间中点x,y经过刚体变换到了点x1y 其中θ为旋转角度，tx1.1.2仿射变换 仿射变换是比刚体变换更复杂的变换，也是一种相对通用的方法。当一幅图像中的一条直线经过仿射后，它在另一幅图像依旧是一条直线，这种映射称为仿射变换[21]。变换后，图像会发生变化。变换前后的直线仍然是直线，但两直线之间的夹角会发生变化，其变换公式：x1y 其中点x,y和 变换矩阵M可写为M=m1.1.3投影变换 与刚体变换和仿射变换相比，投影变换更加复杂，并且变换后的目标将进行更多的变换。即使直线仍然是直线，平行线也不会保持平行。二维空间的投影变换公式为：x1yx1=w=m6其中w为缩放参数，点x,y和x1M=m01.1.4非线性变换 非线性变换是一副图片中的直线映射到第二幅图中变为的曲线的变换，变换公式为：x1,y表1.1：图像变换模型反转旋转平移缩放投影扭曲刚体变换☑☑☑仿射变换☑☑☑☑投影变换☑☑☑☑☑非线性变换☑☑☑☑☑☑1.3图像配准方法分类 图像配准问题十分复杂。没有通用的方法来处理所有类型图像的特定方法。图像的特性使图像配准方法必须具有多种且协调的解决特点。常见的图像配准方法分为基于灰度的方法，基于特征的方法和基于转换域的方法。每种方法都有其优点和特征。基于特征的图像配准分为点，线和区域特征配准。优化算法非常复杂，但是足够准确。基于灰度的图像配准的关键是具有相似灰度信息内容的图像的配准。响应速度快、算法复杂度低、效率低。1.3.1基于灰度的图像配准 基于灰度信息内容的配准方法的基本概念是将图像视为二维数据信号[22]，对图像本身进行灰度统计分析，以测量图像的相似度，并进行统计分析。利用统计方法查找数据信号之间的相关性，并使用两个数据信号之间的相似度来评估图像的相关函数，并在图像中间找到共轭点。根据灰度信息的图像配准方法，利用相关函数，协方差矩阵、差函数平方和等绝对值来阐明最大值，然后确定两个图像之间的对应关系。例如，归一化灰度配准的概念是创建即时图像窗口的灰度矩阵，根据实际大小的像素排序，然后在矩阵窗口的灰度图像中匹配所有可能的像素。框检索和更清晰。可以看出，图像配准的主要特征是利用灰度信息完成图像配准，但应用范围相对有限，不能立即用于图像非线性转换，计算量大，算法复杂，实时性不是很好。1.3.2基于变换域的图像配准 直接计算记录的待配准图像和基准图像区域之间的一组相关系数是基于变换域的方法的主要思想。傅立叶变换是其主要的方法。该方法充分利用了傅里叶变换的优良特性：频域上对称函数的平移，旋转和比例变换，图像的旋转，平移和尺寸变换都可以反映在傅立叶变换的频域中。在图像平移中，通过傅立叶变换计算两个图像的功率谱，并获得脉冲函数。假设不仅适用于平移，还适用图像之间的旋转，可以计算平移之前图像之间的旋转变换。此法适用于平移，旋转和缩放比例较小的图像。该算法具有速度快，对设备的良好支持以及克服噪声干扰的能力。1.3.3基于特征的图像配准 图像特征是指图像上具有明显结构的点、线或区域。这些特征有一个共同点，它们的灰度变化很大。正是由于这些极端的变化，它们才具有独特的结构信息，这种优势使得它们在外部环境的影响下非常稳定。有了这样优异的性能，基于特征的图像配准自然成为今天更受欢迎的方法[23]。特征有很多类型，例如点，线，区域等，所有这些都可以用作特征。这些特征的优点在于，它不仅具有上述优异的性能，而且还考虑了图像的细节，从而使图像内容更加丰富。但是，对于SAR照片，基于特征的方法也有缺点。SAR图像不可避免地会受到成像设备和场景的影响而产生噪声，从而影响配准。 而基于特征的图像配准也分为几类有基于特征点的匹配、基于特征区域的匹配以及基于特征边缘的匹配。 在基于特征点的匹配中，对特征点的选择要求很高，因此非常重要。它应该与周围的一些像素点不同，而且会有噪声污染，所以很难提取出来。为了得到正确的匹配关系，准确找到两个图像的特征点很重要。经典的特征点获取方法是SIFT，已经在许多研究内容中得到了应用，证明了该方法具有出色的特征点获取能力。 在基于特征的匹配区域中，第一步是找到一些明显的图像区域，选择这些区域后需要进行匹配。但是最后，特征区域的质心点对于最终配对很重要。因此，通过该方法获得的特征区域的精度非常高。 在基于特征边缘的匹配中，边缘特征易于提取，适用性广，鲁棒性好。同样，该算法对提取的图像边缘要求较高，但复杂的边缘难以用数学关系表示1.4图像配准评价准则 现在最常用来评价图像配准的方法包括：图像配准的准确性、图像配准的稳定性、图像配准的鲁棒性以及配准算法的多样性。1.4.1主观评价 通常的评估是将配准图像和待配准图像的结果叠加，用人眼并仔细观察图像中间的边缘结构两端是否对齐。关键是根据专家教授的目视效果评判。主观评价方法的优点是操作过程相对简单，主观结果数据可以可视化，但缺点是主观性强，每个人的评价都不同，不可能进行定量的分析和评价。1.4.2客观评价 客观评价主要是基于某种数学分析模型对图像配准结果进行定量评价，从而填补了主观评价无法获得的定量评价。常见的客观评估方法是：均方误差和均方根误差。 均方误差主要是通过配准后两幅图像中的匹配点对经过变换矩阵，计算两者的均方误差得到的。公式如下：ΔxΔyiMSE=i=1N 其中xi',yⅈ 均方误差（MSE）是通过比较配准后两点像素的灰度值相似程度来判断精度。MSE越小，配准精度越高。该方法主要运用于同源的图像