地的总结图像配准算法

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1-1 图像配准的基本流程

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。

2(,)[1((,

f x y

g f

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。因此这种方法通常并不单独用在遥感图像配准中。

基于特征的图像配准方法可以克服利用图像灰度信息进行图像配准的缺点，主要体现在以下三个方面：(1)图像的特征点比图像的象素点要少很多，因此大大减少了配准过程的计算量；(2)特征点的匹配度量值对位置的变化比较敏感，可以大大提高配准的精确程度；(3)特征点的提取过程可以减少噪声的影响，对灰度变化，图像形变以及遮挡等都有较好的适应能力。因此，其在图像配准领域得到了广泛应用。基于特征的图像配准方法有两个重要环节：特征提取和特征匹配。

图2-13 基于特征的图像配准方法的基本步骤

基于特征点的配准方法的缺点：目前大多数的遥感图像配准系统都采用基于特征点的配准方法，以交互或自动的方式选择必要的控制点，但这些系统不能很好地适用于自动处理大量的数据，原因是特征点或控制点的选取是一项耗时、耗力的工作，在要求实时处理的应用中，这种方法是不现实的。同时自动配准要考虑是精度问题，因为在卫星遥感图像中自动地确定有效的、精确的控制点有时是困难的，太少的点、不准确的点或者分布不均匀的点被选取都可能导致配准的误差，而且这种情况是经常发生的。

基于特征的要求图像比较清晰，能选出特征点，线，区域即：基于特征点的局部自动配准的一个前提是，能够从图像中准确提取点特征。图像模糊，这必然使得点特征的提取比较困难，更加容易漏选特征点和产生伪特征点，从而导致配准精度不高。

1. 基于小波变换的遥感图像自动配准算法

其基本思想是：在对大尺度遥感图像进行配准时，为了降低运算量，提高速度，利用小波变换的多分辨率特性，首先在低分辨率图像上获得一组配准参数，然后以此为初始值，再向高分辨率方向上逐层映射；算法在实现上，遵循一种由粗到精的搜索策略，即首先利用相似性度量获得图像间的一个粗略的变换参数估计，逐层迭代搜索，最终获得精确的配准参数。

基于图像灰度的全局配准，全局配准则是利用整幅图像直接对映射函数进行搜索。

基于小波变换的配准原理：图像配准过程中，如果对整幅图像进行搜索，计算量大、耗时长。为了减少搜索空间，可以利用小波变换构造多尺度图像金字塔，采取由粗到细的搜索策略，即只在最高层进行全搜索，逐层缩小搜索范围，大大提高搜索效率。图像经小波分解后分别得到低频和高频分量数据，低频子图像反映了原图像的平滑特征，高频系数分别反映了原图像水平、垂直和对角方法的亮度突变特征。该突变特征可用于图像配准的特征点(控制点)，而且小波分解后子图尺寸减小2l(l表示分解层数)倍。因此为了减小计算量，需要找到小波分解后的子图配准与原图配准之间的关系。

基于小波变换的配准方案：基于小波变换的全局配准方案，其基本思想是：首先采用小波变换将原始图像逐级分解得到一个分辨率从低到高、规模由小到大的层次式结构(也称金字塔结构)；然后在分辨率低的图像层，通过线性搜索或其他策略得到该分辨率下最优解的初步变换参数估计，并将此估计作为下一级图像层处