毕业设计.综述

图像配准文献综述

一、引言

图像配准是图像处理领域中的基本问题，它是很多问题的预先处理步骤，这些问题遍及医学、军事、遥感、计算机视觉等多个领域。概括地说，图像配准是将不同时间、不同传感器或不同视角下获取的同一场景的两幅或多幅图像进行最佳匹配的过程[1]。发展至今，图像配准已经取得了众多的研究成果，但由于配准图像多样性，影响配准的因素多样性，以及不同领域应用对配准的不同要求，还有配准问题的复杂性，图像配准技术还需要进一步的发展。下文主要介绍了国内外对图像配准的研究发展以及现状，图像配准的数学模型以及需要用到的几何变换，图像配准大体上的方法划分，然后着重介绍了基于特征的图像配准方法。

二、图像配准的国内外发展现状

图像配准技术的提出最早是在军事方面，在美国七十年代从事的飞行器辅助导航系统、武器投射系统的末制导和寻地等应用研究中提出。但直到1980年代才开始引起学者们的重视，在很多不同领域渐渐出现了图像配准技术的研究，如遥感领域，模式识别，自动导航，医学诊断[2]，计算机视觉等。

在王蕾[3]的介绍中，从上世纪70至90年代，图像配准技术不断被研究，包括了使用FFT进行互相关图像检测计算的图像配准技术，利用模板子图像的差值相似性测度的图像配准技术，基于自回归模型的动态程序设计方法用于几何畸变较大的图像的配准技术等等。 W.K.Pratt研究了图像配准的互相关技术；M.Svedlow等对图像配准相似性测度和预处理方法进行了比较分析；Flussr针对变形图像间的匹配又提出了一个将两幅遥感图像自动分割，得到相似度很大的相应子块，根据这些子块的空间位置关系对原图像进行匹配的自适应映射方法。90年代以后,单模图像配准问题已基本解决，人们渐渐把关注放在多模图像配准上[4]。国内也开始涉足此领域，李智等提出了基于轮廓相似性测度的图像配准方法，郭海涛[5]等提出了一种将遗传算法（Genetic Algorithm，简称GA）用于图像配准的算法。王小睿[6]等提出并实现了一种使用互相关函数作为相似性测度的半自动的图像配准方法；熊兴华[7]等提出了将遗传算法和最小二乘法结合用于图像的子像素级配准。

可见不论是国内还是国外，图像配准技术都发展的非常迅速，目前3D 数据的配准成为了学术界的研究热点之一。Rusu R B 等根据点云数据中点邻域环境研究实现了点特征直方图（PFH ）以描述几何特征，以此根据来进行匹配，随后又对其在计算复杂度方面进行了改进和简化工作[10][17][19][20]。图像配准的高精度、算法的强鲁棒性和配准速度以及图像配准的自动化都是图像配准领域不断追求的目标。

三、图像配准以及几何变换

图像配准可以定义为两幅图像在空间和灰度上面的映射。用二维矩阵12,I I 来表示两幅图像，则12(,),(,)I x y I x y 分别表示相应位置上的灰度值，则映射可表示21(,)((,))I x y g I f x y =，其中f 表示一个二维空间坐标变换，g 是一维变换，大多数情况，解决配准问题关键在寻找空间或几何的变化，变换一般可参数化为两个单值函数,x y f f ：21(,)((,),(,))x y I x y I f x y f x y =

常用到的图像变换主要有刚体变换、仿射变换、投影变换和非线性变换。

1、刚体变换：如果第一幅图像中的两点之间的距离变换到第二幅图像后仍保持不变，

那么这样的变换就称为刚体变换。可分解为平移、旋转和反转。二维空间中，点(,)x y 经过刚体变换到点(',')x y 的变换为

'cos sin 'sin cos x y t x x t y y ϕϕϕϕ⎡±⎡⎤⎤⎡⎤⎡⎤=+⎢⎢⎥⎥⎢⎥⎢⎥⎦⎣⎦⎣⎦⎣⎦⎣ （3·1） 其中ϕ为旋转角度，x y t t ⎡⎤⎢⎥⎣⎦

为平移量。

2、仿射变换：如果第一幅图像中的一条直线经过变换后映射到第二幅图像上仍为直

线，并且保持平衡关系，这样的变换称为仿射变换。

点(,)x y 经过仿射变换到点(',')x y 的变换为

11122122''x y t a a x x t a a y y ⎡⎡⎤⎡⎤⎤⎡⎤=+⎢⎢⎥⎢⎥⎥⎢⎥⎦⎣⎦⎣⎦⎣⎦

⎣ （3·2） 其中11

122122a a a a ⎡⎤⎢⎥⎣⎦

为实数矩阵。 3、投影变换：如果第一幅图像中的一条直线经过变换后映射到第二幅图像上仍然为

直线，但平行关系基本不保持，则这样的变换称为投影变换。

点(,)x y 经过投影变换到点(',')x y 的变换为

11121321

2223''1x a a a x x y a a a y y ⎡⎤⎡⎡⎤⎤⎡⎤⎢⎥=+⎢⎢⎥⎥⎢⎥⎢⎥⎦⎣⎦⎣⎦⎣⎢⎥⎣⎦ （3·3） 其中111213212223a a a a a a ⎡⎤⎢⎥⎣⎦

为实数矩阵。 4、 非线性变换：如果第一幅图像中的一条直线经过变换后映射到第二幅图像上不再

是直线，则这样的变换称为非线性变换。在二维空间中，

点(,)x y 经过非线性变换到点(',')x y 的变换公式为：

(',')(,)x y F x y = （3·4）

其中F 表示把第一幅图像映射到第二幅图像上的任意一种函数形式。

四、图像配准方法的分类

图像配准的分类并没有明确的定义，可根据其应用领域不同，配准方法不同，图像来源不同等等，分类方法也各有特点。

如何对各种配准方法进行分类，Brown 提出了一下三个主要的范畴：图像特征类别、搜索空间（或等价于应用的变换类型）、搜索策略来进行图像配准分类[1]。

在应用上可以粗略第归为四类：多模态配准、模板配准、观察点配准、时间序列配准。

基于配准理论可以将图像配准分类两大类[9]：基于灰度的配准和基于特征的配准。

基于灰度的配准：指直接利用整幅图像的灰度信息，建立两幅图像之间的相似性度量，然后采用某种搜索方法，寻找使相似度量值最大或最小的变换模型的参数值。其特点直接利用全部可用的图像灰度信息，不需要对图像做特征提取，因此能提高估计的精度和鲁棒性。但由于在基于图像灰度的算法（如互相关算法）中，需要把匹配点周围区域的点的灰度都考虑进来进行计算，因此计算量很大，速度较慢。

基于特征的配准：指通过分别提取两个或多个图像中保持不变的特征，对其进行参数描述，然后通过所描述的参数，利用某种相似性度量进行匹配。其特点提取了图