在多传感器图像处理领域中，红外与可见光图像的匹配一直是研究和应用的热点问题。这类图像在信息表现上存在显著差异，例如在灰度、纹理信息和对比度上的不同，这为图像间的精确匹配带来了挑战。在过去的几十年里，众多研究者尝试了多种方法，包括基于特征点的匹配算法如尺度不变特征变换（SIFT）、局部二值模式（LBP）、加速稳健特征（SURF）等。然而，由于红外与可见光图像之间的本质差异，这些传统的算法并不能很好地满足匹配精度和鲁棒性的需求。
在本文中，提出了一种创新的红外与可见光图像匹配算法，它基于图像的自相似性特征。自相似性，即图像内部分与整体之间的相似性，是一种强有力的图像描述属性，它在图像分析和模式识别领域具有广泛的应用前景。文章详细介绍了该算法的设计和实现流程，并验证了其有效性。
文章提出了图像预处理的重要性。在这一环节，通过计算小邻域内的平方和来强化图像中具有代表性的特征，为后续的特征点检测和匹配提供了一个良好的基础。
接下来，文章着重介绍了利用FAST-9角点检测器来提取特征点的方法。FAST-9算法能够在不同的尺度上检测到稳定的角点，这对于多尺度图像匹配至关重要。这一步骤确保了所提取特征点的尺度不变性，使算法能够在复杂的环境中更有效地工作。
在确定特征点之后，文章指出要根据邻域信息确定每个特征点的主要方向。此步骤有助于增强特征的描述能力，使得算法能够更准确地识别和描述图像中的关键信息。
然后，算法进入自相似性描述子的构建阶段。通过在对应尺度下选择相关平面并进行区域划分，算法能够提取每个区域的极值点，构建一个100维的描述子。这一描述子在包含足够多信息的同时，也经过归一化处理，从而减少了误匹配的概率。
为了进一步优化匹配质量，算法剔除了无效或非信息性的描述子，然后利用最近邻匹配算法来寻找最佳匹配对。该算法在保证了旋转、视角和尺度变换下的匹配准确性的同时，也保持了较高的运算效率。
实验验证了该算法的有效性，其在红外与可见光图像匹配上的正确匹配率高于SIFT算法，展现了良好的鲁棒性。该方法不仅对旋转、仿射和尺度变换具有较好的适应性，而且在实际应用中提供了更为准确的匹配结果。
总体而言，本文提出的基于自相似性特征的红外与可见光图像匹配算法，不仅解决了传统算法难以处理的问题，还提供了在多传感器图像处理系统中的一个重要技术手段。这一技术在提升系统性能方面具有理论和实践上的双重价值，特别是在复杂环境和条件下，对于计算机视觉、应急救援、安全监控和军事应用等领域的图像匹配问题具有重大的应用潜力。随着算法的不断发展和完善，我们可以预期其在未来的实际应用中发挥更加关键的作用。
